“manual de ejercicios: estocastica...
TRANSCRIPT
UNIVERSIDAD DE LOS ANDESFACULTAD DE INGENIERIA
ESCUELA DE SISTEMASDEPARTAMENTO DE INVESTIGACION DE OPERACIONES
“Manual de Ejercicios: ESTOCASTICA 1”
Por: Karla Patricia Ramırez Araujo
Mayo de 2009
A mi familia, que siempre me ha dado mas
de lo que he sonado.
Indice general
0.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1. Estadıstica Descriptiva 3
1.1. Histogramas y Polıgonos de Frecuencia . . . . . . . . . . . . . . . . . . . 4
1.2. Medidas Descriptivas Numericas . . . . . . . . . . . . . . . . . . . . . . . 16
1.3. Introduccion al Muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.3.1. Muestreo Simple Aleatorio . . . . . . . . . . . . . . . . . . . . . . 38
1.3.2. Muestreo Sistematico . . . . . . . . . . . . . . . . . . . . . . . . . 44
1.3.3. Muestreo por Conglomerados . . . . . . . . . . . . . . . . . . . . 45
1.3.4. Muestreo Estratificado . . . . . . . . . . . . . . . . . . . . . . . . 47
1.4. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2. Teorıa de la Probabilidad 54
2.1. Teorıa de Conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.2. Teorıa de Probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.3. Teorıa Combinatoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
2.3.1. Principio de Multiplicidad . . . . . . . . . . . . . . . . . . . . . . 68
2.3.2. Principio de la Suma . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.3.3. Permutaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
2.3.4. Combinaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.4. Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
2.5. Independencia de eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
i
INDICE GENERAL ii
2.6. Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
2.7. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3. Variable Aleatoria Unidimensional 91
3.1. Distribucion de Probabilidad de una Variable Aleatoria Discreta . . . . . . 91
3.2. Distribucion de Probabilidad de una Variable Aleatoria Continua . . . . . . 99
3.3. Distribucion de la Funcion de una Variable Aleatoria . . . . . . . . . . . . 111
3.4. Valores Esperados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
3.5. Momentos de una Ley de Probabilidad . . . . . . . . . . . . . . . . . . . . 138
3.6. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
4. Distribuciones Clasicas Discretas y Continuas 145
4.1. Distribuciones Clasicas Discretas . . . . . . . . . . . . . . . . . . . . . . . 146
4.1.1. Distribucion Binomial . . . . . . . . . . . . . . . . . . . . . . . . 146
4.1.2. Distribucion de Poisson . . . . . . . . . . . . . . . . . . . . . . . 153
4.1.3. Distribucion Geometrica . . . . . . . . . . . . . . . . . . . . . . . 160
4.1.4. Distribucion de Pascal o Binomial Negativa . . . . . . . . . . . . . 162
4.1.5. Distribucion Hipergeometrica . . . . . . . . . . . . . . . . . . . . 165
4.1.6. Distribucion Multinomial . . . . . . . . . . . . . . . . . . . . . . . 168
4.2. Distribuciones Clasicas Continuas . . . . . . . . . . . . . . . . . . . . . . 170
4.2.1. Distribucion Uniforme . . . . . . . . . . . . . . . . . . . . . . . . 170
4.2.2. Distribucion Exponencial . . . . . . . . . . . . . . . . . . . . . . . 180
4.2.3. Distribucion Normal . . . . . . . . . . . . . . . . . . . . . . . . . 184
4.3. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
5. El Teorema del Lımite Central 208
5.1. La Desigualdad de Chebyshev . . . . . . . . . . . . . . . . . . . . . . . . 208
5.2. Teorema del Lımite Central . . . . . . . . . . . . . . . . . . . . . . . . . . 213
5.3. Teorema de Moivre-Laplace . . . . . . . . . . . . . . . . . . . . . . . . . 221
5.4. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
INDICE GENERAL iii
6. Vector Aleatorio 227
6.1. Variable Aleatoria Bi-dimensional . . . . . . . . . . . . . . . . . . . . . . 227
6.2. Distribuciones Marginales . . . . . . . . . . . . . . . . . . . . . . . . . . 243
6.3. Distribuciones Condicionales . . . . . . . . . . . . . . . . . . . . . . . . . 250
6.4. Variables Aleatorias Independientes . . . . . . . . . . . . . . . . . . . . . 257
6.5. Momentos de Variables Aleatorias Bidimensionales . . . . . . . . . . . . . 259
6.6. La Covarianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
6.7. Coeficiente de Correlacion . . . . . . . . . . . . . . . . . . . . . . . . . . 267
6.8. Distribucion de la funcion de dos variables aleatorias . . . . . . . . . . . . 270
6.9. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 280
Bibliografıa 283
0.1. Introduccion
Dentro del programa curricular de la carrera de Ingenierıa de Sistemas de la Universidad
de Los Andes, esta contemplado estudiar el area de Estocastica con el fin de poder analizar,
representar, evaluar y controlar sistemas ya sean naturales o artificiales.
Si bien cuando se habla de estocastica automaticamente se relaciona con todo lo con-
cerniente al azar, esta es una teorıa estadıstica que estudia los procesos cuya evolucion
es completamente aleatoria, y de allı se desprenden leyes, modelos y tecnicas de repre-
sentacion de los fenomenos aleatorios del mundo.
El presente manual tiene como finalidad ser una guıa de apoyo para los estudiantes de
Estocastica 1, para las tres opciones de la carrera, aquı encontrara una serie de ejercicios
completamente resueltos y algunos propuestos.
El manual esta dividido en seis capıtulos segun el programa de la materia de Estocastica
1, de la siguiente manera:
En el Capıtulo 1, estudiaremos una parte de la Estadıstica Descriptiva, los ejercicios
estan enfocados en recoleccion, representacion y analisis de datos cualitativos y cuantita-
tivos.
En el Capıtulo 2, se comienza a dar las nociones de Probabilidades, la cual es el com-
ponente principal de la materia. Se estudiara las propiedades y principios basicos de la
probabilidad.
En el Capıtulo 3, se analizaran las variables aleatorias unidimensionales, como tambien
sus distribuciones de probabilidad y sus propiedades.
Una vez estudiadas las distribuciones de probabilidad de las variables aleatorias, en el
INDICE GENERAL 2
Capıtulo 4 se presentaran algunas distribuciones que por sus atributos, ya se les consideran
clasicas y que se adaptan a la mayorıa de los fenomenos aleatorios del mundo.
En el Capıtulo 5, hablaremos de algunos Teoremas Lımites que son fundamentales en
el estudio probabilıstico y estadıstico en la ciencia moderna.
Por ultimo, en el Capıtulo 6 se estudiaran las variables aleatorias bidimensionales, su
distribucion de probabilidad y sus relaciones entre sı.
Es importante aclarar que este manual esta basado en la solucion de varios problemas
formulados por el Profesor Oswaldo Ramırez de la Escuela de Ingenierıa de Sistemas,
del Profesor Armas del Departamento de Estadıstica y de algunos otros autores. Ademas
esta basado en algunos problemas de la autora del manual.
Capıtulo 1
Estadıstica Descriptiva
La Estadıstica Descriptiva es un area de la Estadıstica que se encarga de los metodos
de recoleccion, organizacion, descripcion y presentacion de datos que son tomados de un
fenomeno bajo estudio; esta representacion puede ser en forma de cuadros o en forma de
graficos, como tambien pueden ser presentados de forma numerica (Armas, 2002).
Las aplicaciones de la estadıstica descriptiva dentro de la Ingenierıa de Sistemas abarca
varios campos, alguno de ellos son: el control estadıstico de la calidad, teorıa de colas,
diseno de encuestas, diseno de sistemas dinamicos, modelado y simulacion de sistemas y
en la toma de decisiones, entre otros.
En este capıtulo se presenta una introduccion a la estadıstica descriptiva, donde estu-
diaremos la representacion tabular y grafica de los datos por medio de las tablas de dis-
tribucion de frecuencia, histogramas y polıgonos de frecuencia; seguidamente estudiare-
mos la representacion numerica, la cual se realizara por medio de las medidas numericas
de tendencia central y de dispersion. Por ultimo estudiaremos algunos metodos de muestreo
aleatorio de datos.
3
CAPITULO 1. ESTADISTICA DESCRIPTIVA 4
1.1. Histogramas y Polıgonos de Frecuencia
Un Histograma es un diagrama de barras que se encuentran juntas, su objetivo es el
de representar graficamente una variable. La altura de cada una de las barras representa la
frecuencia de los valores bajo estudio, es decir, senala el numero de veces que se repite un
valor o una caracterıstica especıfica en una serie de datos.
Para construir un histograma se coloca en el eje de las abscisas el valor cualitativo
o cuantitativo que se desea representar, y en el eje de las ordenadas va la frecuencia del
mismo en el conjunto de datos.
Otra forma de representacion grafica de los datos se hace por medio del Polıgono de
Frecuencia, el cual consiste en unir por medio de una lınea, los puntos medios de la parte
superior de cada una de las barras del histograma con el eje de las abscisas.
EJERCICIOS
1. Suponga que en la ciudad de Merida un hotel tiene 25 habitaciones, y todas se en-
cuentran ocupadas para cierta fecha de temporada alta. El numero de personas alo-
jadas por habitacion se muestra en la Tabla 1.1.
1 4 3 1 52 6 2 2 24 5 3 2 11 2 2 2 13 4 5 2 3
Tabla 1.1: Numero de personas por habitacion
Elabore el histograma de la cantidad de personas alojadas por habitacion en el hotel.
Solucion:
CAPITULO 1. ESTADISTICA DESCRIPTIVA 5
Para construir el histograma es recomendable ordenar los datos en la distribucion de
frecuencia.
Una Distribucion de Frecuencias es una ordenacion tabular que contiene:
El numero de personas alojadas por habitacion.
La frecuencia absoluta, que es el numero de veces que aparece la cantidad de
personas alojadas por habitacion en el conjunto.
Y por ultimo frecuencia acumulada, que es el numero de veces que aparece la
cantidad de personas alojadas mas la frecuencia acumulada anterior.
A partir de esto tenemos la distribucion de frecuencia del ejercicio en la Tabla 1.2.
No de Frecuencia Abosulta Frecuencia Acumuladapersonas ( fi) (Fi)
1 5 52 9 143 4 184 3 215 3 246 1 25
Tabla 1.2: Distribucion de Frecuencia
La sumatoria de la frecuencia absoluta y el ultimo valor de la frecuencia acumulada,
deben ser iguales al numero total de datos que se tenga en la muestra, para este
ejemplo son iguales a 25.
Para elaborar el histograma, se debe colocar en el eje de las abscisas el numero de
personas alquiladas por habitacion (es decir: 1, 2, 3, 4, 5 y 6) y en el eje de las
ordenadas la frecuencia absoluta ( fi) (segunda columna de la Tabla 1.2), como se
muestra en la Figura 1.1.
Tambien se puede representa el histograma con la Frecuencia Acumulada (Ver Figura
1.2).
CAPITULO 1. ESTADISTICA DESCRIPTIVA 6
1 2 3 4 5 60
1
3
5
7
9
Fre
cuen
cia
Abs
olut
a (f
i)
Número de persona por habitación
Figura 1.1: Histograma con la fi
1 2 3 4 5 60
5
10
15
20
25
Fre
cuen
cia
Acu
mul
ada
(F
i)
Número de persona por habitación
Figura 1.2: Histograma con la Fi
CAPITULO 1. ESTADISTICA DESCRIPTIVA 7
2. En un estudio realizado en una escuela de primaria, se recolectaron los pesos en
kilogramos de 30 ninos escogidos al azar, con edad comprendida entre los 9 y 11
anos, los resultado se muestran en la Tabla 1.3.
28,3 30,7 27,6 29,7 28,6 30,0 31,3 29,4 27,3 29,330,3 28,2 26,0 30,3 28,9 28,7 30,2 30,7 26,4 26,928,2 31,7 29,8 27,6 29,2 30,8 30,7 27,2 29,7 30,3
Tabla 1.3: Peso de 30 ninos entre 9 y 11 anos
Elabore la Distribucion de Frecuencia con intervalos de clases que contenga: Mar-
ca de la Clase, Frecuencia Absoluta, Frecuencia Acumulada, Frecuencia Relativa y
Frecuencia Relativa Acumulada.
Dibuje el Histograma y Polıgono de Frecuencia.
Solucion:
Para construir la Distribucion de Frecuencia, organizaremos los datos en 6 intervalos.
Para calcular la amplitud de la clase utilizaremos la siguiente formula1 :
Ci =Valor Maximo - Valor Mınimo
k
Donde:
Ci = Amplitud de la clase
k = Numero de clases
Si por el contrario se tiene es la amplitud de las clases y se desea conocer es el numero
de intervalos que se tendran en la distribucion, se puede usar la misma formula, solo
que despejando el valor de k:
k =Valor Maximo - Valor Mınimo
Ci
1 Esta ecuacion es recomendada por el Profesor Armas en su publicacion “Estadıstica Sencilla Descripti-va”de la Escuela de Estadıstica de la ULA
CAPITULO 1. ESTADISTICA DESCRIPTIVA 8
El mayor valor de la serie de datos es 31,3 kilogramos y el menor valor es 26,0
kilogramos, al sustituir tenemos:
Ci =31,3 − 26,0
6= 0,88333 ≈ 1
Por lo tanto, la amplitud de los intervalos es de 1 kilogramo. Tambien existen casos
donde se hace necesario establecer diferentes amplitudes para las clases.
Al observar los datos podemos establecer como lımite inferior del primer intervalo el
valor de 26 kilogramos, a partir de este valor se construye los 6 intervalos sumando
1 unidad a cada uno, quedando como se muestra en la Tabla 1.4.
Intervalo[26 - 27)[27 - 28)[28 - 29)[29 - 30)[30 - 31)[31 - 32)
Tabla 1.4: Intervalos resultantes
Como se observa en la tabla, se recomienda que los intervalos sean semi-abiertos,
es decir, el intervalo debe contener el lımite inferior y no debe contener el lımite
superior.
La marca de la clase es el punto medio de la misma y se calcula de la siguiente
manera:
mi =LIi − LS i
2
La frecuencia absoluta ( fi) de esta distribucion sera el numero de veces que se repiten
los numeros contenidos en ese intervalo.
La frecuencia relativa ( f r) se obtiene dividiendo la frecuencia absoluta entre el
numero total de observaciones (n = 30), siendo esta la proporcion de datos con-
CAPITULO 1. ESTADISTICA DESCRIPTIVA 9
tenidos en la clase.
f ri =fi
nk∑
i=1
f ri = 1
Por ultimo, la frecuencia relativa acumulada (Fri) se obtiene dividiendo la correspon-
diente frecuencia acumulada (Fi) entre el numero total de datos. Este valor representa
la proporcion de datos que son menores que el lımite superior de la clase i.
Fri =Fi
n
De esta forma, la distribucion de frecuencia para la informacion de los pesos de los
30 ninos se muestra en la Tabla 1.5.
Peso Marca de Frecuencia Frecuencia Frecuencia Frecuenciaen Kg la Clase Absoluta Acumulada Relativa Relativa(Xi) (mi) ( fi) (Fi) ( f ri) Acum. (Fri)
[26 - 27) 26.5 3 3 0.100 0.100[27 - 28) 27.5 4 7 0.133 0.233[28 - 29) 28.5 6 13 0.200 0.433[29 - 30) 29.5 6 19 0.200 0.633[30 - 31) 30.5 8 27 0.267 0.900[31 - 32) 31.5 3 30 0.100 1.000
Tabla 1.5: Distribucion de Frecuencia
Para dibujar el histograma con la frecuencia divida por clases, se elabora de igual
manera solo que los lımites del intervalo son los extremos de la barra y la marca de
la clase sera entonces el centro de la misma.
Ahora, para el polıgono de frecuencia se crea una clase ficticia anterior a la primera
clase, con su misma amplitud, y una clase ficticia al final; la primera clase ficticia
sera entonces [25− 26) y su marca es 25,5; la ultima clase ficticia sera [32− 33) y su
marca es 32,5.
CAPITULO 1. ESTADISTICA DESCRIPTIVA 10
Aclaramos que como dichas clases no exiten en el problema original, la altura de las
barras son iguales a cero.
Una vez hecho esto, prolongamos la lınea hasta las dos marcas ficticias, cerrando
ası el polıgono de frecuencia como se observa en la Figura 1.3 .
25.5 26.5 27.5 28.5 29.5 30.5 31.5 32.50
1
2
3
4
5
6
7
8
Pesos (Kilogramos)
Fre
cuen
cia
Abs
olut
a (
fi)
Figura 1.3: Histograma y Polıgono de Frecuencia con la fi
Es importante resaltar que cuando todas las clases de la distribucion de frecuencia
tienen la misma amplitud (como es este caso), se cumple que el area total de todas
las barras es exactamente igual al area del polıgono de frecuencia.
Por otra parte, los histogramas tambien se pueden elaborar con otras frecuencias, por
ejemplo con la acumulada, con la relativa, con la relativa acumulada, etc.
Ahora bien, veamos como quedarıa el histograma con la frecuencia relativa ( f r) de
este ejemplo; es interesante resaltar que graficamente el histograma es igual al ante-
rior, solo cambia la escala del eje de las orfenadas.
CAPITULO 1. ESTADISTICA DESCRIPTIVA 11
26.5 27.5 28.5 29.5 30.5 31.50
0.05
0.1
0.15
0.2
0.25
Pesos (Kilogramos)
Fre
cuen
cia
Rel
ativ
a (
Fr)
Figura 1.4: Histograma con la Fr
3. Se realizo una encuesta a un grupo de 40 hombres de la Facultad de Ingenierıa donde
se les pregunto por su grupo sanguıneo. Se obtuvieron los resultados mostrados en la
Tabla 1.6.
A B O A A O O O A OO O A B A A O B O OO O O A O O A O O OA B O O A O O A A A
Tabla 1.6: Informacion de los 40 hombres
Elabore:
a) La distribucion de frecuencia de los 40 datos.
b) Un histograma con la frecuencia relativa.
c) Un histograma con la frecuencia relativa acumulada.
Solucion:
CAPITULO 1. ESTADISTICA DESCRIPTIVA 12
Dentro del conjunto de datos se tienen solo 3 grupos sanguıneos A, B y O. Estos
datos son de tipo cualitativo y a pesar de esto tambien se pueden representar en forma
tabular y en forma grafica.
a) La distribucion de frecuencia del problema la podemos ver en la Tabla 1.7.
Grupo Frecuencia Frecuencia Frecuencia FrecuenciaSanguıneo Absoluta Acumulada Relativa Relativa
( fi) (Fi) ( f ri) Acum. (Fri)A 14 14 0.35 0.35B 4 18 0.10 0.45O 22 40 0.55 1.00
Tabla 1.7: Distribucion de Frecuencia
b) El histograma con la frecuencia relativa se observa en la Figura 1.5.
0
0.1
0.2
0.3
0.4
0.5
Grupo Sanguíneo
Fre
cuen
cia
Rel
ativ
a (
fr)
A B O
Figura 1.5: Histograma con la f r
c) El histograma con la frecuencia relativa acumulada se observa en la Figura 1.6.
CAPITULO 1. ESTADISTICA DESCRIPTIVA 13
0
0.2
0.4
0.6
0.8
1
Grupo Sanguíneo
Fre
cuen
cia
Rel
ativ
a A
cum
ulad
a (
Fr)
A B O
Figura 1.6: Histograma: Frecuencia Relativa Acumulada
4. La Tabla 1.8 es la distribucion de frecuencia de las calificaciones del primer examen
de Estocastica 1.
Notas 9 10 12 13 14 15 16 17 18 19 20No de Estudiantes 1 2 1 2 2 2 1 7 2 6 4
Tabla 1.8: Distribucion de Frecuencia
Represente los datos en un histograma y en un polıgono de frecuencia, utilizando la
frecuencia absoluta.
Solucion:
Para este ejercicio ya la tabla de la distribucion de frecuencia esta dada en el
planteamiento del problema; sin embargo observamos en la tabla que no se encuentra
la columna con la calificacion de 11 puntos, ni la cantidad de alumnos de la misma,
por lo tanto se asume automaticamente que la cantidad de alumnos con esa califi-
cacion es igual a cero.
CAPITULO 1. ESTADISTICA DESCRIPTIVA 14
Estos valores tambien deben representarse en el histograma y en el polıgono, para
esto la altura de la barra correspondiente al valor 11 es cero, y el polıgono baja hasta
cortar el eje de las abcsisas.
El histograma y el polıgono con la frecuencia absoluta la podemos observar en la
Figura 1.7.
8 9 10 11 12 13 14 15 16 17 18 19 20 210
1
2
3
4
5
6
7
Calificación
Fre
cuen
cia
Abs
olut
a (
fi)
Figura 1.7: Histograma y Polıgono de Frecuencia con la fi
5. En el centro de la ciudad de Merida se llevo a cabo un experimento, el cual consiste
en registrar el numero de accidentes de transito que ocurrian diariamente en la tem-
porada alta, esto se realizo durante un periodo de 40 dıas. La informacion obtenida
se refleja en la Tabla 1.92 .
Obtenga el histograma y el polıgono de frecuencia acumulada (Ojiva).
2 Los datos del numero de accidentes diarios para este ejercicio no son reales
CAPITULO 1. ESTADISTICA DESCRIPTIVA 15
2 2 0 1 3 2 3 4 2 21 1 0 2 3 1 0 6 2 00 2 3 1 2 0 4 1 1 34 0 2 6 1 1 4 2 2 4
Tabla 1.9: Accidentes de transito por dıa
Solucion:
Si observamos los datos, el numero de accidentes diarios oscilan entre 0 y 6 acci-
dentes, como son pocos valores dejamos los datos individuales.
La Distribucion de Frecuencia del problema con la fi y la Fi la podemos ver en la
Tabla 1.10.
Numero de Frecuencia Absoluta Frecuencia AcumuladaAccidentes ( fi) (Fi)
0 7 71 9 162 12 283 5 334 5 385 0 386 2 40
Tabla 1.10: Distribucion de Frecuencia
La Ojiva es un grafico curvilıneo que se utiliza para representar las frecuencias acu-
muladas, se dibuja de forma similar que el polıgono de frecuencia, solo que no se
crea una clase ficticia al final (Ver Figura 1.8).
Si se desea se puede colocar en el eje de las ordenadas la frecuencia relativa acumu-
lada (Fri) multiplicada por 100 y de esta manera se obtiene la ojiva porcentual.
CAPITULO 1. ESTADISTICA DESCRIPTIVA 16
0 1 2 3 4 5 60
5
10
15
20
25
30
35
40
Número de accidentes diarios
Fre
cuen
cia
Acu
mul
ada
(F
i)
Figura 1.8: Histograma y Ojiva
1.2. Medidas Descriptivas Numericas
Las medidas descriptivas son indicadores numericos que proporcionan una idea sobre
las caracterısticas y atributos relevantes de una serie de datos, como por ejemplo: el valor
promedio de los datos, el valor que ocupa la posicion central, el valor que mas se repite,
ası como tambien el grado de dispersion entre los mismos y alrededor del valor central.
Estas medidas se clasifican en dos tipos:
Medidas de Tendencia Central: Son los valores centrales o promedios de la colec-
cion de datos. Los mas conocidos y que estudiaremos en este manual son: la media
aritmetica, la mediana y la moda.
Medidas de Dispersion Absoluta: Son los valores que miden la variabilidad de los
datos con respecto a un valor central especıfico, es decir, a las medidas de tendencia
CAPITULO 1. ESTADISTICA DESCRIPTIVA 17
central. Las mas conocidas son la varianza y la desviacion estandar.
EJERCICIOS
1. El gerente de una pequena empresa tiene a su cargo 13 empleados. Cuatro de ellos
ganan Bs. F 7344 al ano, seis ganan Bs. F 12000 y tres ganan Bs. F 14400. El sueldo
anual del gerente de la empresa es de Bs. F 19200.
a) Hallar la media y la mediana de los sueldos de las 14 personas de la empresa.
b) Hallar la media y la mediana de los sueldos si el gerente decide incrementar su
sueldo anual a Bs. F 31200.
Solucion:
a) La Media Aritmetica de un conjunto de datos denotada por X, se define como
la suma de todos los valores dividida entre el numero total de ellos.
X =x1 + x2 + ... + xn
n=
∑ni=1 Xi
n
Ordenamos los datos de los sueldos en una distribucion de frecuencias (ver
Tabla 1.11).
Sueldos Anuales Frecuencia Absoluta Frecuencia Acumulada(Bs.F) ( fi) (Fi)7344 4 4
12000 6 1014400 3 1319200 1 14
Tabla 1.11: Distribucion de Frecuencia
Una vez ordenados calculamos la media, esta se calcula de la siguiente manera:
X =
∑ki=1 fi ∗ Xi∑k
i=1 fi
CAPITULO 1. ESTADISTICA DESCRIPTIVA 18
Sustituimos los valores y tenemos:
X =4 ∗ 7344 + 6 ∗ 12000 + 3 ∗ 14400 + 1 ∗ 19200
4 + 6 + 3 + 1= 11698,29
En promedio, el sueldo anual de las 14 personas que trabajan en la empresa es
de Bs. F 11698,29.
La Mediana de una serie de datos, denotada por X, es el valor que ocupa la
posicion central de los datos, una vez que han sido ordenados de forma creciente
o decreciente.
Se calcula de la siguiente manera:
X =
Termino
[(n + 1)
2
]si n es impar
Termino(n/2) + Termino (n/2 + 1)2 si n es par
Para calcular la mediana de este ejercicio, primero buscamos el valor de n y ve-
mos que tenemos 14 datos, por lo que n es par, utilizamos la segunda ecuacion:
X =Termino(14/2) + Termino(14/2 + 1)
2=
Termino(7) + Termino(8)2
X =12000 + 12000
2= 12000
El 50 % de los sueldos de los empleados esta por debajo de los Bs. F 12000.
b) Si el gerente de la empresa se aumenta el sueldo a Bs. F 31200 tenemos una
nueva distribucion de frecuencia (ver Tabla 1.12).
Sueldos Anuales Frecuencia Absoluta Frecuencia Acumulada(Bs.F) ( fi) (Fi)7344 4 4
12000 6 1014400 3 1331200 1 14
Tabla 1.12: Distribucion de Frecuencia con el aumento de sueldo
CAPITULO 1. ESTADISTICA DESCRIPTIVA 19
Como uno de los sueldos cambio debemos calcular una nueva media aritmetica:
X =4 ∗ 7344 + 6 ∗ 12000 + 3 ∗ 14400 + 1 ∗ 31200
4 + 6 + 3 + 1= 12555,43
En nuevo promedio del sueldo anual de las 14 personas que trabajan en la em-
presa es de Bs. F 12.555,43 aumento es un 7,33 %.
La nueva mediana de los datos es:
X =Termino(14/2) + Termino(14/2 + 1)
2=
Termino(7) + Termino(8)2
X =12000 + 12000
2= 12000
Observamos que la mediana no es afectada por el incremento del sueldo del gerente
como lo es la media aritmetica, esto es debido a que la media se ve afectada por la
magnitud de los valores y en cambio la mediana se ve afectada por la cantidad de los
datos alrededor de ella.
2. Demostrar las propiedades de la media aritmetica.
Solucion:
Para demostrar las propiedades, utilizaremos los datos de una encuesta realizada a un
grupo de 80 estudiantes preguntandole su peso corporal en kilogramos.
43 48 50 51 52 54 55 56 58 60 62 66 68 72 76 8045 48 50 51 52 54 55 57 58 60 62 66 69 75 78 8445 48 50 51 53 55 55 57 58 61 64 67 69 75 79 8445 49 50 52 53 55 55 57 59 61 65 68 70 75 80 8548 50 51 52 54 55 56 57 59 61 65 68 72 76 80 85
Tabla 1.13: Peso (en kilogramos) de 80 estudiantes
Propiedad 1: La suma de las diferencias de cada uno de los datos con respecto a su
media es igual a cero.n∑
i=1
(Xi − X
)= 0
CAPITULO 1. ESTADISTICA DESCRIPTIVA 20
Calculamos la media:
X =
∑80i=1 Xi
80=
485480
= 60, 675
La media de los pesos es de 60,675 kilogramos.
Segun la propiedad la sumatoria de las diferencias de cada uno de los datos con
respecto a 60,75 es cero:
80∑
i=1
(Xi − 60, 675) = 0
Propiedad 2: La suma de las diferencias de cada uno de los datos con respecto a su
media elevada al cuadrado es mınima.
n∑
i=1
(Xi − X)2 es un valor mınimo
Tenemos:80∑
i=1
(Xi − 60, 675)2 = 9851,55
Si deseamos comprobar esta propiedad podemos restarle al conjunto de datos otro
numero diferente de la media y debe dar como resultado un numero mayor que
9581,55. Veamos con dos valores: 58 y 62.
80∑
i=1
(Xi − 58)2 = 10154
80∑
i=1
(Xi − 62)2 = 9722
Ambos son mayores que 9581,5.
Propiedad 3: Si todos los datos son iguales a un mismo valor k, entonces la media es
igual a k.
X =3 + 3 + 3 + 3 + 3 + 3 + 3 + 3
8= 3
CAPITULO 1. ESTADISTICA DESCRIPTIVA 21
Propiedad 4: Si a cada uno de los datos se les suma un mismo numero real k, se
obtiene X1 + k, X2 + k, . . . , Xn + k, entonces la nueva media sera X + k:
Considere el siguiente conjunto de datos:
5, 6, 8, 4, 6, 8, 9, 5, 6
La media es:
X =5 + 6 + 8 + 4 + 6 + 8 + 9 + 5 + 6
9= 6,333
Si al mismo conjunto de datos le sumamos la constante k = 3, obtenemos el nuevo
conjunto:
8, 9, 11, 7, 9, 11, 12, 8, 9
Y la nueva media aritmetica sera:
X =8 + 9 + 11 + 7 + 9 + 11 + 12 + 8 + 9
9= 9,333
O que es lo mismo:
XN = X + k = 6,333 + 3 = 9,333
Propiedad 5: Si a cada uno de los datos se les multiplica por un mismo numero real
k, se genera un nuevo conjunto de datos X1k, X2k, . . ., Xnk, entonces la nueva media
sera kX
Considere los datos anteriores, si multiplicamos el conjunto de datos por k = 0,1
obtenemos:
0,5; 0,6; 0,8; 0,4; 0,6; 0,8; 0,9; 0,5; 0,6
La nueva media aritmetica sera entonces:
XN =0,5 + 0,6 + 0,8 + 0,4 + 0,6 + 0,8 + 0,9 + 0,5 + 0,6
9= 0,6333
CAPITULO 1. ESTADISTICA DESCRIPTIVA 22
O que es lo mismo:
XN = X ∗ k = 6,333 ∗ 0,1 = 0,6333
Propiedad 6: Si se tienen k diferentes grupos de datos de diferentes tamanos n1, n2,
. . ., nk, con medias X1, X2, . . ., Xk, respectivamente, entonces la media de todos esos
datos juntos es:
X =n1X1 + n2X2 + ... + nkXk
n1 + n2 + ... + nk
Para demostrar estos datos utilizaremos 3 conjuntos de datos:
S 1 = 5, 6, 8, 5, 4, 3, 9, 7
X =5 + 6 + 5 + 8 + 4 + 3 + 9 + 7
8= 5,875
S 2 = 12, 10, 9, 15, 8
X =12 + 10 + 9 + 15 + 8
5= 10,8
S 3 = 54, 60, 50, 52, 58, 65, 57
X =54 + 60 + 50 + 52 + 58 + 65 + 57
7= 56,571
Si calculamos la media aritmetica de la forma tradicional tendrıamos que hacer loscalculos de la siguiente manera:
X =5 + 6 + 5 + 8 + 4 + 3 + 9 + 7 + 12 + 10 + 9 + 15 + 8 + 54 + 60 + 50 + 52 + 58 + 65 + 57
20
X = 24,85
Ahora bien, con la propiedad podemos calcularlo directamente con la formula:
X =n1X1 + n2X2 + n3X3
n1 + n2 + n3
CAPITULO 1. ESTADISTICA DESCRIPTIVA 23
X =8 ∗ 5,875 + 5 ∗ 10,8 + 7 ∗ 56,571
8 + 5 + 7= 24,85
Observamos que ambas medias aritmeticas dieron como resultado 24,85.
3. Considere la distribucion de frecuencia correspondiente al nivel de hemoglobina, en
gr/100ml, de 40 personas que aparece en la Tabla 1.14.
Nivel de Marca de la Frecuencia FrecuenciaHemoglobina Clase Absoluta mi ∗ fi Acumulada(gr/100 ml) (mi) ( fi) (Fi)[11.5 - 12.5) 12 2 24 2[12.5 - 13.5) 13 1 13 3[13.5 - 14.5) 14 6 84 9[14.5 - 15.5) 15 16 240 25[15.5 - 16.5) 16 9 144 34[16.5 - 17.5) 17 5 85 39[17.5 - 18.5) 18 1 18 40
Tabla 1.14: Distribucion de Frecuencia
Calcular la media aritmetica, la mediana y la moda.
Solucion:
Calculamos la media aritmetica:
X =
∑7i=1 mi ∗ fi∑7
i=1 fi=
24 + 13 + 84 + 240 + 144 + 85 + 1840
= 15,2
El promedio del nivel de hemoglobina de los 40 pacientes es de 15,2 gr/100ml.
Como los valores estan agrupados, para calcular la mediana se siguen los siguientes
pasos:
Primero se consigue la clase medianal, la cual es la clase que contenga el valor n/2
en la frecuencia acumulada:n2
=402
= 20
CAPITULO 1. ESTADISTICA DESCRIPTIVA 24
Clase Medianal: [14.5 - 15.5)
Luego utilizamos la siguiente formula:
X = LI +
n2 − Fam
fm∗Cm
Donde:
LI = Lımite inferior de la clase medianal
n = Numero total de datos
Fam = Frecuencia acumulada de la clase anterior a la clase medianal
fm = Frecuencia absoluta de la clase medianal
Cm = Amplitud de la clase medianal
Entonces tenemos que:
X = 14,5 +
402 − 916
∗ 1 = 15,1875
Aproximadamente el 50 % de las personas de ese grupo tienen la hemoglobina por
encima de los 15,1875 gr/100ml.
La Moda (Mo) de una serie de datos es el valor que mas se repite, es decir, el que
aparece con mayor frecuencia.
En este ejemplo, dado que se tiene clases en intervalos, la clase modal sera la que
tiene mayor frecuencia absoluta y la moda sera entonces la marca de la clase:
Clase modal: [14,5 - 15,5)
Mo = 15
Para este grupo de personas, lo mas comun es conseguir un valor de hemoglobina de
15 gr/100ml.
4. Calcular la media (X), la mediana (X) y la moda (Mo) de la distribucion de frecuen-
cias correspondiente al numero de materias inscritas en un grupo de 100 estudiantes
en cierto semestre.
CAPITULO 1. ESTADISTICA DESCRIPTIVA 25
Numero de Frencuencia FrecuenciaMaterias Absoluta Acumulada
1 15 152 16 313 30 614 25 865 9 956 5 100
Tabla 1.15: Distribucion de Frecuencia
Solucion:
Calculamos la media aritmetica:
X =1 ∗ 15 + 2 ∗ 16 + 3 ∗ 30 + 4 ∗ 25 + 5 ∗ 9 + 6 ∗ 5
100= 3,12
El promedio de materias inscritas por alumnos en el semestre es de 3,12 materias.
Calculamos la mediana:
X =Termino(100/2) + Termino(100/2 + 1)
2=
Termino(50) + Termino(51)2
X =3 + 3
2= 3
El 50 % de los alumnos inscribieron menos de 3 materias en el semestre.
Calculamos la moda:
Mo = 3
Lo mas comun para ese grupo de 100 estudiantes es que inscribieran 3 materias para
el semestre.
5. Hallar la media, la mediana, la varianza y la desviacion estandar de los siguientes
datos:
5, 4, 7, 8, 3, 5, 8, 10, 6, 7
CAPITULO 1. ESTADISTICA DESCRIPTIVA 26
Solucion:
Calculamos la media:
X =5 + 4 + 7 + 8 + 3 + 5 + 8 + 10 + 6 + 7
10= 6,3
Para calcular la mediana ordenamos los datos de forma ascendente:
3, 4, 5, 5, 6, 7, 7, 8, 8, 10
Calculamos la mediana:
X =Termino(10/2) + Termino(10/2 + 1)
2=
Termino(5) + Termino(6)2
X =6 + 7
2= 6,5
La varianza, es una medida numerica de dispersion e indica el promedio de los
desvıos, elevada al cuadrado, de cada uno de los valores con respecto a la media.
La varianza poblacional se puede calcular mediante la ecuacion3 :
σ2 =
∑ni=1(Xi − X)2
N − 1
La varianza muestral, que constituye una estimacion de la varianza poblacional:
S 2 =
∑ni=1(Xi − X)2
n − 1
Para el ejemplo tenemos que:
σ2 =(3 − 6,3)2 + (4 − 6,3)2 + 2(5 − 6,3)2 + (6 − 6,3)2 + 2(7 − 6,3)2 + 2(8 − 6,3)2 + (10 − 6,3)2
10 − 1
σ2 =40,1
9= 4,4556
3 Donde N es el tamano de la poblacion
CAPITULO 1. ESTADISTICA DESCRIPTIVA 27
Como la varianza viene dada en unidades al cuadrado, para obtener el valor numerico
de la variacion promedio utilizamos la Desviacion Estandar, la cual es la raız cuadra-
da de la varianza:
σ =√σ2
O si se trata de la muestral:
S =√
S 2
Para este ejercicio tenemos:
σ =√σ2 =
√4,456 = 2,1108
Esto significa que en promedio, todos los valores estan alejados de su promedio con
una distancia de 2,1108.
6. En cierto poblado merideno, 20 estudiantes presentaron la prueba de la OPSU. Las
calificaciones obtenidas por este grupo se muestran en la Tabla 1.16. Clasifique las
notas en 4 clases. Hallar la media, la mediana, la varianza y la desviacion estandar.
74 80 65 85 95 72 76 72 93 8475 75 60 74 75 63 78 87 90 70
Tabla 1.16: Notas
Solucion:
La distribucion de frecuencia la podemos ver en la Tabla 1.17.
X =
∑4i=1 mi ∗ fi∑4
i=1 fi=
195 + 750 + 390 + 28520
= 78,5
La nota promedio de los 20 estudiantes en la prueba de la OPSU es de 78,5 puntos.
Calculamos la mediana:n2
=202
= 10
CAPITULO 1. ESTADISTICA DESCRIPTIVA 28
Notas Marca de la Frecuencia Frecuencia(Puntos) Clase Absoluta Acumulada mi ∗ fi
(mi) ( fi) (Fi)[60 - 70) 65 3 3 195[70 - 80) 75 10 13 750[80 - 90) 85 4 17 390[90 - 100) 95 3 20 285
Tabla 1.17: Distribucion de Frecuencia
Clase medianal: [70 - 80)
X = 70 +
202 − 310
∗ 10 = 77
Aproximadamente el 50 % de los 20 alumnos sacaron mas de 77 puntos en la prueba
de la OPSU.
Dado que los datos estan agrupados, calculamos la varianza utilizando la siguiente
ecuacion:
S 2 =
∑fiX2
i − (∑
fiXi)2∑
fi
(∑
Fi) − 1
S 2 =124900 − (1570)2
20
20 − 1= 87,10
La varianza o promedio de las desviaciones de los datos con respecto a su media
elevada al cuadrado es igual a 87,10 puntos2.
Calculamos la desviacion estandar:
S =√
S 2 =√
87,10 = 9,33
Aproximadamente la variacion promedio de las notas con respecto a la media (78,5
puntos) es de 9,33 puntos.
CAPITULO 1. ESTADISTICA DESCRIPTIVA 29
7. Demostrar cada una de las propiedades de la varianza y de la desviacion estandar.
Solucion:
Propiedad 1: La varianza y la desviacion estandar son no negativas, es decir σ2 ≥ 0
y σ ≥ 0.
La varianza siempre va a dar un numero positivo, ya que se trata de la suma de las
diferencias entre los valores y su media, elevados al cuadrado, y en tal sentido la
desviacion estandar tambien ya que es la raız cuadrada no negativa de la varianza.
Propiedad 2: Si cada uno de los datos X1, X2, . . ., Xn es igual a una constante k,
entonces la varianza σ2 y la desviacion estandar σ son iguales a cero.
Para demostrar esta propiedad utilizamos el siguiente conjunto de datos:
50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50
X = 50
σ2 =
∑12i=1(50 − 50)2
12 − 1= 0
Si bien sabemos que la varianza es el promedio de los desvıo de los datos con respecto
a su media elevada al cuadrado, si todos los datos son iguales, no existe tal desvıo,
en tal sentido la varianza y la desviacion estandar son cero.
Propiedad 3: Si a cada uno de los datos originales se le suma un mismo numero real k,
(positivo o negativo), entonces la nueva coleccion de datos tienen la misma varianza
y desviacion estandar que los datos originales.
Para demostrar esta propiedad tenemos el siguiente conjunto de datos:
5, 6, 8, 4, 6, 8, 9, 5, 6
X =5 + 6 + 8 + 4 + 6 + 8 + 9 + 5 + 6
9= 6,3
CAPITULO 1. ESTADISTICA DESCRIPTIVA 30
σ2 =(5 − 6,3)2 + (6 − 6,3)2 + (8 − 6,3)2 + (4 − 6,3)2 + (6 − 6,3)2 + (8 − 6,3)2 + (9 − 6,3)2 + (5 − 6,3)2 + (6 − 6,3)2
9 − 1
σ2 = 2,75
σ =√σ2 =
√2,75 = 1,6583
Si le sumamos la constante k = 3, obtenemos el nuevo conjunto:
8, 9, 11, 7, 9, 11, 12, 8, 9
La nueva media aritmetica sera:
X =8 + 9 + 11 + 7 + 9 + 11 + 12 + 8 + 9
9= 9,3
σ2 =(8 − 9,3)2 + (9 − 9,3)2 + (11 − 9,3)2 + (7 − 9,3)2 + (9 − 9,3)2 + (11 − 9,3)2 + (12 − 9,3)2 + (8 − 9,3)2 + (9 − 9,3)2
9 − 1
σ2 = 2,75
σ =√
S 2 =√
2,75 = 1,6583
De esta manera se demuestra que si se suma una misma constante a todos los datos
la varianza y la desviacion estandar son la misma, esto es debido a que al sumar o
restar un mismo numero lo que se hace es desplazar los datos a la izquierda o a la
derecha, pero la distancia entre ellos sigue siendo la misma.
Propiedad 4: Si cada uno de los datos originales se multiplica por un mismo numero
real k, la varianza y la desviacion estandar de los nuevos datos vienen dados por
k2 ∗ σ2 y |k| ∗ σ, respectivamente.
Si consideramos los datos de la propiedad anterior y tomamos k = 10, tenemos que:
50, 60, 80, 40, 60, 80, 90, 50, 60
CAPITULO 1. ESTADISTICA DESCRIPTIVA 31
X =50 + 60 + 80 + 40 + 60 + 80 + 90 + 50 + 60
9= 63,33
σ2 =
∑9i=1(Xi − 63,333)2
9 − 1= 275
σ =√σ2 =
√275 = 16,583
O que es lo mismo:
σ2N = k2 ∗ σ2 = (10)2 + (2,75) = 275
σN = |k| ∗ σ = |10| ∗ (1,6583) = 16,583
8. Se mide la estatura, en metros, a diez mujeres y se obtienen los siguientes datos:
1.62 1.68 1.56 1.66 1.62 1.55 1.69 1.6 1.59 1.63
Tabla 1.18: Estatura en metros
Determine la media, la varianza y la desviacion estandar.
Solucion:
Calculamos la media:
X =1,62 + 1,68 + 1,56 + 1,66 + 1,62 + 1,55 + 1,69 + 1,6 + 1,59 + 1,63
10= 1,62
El promedio de la estatura de las diez mujeres del grupo es de 1,62 metros.
Calculamos la varianza y la desviacion estandar:
S 2 =
∑10i=1(Xi − 1,62)2
10 − 1= 0,0022 metros2
S =√
S 2 =√
0,0022 = 0,0471 metros
La distancia promedio de las estaturas con respecto a la media (1,62 metros) es de
0,0471 metros.
CAPITULO 1. ESTADISTICA DESCRIPTIVA 32
Posteriormente a la evaluacion, se detecto que el instrumento de medicion tenıa una
falla que consistıa en aumentar la estatura de las mujeres en 3 centımetros; entonces
¿cuales son los valores reales de la media, varianza y desviacion estandar?
XN = X − 0,03 = 1,59 metros
S 2N = S 2 = 0,0022 metros2
S N = S = 0,0471 metros
9. Se sabe que el sueldo mensual promedio de los trabajadores de una empresa es de Bs.
F 654 y que la varianza y desviacion estandar de los sueldos son de 16900 (Bs. F)2
y 130 Bs. F respectivamente. Si hay un aumento del 8 % en los sueldos, ¿cual es el
nuevo sueldo mensual promedio y cual es la nueva varianza y la nueva desviacion
estandar?
En general, si el sueldo mensual promedio es X y la varianza S 2 y hay un aumento en
los sueldos del k %, ¿cual es el nuevo sueldo promedio y cual es la nueva varianza?
Solucion:
Si el aumento es del 8 % entonces es de Bs. F 52,32, en tal sentido la nueva media
sera:
XN = 654 + 52,32 = 706,32 Bs. F
La nueva varianza y desviacion estandar seguiran siendo las mismas antes del au-
mento del 8 %:
S 2N = S 2 = 16900 (Bs. F)2
S N = S = 130 Bs. F
En general, para un aumento del k % tenemos que:
XN = X +
(k
100
)∗ X
CAPITULO 1. ESTADISTICA DESCRIPTIVA 33
S 2N = S 2
S N = S
10. Una investigacion realizada en una fabrica sobre los costos de 4 tipos de productos,
arrojo como resultados que la fabrica gastaba en costos fijos un promedio de 100 Bs.
F por unidad, con una desviacion estandar de 20 Bs. F.
Si se produce un aumento del 100 % de los costos fijos. ¿Cuanto sera el gasto prome-
dio por unidad? ¿y cual sera la varianza?
Solucion:
Si se aumenta los costos fijos en un 100 % quiere decir que ahora cada unidad gasta
el doble de lo que gastaba originalmente, por medio de las propiedades de la media
aritmetica tenemos que la nueva media es:
XN = 2 ∗ X = 2 ∗ 100 = 200
Entonces el costo fijo por unidad es de 200 Bs. F.
Con respecto a la varianza tenemos que:
S 2 = (20)2 = 400 (Bs. F)2
Por propiedades, la varianza despues del aumento sera entonces:
S 2N = k2 ∗ S 2 = (2)2 ∗ (400) = 1600 (Bs. F)2
11. Las ventas diarias de una tienda durante 30 dıas, se presentan en la Distribucion de
Frecuencia de la Tabla 1.19.
a) Construir el histograma, polıgono de frecuencias, ojiva y ojiva porcentual.
b) Calcular la media, la moda, la varianza y la desviacion estandar de los datos.
c) Determinar entre cuales cantidades de Bs. F estuvieron las ventas por lo menos
el 60 % de los dıas.
CAPITULO 1. ESTADISTICA DESCRIPTIVA 34
d) Determinar aproximadamente el numero de dıas que se vendieron mas de 98
Bs. F.
Ventas Numero Marca de la Frecuencia Fri ∗ 100(Bs. F) de dıas Clase (mi) Acumulada (Fi)
[60 - 70) 3 65 3 10[70 - 80) 5 75 8 26.7[80 - 90) 6 85 14 46.7
[90 - 100) 6 95 20 66.7[100 - 110) 10 105 30 100
Tabla 1.19: Distribucion de Frecuencia
Solucion:
a) Graficamos y obtenemos el histograma y polıgono de frecuencia con la frecuen-
cia absoluta en la Figura 1.9.
55 65 75 85 95 105 1150
1
2
3
4
5
6
7
8
9
10
Ventas (Bs. F)
Fre
cuen
cia
Abs
olut
a (f
i)
Figura 1.9: Histograma y Polıgono de Frecuencia
La Ojiva la podemos ver en la Figura 1.10 y la Ojiva Porcentual en la Figura
1.11.
CAPITULO 1. ESTADISTICA DESCRIPTIVA 35
55 65 75 85 95 1050
5
10
15
20
25
30
Ventas (Bs. F)
Fre
cuen
cia
Acu
mul
ada
(F
i)
Figura 1.10: Ojiva
55 65 75 85 95 1050
10
20
30
40
50
60
70
80
90
100
Ventas (Bs. F)
Fre
cuen
cia
Rel
ativ
a A
cum
ulad
a *
100
Figura 1.11: Ojiva Porcentual
b) Calculamos la media:
X =3 ∗ 65 + 5 ∗ 75 + 6 ∗ 85 + 6 ∗ 95 + 10 ∗ 105
3 + 5 + 6 + 6 + 10= 90
El promedio de las ventas diarias de la tienda es de Bs. F 90, para la muestra de
30 dıas.
CAPITULO 1. ESTADISTICA DESCRIPTIVA 36
Calculamos la moda:
Clase modal: [100-110)
Mo = 105 Bs. F
El monto de las ventas mas comun de la tienda es de 105 Bs. F.
Calculamos la varianza:
S 2 =
∑fiX2
i − (∑
fiXi)2∑
fi
(∑
fi) − 1=
248580 − 729000030
30 − 1= 191,3793
Calculamos la desviacion estandar:
S =√
S 2 =√
191,3793 = 13,8339
El promedio de los desvıos de las ventas con respecto a la media de 90 Bs. F,
es de 13,8339 Bs. F.
c) Para determinar entre cuales cantidades (en Bs. F) estuvo el 60 % de los dıas,
utilizamos la grafica de la ojiva porcentual (Figura 1.12).
55 65 75 85 95 1050
10
20
30
40
50
60
70
80
90
100
Ventas (Bs. F)
Fre
cuen
cia
Rel
ativ
a A
cum
ulad
a *
100
Figura 1.12: Ojiva Porcentual
CAPITULO 1. ESTADISTICA DESCRIPTIVA 37
En el eje de las ordenadas, se busca el valor de 60 %, seguidamente se prolonga
una recta horizontal hasta la curva de la ojiva y luego se prolonga una recta
vertical hasta el eje de las abscisas, de esta manera encontramos el valor en Bs.
F en que esta el 60 %.
d) Para calcular el numero de dıas que se vendieron mas de 98 Bs. F utilizamos una
relacion de triangulos, tomamos una seccion de la ojiva y se obtiene el triangulo
de la Figura 1.13.
95 96 97 98 99 100 101 102 103 104 105 106
20
22
24
26
28
30
QM
A
C
Figura 1.13: Relacion de triangulos
AP
AB=
PQ
BC
98 − 95105 − 95
=M − 2030 − 20
Despejamos a M y tenemos:
M = 23
30 − 27 = 7 dıas
Aproximadamente 7 dıas se vendieron mas de 98 Bs. F.
CAPITULO 1. ESTADISTICA DESCRIPTIVA 38
1.3. Introduccion al Muestreo
El muestreo es una tecnica de la Estadıstica que se encarga de seleccionar una muestra
de una poblacion cualquiera, en esta seccion del capıtulo haremos una breve introduccion
al muestreo probabilıstico.
Existen dos tipos de muestreo:
Muestreo Probabilıstico: en este tipo de muestreo, se conoce de antemano la proba-
bilidad asociada a cada muestra posible.
Muestreo No Probabilıstico: puede ser: intencional, erratico, por comodidad, a con-
veniencia economica o administrativa y a juicio del investigador.
Dentro del Muestreo Probabilıstico existen varios tipos de muestreo, en esta seccion
veremos en que consisten algunos de ellos, junto con algunos ejericios.
1.3.1. Muestreo Simple Aleatorio
Una muestra aleatoria simple es la que resulta de aplicar un metodo por el cual todas las
muestras posibles de un determinado tamano tenga la misma probabilidad de ser elegidos.
Los elementos podran ser seleccionados de dos formas: con o sin reemplazo.
Muestreo con reemplazo: en el muestreo con reemplazo cada objeto elgido se devuelve
a la poblacion antes de escoger el siguiente. Se permite las repeticiones.
Muestreo sin reemplazo: en el muestreo aleatorio sin reemplazo de poblaciones finitas
o muestreo irrestricto aleatorio, el objeto que se escoge no se devuelve a la poblacion antes
de que el siguiente objeto sea escogido.
CAPITULO 1. ESTADISTICA DESCRIPTIVA 39
EJERCICIOS
1. Una poblacion esta conformada por el siguiente conjunto S = 4, 7, 10, siendo un
espacio equiprobable. Las muestras aleatorias de tamano 2 son elegidas con reem-
plazo.
a) Calcular la media poblacional µ y la desvacion estandar σ.
b) Hallar la distribucion de muestreo para la media muestral.
c) Calcular la media µX y la desviacion σX de X y comparlas con µ y σ.
Solucion:
a) Un espacio equiprobable significa que todos los elementos de S tienen la misma
probabilidad de ser seleccionados, para este caso cada uno tiene una probabili-
dad de 13 .
Calculamos la media poblacional:
µ =
3∑
i=1
Xi ∗ P(xi) = 4 ∗ 13
+ 7 ∗ 13
+ 10 ∗ 13
= 7
La media del conjunto S es 7.
Calculamos la desviacion estandar:
σ =
√√3∑
i=1
(Xi − µ)2 ∗ P(xi)
σ =
√(4 − 7)2 ∗ 1
3+ (7 − 7)2 ∗ 1
3+ (10 − 7)2 ∗ 1
3
σ = 2,4495
b) Calculamos las medias muestrales, para ello primero seleccionamos las posibles
muestras y calculamos su media muestral, ver Tabla 1.20.
La Distribucion de la media muestral la podemos ver en la Tabla 1.21.
CAPITULO 1. ESTADISTICA DESCRIPTIVA 40
Muestra X = X1+X22
4,4 44,7 5,54,10 77,4 5,57,7 77,10 8,510,4 710,7 8,510,10 10
Tabla 1.20: Medias muestrales con reemplazo
X P(X)4 1/9
5.5 2/97 3/9
8.5 2/910 1/9
Tabla 1.21: Distribucion muestral con reemplazo
c) Calculamos la media y desviacion estandar muestral.
µX = E(X) =
5∑
i=1
X ∗ P(X)
µX = 4 ∗ 19
+ 5,5 ∗ 29
+ 7 ∗ 39
+ 8,5 ∗ 29
+ 10 ∗ 19
= 7
La media muestral es igual a 7.
σ =
√√5∑
i=1
(X − µX)2 ∗ P(X)
σ =
√(4 − 7)2 ∗ 1
9+ (5,5 − 7)2 ∗ 2
9+ (7 − 7)2 ∗ 3
9+ (8,5 − 7)2 ∗ 2
9+ (10 − 7)2 ∗ 1
9
σ = 1,7321
CAPITULO 1. ESTADISTICA DESCRIPTIVA 41
Realizamos la comparacion de la poblacional y con la muestral. Para el caso en
que el muestreo es aleatorio simple con reemplazo, se debe cumplir que:
µ = µX
σX =σ√
n
Entonces tenemos que:
µ = µX = 7
σX =2,449√
2= 1,732
2. Las muestras aleatorias de tamano 2 se obtienen sin reemplazo de la poblacion S =
4, 7, 10, siendo un espacio equiprobable.
a) Calcular la media poblacional µ y la desvacion estandar σ.
b) Hallar la distribucion de muestreo para la media muestral.
c) Calcular la media µX y la desviacion σX de X y comparlas con µ y σ.
Solucion:
a) Para este ejemplo, la media y desviacion estandar poblacional son iguales a las
del ejercicio anterior.
µ = 4 ∗ 13
+ 7 ∗ 13
+ 10 ∗ 13
= 7
σ =
√(4 − 7)2 ∗ 1
3+ (7 − 7)2 ∗ 1
3+ (10 − 7)2 ∗ 1
3= 2,4495
b) Calculamos las medias muestrales, repetimos el procedimiento de calcular las
posibles muestras, sin reemplazo, y su media muestral, el resultado lo podemos
observar en la Tabla 1.22, y la Distribucion de la media muestral se muestra en
la Tabla 1.23.
CAPITULO 1. ESTADISTICA DESCRIPTIVA 42
Muestra X = X1+X22
4,7 5,54,10 77,4 5,57,10 8,510,4 710,7 8,5
Tabla 1.22: Medias muestrales sin reemplazo
X P(X)5.5 2/97 3/9
8.5 2/9
Tabla 1.23: Distribucion muestral sin reemplazo
c) Calculamos la media y desviacion estandar muestral.
µX = 5,5 ∗ 26
+ 7 ∗ 26
+ 8,5 ∗ 26
= 7
σ =
√(5,5 − 7)2 ∗ 2
6+ (7 − 7)2 ∗ 2
6+ (8,5 − 7)2 ∗ 2
6= 1,2247
Para el caso en que el muestreo aleatorio simple es sin reemplazo, se debe
cumplir que:
µ = µX
σX =σ√
n∗
√N − nN − 1
Entonces tenemos que:
µ = µX = 7
σX =2,449√
2∗
√3 − 23 − 1
= 1,224
3. ¿Cuantos comites de 6 personas se pueden formar de un grupo de 30 personas, de los
cuales 10 son profesores y 20 son estudiantes de Sistemas? ¿cual sera la composicion
mas probable, solo alumnos, solo profesores o 3 alumnos y 3 profesores?
CAPITULO 1. ESTADISTICA DESCRIPTIVA 43
Solucion:
Para conocer la cantidad de comites de 6 personas que se pueden formar de un total
de 30 personas, utilizaremos Combinatoria, ya que el muestreo es sin reemplazo y
no importa el orden en que son seleccionados los miembros.
Por lo tanto tenemos que:
Comite de seis personas: (306
)= 593775
Se pueden formar 593775 combinaciones distintas de comites de 6 personas.
Solo alumnos: (206
)= 38760
Se pueden formar 38760 combinaciones distintas de comites con 6 alumnos de
los 20.
Solo profesores: (106
)= 210
Se pueden formar 210 combinaciones distintas de comites con 6 profesores de
los 10 disponibles.
Tres alumnos y tres profesores:(203
)(103
)= 136800
Se pueden formar 136800 combinaciones distintas de comites conformados por
3 profesores y tres alumnos.
Segun los calculos, es mas probable que el comite este conformado por 3 profesores
y 3 alumnos que si fuera solo conformado por alumnos o profesores.
4. Una variable aleatoria poblacional X tiene una media poblacional igual a 25 y
desviacion estandar poblacional igual a 4 ¿cuales son la media y la desviacion
CAPITULO 1. ESTADISTICA DESCRIPTIVA 44
estandar de la media muestral X para variables aleatorias de tamano 6 obtenidas con
reemplazo y sin reemplazo, si el tamano de la poblacion es 100?
Solucion:
Con reemplazo: µ = 25 y σ = 4
µX = µ = 25
σX =σ√
n=
4√6
= 1,6330
Sin reemplazo: µ = 25 ; σ = 4 y N = 100
µX = µ = 25
σX =σ√
n∗
√N − nN − 1
=4√6∗
√100 − 6100 − 1
= 1,5912
1.3.2. Muestreo Sistematico
Este tipo de muestreo se utiliza cuando la poblacion es de gran tamano o se extiende en
el tiempo, y consiste en ir seleccionando cada observacion usando un sistema o una regla.
Para utilizarlo, primero se ordenan las unidades de la poblacion, luego se divide la
poblacion en n grupos iguales de tamano k, de tal forma que:
k =Nn
Siendo k el periodo que se utiliza para dividir la poblacion en n grupos.
Luego se selecciona un numero al azar del primer grupo (de 1 a k) y luego se selecciona
sucesivamente los elementos que ocupen la misma posicion.
EJERCICIOS
CAPITULO 1. ESTADISTICA DESCRIPTIVA 45
1. Sean las unidades U(i) = i con i = 1, 2, ...,N, y N = 12. Por medio del muestreo
sistematico seleccione una muestra de tamano 4.
Solucion:
k =Nn
=124
= 3 periodos
Escogemos un numero aleatorio de 1 a k, es decir, de 1 a 3, y seleccionamos el
numero 2.Grupo 1︷ ︸︸ ︷
1 2 3
Grupo 2︷ ︸︸ ︷4 5 6
Grupo 3︷ ︸︸ ︷7 8 9
Grupo 4︷ ︸︸ ︷10 11 12
U(2) = 2
U(2+k) = U(2+3) = U(5) = 5
U(2+2k) = U(2+2∗3) = U(8) = 8
U(2+3k) = U(2+3∗3) = U(11) = 11
2. Se desea obtener una muestra de 10 suscriptores telefonicos en una poblacion de
1000 habitantes. Realice la recoleccion por medio del muestreo sistematico.
Solucion:
k =Nn
=100010
= 100 periodos
El numero aleatorio de 1 a 100 que escogemos es el numero 44, entonces tenemos
que los suscriptores seleccionados segun su numero de inscripcion son:
44, 144, 244, 344, 444, 544, 644, 744, 844 y 944
1.3.3. Muestreo por Conglomerados
Cuando la poblacion se encuentra dividida de manera natural en grupos, y se suponen
que estos grupos tienen todos la misma variabilidad de la poblacion, puede seleccionarse
CAPITULO 1. ESTADISTICA DESCRIPTIVA 46
solo algunos de esos grupos o conglomerados para realizar el estudio, y dentro de cada
conglomerado, se selecciona al azar una muestra de sus individuos.
EJERCICIOS
1. Se desea realizar una encuesta a los duenos de restaurantes. Como zona de estudio se
toma el centro de la ciudad, la cual posee 7 calles. Si en total hay 55 restaurantes en
la zona, ¿como se realizarıa el muestro por medio del muestreo por conglomerados?
Solucion:
La zona de estudio se divide en 7 conglomerados que son las 7 calles, luego por
medio del muestreo aleatorio simple se seleccionan 4 calles:
S = 1, 4, 5, 7
Luego de escoger las calles se procede a realizar las encuentas a la totalidad de restau-
rantes que se encuentran en las calles mencionadas.
2. Se quiere estudiar el tiempo que los estudiantes de secundaria de todos los liceos
de la ciudad de Merida dedican a navegar por Internet, y se desea seleccionar una
muestra de trescientos estudiantes.
Solucion:
Primero seleccionamos al azar unas cuantas parroquias de la ciudad de Merida (con-
glomerado = parroquias).
Dentro de cada parroquia seleccionamos al azar algunos liceos de secundaria (con-
glomerados = liceos).
Ahora dentro de cada liceo seleccionamos al azar algunas secciones de clases (con-
glomerados = secciones de clases).
Ya dentro de las secciones seleccionadas, y a partir de la lista de clases, selec-
cionamos una muestra (por medio del muestreo aleatorio simple sin reemplazo) de
estudiantes.
CAPITULO 1. ESTADISTICA DESCRIPTIVA 47
Por ultimo, unimos las muestras obtenidas en cada seccion de clases, y de esta manera
obtenemos la muestra global.
1.3.4. Muestreo Estratificado
Una muestra aleatoria estratificada es la obtenida mediante la division de la poblacion
en subpoblaciones denominadas estratos, en la cual, dentro de cada estrato se selecciona en
forma independiente una muestra aleatoria simple sin reemplazo.
La media poblacional esta dada por la siguiente ecuacion
µ =1N
L∑Niyi
y la muestral del i-esimo estrato se muestre en la formula:
µX =
n∑
j=1
Yi j
ni
La varianza poblacional y muestral son:
σ2 =1
N2
L∑
i=1
N2i
(Ni − ni
Ni
) (S 2
i
ni
)
S 2i =
∑Y2
i j − (∑
Yi j)2
ni
ni − 1
Donde:
N = Tamano de la muestra
L = Numero de estratos
CAPITULO 1. ESTADISTICA DESCRIPTIVA 48
Ni = Tamano del i-esimo estrato i = 1, 2, . . . , L
ni = Tamano de la muestra
EJERCICIOS
1. La produccion de lechoza por arbol en cierta region estan mostrados en la Tabla 1.24.
Los arboles de las tres ultimas filas son mas jovenes que los otros. Estime la cosecha
media de la poblacion por arbol, basado en muestras estratificadas de tamano 6 para
el estrato de las primeras 5 filas y de tamano 2 de el estrato de las ultimas 3 filas.
7 8 5 6 6 10 7 65 4 4 7 6 6 3 84 7 8 10 8 4 6 66 4 6 4 8 7 9 86 3 9 9 7 8 11 96 3 4 3 5 2 4 35 3 3 4 5 4 3 44 5 4 3 3 4 3 6
Tabla 1.24: Produccion de lechoza por arbol
Solucion:
Tenemos que:
El tamano poblacional del estrato 1 es N1 = 40, y el tamano poblacional del estrato 2
es N2 = 24; los tamanos muestrales de los estratos 1 y 2 son 6 y 2, respectivamente.
Para seleccionar los 6 y 2 arboles necesarios, utilizamos el muestreo aleatorio simple
sin reemplazo, lo que nos da:
Estrato 1 = 11, 3, 9, 10, 8, 7 Estrato 2 = 6, 2
La media muestral de los estratos 1 y 2 son:
µX1 =11 + 3 + 9 + 10 + 8 + 7
6= 8
CAPITULO 1. ESTADISTICA DESCRIPTIVA 49
µX2 =6 + 2
2= 4
Por lo tanto tenemos que la media poblacional de produccion de lechozas por arbol
es:
µ =1N
L∑Niyi =
4064∗ 8 +
2464∗ 4 = 6,5
1.4. Ejercicios Propuestos
1. Dada la siguiente distribucion de frecuencia para la variable edad (en anos) de cierta
poblacion, construya el histograma de frecuencia relativa.
Edad (Anos) Frecuencia Absoluta[0 - 4) 12[4 - 9) 12
[9 - 14) 12[14 - 19) 10[19 - 24) 10[24 - 29) 8[29 - 34) 8[34 - 39) 6[39 - 44) 5[44 - 49) 3[49 - 54) 4[54 - 59) 3[59 - 64) 264 y mas 5
Tabla 1.25: Distribucion de Frecuencia
2. La duena de una pequena fabrica de dulces andinos, quiere saber como se comportan
las ventas diarias durante algunos meses de temporada alta (Julio, Agosto y Septiem-
bre).
Para lograr esto, ella tomo nota de las ventas diarias duranete esos meses y obtuvo
los siguientes datos:
CAPITULO 1. ESTADISTICA DESCRIPTIVA 50
Ventas (Bs. F) Frecuencia Absoluta[75 - 85) 7[85 - 95) 6
[95 - 105) 10[105 - 115) 22[115 - 125) 12[125 - 135) 8[135 - 145) 12[145 - 155) 15
Tabla 1.26: Distribucion de Frecuencia
a) Elabore el histograma y polıgono de frecuencia.
b) Calcule la media aritmetica, moda, varianza y desviacion estandar.
c) ¿Que porcentaje de las ventas estuvieron por debajo de 125 Bs. F?
d) ¿Que tipo de muestreo le recomendarıa a la duena para conocer el compor-
tamiento de las ventas en un ano?
3. Dado el Histograma de la Figura 1.14.
12 13 14 15 16 17 18 19 20 21 22 23 24 250
2
4
6
8
10
12
14
16
18
20
Temperatura en ºC
Fre
cuen
cia
Abs
olut
a (
fi)
Figura 1.14: Histograma con la fi
CAPITULO 1. ESTADISTICA DESCRIPTIVA 51
a) Calcule la media y la desviacion estandar.
b) ¿Que porcentaje de dıas la temperatura estuvo entre 18.5 y 20.5oC?
4. Dada las edades de 100 personas censadas en cierta poblacion en la Tabla 1.27.
0 1 40 71 30 16 7 19 41 022 28 47 2 0 17 32 22 10 423 5 24 11 5 44 7 35 48 626 14 35 9 61 3 20 33 10 3975 15 32 24 28 5 50 12 14 8551 9 8 21 54 25 18 15 32 2016 3 14 14 56 59 16 89 2 318 24 65 19 53 13 21 39 37 301 11 57 31 6 64 43 35 7 51 44 8 30 25 29 13 26 4 20
Tabla 1.27: 100 edades
a) Construya la distribucion de frecuencia con las siguientes caracterısticas:
i. 15 intervalos.
ii. Marca de la clase.
iii. Frecuencia absoluta.
iv. Frecuencia relativa.
v. Frecuencia acumulada.
vi. Frecuencia relativa acumulada.
b) Calcular la media y desviacion estandar, ¿que significa estos valores?
c) ¿Que porcentaje de personas son menores de edad?
d) ¿Que proporcion de personas son de la tercera edad (de 65 anos en adelante)?
5. El siguiente histograma indica el numero de personas que tienen cierta cantidad de
hijos.
CAPITULO 1. ESTADISTICA DESCRIPTIVA 52
1 2 3 4 5 6 7 8 9 100
10
20
30
40
50
60
70
80
90
Número de hijos
Fre
cuen
cia
Abs
olut
a (
fi)
Figura 1.15: Histograma con la fi
a) ¿Que porcentaje de personas tienen mas de 7 hijos?
b) Calcule la media de las personas que tienen 5 o mas hijos.
c) Grafique la Ojiva.
6. La siguiente distribucion de frecuencias muestra los espesores (en pulgadas) de re-
cipientes de acero, hallar la media aritmetica, la mediana, la moda y la desviacion
estandar.
Espesor (pulgadas) Frecuencia Absoluta[0.307 - 0.310) 3[0.310 - 0.314) 5[0.314 - 0.318) 5[0.318 - 0.322) 22[0.322 - 0.326) 14[0.326 - 0.330) 1
Tabla 1.28: Distribucion de Frecuencia
CAPITULO 1. ESTADISTICA DESCRIPTIVA 53
7. Calcule la varianza a partir de los siguientes datos:
138,2 195,8 124,5 101,7 137,1 130,3110,0 101,4 104,5 128,5 135,5 197,5159,6 140,7 103,2 134,3 191,0 180,6189,9 186,3 116,4 155,3 146,6 199,1188,4 113,8 121,9 135,7 142,6 125,6
Tabla 1.29: Datos
8. Suponga que se quiere obtener una lista de 12 estudiantes entre los 1400 de cierta
facultad utilizando muestreo sistematico. Seleccione la muestra.
9. Una poblacion esta conformada por el conjunto S = 3, 4, 6, 7, 9, siendo un espacio
equiprobable. Se toman muestras aleatorias de tamano 2 sin reemplazo, determine:
a) La media y desviacion estandar poblacional.
b) La distribucion muestral para la media muestral.
c) Calcular la media y la desviacion estandar muestral y compararlas con la pobla-
cional.
Capıtulo 2
Teorıa de la Probabilidad
La Teorıa de probabilidad son leyes matematicas que modelan la aleatoriedad; en este
capıtulo estudiaremos las nociones basicas de la probabilidad, sus axiomas, sus teoremas,
probabilidad condicional e independiencia.
2.1. Teorıa de Conjuntos
Antes de comenzar con la teorıa de probabilidad, es conveniente realizar un breve repa-
so de la Teorıa de Conjuntos con una serie de ejercicios que nos ayudara a comprender los
temas posteriores.
La Teorıa de Conjuntos es una parte de las matematicas que estudia los conjuntos;
dichos conjuntos son colecciones de objetos, entes o cantidades.
EJERCICIOS
1. Se lanza un dado y una moneda (ambos son correctos) al mismo tiempo y escribimos
el resultado.
54
CAPITULO 2. TEORIA DE LA PROBABILIDAD 55
a) Exprese el espacio muestral.
b) Exprese explıcitamente los siguientes sucesos:A = que salga un numero par y selloB = que salga un numero primo y caraC = que salga un numero impar
c) Expresar explıcitamente los siguientes sucesos:
i) A o B ocurren.
ii) B y C ocurren.
iii) Solo ocurra A.
Solucion:
a) El espacio muestral del lanzamiento de una moneda y un dado es:
S = C1,C2,C3,C4,C5,C6, S 1, S 2, S 3, S 4, S 5, S 6
b) Para esta parte del problema establecemos los puntos muestrales de cada uno
de los eventos, de la siguiente manera:
A = que salga un numero par y selloA = S 2, S 4, S 6B = que salga un numero primo y caraB = C2,C3,C5C = que salga un numero imparC = C1,C3,C5, S 1, S 3, S 5
c) Para esta parte definimos los sucesos conformados por la union, complemento
o interseccion entre los eventos:
A o B ocurran:A ∪ B = S 2, S 4, S 6,C2,C3,C5B y C ocurran:B ∩C = C3,C5Solo ocurra A:ABcCc = S 2, S 4, S 6
CAPITULO 2. TEORIA DE LA PROBABILIDAD 56
2. Sean los sucesos A, B y C, experimentos aleatorios. Exprese las siguientes proposi-
ciones verbales en notacion de conjuntos.
a) Exactamente uno de los 3 ocurre.
b) Al menos dos ocurren.
c) No ocurre mas de 2 sucesos juntos.
d) Exactamente dos ocurren
Solucion:
Para realizar la notacion en conjunto hacemos uso de las intersecciones, uniones y
complementos de los eventos1 .
a) Exactamente uno de los 3 ocurre:(ABcCc) ∪ (AcBCc) ∪ (AcBcC)
b) Al menos uno ocurre:A ∪ B ∪C
c) No ocurre mas de 2 sucesos juntos:[(ABcCc) ∪ (AcBCc) ∪ (AcBcC)] ∪ [(ABCc) ∪ (ABcC) ∪ (AcBC)]
d) Exactamente dos ocurren:(ABCc) ∪ (ABcC) ∪ (AcBC)
3. Sean los sucesos A y B. Hallar una expresion y dibujar un Diagrama de Venn para
los dos sucesos:
Que ocurra A pero no B;
Que ocurra B;
Que ocurra A y B;
Ninguno de los 2.
Solucion:1 Debemos aclarar que las expresiones desarrolladas para este ejemplo y los siguientes no son las uni-
cas existentes, el estudiante debe tratar de desarrollar otras expresiones que representen estas proposicionesverbales.
CAPITULO 2. TEORIA DE LA PROBABILIDAD 57
Los Diagramas de Venn se utilizan para representar conjuntos y las relaciones en-
tre ellos, estos son de gran utilidad al momento de representar la ocurrencia de los
sucesos, ya que de una forma visual facilitan la compresion de la teorıa de conjuntos.
Para este ejercicio realizamos el diagrama de la siguiente manera: los dos eventos
se representan por medio de elipses dentro de una caja que representa el espacio
muestral S , una vez representados se rellena de color verde (para este ejemplo) el
suceso solicitado.
Ocurra A pero no B:A ∩ Bc
A B
Ocurra B:B
BA
Ocurre A y B:A ∩ B
A B
CAPITULO 2. TEORIA DE LA PROBABILIDAD 58
Ninguno de los 2:(A ∪ B)c
BA
4. Se lanzan dos dados al mismo tiempo y se anotan los resultados. Hallar el numero de
elementos de cada uno de los siguientes sucesos.
a) A = los dos numeros son iguales
b) B = la suma es 8 o mas
c) C = sale 1 en el segundo dado
Solucion:
El espacio muestral (S ) del lanzamiento de dos dados simultaneamente esta mostrado
en la Figura 2.1.
1 2 3 4 5 60
1
2
3
4
5
6
7
Primer dado
Seg
undo
dad
o
(1,1)
(1,2)
(1,3)
(1,4)
(1,5)
(1,6)
(2,1)
(2,2)
(2,3)
(2,4)
(2,5)
(2,6)
(3,2)
(3,3)
(3,4)
(3,5)
(3,6)
(3,1) (4,1)
(4,2)
(4,3)
(4,4)
(4,5)
(4,6)
(5,1)
(5,2)
(5,3)
(5,4)
(5,5)
(5,6)
(6,1)
(6,2)
(6,3)
(6,4)
(6,5)
(6,6)
Figura 2.1: Espacio Muestral del lanzamiento de 2 dados
CAPITULO 2. TEORIA DE LA PROBABILIDAD 59
A partir de este espacio muestral se crean los elementos que pertenecen a cada suceso
pedido, por lo tanto tenemos:
a) Definimos el suceso A:A = los dos numeros son igualesA = (1, 1), (2, 2), (3, 3), (4, 4), (5, 5)
b) Definimos el suceso B:B = la suma es 8 o masB = (2, 6), (3, 5), (3, 6), (4, 4), (4, 5), (4, 6), (5, 3), (5, 4), (5, 5), (5, 6), (6, 2), (6, 3)(6, 4), (6, 5), (6, 6)
c) Definimos el suceso C:C = sale 1 en el segundo dadoC = (1, 1), (2, 1), (3, 1), (4, 1), (5, 1), (6, 1)
5. Un ingeniero contrato a un grupo de estudiantes para realizar una encuesta entre 1000
suscriptores de un periodico, preguntando por su estado civil, sexo, y nivel educativo.
Los alumnos entregaron los siguientes resultados:
312 hombres
470 casados
525 bachilleres
42 hombres bachilleres
147 bachilleres casados
86 hombres casados
25 bachilles hombres casados
El ingeniero reviso los resultados y lo devolvio a los estudiantes diciendoles que ellos
habıan inventado los datos, pues no eran consistentes. ¿Se equivoco el ingeniero?.
Solucion:
Para sacar conclusiones sobre el informe, se utiliza el Diagrama de Venn. Definimos
los siguientes sucesos:
Hombre = H
Casados = C
CAPITULO 2. TEORIA DE LA PROBABILIDAD 60
Bachilleres = B
Para identificar los eventos y la cantidad de elementos que tiene que cada uno, se
comienza por el evento donde ocurren los 3 sucesos es decir, bachilleres hombres y
casados, los cuales son 25; a partir de aca se rellena los espacio donde ocurren dos
eventos, por ejemplo, el evento hombre-bachiller tiene 42 elementos, si le restamos
los 25 que estan en los 3 eventos nos queda entonces 17, y asi sucesivamente con el
resto de los eventos; el diagrama queda como muestra la Figura 2.2.
1
B
61 17
25
262122
61
209
C
H
Figura 2.2: Diagrama de Venn
Si sumamos todos los elementos de los eventos y sus combinaciones da un total de
1057 personas, si en teorıa se encuestaron a 1000 personas, esto quiere decir que el
ingeniero tenıa razon y los estudiantes inventaron los datos.
6. Compruebe las leyes de Morgan: Si An para n ≥ 1 en cualquier sucesion de conjun-
tos, entonces:
a) (∪An)c = (∩Acn)
b) (∩An)c = (∪Acn)
CAPITULO 2. TEORIA DE LA PROBABILIDAD 61
Solucion:
Establecemos los eventos A y B para demostrar las leyes y su respectivo diagrama
de Venn lo podemos observar en la Figura 2.3.
A = 100, 200 B = 200, 300
1
AB
200100 300
400
Figura 2.3: Diagrama de Venn
(A ∪ B)c = 400(Ac ∩ Bc) = 400
1
AB
(A ∩ B)c =
100 + 300 + 400 = 800(Ac ∪ Bc) =
(300 + 400) ∪ (100 + 400)= 800
1
AB
CAPITULO 2. TEORIA DE LA PROBABILIDAD 62
2.2. Teorıa de Probabilidad
Como se dijo al principio de este capıtulo, la teorıa de probabilidad es el modelo
matematico de un fenomeno aleatorio.
Las probabilidades son numeros que reflejan la posibilidad de ocurrencia de hechos o
sucesos bajo ciertas condiciones.
La probabilidad se usa ampliamente en en la ciencia, planificacion estrategica, control
de procesos y la filosofıa, esto con el fin de sacar conclusiones sobre la ocurrencia de
algunos sucesos.
EJERCICIOS
1. Supongamos que se elige aleatoriamente a un estudiante de entre 80, de los cuales se
sabe que 30 estudian Estocastica 1, 20 estudian programacion 3 y 10 estudian ambas
asignaturas. Hallar la probabilidad p de que el alumno este estudiando Estocastica 1
o Programacion 3.
Solucion:
muestra = n = 80 estudiantes
Estocastica 1 (E) = 30 alumnos
Programacion 3 (P) = 20 alumnos
Probabilidad de que el alumno estudie Estocastica 1:
P(E) =# Estudiantes de Estocastica 1
Total de Estudiantes=
3080
Probabilidad de que el alumno estudie Programacion 3:
P(P) =# Estudiantes de Programacion 3
Total de Estudiantes=
2080
CAPITULO 2. TEORIA DE LA PROBABILIDAD 63
Probabilidad de que el alumno estudie Estocastica 1 y Programacion 3:
P(E ∩ P) =# Estudiantes de Estocastica 1 y Programacion 3
Total de Estudiantes=
1080
Entonces tenemos que la probabilidad de que el estudiante estudie Estocastica 1 o
Programacion 3 es de:
P(E ∪ P) = P(E) + P(P) − P(E ∩ P) =3080
+2080− 10
80= 0,5
2. Tres caballos A, B y C estan en una carrera; A tiene el doble de posibilidades de ganar
que B y B tiene el doble de posibilidades que C. Hallar las respectivas probabilidades
de ganar de cada caballo.
Solucion:
El caballo que tiene menos posibilidades de ganar es el caballo C, a este le asignamos
una probabilidad p cualquiera:P(C) = p
Si B tiene el doble de posibilidad de ganar que C, entonces tenemos:P(B) = 2P(C) = 2p
Y por ultimo, si A tiene el doble de posibilidades de ganar que B, tenemos:P(A) = 2P(B) = 4p
Si la probabilidad del suceso seguro es 1, entonces tenemos que el suceso seguro
“gana alguno de los caballos” es igual a 1:
P(A) + P(B) + P(C) = 1
4p + 2p + p = 1
p =17
Sustituimos el valor de p en las probabilidades y tenemos que:
P(A) =47
; P(B) =27
; P(C) =17
CAPITULO 2. TEORIA DE LA PROBABILIDAD 64
3. Suponga que A y B son 2 sucesos para los cuales P(A) = X; P(B) = Y y P(A∩B) = Z.
Exprese las siguientes probabilidades en terminos de X, Y y Z.
a) P(Ac ∪ Bc)
b) P(Ac ∩ B)
c) P(Ac ∪ B)
d) P(Ac ∩ Bc)
Solucion:
Sabemos que: P(A) = X ; P(B) = Y y P(A ∩ B) = Z.
Utilizamos el Diagrama de Venn:
a) P(Ac ∪ Bc):
(Ac ∪ Bc) = (A ∩ B)c
P(Ac ∪ Bc) = P(A ∩ B)c
P(Ac ∪ Bc) = 1 − P(A ∩ B)P(Ac ∪ Bc) = 1 − Z
1
AB
b) P(Ac ∩ B):
P(Ac ∩ B) = P(B)− P(A∩ B)P(Ac ∩ B) = Y − Z
BA
CAPITULO 2. TEORIA DE LA PROBABILIDAD 65
c) P(Ac ∪ B):
P(Ac ∪ B) = P(Ac) + P(A∩ B)P(Ac∪B) = 1−P(A)+P(A∩B)P(Ac ∪ B) = 1 − X + Z
BA
d) P(Ac ∩ Bc):
(Ac ∩ Bc) = (A ∪ B)c
P(Ac ∩ Bc) = P(A ∪ B)c
P(Ac ∩ Bc) = 1 − P(A)−−P(B)+ P(A∩B)
P(Ac ∪ Bc) = 1 − X − Y + Z
BA
4. A, B y C son tres sucesos tales que P(A) = P(B) = P(C) = 14 ; P(A ∩ B) = 1
8 ,
P(A ∩ B) = P(C ∩ B) = 0. Calcule la probabilidad de que al menos uno de los 3
sucesos A, B o C ocurra.
Solucion:
La probabilidad de que ocurra A o B o C se puede calcular por medio del siguiente
Teorema:
P(A ∪ B ∪C) = P(A) + P(B) + P(C) − P(AB) − P(AC) − P(BC) − P(ABC)
Dibujamos el Diagrama de Venn de este caso para conocer los valores de las proba-
bilidades:
CAPITULO 2. TEORIA DE LA PROBABILIDAD 66
B
C
A
1/8
1/8
1/8
1/4
Figura 2.4: Diagrama de Venn
Sustituimos y tenemos:
P(A ∪ B ∪C) =14
+14
+14
+14− 0 − 1
8− 0 − 0 =
58
5. Un minorista vende solamente dos marcas de televisores y segun sus registros de
ventas, ambos tienen la misma demanda. Cuatro clientes entran uno tras otro a la
tienda para comprar un televisor. El minorista se interesa en las preferencias de sus
clientes.
a) Establezca las posibilidades con respecto a la distribucion de las preferencias
entre los cuatro clientes (es decir, obtenga el espacio muestral).
b) Asigne las probabilidades a los puntos muestrales.
c) Sea A el evento de que los cuatro clientes prefieren una misma marca de televi-
sor. Encuentre P(A).
Solucion:
a) Designamos las siguientes nomenclaturas:
Marca 1 = 1 y Marca 2 = 2
2 ∗ 2 ∗ 2 ∗ 2 = 24 = 16 puntos muestrales
CAPITULO 2. TEORIA DE LA PROBABILIDAD 67
S = 1111, 1112, 1121, 1211, 2111, 1122, 2211, 2121, 1212, 1221, 2112, 1222,
2122, 2212, 2221, 2222
b) P(cada punto muestral) = 116
c) A = los cuatros clientes prefieren el mismo equipoP(A) = P(1111 o 2222) = 1
16 + 116 = 1
8
6. Demostrar que si A y B son sucesos independientes, entonces Ac y Bc tambien son
sucesos independientes.
Solucion:
Si Ac y Bc son sucesos independientes, entonces se debe cumplir que:
P(Ac ∩ Bc) = P(Ac) ∗ P(Bc)
Tenemos por la Ley de Morgan: (A ∪ B)c = Ac ∩ Bc:
P(A ∪ B)c = P(Ac ∩ Bc)
P(Ac ∩ Bc) = 1 − P(A ∪ B)
P(Ac ∩ Bc) = 1 − [P(A) + P(B) − P(A ∩ B)]
P(Ac ∩ Bc) = 1 − P(A) − P(B) + P(A ∩ B)
P(Ac ∩ Bc) = 1 − P(A) + P(B) − P(A) ∗ P(B)
P(Ac ∩ Bc) = 1 − P(B) − P(A) ∗ [1 − P(B)]
P(Ac ∩ Bc) = P(Bc) − P(A) ∗ P(Bc)
P(Ac ∩ Bc) = P(Bc) ∗ [1 − P(A)]
P(Ac ∩ Bc) = P(Bc) ∗ P(Ac)
Por lo tanto queda demostrado que Ac y Bc son independientes.
CAPITULO 2. TEORIA DE LA PROBABILIDAD 68
2.3. Teorıa Combinatoria
Esta teorıa es aplicable cuando enumerar los puntos muestrales directamente no es posi-
ble ni practico, es mayormente usada para resuelve problemas que aparecen al estudiar,
cuantificar y formar conjuntos.
Esta teorıa maneja dos principios de conteo: el principio de multiplicidad y el principio
de la suma.
2.3.1. Principio de Multiplicidad
Si un suceso puede ocurrir de n1 maneras diferentes, un segundo suceso de n2 maneras
diferentes, un tercero de n3 maneras, etc., el suceso compuesto por los sucesos 1, 2, 3,...,
puede ocurrir de n1 ∗ n2 ∗ n3 ∗ ... maneras diferentes.
EJERCICIOS
1. Un equipo de baseball esta compuesto por 9 jugadores. ¿De cuantas maneras puede
elegirse un presidente, un secretario y un capitan para el equipo?
Solucion:
Para este caso importar el orden en que son seleccionados los nombres de los ju-
gadores, ya que el primero seleccionado sera el presidente, el segundo seleccionado
sera el secretario y por ultimo el tercero sera capitan, por lo tanto tenemos que:
n1 ∗ n2 ∗ n3 maneras diferentes de escoger presidente, secretario y capitan
9 * 8 * 7 = 504 maneras
Se puede escoger de 504 maneras diferentes, los tres representantes del equipo de
baseball.
CAPITULO 2. TEORIA DE LA PROBABILIDAD 69
2. Un examen consta de 5 preguntas del tipo verdadero o falso. ¿De cuantas maneras
diferentes puede contestarse el examen?
Solucion:
Son 5 preguntas y cada una tiene dos posibles soluciones, tenemos entonces:
2 ∗ 2 ∗ 2 ∗ 2 ∗ 2 = 32 posibles soluciones
3. ¿Cuantos numeros de 3 cifras distintas se pueden formar con las 9 cifras significativas
del sistema decimal?
Solucion:
Para este caso importa y ademas dice que son cifras distintas, significa que no pueden
repetirse, por lo que usamos el principio de la multiplicidad:
9 ∗ 8 ∗ 7 = 504
Se pueden formar 504 numeros.
2.3.2. Principio de la Suma
Suponga un suceso 1 que puede ocurrir de n1 maneras diferentes y otro suceso 2 que
puede ocurrir de n2 maneras diferentes. Si no es posible que los 2 sucesos ocurran si-
multaneamente, habra n1 + n2 formas de ocurrir el suceso 1 o 2.
EJERCICIOS
1. Suponga que se puede viajar un dıa a 2 sitios, a la montana o a la playa. A la montana
se puede ir de 3 maneras: a pie, en teleferico o en vehıculo; y a la playa se puede ir
de 4 maneras: en vehıculo, en bus, en moto o en bibicleta. ¿cuantas formas de viajar
hay para ese dıa?
Solucion:
CAPITULO 2. TEORIA DE LA PROBABILIDAD 70
maneras de ir a la montana + maneras de ir a la playa
n1 + n2 = 3 + 4 = 7 maneras
Se puede puede viajar ese dıa de 7 maneras diferentes.
2.3.3. Permutaciones
Consideremos n objetos diferentes, una permutacion de los n elementos es cualquier
arreglo diferente que se puede obtener de ellos intercambiando su orden.
nPn = n ∗ (n − 1) ∗ (n − 2) ∗ . . . ∗ (2) ∗ (1) = n!
Ahora bien, si se quiere ordenar k de los n objetos en lınea, se tiene que hay n maneras
de escoger el primnero, n − 1 maneras de escoger el segundo,. . ., y finalmente n − k + 1
maneras de escoger el k-esimo; por lo tanto el numero de arreglos es:
nPk = n ∗ (n − 1) ∗ (n − 2) ∗ . . . ∗ (n − k + 1) =n!
(n − k)!
EJERCICIOS
1. Sean las letras A, B, C, D y E. Queremos saber cuantos posibles permutaciones de 3
letras pueden formarse.
Solucion:
n = numero de letras = 5
k = numero de letras a formar = 3
nPk =n!
(n − k)!=⇒ 5P3 =
5!(5 − 3)!
= 60
Se pueden realizar 60 permutaciones de 3 letras con las 5 letras disponibles.
CAPITULO 2. TEORIA DE LA PROBABILIDAD 71
2. Con los siguiente sımbolos griegos: Ω β λ β ∆ Ω ρ λ λ ρ β α ¿cuantas permuta-
ciones se puede formar?
Solucion:
En este caso no todos los elementos son diferentes entre sı, para ello utilizamos la
siguiente formula:n!
n1! ∗ n2! ∗ ... ∗ nk!
n = 12 :
Ω→ n1 = 2
β→ n2 = 3
λ→ n3 = 3
∆→ n4 = 1
α→ n5 = 1
ρ→ n6 = 2
12!2! ∗ 3! ∗ 3! ∗ 1! ∗ 1! ∗ 2!
= 3326400 permutaciones
3. ¿Cuantas secuencias pueden obtenerse al lanzar 20 veces una moneda, que tengan 6
caras y 14 sellos?
Solucion:
En este caso tambien tenemos repeticiones, por lo tanto tenemos:
20!6! ∗ 14!
= 38760
Existen 38760 secuencias con 6 caras y 14 sellos.
CAPITULO 2. TEORIA DE LA PROBABILIDAD 72
2.3.4. Combinaciones
Se define como combinacion de tamana k a todo subconjunto de k elementos que
pueden formarse de un conjunto de n elementos diferentes. Para este caso no se tomara en
cuenta el orden de los elementos.
El numero de subconjuntos de k elementos, escogidos de un conjunto de n elementos
se calcula de la siguiente manera:(nk
)=
n!k!(n − k)!
EJERCICIOS
1. En un salon de clases hay 25 estudiantes y se desea seleccionar una comision de 5
personas para organizar cierto evento. ¿Cuantas comisiones se pueden formar?
Solucion:
Para este caso no importa el orden en que son seleccionados los estudiantes que
conformaran la comision, por lo tanto tenemos:(255
)= 53130 combinaciones
Se pueden formar 53130 comisiones de 5 alumnos diferentes entre los 25 disponibles.
2. ¿Cual sera la combinacion mas probable de una comision de 4 miembros escogidos
al azar entre 22 mujeres y 18 hombres?
Solucion:
Debemos probar todas las combinaciones posibles:
Conformado por 4 mujeres:(224
)= 7315 comisiones
CAPITULO 2. TEORIA DE LA PROBABILIDAD 73
Conformado por 3 mujeres y 1 hombre:(223
)∗(181
)= 27720 comisiones
Conformado por 2 mujeres y 2 hombres:(222
)∗(182
)= 35343 comisiones
Conformado por 1 mujer y 3 hombres:(221
)∗(183
)= 17952 comisiones
Conformado por 4 hombres:(184
)= 3060 comisiones
Segun los resultados obtenidos, es mas probable formar una comision de 2 mujeres
y 2 hombres.
2.4. Probabilidad Condicional
Se le llama probabilidad condicional a la probabilidad de que ocurra un evento
cualquiera, dado que ya ha ocurrido otro evento previamente.
Definicion:
Sean los eventos A y B pertenecientes al espacio muestral S y tal que P(B) > 0. La
probabilidad condicional del suceso A, cuando ha ocurrido el suceso B es:
P(A/B) =P(A ∩ B)
P(B)
EJERCICIOS
CAPITULO 2. TEORIA DE LA PROBABILIDAD 74
1. Se arroja un par de dados y se suman los numeros que aparecen. Si se sabe que la
suma de ambos numeros fue 6, ¿cual es la probabilidad de que un dado haya caido
en 2?
Solucion:
El espacio muestral (S ) esta conformado por 36 elementos, que son los resultados
del lanzamiento de dos dados. Ahora definimos los sucesos:
A = un dado cayo por 2.
A = (1,2),(2,1),(2,2),(2,3),(3,2),(2,4),(4,2),(2,5),(5,2),(2,6),(6,2)P(A) = 11
36
B = la suma fue 6.
B = (1,5),(5,1),(3,3),(2,4),(4,2)P(B) = 5
36
Definimos el conjunto donde los elementos de B forman parte de A:
A ∩ B = la suma es 6 y uno de los dados es 2.
A ∩ B = (2,4),(4,2)P(A ∩ B) = 2
36
Calculamos la probabilidad condicional:
P(A/B) =P(A ∩ B)
P(B)=
236536
=25
2. En una caja hay 2 bolas azules y 3 bolas rojas. Se va a sacar al azar una bola, la cual
sera dejada fuera de la caja. Despues se sacara al azar otra bola de la caja. Calcular:
a) P(A ∩ R)
b) P(A ∩ A)
c) P(R ∩ A)
d) P(R ∩ R)
CAPITULO 2. TEORIA DE LA PROBABILIDAD 75
Solucion:
A = la bola es azul ; R = la bola es roja
Podemos utilizar los diagramas de arbol para este problema, el cual lo podemos ver
en la Figura 2.5.
2 azules
3 rojas
R
R
R
A2/5
3/5
1/4 A
2/4
2/4
A
3/4
Figura 2.5: Diagrama de Arbol
Utilizando el diagrama de arbol tenemos las siguientes probabilidades:
P(1era fue A) = P(A) =25
P(1era fue R) = P(R) =35
P(A dado que la 1era fue A) = P(A/A) =14
P(R dado que la 1era fue A) = P(R/A) =34
P(A dado que la 1era fue R) = P(A/R) =24
P(R dado que la 1era fue R) = P(R/R) =24
Buscamos las probabilidades pedidas:
CAPITULO 2. TEORIA DE LA PROBABILIDAD 76
a) P(A ∩ R):
P(A ∩ R) = P(A) ∗ P(R/A) =25∗ 3
4=
620
b) P(A ∩ A):
P(A ∩ A) = P(A) ∗ P(A/A) =25∗ 1
4=
220
c) P(R ∩ A):
P(R ∩ A) = P(R) ∗ P(A/R) =35∗ 2
4=
620
d) P(R ∩ R):
P(R ∩ R) = P(R) ∗ P(R/R) =35∗ 2
4=
620
3. Una encuesta entre los consumidores en una comunidad particular mostro que el
10 % quedaron inconformes con los trabajos de plomerıa efectuado en sus casas. La
mitad de las quejas se referıan al plomero A. Encuentre las siguientes probabilidades
si el plomero A realiza el 40 % de los trabajos de plomerıa en la ciudad:
a) De que el consumidor reciba un trabajo de plomerıa que no le satisfaga dado
que se trata del plomero A.
b) De que el consumidor reciba un trabajo de plomerıa satisfactorio, dado que se
trata del plomero A.
Solucion:
Definimos los siguientes eventos y sus probabilidades:
I = Inconformes→ P(I) = 0,10Ic = Satisfechos→ P(Ic) = 0,90A = El plomero A realiza el trabajo→ P(A) = 0,40Ac = El plomero A no realiza el trabajo→ P(Ac) = 0,60
P(I ∩ A) =0,10
2 = 0.05
a) El consumidor reciba un trabajo de plomerıa que no le satisfaga:
P(I/A) =P(I ∩ A)
P(A)=
0,050,4
= 0,125
CAPITULO 2. TEORIA DE LA PROBABILIDAD 77
La probabilidad de que un cliente no este satisfecho con el trabajo hecho dado
que lo realizo el plomero A es del 12,5 %.
b) El consumidor reciba un trabajo de plomerıa satisfactorio:
P(Ic/A) =P(Ic ∩ A)
P(A)=
0,350,4
= 0,875
Por el contrario, la probabilidad de que un cliente si este satisfecho con el tra-
bajo hecho, dado que lo realizo el plomero A es del 87,5 %.
4. En la Facultad de Ingenierıa el 25 % de los alumnos retiro Calculo 10, el 15 % Sis-
temas de Representaciones 10 y el 10 % retiro ambas. Se elige un alumno al azar.
a) Si el alumno retiro Sistemas de Representaciones 10, ¿cual es la probabilidad
de que retiro Calculo 10?
b) Si retiro Calculo 10, ¿cual es la probabilidad de que retiro Sistemas de Repre-
sentaciones 10?
c) ¿Cual es la probabilidad de que retiro Calculo o Sistemas de Representaciones?
d) ¿Cual es la probabilidad de que el alumno no hubiera retirado ninguna?
Solucion:
C = Retiro de Calculo 10P(C) = 0,25
S = Retiro de Sistemas de Representaciones 10P(S ) = 0,15
C ∩ S = Retiro Calculo y Sistemas de RepresentacionesP(C ∩ S ) = 0,10
a) La probabilidad de que retiro Calculo 10, dado que retiro Sistemas de Repre-
sentaciones es:
P(C/S ) =P(C ∩ S )
P(Q)=
0,100,15
= 0,6667
CAPITULO 2. TEORIA DE LA PROBABILIDAD 78
b) La probabilidad de que retiro Sistema de Representaciones 10, dado que retiro
Calculo 10 es:
P(S/C) =P(Q ∩C)
P(C)=
0,100,25
= 0,4
c) La probabilidad de que retiro Calculo o Sistema de Representaciones es:
P(C ∪ S ) = P(C) + P(S ) − P(C ∩ S ) = 0,25 + 0,15 − 0,10 = 0,3
d) La probabilidad de que el alumno no hubiera retirado ninguna es:
P(C ∪ S )c = 1 − P(C ∪ S ) = 1 − 0,3 = 0,7
5. Sean X, Y y Z tres monedas de una caja. Suponga que X es una moneda correcta, Y
es una moneda con 2 caras y Z esta hecha de tal forma de que la probabilidad de que
salga cara es 13 . Se escoge una moneda al azar.
a) Hallar la probabilidad de que salga cara.
b) Si sale cara, hallar la probabilidad de que sea de la moneda no trucada X.
c) Si sale sello, hallar la probabilidad de que sea la moneda Z.
Solucion:
1/3
X
1/2 C
1/2 S
1/3Y
1C
S0
1/3
Z
1/3 C
2/3 S
Figura 2.6: Diagrama de Arbol
CAPITULO 2. TEORIA DE LA PROBABILIDAD 79
a) La probabilidad de que salga cara es:
P(C) =13∗ 1
2+
13∗ 1 +
13∗ 1
3=
1118
b) La probabilidad de que sea la moneda X dado que salio cara es:
P(X/C) =P(X ∩C)
P(C)=
13 ∗ 1
21118
=3
11
c) La probabilidad de que sea la moneda Z dado que salio sello es:
P(Z/S ) =P(Z ∩ S )
P(S )=
13 ∗ 2
2
1 − 1118
=47
6. Se tienen tres cajas: I = tiene 2 bolas blancas y 4 rojasII = tiene 8 bolas blancas y 4 rojasIII = tiene 1 bola blanca y 3 rojas
Se saca una bola al azar de cada caja. Si se sabe que 2 de esas bolas fueron blancas,
¿Cual es la probabilidad de que la bola sacada de la caja II haya sido blanca?
Solucion:
2 blancas4 rojas
I II
8 blancas4 rojas
1 blanca3 rojas
IIIP(B) = 1/4P(R) = 3/4
P(B) = 8/12P(R) = 4/12
P(B) = 2/6P(R) = 4/6
Figura 2.7: Distribucion de las bolas en las cajas
Definimos el espacio muestral S y los eventos:
CAPITULO 2. TEORIA DE LA PROBABILIDAD 80
S = BBB, BBR, BRB, RBB, BRR, RBR, RRB, RRR
A = 2 bolas son blancas → A = BBR, BRB, RBBB = la bola sacada de II sea blanca → B = BBB, BBR, RBB, RBR
A ∩ B = 2 bolas blancas y la bola de la caja II es blanca → A ∩ B = BBR, RBB
Calculamos las probabilidades:
P(A) = P(BBR) o P(BRB) o P(RBB)
P(A) =26∗ 8
12∗ 3
4+
26∗ 4
12∗ 1
4+
46∗ 8
12∗ 1
4=
1136
P(A ∩ B) = P(BBR) o P(RBB)
P(A ∩ B) =26∗ 8
12∗ 3
4+
46∗ 8
12∗ 1
4=
518
P(B/A) =P(A ∩ B)
P(B)=
5/1811/36
=1011
La probabilidad de que la bola de la segunda caja sea blanca dado que se sabe que
salieron dos blancas es del 90,90 %.
2.5. Independencia de eventos
Los sucesos A y B de un espacio muestral S , son independientes si la ocurrencia de uno
de ellos no influye o afecta la ocurrencia del otro.
A y B son independientes si y solo si:
P(A ∩ B) = P(A) ∗ P(B) ; siendo P(A) > 0 ; P(B) > 0
CAPITULO 2. TEORIA DE LA PROBABILIDAD 81
A partir de la definicion podemos decir que:
P(A/B) =A ∩ BP(B)
= P(A)
Esto es debido a que, no importa que previamente ocurriera B, su ocurrencia no afecta
en nada la probabilida de ocurrencia de A.
Tambien se cumple de forma viceversa:
P(B/A) =A ∩ BP(A)
= P(B)
Tambien se puede comprobar la independencia para mas de dos sucesos, por ejemplo,
tres sucesos son independiente si se cumplen todas las condiciones siguientes:
P(A ∩ B) = P(A) ∗ P(B)
P(A ∩C) = P(A) ∗ P(C)
P(B ∩C) = P(B) ∗ P(C)
P(A ∩ B ∩C) = P(A) ∗ P(B) ∗ P(C)
EJERCICIOS
1. En una caja hay 2 bolas azules y 3 bolas rojas. Se va a sacar 1 bola al azar, la cual
sera metida nuevamente a la caja antes de sacar una segunda bola de la caja. Calcular:
a) P(A ∩ R).
b) P(A ∩ A).
c) P(R ∩ A).
d) P(R ∩ R).
Solucion:
Desarrollamos el diagrama de arbol del problema:
CAPITULO 2. TEORIA DE LA PROBABILIDAD 82
2 azules3 rojas
A
R
R
A
R
A
2/5
3/5
3/5
2/5
2/5
3/5
Figura 2.8: Diagrama de Arbol
a) P(A ∩ R):
P(A ∩ R) = P(A) ∗ P(R/A) =25∗ 3
5=
625
P(A ∩ R) = P(A) ∗ P(R) =25∗ 3
5=
625
b) P(A ∩ A):
P(A ∩ A) = P(A) ∗ P(A/A) =25∗ 2
5=
425
P(A ∩ A) = P(A) ∗ P(A) =25∗ 2
5=
425
c) P(R ∩ A):
P(R ∩ A) = P(R) ∗ P(A) =35∗ 2
5=
625
d) P(R ∩ R):
P(R ∩ R) = P(R) ∗ P(R) =35∗ 3
5=
925
2. Dado el circuito de la Figura 2.9. La probabilidad de cerrar los capacitores 1,2,3 y 4
es p. Si todos los capacitores funcionan independientemente, ¿cual es la probabilidad
que pase corriente de A a B?
CAPITULO 2. TEORIA DE LA PROBABILIDAD 83
A B
1 2
3 4
Figura 2.9: Circuito
Solucion:
Definimos los eventos:C = pase corriente por 1 y 2 D = pase corriente por 3 y 4
Por lo tanto tenemos:
P(C ∪ D) = P(C) + P(D) − P(C ∩ D)
P(C ∪ D) = P(1 ∩ 2) + P(3 ∩ 4) − P(1 ∩ 2 ∩ 3 ∩ 4)
P(C ∪ D) = P(1) ∗ P(2) + P(3) ∗ P(4) − P(1) ∗ P(2) ∗ P(3) ∗ P(4)
P(C ∪ D) = p ∗ p + p ∗ p − p ∗ p ∗ p ∗ p = 2p2 − p4
2.6. Teorema de Bayes
Ahora bien, en esta seccion introduciremos un nuevo concepto que es el Teorema de
Bayes, este teorema es el resultado que da la distribucion de probabilidad condicional de
CAPITULO 2. TEORIA DE LA PROBABILIDAD 84
un suceso Bi dado A (P(Bi/A)), en terminos de la distribucion de probabilidad condicional
de A dado Bi (es decir, lo contrario a lo pedido P(A/Bi)) y la distribucion de probabilidad
total de A (P(A)).
P(Bi/A) =P(A ∩ Bi)
P(A)=
P(Bi)P(A/Bi)P(B1)P(A/B1) + P(B2)P(A/B2) + . . .
EJERICICIOS
1. Con respecto al Ejercicio 5 de la seccion anterior, resuelva los ıtems b) y c) por medio
del Teorema de Bayes.
Solucion:
P(X/C) =P(X) ∗ P(C/X)
P(X) ∗ P(C/X) + P(Y) ∗ P(C/Y) + P(Z) ∗ P(C/Z)=
13 ∗ 1
213 ∗ 1
2 + 13 ∗ 1 + 1
3 ∗ 13
P(X/C) =3
11
P(Z/S ) =P(Z) ∗ P(S/Z)
P(X) ∗ P(S/X) + P(Y) ∗ P(S/Y) + P(Z) ∗ P(S/Z)=
13 ∗ 2
313 ∗ 1
2 + 13 ∗ 0 + 1
3 ∗ 23
P(Z/S ) =47
Observamos que los resultados son exactamente iguales a los obtenidos anterior-
mente por meido de probabilidad condicional.
2. Una empresa de manufactura emplea 3 planes analıticos para el diseno y desarrollo de
un producto especıfico. Por razones de costos, los 3 planes se utilizan en momentos
diferentes, de hecho, los planes 1, 2 y 3 se utilizan respectivamente, para el 30, 20 y
50 % de los productos. La tasa de defectuosos es diferente para los 3 procedimientos,
es decir:
P(D/P1) = 0,01 ; P(D/P2) = 0,03 ; P(D/P3) = 0,02
CAPITULO 2. TEORIA DE LA PROBABILIDAD 85
Si se observa un producto al azar y esta defectuoso ¿cual fue el plan que se uso con
mayor probabilidad y fue el responsable?
Solucion:
Para resolver este problema debemos calcular la probabilidad de que dado que el
producto esta defectuoso, cual fue el plan responsable, para ello calculamos las tres
probabilidades condicionales:
P(P1/D) =P(P1) ∗ P(D/P1)
P(P1) ∗ P(D/P1) + P(P2) ∗ P(D/P2) + P(P3) ∗ P(D/P3)
P(P1/D) =0,0030,019
= 0,1579
P(P2/D) =P(P2) ∗ P(D/P2)
P(P1) ∗ P(D/P1) + P(P2) ∗ P(D/P2) + P(P3) ∗ P(D/P3)
P(P2/D) =0,060,019
= 0,3158
P(P3/D) =P(P3) ∗ P(D/P3)
P(P1) ∗ P(D/P1) + P(P2) ∗ P(D/P2) + P(P3) ∗ P(D/P3)
P(P3/D) =0,010,019
= 0,5263
Segun estos resultados, el Plan 3 deberıa ser el responsable ya que su probabilidad
de ser utilizado fue del 52,63 %.
3. Se tienen dos cajas, una caja I contiene 2 bolas blancas y tres bolas negras y una caja
II contiene 4 bolas blancas y tres negras. Se saca una bola al azar de la caja I y sin
verla se coloca en la caja II. A continuacion se saca una bola de II y resulta ser negra.
¿Cual es la probabilidad de que la bola pasada de la caja I a la II fuese blanca?
Solucion:
Definimos los sucesos:
CAPITULO 2. TEORIA DE LA PROBABILIDAD 86
A = la bola pasada de I a II es blancaB = la bola pasada de I a II es negraC = la bola sacada de II es negra
Por Bayes tenemos:
P(A/C) =P(A) ∗ P(C/A)
P(B) ∗ P(C/B) + P(A) ∗ P(C/A)
P(A/C) =
25 ∗ 3
835 ∗ 4
8 + 25 ∗ 3
8
=13
La probabilidad de que la bola pasada de I a II, dado que se sabe que la bola sacada
posteriormente de II es negro, es del 33,33 %.
4. En una tienda trabajan 3 cajeras: Marıa, Ana y Gabriela. Marıa atiende el 40 % de
los clientes, Ana el 35 % y Gabriela el 25 %.
Cuando atiende Marıa hay un 2 % de probabilidad de que cobre mal, cuando lo hace
Ana hay un 1 % y si cobra Gabriela hay un 3 % de probabilidad de que se equivoque.
Un cliente se quejo diciendo que le cobraron mal.
¿Cual es la probabilidad de que lo atendiera Gabriela?
Solucion:
Definimos los eventos y el diagrama de arbol del problema (Figura 2.10):
C = se realizo un mal cobroM = fue atendido por MarıaA = fue atendido por AnaG = fue atendido por Gabriela
Utilizando el Teorema de Bayes:
P(G/C) =P(G) ∗ P(C/G)
P(M) ∗ P(C/M) + P(A) ∗ P(C/A) + P(G) ∗ P(C/G)
P(G/C) =0,25 ∗ 0,03
0,4 ∗ 0,02 + 0,35 ∗ 0,01 + 0,25 ∗ 0,03= 0,3947
CAPITULO 2. TEORIA DE LA PROBABILIDAD 87
0,4
MC’
0,35A
C
C’
0,25
G
C
C’
C
P(C/A) = 0,01
P(C/M) = 0,02
P(C/G) = 0,03
Figura 2.10: Diagrama de Arbol
La probabilidad de que el cliente fuera atendido por Gabriela dado que le cobraron
mal, es del 39,47 %.
2.7. Ejercicios Propuestos
1. Dado el conjunto A = a, b, c, liste todos los posibles subconjuntos de A.
2. Una fabrica produce cierto artıculo, y diariamente se realiza un experimento que
consiste en examinar cada uno de los artıculos producidos (uno tras otro) para veri-
ficar su calidad. Una vez examinado, los artıculos se dividen en dos, “BUENOS” o
“DEFECTUOSOS”. El experimento termina cuando se encuentra el primer artıculo
defectuoso. Determine el espacio muestral.
3. Un experimento aleatorio consiste en registrar la nota en Estocastica 1 de cierto alum-
CAPITULO 2. TEORIA DE LA PROBABILIDAD 88
no.
a) ¿Cual es el espacio muestral?
b) Defina los siguiente sucesos:
A = el alumno tiene por lo menos quince puntosB = el alumno es reprobado en el examenC = el alumno tiene como maximo 16 puntos
4. Considere el espacio muestral S = cobre, sodio, nitrogeno, potasio, uranio, oxıgeno,
zinc, y los eventos:A = cobre, sodio, zincB = sodio, nitrogeno, potasioC = oxıgeno
Liste los elementos y dibuje el diagrama de Venn de los conjuntos que corresponden
a los siguientes eventos:
a) Ac
b) (A ∩ Bc) ∪Cc
c) (Ac ∪ Bc) ∩ (Ac ∩C)
5. Una caja contiene A bolas numeradas del 1 a A. Designe N como el numero de
bolas de cierto color, donde N ≤ A. Sea una muestra de tamano n extraıda con o
sin reemplazo (en cuyo caso n ≤ A). Encuentre la probabilidad de que la muestra
contenga exactamente k bolas de ese color para cada caso.
6. ¿Cual es la probabilidad de sacar dos bolas azules de una caja que contiene 15 bolas
blancas y 12 azules, sin reemplazar la bola extraıda?
7. Una bolsa contiene 12 bolas blancas y 8 negras. Si se sacan dos bolas al azar. ¿Cual
es la probabilidad de que sean del mismo color?
8. Un inspector visita 6 maquinas diferentes durante el dıa. A fin de impedir que los
operadores sepan cuando inspecionara, varıa el orden de las visitas. ¿De cuantas
CAPITULO 2. TEORIA DE LA PROBABILIDAD 89
maneras lo puede hacer?. Si de 6 maquinas puede visitar solamente 3, ¿de cuantas
maneras lo puede hacer?
9. La Escuela de Sistemas cuenta con 37 profesores, ¿de cuantas maneras podemos
escoger un Director y 3 Representantes Profesorales?
10. ¿Cuantos diptongos posibles se pueden encontrar en la literatura castellana, con vo-
cales diferentes?
11. La probabilidad de que un artıculo provenga de una fabrica A es de 0,3; y la proba-
bilidad de que provenga de otra fabrica B es de 0,7. Se sabe que la fabrica A produce
4 por mil artıculos defectuosos y la B produce 8 por mil.
a) Se observa un artıculo y se ve que esta defectuoso. ¿Cual es la probabilidad de
que provenga de la fabrica B?
b) Se pide un artıculo a una de las dos fabricas, elegida al azar. ¿Cual es la proba-
bilidad de que este defectuoso?
c) Se piden 5 artıculos a la fabrica A. ¿Cual es la probabilidad de que haya alguno
defectuoso?
12. Hay una extrana enfermedad que solo afecta a 1 de cada 500 personas. Se dispone de
una prueba para detectarla. Un resultado correcto positivo (un paciente que realmente
tiene la enfermedad) ocurre 95 % de las veces; en tanto un resultado positivo falso (un
paciente que no tiene la enfermedad) ocurre 1 % de las veces. Si se somete a prueba
una persona elegida al azar, y el resultado es positivo, ¿cual es la probabilidad de que
la persona tenga la enfermedad?
13. Una companıa constructora emplea a 2 ingenieros de ventas. El ingeniero 1 hace el
trabajo de estimar costos en 70 % de las cotizaciones solicitadas en la empresa. El
ingeniero 2 lo hace para el 30 % de tales cotizaciones. Se sabe que la tasa de error
para el ingeniero 1 es tal que 0.02 es la probabilidad de un error en el trabajo; del
CAPITULO 2. TEORIA DE LA PROBABILIDAD 90
ingeniero 2 es de 0.04. Suponga que llega una solicitud de cotizacion y ocurre un
error grave al estimar los costos. ¿que ingeniero supondrıa usted que hizo el trabajo?
14. En una bolsa A hay 2 bolas amarillas y 4 rojas. En una bolsa B hay 5 amarillas y 3
rojas. Se extrae una bola de A y se introduce en B sin verla. Luego se saca una bola
de B. Calcular:
a) La probabilidad de que haya pasado bola roja de A a B, si la bola extraıda de B
es amarilla.
b) La probabilidad de que haya pasado bola amarilla de A a B, si la bola extraıda
de B es amarilla.
15. Sea S = a; b; c; d un espacio muestral con los eventos elementales equiprobables.
Los eventos A = a; b, B = a; c y C = a; d ¿son independientes?
Capıtulo 3
Variable Aleatoria Unidimensional
Una Variable Aleatoria de un espacio muestral S es la regla que asigna un valor numeri-
co a cada resultado de S . Esta siempre es denotada con letras mayusculas.
Las variables aleatorias pueden ser discretas o continuas.
Una variable aleatoria es discreta si su conjunto de valores posibles es un conjunto
discreto, es decir, toma un numero finito de valores numerables.
Una variable aleatoria continua toma un valor infinito de valores no numerables, es
decir, su conjunto de posibles valores es todo un intervalo de numeros.
3.1. Distribucion de Probabilidad de una Variable Aleato-
ria Discreta
Una Distribucion de Probabilidades es el modelo que describe los resultados de un
experimento con las respectivas probabilidades que se espera ver.
91
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 92
Para construir la distribucion de probabilidad de una variable aleatoria discreta tenemos
que, la probabilidad de que X tome el valor x, es decir P(X = x), se define como la suma
de las probabilidades de todos los puntos muestrales de S que tiene asignado el valor X.
EJERCICIOS
1. Suponga que se lanza una moneda 2 veces, y el espacio muestral es S = CC, CS,
SC, SS. Siendo X el numero de caras que pueden salir. Encuentre la distribucion de
probabilidad correspondiente a la variable aleatoria X.
Solucion:
Lo primero que debemos hacer es asociar los puntos muestrales de S a numeros,
siendo X el numero de caras que pueden salir:
Punto muestral CC CS SC SSX 2 1 1 0
Tabla 3.1: Asignacion de valores a X
Calculamos la probabilidad para cada valor que puede tomar X:
P(CC) =12∗ 1
2=
14→ P(X = 2) =
14
P(CS ) =12∗ 1
2=
14→ P(X = 1) =
14
P(S C) =12∗ 1
2=
14→ P(X = 1) =
14
P(S S ) =12∗ 1
2=
14→ P(X = 0) =
14
Con estos datos construimos la distribucion de probabilidad, la cual esta conforma-
da por la variable aleatoria discreta X y su respectiva probabilidad, ya calculadas
previamente:
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 93
X 0 1 2p(x) 1
424
14
Tabla 3.2: Distribucion de probabilidad
2. Un supervisor de una fabrica tiene 3 hombres y 3 mujeres trabajando para el. Desea
elegir 2 trabajadores para una labor especial y decide seleccionar al azar para no
introducir ningun sesgo en su seleccion. Sea X el numero de mujeres en su seleccion.
Encuentre la distribucion de probabilidad para X.
Solucion:
Asignamos a cada suceso un valor numerico:
Ninguna mujer→ X = 0
Una mujer→ X = 1
Dos mujeres→ X = 2
Calculamos las probabilidades para cada uno de los valores de X:
P(X = 0) =
(30
)(32
)
(62
) =3
15
P(X = 1) =
(31
)(31
)
(62
) =9
15
P(X = 2) =
(32
)(30
)
(62
) =3
15
Por lo tanto tenemos:
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 94
X 0 1 2p(x) 0,2 0,6 0,2
Tabla 3.3: Distribucion de probabilidad
3. En el caso de lanzar 3 monedas y registrar el numero de caras que aparecen. Calcular:
a) P(2 < X ≤ 3)
b) P(2 ≤ X ≤ 3)
c) P(2 < X < 3)
d) P(2 ≤ X < 3)
Solucion:
El espacio muestral del experimento aleatorio: lanzamiento de 3 monedas y su dis-
tribucion se probabilidad se muestran a continuacion en la Tabla 3.4. Ademas se
muestra la funcion de distribucion del problema (F(x)), la cual es la acumulada de la
distribucion de probabilidad (p(x)).
S = CCC,CCS ,CS C, S CC,CS S , S CS , S CC, S S S
X 0 1 2 3p(x) 1
838
38
18
F(x) 18
48
78 1
Tabla 3.4: Distribucion de Probabilidad y Funcion de Distribucion
a) P(2 < X ≤ 3):
P(2 < X ≤ 3) = P(X ≤ 3) − P(X ≤ 2)
P(2 < X ≤ 3) = F(3) − F(2)
P(2 < X ≤ 3) = 1 − 78
=18
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 95
b) P(2 ≤ X ≤ 3):
P(2 ≤ X ≤ 3) = F(3) − F(2) + p(2)
P(2 ≤ X ≤ 3) = 1 − 78
+38
=12
c) P(2 < X < 3):
P(2 < X < 3) = F(3) − F(2) − p(3)
P(2 < X < 3) = 1 − 78− 1
8= 0
d) P(2 ≤ X < 3):
P(2 ≤ X < 3) = F(3) − F(2) + p(2) − p(3)
P(2 ≤ X < 3) = 1 − 78
+38− 1
8=
38
4. La funcion de distribucion de una variable aleatoria X esta definido ası:
F(x) = 0 si X < −2
F(x) = 12 si − 2 ≤ X < 0
F(x) = 34 si 0 ≤ X < 2
F(x) = 1 si X ≥ 2
Calcule:
a) P(X ≤ 2)
b) P(X < 0)
c) P(0 < X ≤ 2)
d) P(1 ≤ X ≤ 2)
Solucion:
Graficamos la distribucion de probabilidad (Figura 3.1) y la funcion de distribucion
(Figura 3.2):
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 96
−2 −1 0 1 2 X
0.8
0.6
0.4
0.2
p(x)
Figura 3.1: Distribucion de Probabilidad
−2 −1 0 1 2
0.5
0.75
1.0
F(x)
X
Figura 3.2: Funcion de Distribucion
a) P(X ≤ 2) = 1
b) P(X < 0) =34
c) P(0 < X ≤ 2) = F(2) − F(0) = 1 - 34 =
14
d) P(1 ≤ X ≤ 2) = F(2) − F(1) + p(1) = 1− 34 + 0 =
14
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 97
5. Suponga que se va a lanzar un par de dados balanceados y la variable aleatoria X
denota la suma de los puntos.
a) Obtenga la distribucion de probabilidad para X.
b) Encuentre la funcion de distribucion F(x) para la variable aleatoria X.
c) Elabore una grafica de esta funcion.
Solucion:
a) Describimos el espacio muestral en la Tabla 3.5:
Par∑
Par∑
Par∑
Par∑
Par∑
Par∑
(1,1) 2 (2,1) 3 (3,1) 4 (4,1) 5 (5,1) 6 (6,1) 7(1,2) 3 (2,2) 4 (3,2) 5 (4,2) 6 (5,2) 7 (6,2) 8(1,3) 4 (2,3) 5 (3,3) 6 (4,3) 7 (5,3) 8 (6,3) 9(1,4) 5 (2,4) 6 (3,4) 7 (4,4) 8 (5,4) 9 (6,4) 10(1,5) 6 (2,5) 7 (3,5) 8 (4,5) 9 (5,5) 10 (6,5) 11(1,6) 7 (2,6) 8 (3,6) 9 (4,6) 10 (5,6) 11 (6,6) 12
Tabla 3.5: Puntos muestrales
Por lo tanto tenemos la distribucion de probabilidad en la Tabla 3.6:
X 2 3 4 5 6 7 8 9 10 11 12f (x) 1
36236
336
436
536
636
536
436
336
236
136
Tabla 3.6: Distribucion de Probabilidad
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 98
b) La funcion de distribucion F(x) se muestra a continuacion:
F(x) =
0 para X < 2136 para 2 ≤ X < 3336 para 3 ≤ X < 4636 para 4 ≤ X < 61036 para 5 ≤ X < 61536 para 6 ≤ X < 72136 para 7 ≤ X < 82636 para 8 ≤ X < 93036 para 9 ≤ X < 103336 para 10 ≤ X < 113536 para 11 ≤ X < 12
1 para X ≥ 12
c) La grafica de la funcion de distribucion (F(x)) se muestra en la Figura 3.3:
1 2 3 4 5 6 7 8 9 10 11 120
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
X
F(x
)
Figura 3.3: Funcion de Distribucion
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 99
3.2. Distribucion de Probabilidad de una Variable Aleato-
ria Continua
En el caso de una variable aleatoria continua X, la distribucion de probabilidad es la
integral de la funcion de densidad.
EJERCICIOS
1. Sea X una variable aleatoria continua con la funcion de densidad de probabilidad
dada por:
f (x) =
3x2 si 0 ≤ X ≤ 1
0 en cualquier otro punto
Encontrar F(x) y graficar f (x) y F(x).
Solucion:
Graficamos la funcion de probabilidad f (x) (Figura 3.4):
−1 0 1
2
1
3
f(x)
X
Figura 3.4: Distribucion de Probabilidad
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 100
Calculamos F(x):
F(x) =
∫ x
−∞f (t)dt
F(x) =
∫ x
03t2dt = x3
Por lo tanto podemos observar la funcion de distribucion junto con su grafica a con-
tinuacion:
F(x) =
x3 si 0 < X < 1
1 si X ≥ 1
−1 0 1
1
F(x)
X
Figura 3.5: Funcion de Distribucion
2. Dada la funcion de probabilidad:
f (x) =
cx2 si 0 < X < 3
0 en cualquier otro punto
a) Encuentre la constante c.
b) Calcule P(1 < X < 3).
c) Encuentre la funcion de distribucion.
Solucion:
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 101
a) Sabemos que:
F(x) =
∫ ∞
−∞f (x)dx = 1
Por lo tanto tenemos que:
F(x) =
∫ 3
0ct2dt = 1
Integramos la distribucion de probabilidad f (x) e igualamos a 1, se despeja c y
tenemos que:
c =19
Sustituimos en la distribucion de probabilidad y obtenemos:
f (x) =
x2
9 si 0 < X < 3
0 en cualquier otro punto
b) Utilizando la distribucion de probabilidad calculamos P(1 < X < 3):
P(1 < X < 3) =
∫ 2
1
x2
9dx =
727
c) La funcion de distribucion se debe calcular segun los intervalos en que
esta definida, de la siguiente manera:
Para (−∞ ; 0):
f (x) = 0
F(x) = 0
Para [0 ; 3):
f (x) =x2
9
F(x) = F(0) +
∫ x
0
t2
9dt = 0 +
x3
27=
x3
27
Para [3 ;∞):
f (x) = 0
F(x) = F(3) +
∫ x
30dt = 1
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 102
Por lo tanto tenemos que la funcion de distribucion es la siguiente:
F(x) =
0 si X < 0x3
27 si 0 ≤ X < 3
1 si X ≥ 3
3. La vida de cierto dispositivo electronico, medida en unidades de 1000 horas, esta da-
da por la ley:
f (x) = e−x paraX > 0
El costo de producir el dispositivo es 5 UM y el precio de venta es 15 UM. El vende-
dor promete devolver el dinero si el dispositivo dura funcionando menos de 600
horas.
Sea G la ganancia obtenida por el fabricante cuando vende un dispositivo. Obtenga
la distribucion de G.
Solucion:
Si el dispositivo dura menos de 600 horas la ganancia serıa entonces de -5,
definimos a la variable X:
X =600 horas
1000 horas= 0,6
Y su probabilidad sera entonces de:
P(X < 0,6) =
∫ 0,6
0e−xdx = 0,45
Si el dispositivo dura mas de 600 horas la ganancia serıa entonces de 10 y su
probabilidad sera entonces de:
P(X ≥ 0,6) = 1 − P(X < 0,6) = 1 − 0,45 = 0,55
La distribucion de probabilidad de G se observa en la Tabla 3.7:
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 103
G -5 10P(G) 0.45 0.55
Tabla 3.7: Distribucion de probabilidad de la Ganancia
4. Sea X una variable aleatoria continua con la siguientes distribucion
f (x) =
x6 + k si 0 ≤ X ≤ 3
0 por otra parte
a) Evaluar k.
b) Hallar P(1 ≤ X ≤ 2).
Solucion:
a) Otra manera de calcular el valor de k, diferente al caso anterior, es por medio de
areas, en la Figura 3.6 observamos la grafica de la distribucion de probabilidad
y se trata de un trapecio, el area de total de ese trapecio debe ser igual a 1.
1 2 30
0.5
kbn
X
f(x)
k +
bm
h
Figura 3.6: Distribucion de Probabilidad
El area del trapecio es:
A =(bm + bn) ∗ h
2= 1
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 104
Sustituimos y despejamos a k:
( 12 + k + k) ∗ 3
2= 1→ k =
112
Por lo tanto tenemos que la distribucion es la siguiente:
f (x) =
x6 + 1
12 si 0 ≤ X ≤ 3
0 por otra parte
b) P(1 ≤ X ≤ 2):
P(1 ≤ X ≤ 2) =
∫ 2
1f (x)dx =
∫ 2
1
(x6
+1
12
)dx =
13
5. La variable aleatoria continua X esta distribuida ası:
f (x) =
ax 0 ≤ X ≤ 1
a 1 < X ≤ 2
−ax + 3a 2 < X ≤ 3
0 cualquier otro valor
a) Encuentre el valor de la constante a.
b) Determine F(x) y grafiquela. Grafique tambien f (x).
c) Si se hacen 3 observaciones independientes de la variable X, ¿cual es la proba-
bilidad de que exactamente una de ellas sea mayor que 1,5?
Solucion:
a) Calculamos el valor de la constante a igualando a uno, ya que es el area total
bajo la curva:∫ 1
0(ax)dx +
∫ 2
1(a)dx +
∫ 3
2(−ax + 3a)dx = 1
a =12
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 105
Por lo tanto tenemos:
f (x) =
x2 0 ≤ X ≤ 112 1 < X ≤ 2
− x2 + 3
2 2 < X ≤ 3
0 cualquier otro valor
b) Calculamos la funcion de distribucion (F(x)):
Para (−∞; 0):
f (x) = 0
F(x) = 0
Para [0 ; 1]:
f (x) =x2
F(x) = F(0) +
∫ x
0f (t)dt
F(x) = 0 +
∫ x
0
t2
dt
F(x) =x2
4
Para (1 ; 2]:
f (x) =12
F(x) = F(1) +
∫ x
1f (t)dt
F(x) =(1)2
4+
∫ x
1
12
dt
F(x) =x2− 1
4
Para (2 ; 3]:
f (x) = − x2
+32
F(x) = F(2) +
∫ x
2f (t)dt
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 106
F(x) =
(14
+22− 1
2
)+
∫ x
2
(− t
2+
32
)dt
F(x) = − x2
4+
3x2− 5
4
Para (3 ; +∞):
f (x) = 0
F(x) = F(3) +
∫ x
3f (t)dt
F(x) = − (3)2
4+
3 ∗ 32− 5
4
F(x) = 1
Por lo tanto tenemos que la funcion de distribucion es:
F(x) =
0 X < 0x2
4 0 ≤ X ≤ 1x2 − 1
4 1 < X ≤ 2
− x2
4 + 3x2 − 5
4 2 < X ≤ 3
1 X > 3
c) Calculamos la probabilidad de que una observacion sea mayor que 1,5:
P(X > 1,5) =
∫ 3
1,5f (x)dx =
∫ 2
1,5
(12
)dx +
∫ 3
2
(− x
2+
32
)dx
P(X > 1,5) =12
Definimos los siguientes sucesos:M = mayor que 1,5m = menor que 1,5
P(exactamente 1 sea mayor que 1,5) = P(Mmm) + P(mMm) + P(mmM)
P(exactamente 1 sea mayor que 1,5) = 3 ∗(
12
)2 ∗ 12 = 3
8
Por lo tanto la probabilidad de que de tres muestras una sea mayor que 1,5 es
del 37,5 %.
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 107
6. El diametro X de cierto cable electrico, es una variable aleatoria continua con densi-
dad f (x) = kx(1 − x) para 0 ≤ X ≤ 1.
a) Obtenga el valor de k.
b) Obtenga F(x).
c) Determine el valor de b tal que P(X < b) = 2P(X > b).
d) Calcule P(X < 12 | 1
3 < X < 23 ).
Solucion:
a) Calculamos el valor de k:∫ 1
0kx(1 − x)dx = 1
k = 6
Por lo tanto tenemos que la funcion de probabilidad es:
f (x) = 6x(1 − x) 0 ≤ X ≤ 1
b) Calculamos la funcion de distribucion:
Para (−∞; 0):
f (x) = 0
F(x) = 0
Para [0 ; 1]:
f (x) = 6x(1 − x)
F(x) = F(0) +
∫ x
0f (t)dt
F(x) = 0 + 6∫ x
0(x − x2)dt
F(x) = 3x2 − 2x3
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 108
Para (1 ; +∞):
f (x) = 0
F(x) = F(1) +
∫ x
1f (t)dt
F(x) = 3(1)2 − 2(1)3 = 1
Por lo tanto tenemos que la funcion de distribucion es:
F(x) =
0 X < 0
3x2 − 2x3 0 ≤ X ≤ 1
1 X > 1
c) P(X < b) = 2P(X > b):
P(X < b) = 2P(X > b)
P(X < b) = 2(1 − P(X < b))
P(X < b) = 2 − 2P(X < b)
3P(X < b) = 2
P(X < b) =23
P(X < b) =
∫ b
06(x − x2)dx =
23
−2b3 + 3b2 − 23
= 0
Calculamos las raices del polinomio cubico:
−2b3 + 3b2 − 23
=
b1 = −0,4169
b2 = 0,613
b3 = 1,3039
Como X esta definida en el intervalo (0; 1), el valor de b debe estar en ese
intervalo, por lo que podemos concluir que b = 0,613.
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 109
d) Calculamos P(X < 12
∣∣∣ 13 < X < 2
3)
P(X <
12
∣∣∣∣∣13< X <
23
)=
∫ 1/2
1/36(x − x2)dx
∫ 2/3
1/36(x − x2)dx
= 0,4999
7. La variable aleatoria X esta distribuida como indica la Figura 3.7.
−1 0 2
X
f(x)
Figura 3.7: Distribucion de Probabilidad
Obtenga f (x) y F(x), y ¿cual es la probabilidad de que X sea mayor que 0,5?
Solucion:
Se calcula la distribucion de probabilidad de la variable a partir de la figura, sabemos
que el area total de la figura, en este caso el area del triangulo, debe ser igual a 1, de
esta manera se calcula la altura del mismo:
Area Total =base ∗ altura
2= 1
3 ∗ h2
= 1 −→ h =23
Una vez obtenida la altura del triangulo se procede a calcular las ecuaciones de las
rectas:
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 110
Para (-1;0]:
f (x) = 2X3 + 2
3
Para (0;2):
f (x) = −X3 + 2
3
Por lo tanto tenemos la distribucion de probabilidad es:
f (x) =
2x3 + 2
3 −1 < X ≤ 0
− x3 + 2
3 0 < X < 2
Calculamos la funcion de distribucion (F(x)):
Para (−∞ ; -1];
f (x) = 0
F(x) = 0
Para (-1 ; 0]:
f (x) =2x3
+23
F(x) = F(−1) +
∫ x
−1
(23
t +23
)dt =
x2
3+
23
x +13
Para (0 ; 2):
f (x) = − x3
+23
F(x) = F(0) +
∫ x
0
(−2
3t +
23
)dt = − x2
6+
2x3
+13
Para [2 ; +∞):
f (x) = 0
F(x) = F(2) = 1
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 111
Por lo tanto tenemos:
F(x) =
0 X ≤ −1x2
3 + 2x3 + 1
3 −1 < X ≤ 0
− x2
6 + 2x3 + 1
3 0 < X < 2
1 X ≥ 2
Calculamos la probabilidad P(X > 0,5):
P(X > 0,5) =
∫ 2
0,5
(− x
3+
23
dx)
= 0,3750
3.3. Distribucion de la Funcion de una Variable Aleatoria
Caso Discreto:
1. La variable aleatoria X esta distribuida como muestra en la Tabla 3.8
X -3 -2 -1 0 1 2 3p(x) 1
16216
316
416
316
216
116
Tabla 3.8: Distribucion de probabilidad de X
Hallar la distribucion de Y = X2 − 1
Solucion:
Se sustituye el valor de X en Y; y se obtiene:
Y(−3) = 8 Y(1) = 0
Y(−2) = 3 Y(2) = 3
Y(−1) = 0 Y(3) = 8
Y(0) = -1
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 112
P(Y = −1) = P(X = 0) = 416
P(Y = 0) = P(X = −1) + P(X = 1) = 316 + 3
16 = 616
P(Y = 3) = P(X = −2) + P(X = 2) = 216 + 2
16 = 416
P(Y = 8) = P(X = −3) + P(X = 3) = 116 + 1
16 = 216
Por lo tanto tenemos que la distribucion de probabilidad de Y es:
Y -1 0 3 8g(y) 4
16616
416
216
Tabla 3.9: Distribucion de probabilidad de Y
2. Una variable aleatoria discreta obedece la siguiente ley:
X -1 0 1p(x) 1
312
16
Tabla 3.10: Distribucion de probabilidad de X
¿Como estan distribuidas las siguientes variables?
a) Y = 3X + 1
b) Z = X2
Solucion:
a) Para Y = 3X + 1:
Y(−1) = -2 P(Y = 2) = P(X = −1) = 13
Y(0) = 1 P(Y = 1) = P(X = 0) = 12
Y(1) = 4 P(Y = 4) = P(X = 1) = 16
b) Para Z = X2:
Z(−1) = 1 P(Z = 2) = P(X = −1) = 13
Z(0) = 0 P(Z = 0) = P(X = 0) = 12
Z(1) = 1 P(Z = 1) = P(X = 1) = 16
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 113
Y -2 1 4g(y) 1
312
16
Tabla 3.11: Distribucion de probabilidad de Y
Z 0 1p(z) 1
212
Tabla 3.12: Distribucion de probabilidad de Z
Caso Continuo:
Para el caso de variables aleatorias continuas se utiliza el siguiente Teorema:
Sea X una variable aleatoria continua con funcion de densidad f (x) para a < X < b.
“Sea Y = h(x) una funcion continua y monotona de X.
La variable aleatoria Y estara distribuida:
g(y) = f [w(y)] ∗ |w′(y)|
donde w(y) = Y−1.
La variacion de Y sera α < Y < β donde α y β se obtienen calculando h(a) y h(b)”
3. La variable aleatoria X esta distribuida f (x) = 2x para 0 < X < 1 y cero para otros
valores de X. Hallar la distribucion de Y = 8x2
Solucion:
Calculamos w(y) y w′(y):
w(y) = Y−1 =
(y8
) 13
; w′(y) =1
24
(y8
) −23
Sustituimos en la ecuacion:
g(y) = f [w(y)] ∗ |w′(y)|
g(y) = 2(y8
) 13 ∗ 1
24
(y8
) −23
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 114
Calculamos los lımites de variacion de Y:
α = h(a) = Y(0) = 0
β = h(b) = Y(1) = 8
Por lo tanto tenemos que la distribucion de probabilidad de Y = 8x2 es:
g(y) =
1
12
(y8
)− 13 0 < Y < 8
0 para otro valor de Y
4. Un proceso para refinar azucar pura produce diariamente hasta una tonelada de
azucar, pero la produccion real (X), es una variable aleatoria debido a descompos-
turas de la maquinaria y otros retrasos. Suponga que X tiene una distribucion de
probabilidad dada por:
f (x) =
2x 0 ≤ X ≤ 1
0 en cualquier otro punto
Obtenga la funcion de utilidad U, en cientos de Bs. F si la companıa recibe 300 Bs.
F por cada tonelada de azucar, pero tambien tiene un gasto fijo diario de 100 Bs. F.
Obtenga la distribucion de probabilidad y la funcion de distribucion de la utilidad
diaria.
Solucion:
La ecuacion de utilidad en cientos de de Bs. F es:
U = 3X − 1
Calculamos w(u) y w′(u):
w(u) = U−1 =U + 1
3; w′(u) =
13
g(u) = f [w(u)] ∗ |w′(u)|
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 115
g(u) = 2(u + 1
3
)∗ 1
3=
29
(u + 1)
Los lımites de variacion de U son:
α = h(a) = U(0) = −1
β = h(b) = U(1) = 2
Por lo tanto tenemos que la distribucion de probabilidad de la utilidad es:
g(u) =
29 (u + 1) −1 ≤ U ≤ 2
0 para otro valor de U
Calculamos la funcion de distribucion:
Para (−∞ ; -1):
g(u) = 0
G(u) = 0
Para [-1 ; 2]:
g(u) =29
(u + 1)
G(u) = G(−1) +
∫ u
−1
29
(t + 1)dt =19
(u2 + 2u + 1)
Para (2 ; +∞):
g(u) = 0
G(u) = G(2) = 1
Por lo tanto tenemos:
G(u) =
0 U < −119 (u2 + 2u + 1) −1 ≤ U ≤ 2
1 U > 2
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 116
5. La variable aleatoria X esta distribuida f (x) = e−x para X > 0. Encuentre la densidad
de Y = 2X + 2.
Solucion:
Calculamos w(y) y w′(y):
w(y) = Y−1 =y − 2
2; w′(y) =
12
Sustituimos en la ecuacion:
g(y) = f [w(y)] ∗ |w′(y)|
g(y) =
[e−
( y−22
)]∗ 1
2
Calculamos los lımites de variacion de Y:
α = h(a) = Y(0) = 2
Tenemos que la distribucion de probabilidad de Y es:
g(y) =
12e
2−y2 Y > 2
0 para otro valor de Y
6. La distribucion de probabilidad de X esta dado por f (x) = 5(1 − x)4 para 0 < X < 1.
Compruebe que si Y = F(x), su distribucion sera uniforme en el intervalo unitario,
es decir, que g(y) = 1 para Y perteneciente al intervalo (0;1).
Solucion:
Calculamos Y:
Y = F(x) =
∫ x
05(1 − t)4dt = 1 − (1 − x)5
w(y) = Y−1 = 1 − (1 − y)15 ; w′(y) =
(1 − y)−45
5
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 117
Sustituimos en la ecuacion:
g(y) = f [w(y)] ∗ |w′(y)|
g(y) = 5[1 − (1 − (1 − y)
15 )]4 ∗ (1 − y)−
45
5= 1
Por lo tanto comprobamos que g(y) = 1 para Y perteneciente al intervalo (0;1).
7. La variable aleatoria X esta distribuida f (x) = 1/15 para −5 < X < 10.
Si Y = 3X2, encuentre la densidad de Y .
Solucion:
Graficamos f (x) y se obtiene la Figura 3.8, y la grafica de Y la podemos ver en la
Figura ??.
−6 −4 −2 0 2 4 6 8 10x
f(x)
1/15
Figura 3.8: Distribucion de Probabilidad de X
Segun el Teorema presentado en esta seccion, la funcion Y debe ser monotona, para
este caso y como observamos en la Figura 3.9 se trata de una parabola, por tal motivo
se debe dividir la curva en dos secciones, una parte decrediente y la otra creciente,
por tal motivo se debe trabajar con dos w(y), segun los valors de X.
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 118
−6 −4 −2 0 2 4 6 8 10 x
75
300
Y
Figura 3.9: Y = 3X2
Y = h1(x) = 3X2 para −5 < X < 0
w1(y) = −(
y3
) 12
w′1(y) = − 16
(y3
)− 12
Y = h2(x) = 3X2 para 0 < X < 10
w2(y) =(
y3
) 12
w′2(y) = 16
(y3
)− 12
Calculamos g(y) segun el valor de Y .
Para Y ∈ [0;75] si X ∈ (-5;0] o (0;5]:
g(y) = f [w1(y)] ∗ |w′1(y)| + f [w2(y)] ∗ |w′2(y)|
g(y) =115∗∣∣∣∣∣∣−
16
(y3
)− 12
∣∣∣∣∣∣ +1
15∗∣∣∣∣∣∣16
(y3
)− 12
∣∣∣∣∣∣ =1
45
(y3
)− 12
Para Y ∈ (75;300) si X ∈ (5;10):
g(y) = f [w2(y)] ∗ |w′2(y)|
g(y) =1
15∗∣∣∣∣∣∣16
(y3
)− 12
∣∣∣∣∣∣ =1
90
(y3
)− 12
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 119
Por lo tanto tenemos que la distribucion de probabilidad de Y es:
g(y) =
145
(y3
)− 12 0 ≤ Y ≤ 75
190
(y3
)− 12 75 < Y < 300
8. La variable aleatoria X esta distribuida como indica la Figura 3.10. Encuentre la
densidad de Y = 2X2.
−1 −0.5 0 0.5 1 x
f(x)
Figura 3.10: Distribucion de Probabilidad de X
Solucion:
Para calcular la distribucion de Y se necesita primero f (x), para ello se calcula las
ecuaciones que rigen cierta distribucion a partir de la Figura ??.
Para calcular las ecuaciones se necesita la altura del triangulo; sabemos que el area
total bajo la curva (para este ejercicio un triangulo) debe ser igual a 1, por lo que
tenemos:
Area del triangulo = 1
base ∗ altura2
=2 ∗ h
2= 1
h = 1
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 120
Por lo tanto tenemos que la distribucion de probabilidad de X es:
f (x) =
x + 1 −1 < X ≤ 0
−x + 1 0 < X < 1
Graficamos Y = 2X2 (Figura 3.11) y observamos que no es monotona, por lo que
dividimos la funcion en dos partes:
−1 −0.5 0 0.5 1 x
2
Y
Figura 3.11: Y = 2X2
Calculamos w(y) y w′(y).
Y = h1(x) = 2X2 para −1 < X < 0
w1(y) = −(
y2
) 12
w′1(y) = − 14
(y2
)− 12
Y = h2(x) = 2X2 para 0 < X < 1
w2(y) =(
y2
) 12
w′2(y) = 14
(y2
)− 12
Calculamos g(y):
Para Y ∈ [0;75] si X ∈ (-5;0] o (0;5]:
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 121
g(y) = f [w1(y)] ∗ |w′1(y)| + f [w2(y)] ∗ |w′2(y)|
g(y) =
(−
(y2
) 12
+ 1) ∣∣∣∣∣∣−
14
(y2
)− 12
∣∣∣∣∣∣ +
(−
(y2
) 12
+ 1) ∣∣∣∣∣∣
14
(y2
)− 12
∣∣∣∣∣∣
g(y) = −12
+12
(y2
)− 12
Tenemos que la distribucion de probabilidad de Y es:
g(y) =
12
(y2
)− 12 − 1
2 0 ≤ Y ≤ 2
0 en cualquier otro punto
9. La variable aleatoria X esta distribuida f (x) = 12 para −1 < X < 1. Encuentre y
dibuje la distribucion de probabilidad de Y = ex y de Z = 2X2 + 1.
Solucion:
a) Para Y = ex:
La grafica de f (x) la podemos ver en la Figura 3.12 y la grafica de Y en la Figura
3.13:
−1 −0.5 0 0.5 1 x
f(x)
0.5
Figura 3.12: Distribucion de probabilidad de X
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 122
−1 −0.5 0 0.5 1
1
Y
Figura 3.13: Y = ex
Calculamos w(y) y w′(y):
w(y) = ln Y
w′(y) = 1y
Por lo tanto tenemos:
g(y) = f (w(y)) ∗ |w′(y)|
g(y) =12∗∣∣∣∣∣1y
∣∣∣∣∣ =12y
Los lımites de variacion de Y son:
α = Y(−1) = e−1
β = Y(1) = e1
Por lo tanto tenemos que la distribucion de probabilidad g(y) es:
g(y) =
12y e−1 < Y < e
0 en cualquier otro punto
La grafica de g(y) la podemos ver en la Figura 3.14
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 123
0 0.3 0.6 0.9 1.2 1.5 1.8 2.1 2.4 2.7 30
0.2
0.4
0.6
0.8
1
1.2
1.4
g(y)
Figura 3.14: Distribucion de probabilidad de Y
b) Para Z = 2X2 + 1:
La grafica de f (x) es la misma mostrada en la Figura 3.12, ahora graficamos Z
(Figura 3.15):
−1 −0.5 0 0.5 1 x
Z
1
3
Figura 3.15: Z = 2X2 + 1
Ahora calculamos w(z) y w′(z):
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 124
Para Z = h1(x) = 2X2 + 1 para −1 < X < 0:
w1(z) = −(
z−12
) 12
w′1(z) = −14
(z−1
2
)− 12
Para Z = h2(x) = 2X2 + 1 para 0 < X < 1:
w2(z) =(
z−12
) 12
w′2(z) = 14
(z−1
2
)− 12
g(z) = f (w1(y)) ∗ |w′1(y)| + f (w2(y)) ∗ |w′2(y)|
g(z) =12∗∣∣∣∣∣∣∣−
14
(z − 1
2
)− 12
∣∣∣∣∣∣∣ +12∗∣∣∣∣∣∣∣14
(z − 1
2
)− 12
∣∣∣∣∣∣∣ =14
(z − 1
2
)− 12
Por lo tanto tenemos la distribucion de probabilidad g(z) y su grafica son:
g(z) =
14
(z−1
2
)− 12 1 < Z < 3
0 en cualquier otro punto
−1 −0.5 0 0.5 1 1.5 2 2.5 3
g(z)
Figura 3.16: Distribucion de probabilidad de Z
10. Dada la distribucion de probabilidad f (x) = 2x para 0 < X < 1. Encuentre la densi-
dad de Y = (3X − 1)2.
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 125
Solucion:
Graficamos f (x) (Figura 3.17) y Y (Figura 3.18).
0 0.5 10
0.5
1
1.5
2
x
f(x)
Figura 3.17: Distribucion de probabilidad de X
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10
0.5
1
1.5
2
2.5
3
3.5
4Y
x
Figura 3.18: Y = (3X − 1)2
Calculamos w(y) y w′(y):
Para Y = h1(x) = (3X − 1)2 para 0 < X < 13 :
w1(y) =−√y+1
3
w′1(y) = − 16 (y)−
12
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 126
Para Y = h2(x) = (3X − 1)2 para 13 < X < 1
2 :
w2(y) =√
y+13
w′2(y) = 16 (y)−
12
Caculamos la distribucion de probabilidad:
Para Y ∈ (0;1) si X ∈(0; 1
3
]o(
13 ; 2
2
]:
g(y) = f [w1(y)] ∗ |w′1(y)| + f [w2(y)] ∗ |w′2(y)|
g(y) = 2 ∗(−√y + 1
3
)∗∣∣∣∣∣−
16
(y)−12
∣∣∣∣∣ + 2 ∗( √
y + 13
)∗∣∣∣∣∣16
(y)−12
∣∣∣∣∣
g(y) =2
9√
y
Para Y ∈ [1;4) si X ∈(
23 ; 1
):
g(y) = f [w2(y)] ∗ |w′2(y)|
g(y) = 2 ∗( √
y + 13
)∗∣∣∣∣∣16
(y)−12
∣∣∣∣∣
g(y) =(y)−
12 + 19
Por lo tanto tenemos que la distribucion de probabilidad g(y) es:
g(y) =
2
9√
y 0 < Y < 1(y)−
12 +1
9 1 ≤ Y < 4
11. Supongase que el radio de una esfera es una variable aleatoria con distribucion f (r) =
6r(1 − r) para 0 < r < 1. Diga como se distribuyen el volumen y la superficie de la
esfera.
Solucion:
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 127
a) Volumen de la esfera:
La grafica de la distribucion de probabilidad ( f (r) = 6r(1 − r)) la podemos
observar en la Figura 3.19, ademas tenemos que la ecuacion del volumen de la
esfera y su grafica (Figura 3.20) son:
V =4πr3
3
0 0.2 0.4 0.6 0.8 10
0.2
0.4
0.6
0.8
1
1.2
1.4
V
r
Figura 3.19: Distribucion de probabilidad del radio
0 0.2 0.4 0.6 0.8 10
0.5
1
1.5
2
2.5
3
3.5
4
V
r
Figura 3.20: Volumen
Calculamos w(v) y w′(v):
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 128
w(v) =
(3V4π
) 13
; w′(v) =1
4π
(3V4π
)− 23
g(v) = f [w(v)] ∗ |w′(v)|
g(v) =
6(3V4π
) 131 −
(3V4π
) 13 ∗
∣∣∣∣∣∣∣1
4π
(3
4π
)− 23
∣∣∣∣∣∣∣
g(v) =3
4π
(3V4π
)− 13
− 1
Por lo tanto tenemos que la densidad del volumen de la esfera es:
g(v) =
34π
[(3V4π
)− 13 − 1
]0 < V < 4π
3
0 en cualquier otro punto
b) Superficie de la esfera:
La ecuacion del area de la esfera y su grafica (Figura 3.21) son:
a = 4πr2
0 0.2 0.4 0.6 0.8 10
2
4
6
8
10
12
r
A
Figura 3.21: Area
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 129
Calculamos w(a) y w′(a):
w(a) =
( a4π
) 12
; w′(a) =1
8π
( a4π
)− 12
g(a) = f [w(a)] ∗ |w′(a)|
g(a) =
[6( a4π
) 12(1 −
( a4π
) 12)]∗∣∣∣∣∣∣
18π
( a4π
)− 12
∣∣∣∣∣∣
g(a) =3
4π
(1 −
( a4π
) 12)
Por lo tanto tenemos que la funcion de densidad del area de la esfera es:
g(a) =
34π
(1 −
(a
4π
) 12)
0 < A < 4π
0 en cualquier otro punto
12. La variable aleatoria continua X esta distribuida como indica la Figura 3.22. Com-
pruebe que si:
Y = F(x), entonces g(y) = 1 para 0 < Y < 1
0 1 2 3 4
f(x)
x
Figura 3.22: Distribucion de probabilidad de X
Solucion:
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 130
Calculamos la altura del triangulo, igualando el area del triangulo a 1:
base ∗ altura2
= 1 − > h = 1
Por lo tanto la funcion de densidad de X es:
f (x) =12
X − 1
Calculamos la funcion de distribucion (F(x)) que sera Y:
Y = F(x) =
∫ x
2
(12
t − 1)
dt =14
(x − 2)2
Calculamos w(y) y w′(y):
w(y) = 2√
y + 2
w′(y) = (y)−12
Calculamos g(y):
g(y) = f [w(y)] ∗ |w′(y)|
g(y) =
[12
(2√
y + 2) − 1
]∗∣∣∣∣(y)−
12
∣∣∣∣ = 1
Buscamos los lımites de variacion de y:
α = h(2) = 0β = h(4) = 1
Por lo tanto tenemos que:
g(y) = 1 para 0 < Y < 1
3.4. Valores Esperados
La Esperanza Matematica (E(x)) de una variable aleatoria X da un valor que es repre-
sentativo o promedio de los valores de X, y se define como:
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 131
a. Sea X una variable aleatoria discreta distribuida p(x). El valor esperado de X es:
E(x) =∑
X
xp(x)
b. Sea X una variable aleatoria continua con densidad f (x). El valor esperado de X es:
E(x) =
∫ ∞
−∞x f (x)dx
EJERCICIOS
1. Se tiran 2 dados. Sea X el mayor de los numero que aparecen, es decir, X(a, b) =
max(a, b); y sea Y la suma de los numeros que salen, es decir, Y(a, b) = a + b.
Calcular E(x) y E(y).
Solucion:
a) Calculamos E(x):
El espacio muestral para el caso en que X(a, b) = max(a, b) se muestra en las
Tablas 3.13 y 3.14:
1 2 3 4 5 61 1 2 3 4 5 62 2 2 3 4 5 63 3 3 3 4 5 64 4 4 4 4 5 65 5 5 5 5 5 66 6 6 6 6 6 6
Tabla 3.13: Mayor numero en el lanzamiento de dos dados
Numero 1 2 3 4 5 6Frecuencia 1 3 5 7 9 11
Tabla 3.14: Frecuencia
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 132
E(x) = 1 ∗ 136
+ 2 ∗ 336
+ 3 ∗ 536
+ 4 ∗ 736
+ 5 ∗ 936
+ 6 ∗ 1136
= 4,472
Se espera que el maximo valor obtenido en el lanzamiento de dos dados sea
4,472.
b) Calculamos E(y):
El espacio muestral de Y(a, b) = a + b se muestra en las Tablas 3.15 y 3.16:
1 2 3 4 5 61 2 3 4 5 6 72 3 4 5 6 7 83 4 5 6 7 8 94 5 6 7 8 9 105 6 7 8 9 10 116 7 8 9 10 11 12
Tabla 3.15: Suma de los numeros en el lanzamiento de dos dados
Numero 2 3 4 5 6 7 8 9 10 11 12Frecuencia 1 2 3 4 5 6 5 4 3 2 1
Tabla 3.16: Frecuencia
E(y) = 2∗ 136
+3∗ 236
+4∗ 336
+5∗ 436
+6∗ 536
+7∗ 636
+8∗ 536
+9∗ 436
+10∗ 336
+11∗ 236
+12∗ 136
E(y) = 7
Se esperar que al lanzar dos dados la suma sea 7.
2. Se lanza un dado equilibrado. Si sale el 2, 3 o 5, el jugador gana ese numero en Bs.
F , pero si sale el 1, 4 o 6, pierde ese numero en Bs. F. Calcule el valor esperado del
juego.
Solucion:
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 133
X -1 2 3 -4 5 -6p(x) 1
616
16
16
16
16
Tabla 3.17: Distribucion de probabilidad
Establecemos la distribucion de probabilidad para X = ganancia del jugador, en la
Tabla 3.17
E(x) = −1 ∗ 16
+ 2 ∗ 16
+ 3 ∗ 16− 4 ∗ 1
6+ 5 ∗ 1
6− 6 ∗ 1
6= −1
6
Como la esperanza es negativa, se espera que el jugador pierda dinero en ese juego.
3. Si X esta distribuida f (x) = 2X para 0 < X < 1, encuentre la esperanza de Y = 3X.
Solucion:
E(x) =
∫ ∞
−∞x ∗ f (x)dx
E(x) =
∫ 1
0(X ∗ 2X)dx =
23
E(y) = E(3X) = 3E(x) = 3 ∗ 23
= 2
4. La funcion de densidad de una variable aleatoria X esta dada por:
f (x) =
X2 0 < X < 2
0 en cualquier otro punto
Calcular E(x) y E(3x2 − 2x).
Solucion:
Calculamos E(x) :
E(x) =
∫ 2
0x ∗ x
2dx =
43
Calculamos E(3x2 − 2x):
E(3x2 − 2x) =
∫ 2
0(3x2 − 2x)
x2
dx =103
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 134
5. Una rifa vende 1000 tickets y ofrece los siguientes premios: 4 primeros premios de
200000 Bs. F; 10 segundos premios de 100000 Bs. F y 20 terceros premios de 10000
Bs. F. Una persona que compra un ticket, ¿cuanto debe pagar por el si se considera
que este es un juego justo?
Solucion:
Denotamos el precio del ticket con X y establecemos la distribucion de probabilidad
de la ganancia en la Tabla 3.18:
g 200000 − X 100000 − X 10000 − X −Xp(g) 4
100010
100020
1000966
1000
Tabla 3.18: Distribucion de probabilidad de la ganancia
Para que el juego sea justo la esperanza de la ganancia debe ser igual a cero, esto es
debido a que no debe existir ningun sesgo ni para los vendedores de la rifa, ni para
que los que la compran, por lo tanto tenemos que:
E(g) = 0
E(g) = (200000 − X)4
1000+ (100000 − X)
101000
+ (10000 − X)20
1000= 0
800 − 4X1000
+ 1000 − 10X1000
+ 200 − 20X1000
− 966X1000
= 0
Despejamos a X y tenemos que:
X = 2000
Para que el juego sea justo, la persona debe pagar 2000 Bs. F por el ticket.
6. En una caja hay a bolas blancas y b bolas negras. Se saca al azar una bola de la caja
¿cual es el numero esperado de bolas blancas que quedan en la caja?
Solucion:
Definimos la varible alatoria X como el numero de bolas blancas que quedan en la
caja, y su distribucion de probabilidad se representa en la Tabla 3.19:
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 135
X a a − 1p(x) b
a+ba
a+b
Tabla 3.19: Distribucion de probabilidad de X
E(x) = a ∗ ba + b
+ (a − 1) ∗ aa + b
E(x) =a2 + ab − a
a + b
7. Un blanco circular esta dividido en 3 zonas concentricas de radios 1, 2 y 3, como
se muestra en la Figura 3.23. Si al lanzar un dardo contra el blanco usted pega en la
zona i (i = 1,2,3), obtendra esa misma cantidad en Bs. F.
1
2
3
Figura 3.23: Circulos concentricos
Si usted realiza un disparo en forma aleatoria, ¿cual es su ganancia esperada?
Solucion:
La ganancia del juego segun la zona es que acierte se puede establecer de la siguiente
manera:
Cae en la Zona 1 = 1 Bs. F
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 136
Cae en la Zona 2 = 2 Bs. F
Cae en la Zona 3 = 3 Bs. F
Calculamos la probabilidades de las ganancias basandonos en el area de las zonas:
P(cae zona 1) =A(zona 1) − A(zona 2)
A(total)
=π(3)2 − π(2)2
π(3)2 =59
P(cae zona 2) =A(zona 2) − A(zona 1)
A(total)
=π(2)2 − ππ(3)2 =
39
P(cae zona 3) =A(zona 3)
A(total)
=π
π(3)2 =19
Entonces tenemos que la distribucion de probabilidad de la ganancia se muestra en
la Tabla 3.20:
G 1 2 3p(g) 5
939
19
Tabla 3.20: Distribucion de probabilidad de G
E(g) = 1 ∗ 59
+ 2 ∗ 39
+ 3 ∗ 19
=149
Se espera que con ese juego, la persona gane 1,556 Bs. F.
8. El fabricante de cierto componente electronico sabe que la duracion de su producto
(medida en unidades de 1000 horas), es una variable aleatoria cuya distribucion es:
f (x) = 2e−2X ; paraX > 0
El costo de fabricacion es de Bs. F 20 y el precio de venta es de Bs. F 50. El fabricante
garantiza al comprador que si el artıculo le dura funcionando menos de h horas, le
dovolvera el dinero.
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 137
Si el fabricante quiere ganarle en promedio 10 Bs. F a cada artıculo que venda, ¿cual
debera ser el valor de h?
Solucion:
Graficamos la funcion f (x)
0
1
2
x
f(x)
h
Figura 3.24: Distribucion de probabilidad de X
La probabilidad de que el componente electronico dure menos de h horas y mas de h
horas son:
P(X ≤ h) =
∫ h
02e−2Xdx = 1 − e−2h
P(X > h) = 1 − P(X ≤ h) = 1 − (1 − e−2h) = e−2h
Por lo tanto la distribucion de probabilidad de la ganancia (g) es:
g -20 30p(g) 1 − e−2h e−2h
Tabla 3.21: Distribucion de probabilidad de g
Si el fabricante quiere ganarle en promedio 10 Bs. F a cada artıculo entonces:
E(g) = 10
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 138
E(g) = −20(1 − e−2h) + 30(e−2h) = 10
h = 0,2554
Si la variable viene expresada en miles de horas, entonces el vendedor debe ofertar
sus productos con un h = 255, 4 horas.
3.5. Momentos de una Ley de Probabilidad
Los momentos de una distribucion de probabilidad son los valores esperados de las
potencias de la variable que tiene esa distribucion.
EJERCICIOS
1. Sea X una variable aleatoria con distribucion f (x). El momento r-esimo Mr de X se
define por:
Mr = E(xr) =∑
Xri f (xi)
Hallar los 5 primeros momentos de X, si X tiene la siguiente distribucion:
X -2 1 3f (x) 1
214
14
Tabla 3.22: Distribucion de probabilidad de X
Solucion:
Momento 1: Media
M1 = E(x) =∑
xi f (xi)
M1 = (−2) ∗ 12
+ (1) ∗ 14
+ (3) ∗ 14
= 0
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 139
Momento 2: Varianza
M2 = E(x2) =∑
x2i f (xi)
M2 = (−2)2 ∗ 12
+ (1)2 ∗ 14
+ (3)2 ∗ 14
= 4,5
Momento 3:
M3 = E(x3) =∑
x3i f (xi)
M3 = (−2)3 ∗ 12
+ (1)3 ∗ 14
+ (3)3 ∗ 14
= 3
Momento 4:
M4 = E(x4) =∑
x4i f (xi)
M4 = (−2)4 ∗ 12
+ (1)4 ∗ 14
+ (3)4 ∗ 14
= 28,5
Momento 5:
M5 = E(x5) =∑
x5i f (xi)
M5 = (−2)5 ∗ 12
+ (1)5 ∗ 14
+ (3)5 ∗ 14
= 45
2. Una variable aleatoria continua X tiene densidad:
f (x) =
2e−2X X > 0
0 X ≤ 0
Encuentre la media, la varianza y la desviacion estandar.
Solucion:
Para calcular la Media de una variable aleatoria continua, debemos calcular el primer
momento, es decir, E(x):
E(x) =
∫ ∞
−∞x f (x)dx =
∫ ∞
0x2e−2Xdx =
12
La Varianza es igual al segundo momento menos el primer momento elevado al
cuadrado:
V(x) = E(x2) − [E(x)]2
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 140
E(x2) =
∫ ∞
0x22e−2Xdx =
12
V(x) =12−
[12
]2
=14
Como sabemos la Desviacion Estandar, es la raız cubica de la varianza:
σ =√
V(x) =
√14
=12
3. Sea X una variable aleatoria cuya funcion de densidad es:
f (x) =
x 0 ≤ X ≤ 1
2 − x 1 < X ≤ 2
0 en otro caso
Encontrar la Media y la Varianza.
Solucion:
Calculamos la media:
E(x) =
∫ 1
0x2dx +
∫ 2
1x(2 − x)dx = 1
Calculamos la varianza:
E(x2) =
∫ 1
0x3dx +
∫ 2
1x2(2 − x)dx =
76
V(x) = E(x2) − [E(x)]2 =76− 1 =
16
4. Demuestre que:
E[(x − µ)2] = E(x2) − [E(x)]2
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 141
Solucion:
E[(x − µ)2] = E(x2 − 2µx + µ2)
= E(x2) − 2µE(x) + µ2
= E(x2) − 2µ2 + µ2
= E(x2) − µ2
= E(x2) − [E(x)]2
5. La variable aleatoria X esta distribuida como muestra la Figura 3.25. Obtenga la
media y la varianza de X.
−1 0 1 2 3 x
f(x)
Figura 3.25: Distribucion de probabilidad de X
Solucion:
Calculamos la ecuacion de f (x) siendo la altura h = 12 (segun el area total bajo la
curva):
f (x) = − x8
+38
; para − 1 < X < 3
Calculamos la media:
E(x) =
∫ 3
−1x(− x
8+
38
)dx =
13
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 142
Calculamos la varianza:
E(x2) =
∫ 3
−1x2
(− x
8+
38
)dx = 1
V(x) = 1 −(13
)2
=89
3.6. Ejercicios Propuestos
1. Suponga una caja que contiene 10 bolas rojas y 5 bolas blancas. Retiramos al azar 3
bolas sin reemplazo. Defina X como el numero de bolas rojas. Obtenga la distribucion
de probabilidad y la funcion de distribucion de X.
2. La funcion de distribucion F(x) de una variable aleatoria X viene dada por:
F(x) =
0 X < −113 + 2
3 (x + 1)2 −1 ≤ X ≤ 0
1 X > 0
Obtenga las siguientes probabilidades:
a) P(X > 1
3
)
b) P(|X| ≥ 1)
3. El tiempo T (en minutos) que realiza cierta maquina un proceso cualquiera, es una
variable aleatoria con la siguiente distribucion de probabilidad:
T 2 3 4 5 6 7p(t) 1
10110
310
210
210
110
Tabla 3.23: Distribucion de probabilidad de T
a) Calcule el tiempo medio de proceso y su desviacion estandar.
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 143
b) Por cada unidad procesada por la maquina, la empresa gana 4 Bs. F fijo y si
se procesa una unidad en menos de 6 minutos gana 1 Bs. F por cada minuto
ahorrado.
Encuentre la distribucion de la variable aleatoria G (cantidad ganada por
unidad) y su esperanza.
4. Determine el valor de c de modo que cada una de las siguientes funciones sirva como
distribucion de probabilidad de la variable aleatoria discreta X.
a) p(x) = c(x2 + 4) para X = 0, 1, 2, 3
b) p(x) = c(
2x
)(3
3−x
)para X = 0, 1, 2
Calcule F(x) para a) y b) y grafique.
5. La variable aleatoria X esta distribuida f (x) = X + 2 para −2 < X < 5. Si Y = 2X2,
encuentre la densidad de Y .
6. Suponga que una empresa de procesamiento de datos esta tan especializada que al-
gunos tienen dificultades para obtener utilidades en el primer ano. La distribucion de
probabilidad que caracteriza la proporcion X que obtiene utilidades esta dada por:
f (x) =
kx4(1 − x)3 0 ≤ X ≤ 1
0 en otro punto
a) ¿Cual es el valor de k que hace que f (x) sea valida?
b) Encuentre la probabilidad de que al menos el 50 % de las empresas tenga utili-
dades durante el primer ano.
c) Encuentre la probabilidad de que como maximo el 20 % de las empresas no
tenga utilidades durante el primer ano.
7. Considere la variable aleatoria X con distribucion de probabilidad:
f (x) =1
ln(2)∗ 1
xpara 25 ≤ X ≤ 50
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 144
Calcule la funcion de distribucion y la varianza.
8. Suponga que X esta distribuida:
f (x) = x2 para −√
2 < X < 1
Determine la distribucion de probabilidad de: Y = 4 − 2x2
9. Las maquinas tejedoras en una fabrica de elastico usan un rayo laser para detectar los
hilos rotos. Cuando se rompe un hilo, es necesario detener la maquina y el tecnico
debe localizar y reparar el hilo roto. Suponga que la distribucion de probabilidad de
X (numero de veces que se detiene en cada dıa una maquina especıfica), esta dada
por:
f (x) =6 − 2|x − 3|
20para x = 1, 2, 3, 4, 5
f (x) =4 − |x − 3|
20para x = 0 o 6
a) Calcule la distribucion de probabilidad y la funcion de distribucion de X.
b) Si X < 0, ¿cual es el valor de F(x)?
c) Si X > 6, ¿cual es el valor de F(x)?
Capıtulo 4
Distribuciones Clasicas Discretas yContinuas
Como se dijo en el capıtulo anterior, la distribucion de probabilidad f (x) es la funcion
que asigna a cada evento de X una probabilidad.
En tal sentido, en el mundo existen varias distribuciones de probabilidad que son am-
pliamente conocidas y utilizadas, es por esto que se les denomina Distribuciones Clasicas,
y su objetivo principal es construir un modelo simplificado de la realidad (donde exista
incertidumbre), que servira como ayuda en la toma de decisiones.
En este capıtulo se estudiaran las distribuciones de variables aleatorias discretas, tales
como: La Distribucion Binomial, la Poisson, la Pascal, la Geometrica, la Hipergeometrica
y la Multinomial.
Dentro de las continuas principales veremos: la Distribucion Uniforme, la Exponencial
y la Normal.
145
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 146
4.1. Distribuciones Clasicas Discretas
4.1.1. Distribucion Binomial
El Experimento Binomial se basa en la repeticion sucesiva de un mismo experimento de
Bernoulli, independientes todos entre si, y que solo tiene dos posibles resultados: EXITO
o FRACASO.
La distribucion se denota por: X ∼ B(n; p), donde la variable aleatoria X representa el
numero de exitos en n ensayos de un experimento binomial.
La distribucion de probabilidad esta dada por:
P(X = x) =
(nx
)px(1 − p)n−x con x = 0, 1, 2, . . .
Las propiedades de la Distribucion Binomial son:
Media o numero esperado de exitos:µ = n ∗ p
Varianza:σ2 = n ∗ p ∗ (1 − p)σ2 = n ∗ p ∗ q
Desviacion Estandar:σ =
√n ∗ p ∗ q
En la Figura 4.1 se muestra graficamente varias distribuciones binomiales, para un n fijo
y varias probabilidades de exito (p), y observamos que la funcion se hace mas simetrica a
medida que se incremente p de 0 a 0,5 y se decremente cuando p se mueve de 0,5 a 1.
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 147
0 3 6 9 12 150
0.2
0.4
x
p(x)
0 3 6 9 12 150
0.1
0.2
x
p(x)
0 3 6 9 12 150
0.2
0.4
x
p(x)
n = 15 ; p = 0.1
n = 15 ; p = 0.5
n = 15 ; p = 0.9
Figura 4.1: Distribucion Binomial
EJERCICIOS
1. ¿Cual es la probabilidad de obtener exactamente 2 caras en 6 lanzamientos de una
moneda balanceada? y ¿cual es la probabilidad de obtener exactamente 3 caras?
Solucion:
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 148
Definimos los parametros y las variables:
n = 6
x = 2
p = 12
−→ X ∼ B(6; 0,5)
P(X = 2) =
(62
)(0,5)2(0,5)4 = 0,2343
La probabilidad de obtener exactamente 2 caras en 6 lanzamientos es del 23,43 %.
P(X = 3) =
(63
)(0,5)3(0,5)3 = 0,3125
La probabilidad de obtener exactamente 3 caras es del 31,25 %.
2. Al lanzar un dado, se gana si sale el 1. Si se lanza el dado 5 veces. ¿cual es la
probabilidad de obtener 3 unos?
Solucion:n = 5
x = 3
p = 16
−→ X ∼ B
(5;
16
)
P(X = 3) =
(53
) (16
)3 (56
)2
= 0,0322
3. En un juego de lanzamiento de dardos, la probabilidad de que Pedro de en el blanco
es p = 14 . Si tira 6 veces, hallar la probabilidad de que de en el blanco:
a) Exactamente 2 veces.
b) Mas de 4 veces.
c) Al menos 1 vez.
Solucion:
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 149
a) Exactamente 2 veces:
n = 6
x = 2
p = 14
−→ X ∼ B
(6;
14
)
P(X = 2) =
(62
) (14
)2 (34
)4
= 0,2966
b) Mas de 4 veces:
n = 6
x = 5, 6
p = 14
−→ X ∼ B
(6;
14
)
P(X > 4) = P(X = 5) + P(X = 6)
P(X > 4) =
(65
) (14
)5 (34
)+
(66
) (14
)6 (34
0)= 0,0046
c) Al menos 1 vez:
n = 6
x = 1, 2, 3, 4, 5, 6
p = 14
−→ X ∼ B
(6;
14
)
P(X ≥ 1) = 1 − P(X < 1) = 1 − P(X = 0)
P(X ≥ 1) = 1 −(60
) (14
)0 (34
)6 = 0,820
4. La probabilidad de que Luis de en el blanco es de p = 34 . Si tira 100 veces, hallar el
numero esperado µ de veces que dara en el blanco y la desviacion estandar σ.
Solucion:n = 100
p = 34
−→ X ∼ B(100;
34
)
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 150
Calculamos la media:
µ = n ∗ p = 100 ∗ 34
= 75
Se espera que de 75 veces en el blanco.
Calculamos la desviacion estandar:
σ =√
n ∗ p ∗ q =
√100 ∗ 3
414
= 4,33
5. De 200 familias con 4 hijos cada una, cuantos esperarıa encontrar:
a) Con al menos 1 nino
b) Con 2 ninos
c) 1 o 2 ninas
d) No ninas
Solucion:
a) Con al menos 1 nino:
Definimos la variable aleatoria binomial X = sea nino
n = 4
x = 1, 2, 3, 4
p = 12
−→ X ∼ B
(4;
12
)
P(X ≥ 1) = 1 − P(X < 1) = 1 − P(X = 0)
P(X ≥ 1) = 1 −(40
) (12
)0 (12
)4 = 0,9375
µ = 2000 ∗ 0,9375 = 1875
Se espera encontrar 1875 familias con al menos 1 nino de los 4 hijos.
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 151
b) Con 2 ninos:
n = 4
x = 2
p = 12
−→ X ∼ B
(4;
12
)
P(X = 2) =
(42
) (12
)2 (12
)2
= 0,375
µ = 2000 ∗ 0,375 = 750
Se espera encontrar 750 familias que tengan exactamente 2 ninos.
c) 1 o 2 ninas:
n = 4
x = 2, 3
p = 12
−→ X ∼ B
(4;
12
)
P(2 ≤ X ≤ 3) = P(X = 2) + P(X = 3)
P(2 ≤ X ≤ 3) =
(42
) (12
)2 (12
)2
+
(43
) (12
)3 (12
)= 0,625
µ = 2000 ∗ 0,625 = 1250
Se espera encontrar 1250 familias con 1 o 2 ninas.
d) No ninas:
n = 4
x = 4
p = 12
−→ X ∼ B
(4;
12
)
P(X = 4) =
(44
) (12
)4 (12
)0
= 0,0625
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 152
µ = 2000 ∗ 0,0625 = 125
Se espera encontrar 125 familias con todos sus hijos varones.
6. Sea X una variable Binomial con p = 0,4 y n = 20. Encuentre el mayor valor de b tal
que P(X > b) > 0,2 y P(X > b) > 0,8.
Solucion:
Para P(X > b) > 0,2:
P(X > b) > 0,2
1 − P(X ≤ b) > 0,2
−P(X ≤ b) > 0,2 − 1
−P(X ≤ b) > −0,8
P(X ≤ b) < 0,8
Con b = 9:
F(9) = 0,7553
Con b = 10:
F(10) = 0,8725
Por lo tanto b = 9, ya que se cumple que sea menor que 0,8.
Para P(X > b) > 0,8:
P(X > b) > 0,8
1 − P(X ≤ b) > 0,8
−P(X ≤ b) > 0,8 − 1
−P(X ≤ b) > −0,2
P(X ≤ b) < 0,2
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 153
Con b = 5:F(9) = 0,1256
Con b = 6:F(10) = 0,25
Por lo tanto b = 5, ya que se cumple que sea menor que 0,2.
4.1.2. Distribucion de Poisson
La Distribucion de Poisson es la distribucion de probabilidad de una variable aleatoria
X que representa el numero de veces que ocurre un evento en una unidad de tiempo, area,
volumen, etcetera. Se representa por X ∼ P(λ) y viene dada por:
P(X = x) =e−λλx
x!para x = 0, 1, 2, . . . y λ > 0
Las propiedades de la Distribucion de Poisson son:
Media:E(x) = λ
Varianza1 :V(x) = λ
La Distribucion de Poisson puede derivarse como una forma lımite de la Distribucion
Binomial. Es decir, en la distribucion binomial, si n es grande mientras que p es cercana a
cero, el evento recibe el nombre de evento raro. En tal sentido, se considera un evento raro
si n ≥ 50, mientras que np es menor que 5; por lo que la Binomial se aproxima bastante a
la Distibucion de Poisson.
En la Figura 4.2 se observa la distribucion de poisson para diferentes valores de λ:1 Esta distribucion es la unica donde su media es igual a su varianza
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 154
0 5 10 150
0.2
0.4
X
p(x)
0 5 10 150
0.1
0.2
X
p(x)
0 5 10 150
0.05
0.1
X
p(x)
P(2)
P(8)
P(16)
Figura 4.2: Distribucion de Poisson
EJERCICIOS
1. A la caja de un supermercado llegan en promedio 2 clientes por minuto. Calcular la
probabilidad de que:
a) No lleguen clientes en un minuto.
b) Llegue mas de un cliente en un minuto.
c) Lleguen 5 clientes en 2 minutos.
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 155
Solucion:
a) No lleguen clientes en un minuto:
Definimos los parametros:
X = numero de clientes que llegan a la caja en un minuto.λ = numero de ocurrencias del fenomeno poissoniano por unidad de tiempo.
x = 0
λ = 2
−→ X ∼ P(2)
P(X = 0) =e−2 ∗ (2)0
0!= 0,1353
La probabilidad de que no lleguen clientes en un minuto es del 13,53 %.
b) Llegue mas de un cliente en un minuto:
x = 2, 3, 4, . . .
λ = 2
−→ X ∼ P(2)
P(X > 1) = 1 − P(X ≤ 1) = 1 − P(X = 0) − P(X = 1)
P(X > 1) =e−2 ∗ (2)0
0!+
e−2 ∗ (2)1
1!= 0,594
c) Lleguen 5 clientes en 2 minutos:
Definimos el nuevo λ para un tiempo de 2 minutos:
λ = 2 ∗ 2 = 4
P(X = 5) =e−4 ∗ (4)5
5!= 0,1563
2. En una fabrica de calzado se producen 7 accidentes en 35 dıas de trabajo. Si esta
situacion se mantiene, calcular la probabilidad de que:
a) En un dıa cualquiera no se produzcan accidentes.
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 156
b) Se produzcan 2 accidentes en 3 dıas de trabajo.
c) Se produzcan como maximo 3 accidentes en 7 dıas de trabajo.
Solucion:
a) En un dıa cualquiera no se produzcan accidentes:
Calculamos λ:
7 accidentes35 dıas
= 0,2 accid / dıa
λ = 1 ∗ 0,2 = 0,2
X ∼ P(0,2)
Buscamos en la tabla de la Distribucion de Poisson y obtenemos la probabili-
dad:
P(X = 0) = 0,8187
b) Se produzcan 2 accidentes en 3 dıas de trabajo:
λ = 3 ∗ 0,2 = 0,6
X ∼ P(0,6)
Buscamos en la tabla:
P(X = 2) = 0,0988
c) Se produzcan como maximo 3 accidentes en 7 dıas de trabajo:
λ = 7 ∗ 0,2 = 1,4
X ∼ P(1,4)
Buscamos en la tabla de la Distribucion de Poisson:
P(X ≤ 3) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3)
P(X ≤ 3) = 0,2466 + 0,3452 + 0,2417 + 0,1128 = 0,9463
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 157
3. Un libro de 520 paginas contiene 390 errores tipograficos. Suponiendo que el numero
de errores por pagina es una variable de Poisson, encuentre la probabilidad de que 4
paginas seleccionadas al azar esten libres de errores.
Solucion:
Definimos la variable aleatoria X:
X = numero de errores por pagina
390 errores520 paginas
= 0,75 errores / pag.
λ = 4 ∗ 0,75 = 3
X ∼ P(3)
P(X = 0) =e−3(3)0
0!= 0,0498
4. Un libro de 200 paginas contiene 30 errores de imprenta. Si suponemos que el
numero de errores por pagina es una variable de Poisson.
¿Cual es la probabilidad de que por lo menos una pagina contenga mas de 2 errores?
Solucion:
Primero calculamos la probabilidad de que por lo menos una pagina contenga mas
de 2 errores:
P(1 pagina tenga 2 o menos errores) = P(X = 0) + P(X = 1) + P(X = 2)
P(1 pag. tenga 2 o menos errores) =e−0,15(0,15)0
0!+
e−0,15(0,15)1!
+e−0,15(0,15)2
2!
P(1 pag. tenga 2 o menos errores) = 0,99949714
P(todas las pags. contiene 2 o menos errores) = (0,99949714)200 = 0,90429712
P(todas las pags. contienen mas de 2 errores) = 1 − 0,90429712 = 0,09570288
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 158
5. El 10 % de las herramientas producidas en cierto proceso de fabricacion son defec-
tuosas. Encuentre a probabilidad de que en una muestra de 10 herramientas, selec-
cionadas al azar, exactamente 2 sean defectuosas usando:
a) La Distribucion Binomial
b) La aproximacion de Poisson a la Binomial
Solucion:
a) Por la Binomial:
n = 10
x = 2
p = 0,1
−→ X ∼ B(10; 0,1)
P(X = 2) =
(102
)(0,1)2(0,9)8 = 0,1937
b) Por Poisson:
λ = n ∗ p
λ = 10 ∗ 0,1 = 1
−→ X ∼ P(1)
P(X = 2) = 0,1839
Si observamos los dos resultados, la aproximacion no es lo suficientemente
buena, esto es debido a que no se cumple la regla de que n ≥ 50.
6. Si la probabilidad de que una persona tenga una mala reaccion a la inyeccion de un
determinado suero es 0,001, determine la probabilidad de que de cada 2000 individ-
uos:
a) Exactamente 3 tengan una mala reaccion.
b) Mas de 2 individuos tengan una reaccion mala.
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 159
Solucion:n = 2000
p = 0,001
−→ X ∼ B(2000; 0,001)
λ = n ∗ p
λ = 2
−→ X ∼ P(2)
a) Exactamente 3:
P(X = 3) = 0,1804
b) Mas de 2:
P(X > 2) = 1 − P(X ≤ 2) = 1 − 0,6767 = 0,3233
7. Una companıa de seguros encuentra que el 0.005 % de la poblacion fallece cada ano
de cierto tipo de accidente. ¿Cual es la probabilidad de que tengan que pagar a mas
de 3 de los 10000 asegurados contra tal riesgo en un ano dado?
Solucion:
X = Numero de asegurados a pagar
n = 10000
x = 4, 5, 6, . . .
p = 0,00005
−→ X ∼ B(10000; 0,00005)
λ = n ∗ p
λ = 10000 ∗ 0,00005 = 0,5
−→ X ∼ P(0,5)
P(X > 3) = 1 − P(X ≤ 3) = 1 − 0,9982 = 0,0018
0,0018 ≈ 1556 Aproximadamente hay que pagarle el seguro a mas de 3 personas cada
556 anos.
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 160
4.1.3. Distribucion Geometrica
La Distribucion Geometrica proporciona la probabilidad de realizar x experimentos de
Bernoulli independientes, con probabilidad de exito (p) constante, a fin de obtener el primer
exito.
La distribucion se denota X ∼ G(p) y viene dada por:
P(X = x) = p(1 − p)x−1 con x = 1, 2, 3, . . .
Las propiedades de la Distribucion Geometrica:
Media:
µ = 1p
Varianza:
σ2 =(1−p)
p
Propiedad de no memoria:
P(X = s + t/ X > s) = P(X = t)
EJERCICIOS
1. Se sabe que 5 de cada 100 carros que circulan en una ciudad, presentan fallas que
ocasionan contaminacion del aire. Si se seleccionan carros aleatoriamente uno tras
otro, ¿cual es la probabilidad de que el decimo carro revisado sea el que presente este
tipo de falla?
Solucion:p = 0,05
x = 10
−→ X ∼ G(0,05)
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 161
P(X = 10) = (0,05)(0,95)9 = 0,0315
2. Supongamos que la probabilidad de que un cohete alcance un objetivo es p = 0,2 y
el cohete se dispara repetidamente hasta alcanzar el objetivo.
a) Encuentre el numero esperado E(x) de cohetes que seran disparados.
b) Encuentre la probabilidad p de que 4 o mas cohetes seran requeridos para al-
canzar finalmente el objetivo.
Solucion:
a) Numero esperado de cohetes que seran disparados: p = 0,2
µ = E(x) =1p
=1
0,2= 5
Se espera disparar 5 cohetes.
b) Probabilidad de que 4 o mas cohetes seran requeridos para alcanzar finalmente
el objetivo:
P(X ≥ 4) = 1 − P(X < 4) = 1 − [P(X = 1) + P(X = 2) + P(X = 3)] = 0,512
3. Cada vez que Juan lanza la pelota de basquetboll desde el tiro libre, tiene una proba-
bilidad 0,40 de encestarla, ¿cual es la probabilidad de que tenga que lanzarla mas de
3 veces para encestarla por primera vez?
Solucion:p = 0,4
x = 4, 5, ...
−→ X ∼ G(0,4)
P(X > 3) = 1 − P(X ≤ 3) = 1 − [P(X = 1) + P(X = 2) + P(X = 3)] = 0,216
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 162
4. Encuentre la probabilidad de que en 5 lanzamientos sucesivos de un dado balanceado,
aparezca un 3 por primera vez en el quinto lanzamiento.
Solucion:
X ∼ G(
16
)
P(X = 5) =
(16
) (56
)4
= 0,0804
5. Sabemos que la probabilidad de lanzar un dado 8 veces para sacar el 4 por primera
vez es de (5/ 6)7(1/ 6). Si el dado ya se lanzo 4 veces y no ha salido el 4, ¿cual es la
probabilidad de tener que lanzar el dado otras 8 veces mas para sacar el 4 por primera
vez?
Solucion:
Segun la propiedad de no memoria de la distribucion geometrica:
P(X = 12/ X > 4) = P(X = 8) =
(56
)7 (16
)
Para demostrar esta propiedad tenemos:
P(X = s + t/ X > s) = P(X = t)
P(X = 4 + 8/ X > 4) = P(X = 8)
P(X = 12/ X > 4) = P(X = 8)
(1/ 6)(5/ 6)11
(5/ 6)4 =
(56
)7 (16
)
(56
)7 (16
)=
(56
)7 (16
)
4.1.4. Distribucion de Pascal o Binomial Negativa
Esta distribucion representa el numero de veces que debe repetirse un experimento para
obtener r exitos; esta se denota por X ∼ BN(r; p) y su distribucion de probabilidad viene
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 163
dada por:
P(X = x) =
(x − 1r − 1
)prqx−r para x = r, r + 1, r + 2, . . .
Media:
E(x) =rp
Varianza:
σ2 =rqp2
Observamos que cuando r = 1 en la Distribucion de Pascal, se trata en si de la distribu-
cion del numero de ensayos de Bernoulli hasta que ocurre el primer exito y como sabemos
esta distribucion es la Geometrica.
EJERCICIOS
1. ¿Cual es la probabilidad de que haya que lanzar 5 veces un dado para obtener 2
cuatros?
Solucion:p = 1/ 6
x = 5
r = 2
−→ X ∼ BN
(2,
16
)
P(X = 5) =
(5 − 12 − 1
) (16
)2 (56
)5−2
= 0,0643
2. En un caso de partıculas raras en un fluido, suponga que la probabilidad de hallar
partıculas en una muestra de un mililitro es 0,5. El experimento de muestreo se repite
hasta hallar cuatro muestras con partıculas en suspension, ¿cuantas muestras se es-
pera necesario observar?
Solucion:
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 164
E(x) =rp
=4
0,5= 8
Se esperar que sean 8 muestras.
3. En un examen en el que se van haciendo preguntas sucesivas, para aprobar hay que
contestar correctamente a 10 preguntas. Suponiendo que el alumno sepa el 80 % de
las respuestas, ¿cual es la probabilidad de que apruebe en las 12 primeras preguntas?
Solucion:p = 0,8
x = 12
r = 10
−→ X ∼ BN(10, 0,8)
P(X = 12) =
(12 − 110 − 1
)(0,8)10(0,2)12−10 = 0,2362
4. En una poblacion las personas que padecen fobia son hombres en un 51 %. Suponien-
do que se extraen aleatoriamente individuos de la poblacion con reemplazo, ¿Cual es
la probabilidad de que, antes de que se haya obtenido una cantidad igual a 10 hom-
bres, se hayan extraido exactamente 10 mujeres?
Solucion:p = 0,51
x = 20
r = 10
−→ X ∼ BN(10; 0,51)
P(X = 20) =
(20 − 110 − 1
)(0,51)10(0,49)20−10 = 0,0877
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 165
4.1.5. Distribucion Hipergeometrica
Esta distribucion se refiere a un espacio muestral donde hay elementos de 2 tipos posi-
bles. Indica la probabilidad de tener un numero de objetos X de uno de los tipos, al sacar
una muestra de tamano n, de un total de N objetos, de los cuales r son del tipo requerido.
X ∼ H(N; r; n)
P(X = x) =
(rx
)(N−rn−x
)(
Nn
) para x = 0, 1, 2, . . .
Las propiedades de esta distribucion son:
Media:E(x) = np ; p =
rN
Varianza:σ2 = npq N−n
N−1
EJERCICIOS
1. Una fabrica de pequenos motores, los empaca en cajas de 50. Antes de ser aceptados,
un inspector elige 5 motores al azar y los examina. Si todos estan perfectos, acepta la
caja, de lo contrario examina todos los motores de la misma. Suponga que en una caja
hay 3 motores defectuosos. ¿Cual es la probabilidad de que haya que inspeccionar
todos los motores de la caja?
Solucion:N = 50
n = 5
r = 3
x = 1, 2, 3
−→ X ∼ H(50; 3; 5)
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 166
P(X ≥ 1) = 1 − P(X < 1) = 1 − P(X = 0)
P(X ≥ 1) = 1 −(
30
)(50−35−0
)(
505
) = 0,2760
2. Una clase con 10 estudiantes tiene 6 hombres. Supongamos que se ha seleccionado
una muestra aleatoria de 5 estudiantes. Encuentre la probabilidad de que exactamente
3 hombres sean seleccionados.
Solucion:N = 10
n = 5
r = 6
x = 3
−→ X ∼ H(10; 6; 5)
P(X = 3) =
(63
)(10−65−3
)(
105
) = 0,4762
3. Entre 12 hombres que solicitan un trabajo, 9 de ellos, sus esposas trabajan. Si se
seleccionan aleatoriamente a 2 de los solicitantes para una consideracion adicional,
cuales son las probabilidades de que:
a) La esposa de ninguno trabaje.
b) Solo la esposa de uno trabaje.
c) Las esposas de ambos trabaje.
Solucion:
Se define la variable aleatoria, sea X el numero de hombres cuyas esposas trabajan
N = 12
n = 2
r = 9
−→ X ∼ H(12; 9; 2)
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 167
a) La esposa de ninguno trabaja: (X = 0)
P(X = 0) =
(90
)(12−92−0
)(
122
) = 0,0455
b) Solo la esposa de uno trabaja: (X = 1)
P(X = 1) =
(91
)(12−92−1
)(
122
) = 0,4091
c) Las esposas de ambos trabajan: (X = 2)
P(X = 2) =
(92
)(12−92−2
)(
122
) = 0,5455
4. Un inspector de aduanas decide revisar 3 de 16 embarques provenientes de Madrid
por vıa aerea. Si la seleccion es aleatoria y 5 de los embarques contienen contrabando
encuentre las probabilidades de que el inspector de aduanas:
a) No encuentre ningun embarque con contrabando.
b) Encuentre 1 con contrabando.
c) Encuentre 2 con contrabando.
d) Encuentre 3 con contrabando.
Solucion:
Sea X el numero de embarques con contrabando
N = 16
n = 3
r = 5
−→ X ∼ H(16; 5; 3)
a) No encuentre ningun embarque con contrabando:
P(X = 0) =
(50
)(16−53−0
)(
163
) = 0,2946
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 168
b) Encuentre 1 con contrabando:
P(X = 1) =
(51
)(16−53−1
)(
163
) = 0,4911
c) Encuentre 2 con contrabando:
P(X = 2) =
(52
)(16−53−2
)(
163
) = 0,1964
d) Encuentre 3 con contrabando:
P(X = 3) =
(53
)(16−53−3
)(
163
) = 0,0179
4.1.6. Distribucion Multinomial
Esta distribucon es una extension de la Binomial, ya que se consideran k posibles resul-
tados.
Los k resultados pueden ser llamados 1, 2, . . ., k.
P(X1 = n1; X2 = n2; . . . ; Xk = nk) =n!
n1! ∗ n2! ∗ . . . ∗ nk!Pn1
1 ∗ Pn22 ∗ . . . ∗ Pnk
k
El numero esperado de veces del suceso es:
E(x1) = np1
E(x2) = np2
...
E(xk) = npk
EJERCICIOS
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 169
1. Se lanza un dado 18 veces, ¿cual es la probabilidad de que cada uno de los 6 numeros
haya salido 3 veces?
Solucion:
P(x1 = 3; x2 = 3; . . . ; x5 = 3; x6 = 3) =18!
3!3!3!3!3!3!
(16
)3 (16
)3 (16
)3 (16
)3 (16
)3 (16
)3
= 0,0013
2. El 80 % de los artıculos que fabrica una maquina resultan ser de primera calidad, el
15 % de calidad aceptable, y el 5 % resulta ser defectuosos. Si de la produccion de
un dıa cualquiera, sacamos 20 artıculos de esta maquina, ¿cual es la probabilidad de
que se obtengan 2 defectuosos, uno aceptable y 17 de primera calidad?
Solucion:
Definimos las variables y sus probabilidades:
X1 = primera calidad ; p1 = 0,8X2 = calidad aceptable ; p2 = 0,15X3 = defectuoso ; p3 = 0,05
P(x1 = 17; x2 = 1; x3 = 2) =20!
17!1!2!(0,8)17(0,15)1(0,05)2 = 0,089
3. Una caja contiene 5 bolas rojas, 4 bolas blancas y 3 bolas azules. Se seleccionan
al azar una bola de la caja, se anota su color y se devuelve a la caja. Encuentre la
probabilidad de que de 6 bolas seleccionadas de esta manera, 3 sean rojas, 2 sean
blancas y 1 sea azul.
Solucion:
Definimos las variables y sus probabilidades:
X1 = bolas rojas ; p1 = 512
X2 = bolas blancas ; p2 = 412
X3 = bolas azules ; p3 = 312
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 170
P(x1 = 3; x2 = 2; x3 = 1) =6!
3!2!1!
(5
12
)3 (4
12
)2 (312
)= 0,1207
4. Encuentre la probabilidad de no obtener, 1, 2 o 3 en 4 lanzamientos de un dado
balanceado.
Solucion:
Definimos las variables y sus probabilidades:
X1 = 1 ; p1 = 16
X2 = 2 ; p2 = 16
X3 = 3 ; p3 = 16
x4 = 4, 5, 6 ; p4 = 36
P(x1 = 0; x2 = 0; x3 = 0; x4 = 4) =4!
0!0!0!4!
(16
)0 (16
)0 (16
)0 (36
)4
= 0,0625
4.2. Distribuciones Clasicas Continuas
4.2.1. Distribucion Uniforme
Esta funcion tambien es conocida como la Distribucion Rectangular, y se dice que una
variable aleatoria X esta distribuida uniformemente en a ≤ X ≤ b, si su distribucion de
probabilidad f (x) es:
f (x) =
1
b−a a ≤ X ≤ b
0 de otra manera
Su grafica se muestra en la Figura 4.3.
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 171
0 Xa b
f(x)
Figura 4.3: Distribucion de Probabilidad de la Distribucion Uniforme
Para valores diferentes de a y b se obtienen diferentes distribuciones, por lo que estos
son los parametros de la Distribucion y se denota: X ∼ U(a; b)
Su funcion de distribucion F(x) esta dada por:
F(x) =
0 X < ax−ab−a a ≤ X < b
1 X ≥ b
0 X
F(x)
ba
1
Figura 4.4: Funcion de Distribucion de la Distribucion Uniforme
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 172
Las propiedades de la Distribucion Uniforme son:
Media:µ =
(a+b)2
Varianza:σ2 =
(a+b)2
12
EJERCICIOS
1. Sea X una variable aleatoria con distribucion de probabilidad U(2; 4). Especificar y
graficar su funcion de densidad, y calcular su media, su varianza y P(X > 3,2).
Solucion:
Graficamos la distribucion de probabilidad (Figura 4.5):
0 1 2 3 4 X
F(x)
Figura 4.5: Distribucion de Probabilidad
La funcion de densidad para el intervalo (2;4) sera entonces:
f (x) =1
4 − 2=
12
Entonces tenemos:
f (x) =
12 2 ≤ X ≤ 4
0 de otra manera
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 173
Calculamos la media y la varianza:
µ =(2 + 4)
2= 3
σ2 =(4 − 2)2
12=
13
Calculamos la probabilidad P(X > 3,2):
P(X > 3,2) =
∫ 4
3,2
12
dx = 0,4
2. Si un paracaıdista cae en un sitio aleatorio de la lınea recta entre los marcadores
A y B, encuentre la probabilidad de que este mas cerca de A que de B. Calcule la
probabilidad de que la distancia con repecto a A sea mas de 3 veces la distancia con
repecto a B.
Solucion:
Observamos en la recta que si se desea calcular la probabilidad de que el paracaıdista
caiga mas cerca de A, entonces debemos calcular la probabilidad de que caiga en la
zona de color rojo.
BA+BA2
P(mas cerca de A) =
∫ A+B2
A
1B − A
dx =12
Ahora bien, la siguiente probabilidad a calcular es la mostrada en la recta:
BA C3 veces
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 174
Buscamos la relacion entre A, B y C: CB = 3AC
B −C = 3(C − A) −→ B −C = 3C − 3A
4C = B + 3A −→ C = B+3A4
P =
∫ B+3A4
A
1B − A
dx =14
3. Una barra de 50 centımetros de longitud puede partirse por cualquier punto en forma
aleatoria. ¿Cual es la probabilidad de que se parta a menos de 5 cm de cualquiera de
los extremos?
Solucion:
Dibujamos la barra de 50 cm y definimos los puntos de corte: Buscamos la distribu-
3 vecesa bdc
cion de probabilidad y luego la probabilidad pedida:
f (x) =1
b − a=
150 − 0
=1
50para 0 ≤ X ≤ 50
P(a ≤ X ≤ c) o P(d ≤ X ≤ b) = P(a ≤ X ≤ c) + P(d ≤ X ≤ b)
=
∫ 5
0
150
dx +
∫ 50
45
150
dx =15
4. El tiempo de viaje (ida y vuelta) de lo camiones que transportan concreto hacia una
obra de construccion en una carretera, esta distribuido uniformemente en un intervalo
de 50 a 70 minutos. ¿Cual es la probabilidad de que la duracion del viaje sea mayor
a 65 minutos si se sabe que la duracion del viaje es mayor a 55 minutos? Hallar la
media y la varianza de los tiempos de viaje.
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 175
Solucion:
Dibujamos la distribucion de probabilidad para este ejercicio y calculamos la fun-
cion:
45 50 55 60 65 70 75
f(x)
X
f (x) =1
70 − 50=
120
para 50 ≤ X ≤ 70
Calculamos la probabilidad pedida:
P(X > 65/X > 55) =
∫ 70
65120dx
∫ 70
55120dx
=13
Calculamos la media y la varianza:
E(x) =a + b
2=
50 + 702
= 60 minutos
V(x) =(b − a)2
12=
(70 − 50)2
12= 3,333 minutos2
5. Supongamos que X esta distribuida uniformemente en el intervalo (−a; a), donde
a > 0. Determine a de manera que se cumplan las condiciones siguientes:
a) P(X > 1) = 13
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 176
b) P(X > 1) = 12
c) P(|X| < 1) = P(|X| > 1)
d) P(X < 1
2
)= 0,7
Solucion:
f (x) =1
a − (−a)=
12a
para − a < X < a
a) P(X > 1) = 13 :
−a 0 1 a−a
f(x)
X
1/3
P(X > 1) =13
=⇒∫ a
1
12a
dx =13
x2a
∣∣∣∣∣a
1=
13
=⇒ a − 12a
=13
a = 3
b) P(X > 1) = 12 :
P(X > 1) =12
=⇒∫ a
1
12a
dx =12
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 177
−a 0 1 a−a
f(x)
X
1/2
x2a
∣∣∣∣∣a
1=
12
=⇒ a − 12a
=12
=⇒ 2a − 2 , 2a
No existe un a tal que la P(X > 1) sea igual a 12 .
c) P(|X| < 1) = P(|X| > 1):
Para resolver esta parte, partimos de la definicion del valor absoluto, por lo tanto
tenemos:
|x| =−x si x < 0
x si x ≥ 0
Para P(|X| < 1): (Ver Figura 4.6)
|x| < 1 =
−x < 1 =⇒ x > −1
x < 1
Para P(|X| > 1): (Ver Figura 4.7)
|x| > 1 =
−x > 1 =⇒ x < −1
x > 1
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 178
−a −1 0 1 a
f(x)
X
Figura 4.6: Para P(|X| < 1)
−a −1 0 1 a
f(x)
X
Figura 4.7: Para P(|X| > 1)
Por lo tanto tenemos que:
P(|X| < 1) = P(|X| > 1)∫ 1
−1
12a
dx =
∫ −1
−a
12a
dx +
∫ a
1
12a
dx
x2a
∣∣∣∣∣1
−1=
x2a
∣∣∣∣∣−1
−a+
x2a
∣∣∣∣∣a
1
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 179
a = 2
d) P(X < 1
2
)= 0,7:
−a 0 0.5 a
X
f(x)
0.7
P(X <
12
)= 0,7 =⇒
∫ 0,5
−a
12a
dx = 0,7
x2a
∣∣∣∣∣0,5
−a= 0,7 =⇒ 0,5 + a
2a= 0,7 =⇒ a = 1,25
6. Demuestre que la media y la varianza de la distribucion uniforme estan dadas respec-
tivamente por:
a) µ = (a + b)/2
b) σ2 = (b − a)2/12
Solucion:
a) µ = (a + b)/2
Sabemos que la media de una distribucion de probabilidad debe ser igual a la
esperanza matematica, por lo tanto tenemos:
E(x) =
∫ b
ax ∗ 1
b − adx =
x2
2(b − a)
∣∣∣∣∣∣b
a
=a + b
2
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 180
b) σ2 = (b − a)2/12
Tenemos que la varianza es V(x) = E(x2) − [E(x)]2:
E(x2) =
∫ b
ax2 ∗ 1
b − adx =
x3
3(b − a)
∣∣∣∣∣∣b
a
=b2 + ab + a2
3
V(x) =b2 + ab + a2
3−
[a + b
2
]2
=(b − a)2
12
4.2.2. Distribucion Exponencial
Se dice que una variable aleatoria continua X tiene una distribucion exponencial con
parametro α, si su funcion de densidad es:
f (x) = αe−αx para X > 0
La variable aleatoria se denota por: X ∼ EXP(α). Y su funcion de distribucion F(x) es:
F(x) =
∫ x
0αe−αtdt = 1 − e−αx para X > 0
Las propiedades de la Distribucion Exponencial son:
Media:
µ = 1/ α
Varianza2 :
σ2 = 1/ α2
No memoria:
P(X > s + t/ X > s) = P(X > t)2 Esta distribucion es la unica en que su desviacion estandar es igual a su media
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 181
Es importante senalar que existe una relacion entre la Distribucion Exponencial y la
Poisson. Sabemos que la Distribucion de Poisson considera el numero de ocurrencias de
un evento con parametro λ, entonces la distribucion del intervalo entre las ocurrencias es
exponencial con parametro λ.
EJERCICIOS
1. Supongamos que la duracion de X (en dıas) de cierto componenete C es exponencial,
donde α = 1/ 120. Encuentre la probabilidad de que el componente C dure:
a) Menos de 60 dıas.
b) Mas de 240 dıas.
Solucion:
a) Menos de 60 dıas:
P(X < x) = F(x) = 1 − e−αx
P(X < 60) = F(60) = 1 − e−60
120 = 0,3935
b) Mas de 240 dıas:
P(X > 240) = 1 − P(X ≤ 240) = 1 − F(240) = e−240120 = 0,1353
2. Verifique con un ejemplo numerico la propiedad de no memoria de la distribucion
exponencial f (x) = 3e−3x para X > 0.
Solucion:
P(X > s + t/ X > s) = P(X > t)
P(X > 2/ X > 1) = P(X > 1)
P(X > 2) ∩ P(X > 1)P(X > 1)
= P(X > 1)
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 182
P(X > 2)P(X > 1)
= P(X > 1)
e−6
e−3 = e−3 =⇒ e−3 = e−3
3. Considere el componente C del ejercicio numero 1. Si C aun esta trabajando despues
de 100 dıas, encuentre la probabilidad de que este dure mas de 340 dıas.
Solucion:
Utilizamos la propiedad de no memoria:
P(X > s + t/ X > s) = P(X > t)
P(X > 340/ X > 100) = P(X > 240) = 1 − P(X ≤ 240)
P(X > 340/ X > 100) = 0,1353
4. La duracion en horas de cierto dispositivo electronico puede ser modelada por la
distribucion exponencial con un promedio de 100 horas. El vendedor da al comprador
la siguiente garantıa: si el dispositivo que compra le dura menos de 20 horas, le
devolvera el dinero. El costo de fabricacion de cada dispositivo es de 100 y el precio
de venta es 200.
a) Obtenga la ganancia esperada.
b) Si el vendedor quiere incrementar la ganancia esperada en un 20 % modificando
la garantia ¿como quedara esta entonces?
Solucion:
Tenemos que:
µ = 100
α = 0,01
a) Ganancia Esperada (E(G)):
La ganancia puede tomar 2 valores, ver Tabla 4.1:
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 183
G -100 100P(G) P(X < 20) P(X ≥ 20)
Tabla 4.1: Distribucion de probabilidad de la Ganancia
Calculamos las probabilidades:
P(X < 20) = F(20) = 1 − e−0,01∗20 = 0,1813
P(X ≥ 20) = 0,8187
Por lo tanto tenemos que la esperanza es:
E(G) = −100 ∗ 0,1813 + 100 ∗ 0,8187 = 63,74
Se espera que el vendedor tenga una ganancia de 63,74 UM.
b) Nueva garantia:
Si el vendedor desea aumentar la ganancia en un 20 %, entonces tenemos que
la nueva ganancia es de: 63,74 + 0,2*63,74 = 76,488 UM.
Definimos a x como la nueva garantıa (en dıas), y la nueva distribucion de
probabilidad de la ganancia sera entonces:
G -100 100P(G) P(X < x) P(X ≥ x)P(G) 1 − e−0,01x e−0,01x
Tabla 4.2: Distribucion de probabilidad de la nueva ganancia
Tenemos entonces:
E(G) = −100 ∗ (1 − e−0,01x) + 100 ∗ e−0,01x = 76,488
Despejamos a x y tenemos:
x = 12,51
Esto quiere decir que la nueva garantıa debe ser de 12,51 dıas para aumentar la
ganancia en un 20 %.
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 184
4.2.3. Distribucion Normal
Una variable aleatoria continua X, que puede asumir todos los valores entre −∞ e ∞,
se dice que esta distribuida normalmente si su densidad se expresa ası:
f (x) =1√2πσ
e−12 ( x−µ
σ )2
La Normal depende de dos parametros, la media µ (que es el centro de la misma) y
la varianza σ, y se denota por: X ∼ N(µ;σ2). La normal es simetrica con respecto a la
media y la desviacion estandar actua como un coeficiente de elasticidad; entre mas grande
es la desviacion, mas abierta es la distribucion. En la Figura 4.8 podemos observar como se
traslada la curva de la Distribucion Normal cuando se varıa la media (la desviacion estandar
se mantiene en 1).
−2 0 2
Media = 0Media = −2 Media = 2
Desviación = 1
Figura 4.8: Distribucion Normal
En la Figura 4.9 se observa como la curva se abre a medida que aumenta la desviacion
estandar, esto confirma como este parametro cumple su funcion como un coeficiente de
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 185
elasticidad.
0
Desviación = 0.5
Desviación = 1
Desviación = 2
Figura 4.9: Distribucion Normal
La funcion de distribucion es:
F(x) = P(X ≤ x) =1
σ√
2π
∫ x
−∞e−
12 ( t−µ
σ )2
dt
Distribucion Normal estandarizada
Toda Distribucion Normal puede ser llevada a la distribucion normal estandarizada me-
diante la siguiente transformacion:
Z =x − µσ
Se observa que Z tambien es una variable aleatoria distribuida normalmente con µ = 0
y σ = 1, es decir, Z ∼ N(0; 1).
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 186
El calculo de la probabilidad:
P(a ≤ X ≤ b) =1√2πσ
∫ b
ae−
12 ( x−µ
σ )2
dx
Se convierte en:
P(a ≤ X ≤ b) =1√2πσ
∫ (b−µ)/ σ
(a−µ)/ σe−
Z22 dx
P(a ≤ X ≤ b) = Φ
(b − µσ
)− Φ
(a − µσ
)
La probabilidad de los valores de la variable estandarizada ((a− µ)/σ y (b− µ)/σ), son
encontrados en la tabla de la distribucion normal estandarizada; es importante acotar que
la probabilidad dada en la tabla es la probabilidad acumulada.
−2 −1 0 1 2 X
34.1% 34.1%
2.15% 2.15%
13.6%13.6%
Z
0.4
EJERCICIOS
1. Supongamos que la estatura (en centımetros) de los hombres de la Facultad de In-
genierıa esta distribuida en forma normal con media µ = 172,72 cm y desviacion
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 187
estandar σ = 6,35 cm. Encuentre el porcentaje de hombres que estan entre 167,64 y
180,34 centımetros.
Solucion:
Como dice el enunciado del ejercicio, la variable aleatoria X esta distribuida como
una normal:
X ∼ N(172,72; 40,3225)
Se desea encontrar:
P(167,64 ≤ X ≤ 180,34)
Estandarizamos la variable aleatoria X, restandole su media y dividiendo entre la
desviacion estandar:
P(167,64 ≤ X ≤ 180,34) = P(167,64 − 172,72
6,35≤ X − µ
σ≤ 180,34 − 172,72
6,35
)
P(167,64 ≤ X ≤ 180,34) = P(−0,8 ≤ Z ≤ 1,2)
P(167,64 ≤ X ≤ 180,34) = Φ(1,2) − Φ(−0,8)
Buscamos en la tabla estadistica de la distribucion normal estandarizada los valores
1.2 y -0.8 y tenemos que sus respectivas probabilidades, y la probabilidad buscada
es:
P(167,64 ≤ X ≤ 180,34) = 0,8849 − 0,2119 = 0,673
Graficamente el calculo que se esta realizando es el siguiente:
Observamos en la Figura 4.10 que la probabilidad buscada (area sombreada) se en-
cuentra entre los valores -0.8 y 1.2, dado que la probabilidad propocionada por la
tabla estadıstica es la probabilidad acumulada, el calculo de la probabilidad de ese
intervalo se realiza restandole a la probabilidad φ(1,2) la de φ(−0,8), lo que quiere de-
cir que aproximadamente el 67,3 % de los estudiantes hombres de la facultad tienen
una estatura entre 167,64 y 180,34 centımetros.
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 188
−0.8 0 1.2 X
Z
0.21190.8849
Figura 4.10: Distribucion Normal Estandarizada
2. El peso en kilogramos de cierto grupo de personas es una variable aleatoria normal
con media 72 kilogramos y desviacion estandar 8 Kg. Si en el grupo hay 2400 per-
sonas, ¿cuantos se espera que pesen mas de 85 Kg.?
Solucion
X = peso en kilogramos de las personas.
X ∼ N(72; 64)
Dado que se pide cuantas personas superan los 85 kilogramos en el grupo, primero se
debe calcular la probabilidad de que una persona pese mas de 85 kilogramos siendo
la media 72 kilogramos, para ello realizamos el siguiente calculo:
P(X > 85)
Estandarizamos la variable y obtenemos:
P(X > 85) = P(
X − µσ
>85 − 72
8
)= P(Z > 1,625)
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 189
Como se ha mencionado anteriormente, la probabilidad dada en la tabla es acumulada
y en este caso lo que se desea calcular es el extremo derecho de la curva (ver Figura
4.11).
0 1,625 Z
g(z)
Figura 4.11: Distribucion Normal Estandarizada
Para este caso le restamos al area total de la curva (igual a 1) la probabilidad acumula-
da hasta 1,625, de esta manera obtenemos la probabilidad pedida; entonces tenemos
que:
P(Z > 1,625) = 1 − P(Z ≤ 1,625)
Ahora bien, dado que el valor de la variable estandarizada 1,625, no se encuentra
en la tabla, pero si se encuentra los valores 1,62 y 1,63, lo mas recomendable es
interpolar para hallar dicha probabilidad, para ello se asume que el segmento de la
curva tomado entre 1,62 y 1,63 es tan pequeno que se toma como una recta y por lo
tanto podemos utilizar la siguiente ecuacion, que no es mas que la ecuacion de una
recta:
f (x) = Y0 +Y1 − Y0
X1 − X0(X − X0)
Definiendo las valores de las X y las Y tenemos:
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 190
X0 = 1,62 Y0 = 0,9474X = 1,625 YX1 = 1,63 Y1 = 0,9484
Sustituimos en la ecuacion de la recta y tenemos:
f (1,625) = 0,9474 +
(0,9484 − 0,9474
1,63 − 1,62
)(1,625 − 1,62) = 0,9479
Y = 0,9479
Por lo tanto tenemos:
P(Z > 1,625) = 1 − 0,9479 = 0,0521
La probabilidad de que una persona pese mas de 85 kilogramos es de 0,0521; ahora
bien, ¿cuantas personas del grupo se espera que tengan esa condicion?
0,0521 ∗ 2400 = 125,04
Se espera que 125 personas de ese grupo pesen mas de 85 kilogramos.
Como se dijo en un principio de esta seccion, la curva de la distribucion normal es
simetrica con respecto a su media, esta propiedad nos permite facilitar los calculos
de probabilidad utilizando la simetrıa.
En la Figura 4.12 podemos observar que el area donde Z > 1,625 es exactamente
igual al area donde Z < −1,625, lo que quiere decir que, la probabilidad P(Z >
1,625) es exactamente igual a la probabilidad P(Z ≤ 1,625), por lo que simplemente
buscamos directamente en la tabla de la normal estadarizada la probabilidad P(Z <
−1,625).
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 191
−1.625 0 1.625
P(Z > 1.625)P(Z < −1.625)
Figura 4.12: Distribucion Normal Estandarizada
3. Una empresa metalmecanica produce rodamientos con diametros que tienen una dis-
tribucion normal con una media de 3,0005” y una desviacion estandar de 0,001”.
Las especificaciones requieren que los diametros esten en el intervalo 3±0,002”. Se
rechazan los rodamientos con diametros que quedan fuera del intervalo y deben vol-
verse a maquinar. Con la maquinaria actual, ¿que fraccion de la produccion total
sera rechazada?
Solucion:
X = diametro en centımetros de los rodamientos
X ∼ N(3, 0005; 0,000001)
Tenemos que:
P(rechazados) = 1 − P(aprobados)
P(aprobados) = P(2,998 ≤ X ≤ 3,002)
P(aprobados) = P(2,998 − 3,0005
0,001≤ Z ≤ 3,002 − 3,0005
0,001
)
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 192
P(aprobados) = P(−2,5 ≤ Z ≤ 1,5) = 0,9332 − 0,0062 = 0,927
−2.5 0 1.5
RechazadosRechazados Aprobados92.7%
Figura 4.13: Distribucion Normal Estandarizada
En la Figura 4.13 se puede observar el intervalo con las especificaciones en que los
rodamientos son aceptados (color rojo) y a los lados la proporcion que es rechazada,
es decir, tenemos que aproximadamente un 92,7 % de la produccion es aceptada, y
por lo tanto le restamos a la unidad esta probabilidad y obtenemos que un 7,3 %
sera rechazada aproximadamente.
4. Se observo durante un perıodo que la cantidad semanal gastada en el mantenimiento
y en las repaciones en cierta fabrica tiene aproximadamente una distribucion normal
con una media de 400 Bs. F y una desviacion estandar de 20 Bs. F. Si el presupuesto
para la proxima semana es de Bs. F 450, ¿cual es la probabilidad de que los cos-
tos reales sean mayores que la cantidad presupuestada? ¿de cuanto tendrıa que ser
el presupuesto para reparaciones semanales y mantenimiento, para que la cantidad
presupuestada solamente se rebasara con una probabilidad de 0,1?
Solucion:
X = presupuesto semanal en Bs. F
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 193
X ∼ N(400; 400)
P(X > 450) = 1 − P(X ≤ 450)
P(X > 450) = 1 − Φ
(450 − 400
20
)= 1 − Φ(2,5)
P(X > 450) = 1 − 0,9938 = 0,0062
La probabilidad de que los costos reales se sobrepasen de 450 Bs. F para esa semana
es de 0,0062.
Ahora bien, si se desea saber de cuanto deberıa ser el presupuesto (valor de X),
planteamos el siguiente caso:
P(
X − µσ≥ X − 400
20
)= 0,1
P(Z ≥ X − 400
20
)= 0,1
1 − P(Z ≤ X − 400
20
)= 0,1
P(Z ≤ X − 400
20
)= 0,9
Buscamos una probabilidad igual a 0,9 en la tabla de la normal estandarizada para
saber que a valor de Z pertenece esa probabilidad.
La probabilidad exacta de 0,9 no aparece en la tabla, debemos interpolar.
f (x) = Y0 +Y1 − Y0
X1 − X0(X − X0)
Definiendo los valores de las X y las Y tenemos:
X0 = 0,8997 Y0 = 1,28X = 0,9 Y
X1 = 0,9015 Y1 = 1,29
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 194
Sustituimos en la ecuacion de la recta y tenemos:
f (0,9) = 1,28 +
(1,29 − 1,28
0,9015 − 0,8997
)(0,9 − 0,8997) = 1,2817
Por lo tanto tenemos que el valor de Z con probabilidad igual a 0,9 es 1,2817, si
igualamos la variable X estandarizada a este valor obtenemos:
Z ≤ X − µσ
=⇒ Z ≤ X − 40020
Despejamos a X y obtenemos X ≥ 425, 633, esto quiere decir que el presupuesto
semanal debe ser mayor de 425,633 Bs. F para que el presupuesto se sobrepase en
un 10 %.
5. Los alambres que se utilizan en cierta computadora deben tener una resistencia entre
0,12 y 0,14 ohms. Las resistencias reales de los alambres producidos por la companıa
A tienen una distribucion de probabilidad normal con una media de 0,13 ohms y una
desviacion estandar de 0,005 ohms.
a) ¿Cual es la probabilidad de que un alambre seleccionado al azar de la produc-
cion de la companıa A satisfaga las especificaciones?
b) Si se utilizan cuatro de estos alambres en el sistema y los seleccionan de la
companıa A, ¿cual es probabilidad de que los 4 alambres satisfagan las necesi-
dades?
Solucion:
X = resistencia del alambre medida en ohms.
X ∼ N(0,13; 0,000025)
a) Probabilidad de que un alambre satisfaga las especificaciones:
P(0,12 ≤ X ≤ 0,14) = P(0,12 − 0,13
0,005≤ Z ≤ 0,14 − 0,13
0,005
)
P(−2 ≤ Z ≤ 2) = Φ(2) − Φ(−2) = 0,9772 − 0,0228
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 195
P(−2 ≤ Z ≤ 2) = 0,9544
La probabilidad de que un alambre satisfaga las especificaciones con respecto
a la resistencia es del 95,44 %.
b) Probabilidad de que 4 alambres satisfagan las necesidades:
P(4 satisfagan las especificaciones) = (0,6544)4 = 0,8297
La probabilidad de que 4 alambres seleccionados al azar de la companıa A y
que satisfagan las especificaciones del 82,97 %.
6. Una variable aleatoria X obedece la distribucion normal estandarizada. Demuestre
que:
a) P(|X| < k) = 2Φ(k) − 1
b) P(|X| > k) = 2(1 − Φ(k))
Solucion:
a) P(|X| < k) = 2Φ(k) − 1:
Desarrollamos la primera parte de la igualdad, es decir, P(|X| < k).
Segun la definicion del valor absoluto tenemos:
|x| < k =
−x < k =⇒ x > −k
x < k
A partir de esto tenemos que:
P(|X| < k) = P(−k < X < k)
Si observamos la Figura 4.14, el area sombreada representa el area del intervalo
(−k ; k), recordemos que la variable aleatoria X ya esta estandarizada, por lo
que podemos trabajarla directamente.
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 196
−1.625 0 1.625−K K
Figura 4.14: Distribucion Normal e intervalo (−k ; k)
P(|X| < k) = Φ(k) − Φ(−k)
Por simetrıa de la curva normal, podemos realizar el siguiente cambio:
P(|X| < k) = Φ(k) − [1 − Φ(−k)]
P(|X| < k) = Φ(k) − 1 + Φ(−k)] = 2Φ(k) − 1
Por lo tanto queda demostrado que:
P(|X| < k) = 2Φ(k) − 1
b) P(|X| > k) = 2(1 − Φ(k)):
Desarrollamos la primera parte de la igualdad, P(|X| > k):
|x| > k =
−x > k =⇒ x < −k
x > k
A partir de esto tenemos que:
P(|X| > k) = P(−∞ < X < −k) + P(k < X < +∞)
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 197
−1.625 0 1.625−K K
Figura 4.15: Distribucion Normal para P(|X| > k)
En la Figura 4.15, se presentan las areas de los intervalos (−∞;−k) y (k; +∞).
P(|X| > k) = Φ(−k) + [1 − Φ(k)]
P(|X| > k) = Φ(−k) + 1 − Φ(k)
P(|X| > k) = 1 − Φ(k) + 1 − Φ(k) = 2(1 − Φ(k))
Por lo tanto queda demostra que:
P(|X| > k) = 2(1 − Φ(k))
7. El peso en libras de las personas de cierta poblacion obedece a la ley normal (µ;σ2).
Supongamos que P(X ≤ 160) = 12 y que P(X < 140) = 1
4 .
a) Encuentre los valores de µ y σ.
b) Encuentre la probabilidad de que una persona tomada al azar pese mas de 200
libras.
c) De todas las personas de esta poblacion que pesan por lo menos 200 libras,
¿que porcentaje pesara mas de 220 libras?
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 198
Solucion:
a) Media y desviacion estandar:
Se sabe que la distribucion normal es simetrica con respecto a su media, por lo
tanto la probabilidad de que un valor sea menor o igual a su media es exacta-
mente igual a 0.5; dentro de los datos dados tenemos que P(X ≤ 160) = 12 , por
lo tanto µ = 160.
Para calcular la desviacion estandar utilizamos la P(X < 140) = 14 .
P(
X − µσ
<140 − 160
σ
)=
14
Dado que en la tabla de la distribucion normal estandarizada no se encuentra la
probabilidad exacta de 0.25, interpolamos.
Definiendo los valores de las X y las Y tenemos:
X0 = 0,2514 Y0 = −0,67X = 0,25 Y
X1 = 0,2483 Y1 = −0,68
Sustituimos en la ecuacion de la recta y tenemos:
f (0,25) = −0,67 +
( −0,68 + 0,670,2483 − 0,2514
)(0,25 − 0,2514) = −0,6745
Por lo tanto tenemos:
Z =140 − 160
σ=⇒ −0,6745 =
140 − 160σ
Despejamos la desviacion estandar y encontramos que σ = 29,65, por lo tanto:
X ∼ N(160; 879, 1225)
b) La probabilidad de que una persona pese mas de 200 libras es:
P(X > 200) = P(Z >
200 − 16029,65
)
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 199
P(X > 200) = P(Z > 1,35) = P(Z < −1,35) = 0,0885
La probabilidad de que una persona tomada al azar pese mas de 200 libras es
del 8,85 %.
c) El porcentaje de personas que pesara mas de 220 libras dado que se sabe que
pesan mas de 200 libras es:
P(X > 220/ X > 200) =P(X > 220)P(X > 200)
P(X > 220/ X > 200) =P(Z > 2,02)P(X > 1,35)
=P(Z < −2,02)P(X < −1,35)
= 0,2452
El 24,52 % de las personas (de la poblacion que pesa mas de 200 libras), pesa
mas 220 libras.
8. Una variable aleatoria es normal con media µ y desviacion estandar σ = 12 . Encuentre
la constante c tal que P(|X − µ| < c) = 0,9.
Solucion:
P(|X − µ| < c) = 0,9
P(−c < X − µ < c) = 0,9 =⇒ P(−c + µ < X < c + µ)
P(X < c + µ) − P(X < −c + µ) = 0,9
P(Z <
c + µ − µ0,5
)− P
(Z <−c + µ − µ
0,5
)= 0,9
Φ(2c) − Φ(−2c) = 0,9
Φ(2c) − [1 − Φ(2c)] = 0,9
Φ(2c) = 0,95
El valor de Z correspondiente a una probabilidad igual a 0,95, es Z = 1, 645; por lo
tanto tenemos que:
2c = 1,645 =⇒ c = 0,8225
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 200
9. Si X es Normal (0, σ2), Encuentre E(|x |).
Solucion:
E(|x |) =
∫ ∞
−∞|x | f (x)dx
E(|x |) =
∫ ∞
−∞|x | 1√
2πσe−
12 ( x−µ
σ )2
dx
Utilizando la definicion de valor absoluto; segun el area en que esta definida la dun-
cion, X puede tomar valores negativos si X < 0 y valores positivos si X ≥ 0, por lo
tanto tenemos:
E(|x |) =
∫ 0
−∞−x
1√2πσ
e−12 ( x−µ
σ )2
dx +
∫ ∞
0x
1√2πσ
e−12 ( x−µ
σ )2
dx
Realizamos un cambio de variable:
u = −12
( xσ
); du = − x
σ2 dx
Tenemos entonces:
E(|x |) =
∫ 0
−∞
σ√2π
eudu +
∫ ∞
0− σ√
2πeudu
E(|x |) =2σ√
2π
10. Supongamos que la vida en horas de 2 dispositivos electronicos similares D1 y D2
tienen distribuciones N(40;36) y N(45;9) respectivamente. Si se requiere uno de los
2 dispositivos para una operacion que tarda 45 horas, ¿cual de los 2 dispositivos es
preferible? Si se requiere para una operacion de 48 horas, ¿cual es preferible?
Solucion:
Para saber cual de los dos dispositivos es mas confiable en una operacion que tarda 45
horas calculamos la probabilidad de que cada uno de ellos dure mas de ese perıodo.
Para el dispositivo D1:
P(X > 45) = P(Z > 0,83)
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 201
P(X > 45) = P(Z < −0,83) = 0,2033
Para el dispositivo D2:
P(X > 45) = P(Z > 0) = 0,5
Es preferible el dispositivo D2 porque tiene mayor probabilidad de durar mas de 45
horas.
Ahora bien, cual de los dos sera mejor para una de 48 horas, la logica nos dice que
seguira siendo el dispositivo D2, veamos:
Para el dispositivo D1:
P(X > 48) = P(Z > 1,33)
P(X > 45) = P(Z < −1,33) = 0,0918
Para el dispositivo D2:
P(X > 48) = P(Z > 1)
P(X > 48) = P(Z < −1) = 0,1587
Observamos que el dispositivo D1 tan solo tiene una probabilidad del 9 % de fun-
cionar por ese tiempo, y el dispositivo D2 tiene una probabilidad del 15,87 %, por lo
tanto es mejor D2.
11. Si X es Normal (µ;σ2) y Y = ex, encuentre la distribucion de Y .
Solucion:
Recordemos del Capıtulo 3, que para calcular la distribucion de probabilidad de una
variablea aleatoria a partir de la distribucion de probabilidad de otra variable aleatoria
continua utilizabamos el teorema:
g(y) = f [w(y)] ∗ |w′(y)|
Ahora bien tenemos:
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 202
f (x) =1√2π
e −12
( x−µσ
)2
Y = ex
w(y) = ln(y)
w′(y) = 1/ y
Por lo tanto tenemos:
g(y) =
(1√2πσ
e−12
( ln(y)−µσ
)2)∗ 1
ypara Y > 0
12. La temperatura de cierto objeto medida en grados Farenheit, es una variable
N(98,6;2). Demuestre que la temperatura de dicho objeto, medida en grados centıgra-
dos, tambien esta distribuida normalmente. Encuentre µ y σ.
Solucion:
Definimos las variables aleatorias:
X = grados farenheit ∼ N(98,6;2)
Y = grados centıgrados
La distribucion de probabilidad de X es:
f (x) =1√
2π√
2e−
14 (x−98,6)2
Buscamos la distribucion de Y:
Y = 59 (X − 32)
w(y) = 95y + 32
w′(y) = 95
Tenemos entoces:
g(y) =1√
2π√
2e−
14 ( 9
5 y+32−98,6)2 ∗ 95
g(y) =9√
2π√
50e−
12 ( 81
50 (y−37)2)
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 203
Calculamos E(y):
E(y) = E(59
x − 1609
)=
59
E(x) − 1609
= 37
Calculamos V(y):
V(y) = V(59
x − 1609
)=
(59
)2
V(x) =5081
13. Suponga que X ∼ N(0; 25). Calcule P(1 < x2 < 4).
Solucion:
P(1 < x2 < 4) = P(1 < |x| < 2) =⇒|x | > 1 =⇒ (−∞;−1) ∪ (1;∞)
|x | < 2 =⇒ (−2; 2)
En la Figura 4.16 podemos observar el area de la probabilidad deseada, es decir, el
area que conforman las dos intersecciones.
−2 −1 0 1 2
Figura 4.16: Distribucion Normal
Por lo tanto tenemos:
P(1 < x2 < 4) = P(−2 < x < −1) + P(1 < x < 2)
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 204
Por simetrıa tenemos que:
P(−2 < x < −1) = P(1 < x < 2)
Por lo tanto:
P(1 < x2 < 4) = 2P(1 < x < 2)
Estandarizando tenemos:
P(1 < x2 < 4) = 2(P(0,2 < Z < 0,4)) = 2(0,6554 − 0,5793) = 0,1522
4.3. Ejercicios Propuestos
1. En un proceso de manufacturacion que produce gran cantidad de artıculos, se sabe
que en promedio 2 % de ellos son defectuosos. Los artıculos se empacan en cajas
de 10, y se requiere saber, ¿cual es la probabilidad de que no haya ningun artıculo
defectuoso en cada caja?
2. Verifique si los siguientes datos se ajustan bien a una distribucion normal:
2,51 2,29 2,31 2,19 2,09 2,48 2,65 2,5 2,48 2,27 2,26 2,863,73 2,98 1,08 2,25 2,1 3,3 3,15 2,27 2,23 2,61 2,11 5,72,31 2 2,35 1,76 2,91 1,84 2,09 2,78 2,32 2,59 1,87 2,592,07 3,1 2,32 2,59 2,42 2,04 2,13 1,98 2,02 2,18 2,26 2,12,69 2,6
3. Un lote de tamano N = 30 contiene 4 unidades defectuosas. ¿Cual es la probabili-
dad de que una muestra de 5 unidades seleccionadas al azar contenga exactamente
una unidad defectuosa? ¿Cual es la probabilidad de que contega 3 o mas unidades
defectuosas?
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 205
4. Se estima que el 58 % de una poblacion prefiere la marca A de mayonesa. ¿Cual es
la probabilidad, al entrevistar a un grupo de consumidores, de que se tenga que en-
trevistar a exactamente 4 personas, para encontrar el primer consumidor que prefiera
la marca A? ¿Al menos 5 pesonas?
5. Un joven estudiante compro 3 celulares a un costo total de 750 Bs. F y piensa vender-
los en 450 Bs. F cada uno (suponga que todos tienen un mismo costo); para poder
venderlos ofrece una oferta de que si la primera carga de la baterıa dura menos de
1 hora le devolvera el dinero. Si la duracion de las baterıas se distribuyen como una
exponencial con las siguientes propiedades:
Nokia 7088. Promedio duracion de la baterıa: 2,5 horas
Kyocera E1000. Promedio duracion de la baterıa: 3,67 horas
Motorola L7. Promedio duracion de la baterıa: 196 minutos
¿Cual celular le dejara mayor ganancia?
¿Cuanto es la ganancia esperada del estudiante?
6. Una maquina realiza cortes de manera automatica de ciertas tiras metalicas con media
µ = 40,2 cm y una desviacion estandar de σ = 0,05 cm. La medida optima de tales
tiras debe ser de 40 cm con una tolerancia de ±0,5 cm. Suponiendo que se trata
de una distribucion normal, estime el porcentaje de las tiras que cumplen con las
especificaciones.
7. Un libro tiene 500 paginas en las que podrıan ocurrir errores tipograficos. Suponga
que hay exactamente 10 de estos errores localizados aleatoriamente en esas paginas.
¿Cual es la probabilidad de que una seleccion aleatoria del 10 % de las paginas del
libro no contenga errores? ¿Cual es la probabilidad de que 60 paginas seleccionadas
al azar, contenga al menos dos errores?
8. Si X esta distribuida uniformemente en el intervalo (0, b). Determine de que manera
se cumple las siguientes condiciones:
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 206
a) P(X > 1,5) = 14 .
b) P(|X| > 1,5) = P(|X| < 1,5).
9. Las precipitaciones anuales en la ciudad de Merida es una variable aleatoria distribui-
da N(1700; 400) medida en milımetros. ¿Cuantos milımetros de lluvia son excedidos
anualmente alrededor del 5 % de las veces?
10. Un estudio demostro que la duracion promedio de cierta marca de lamparas es de 450
dıas con una varianza de 10000 dıas2 y que esta duracion se distribuye normalmente.
El vendedor de las lamparas vende en cierta ciudad 1000 lamparas al mes y garantiza
al comprador que si su lampara falla antes de k dıas, le sera cambiada por una nueva.
El vendedor no quisiera tener que cambiar mas de 15 lamparas por mes. ¿Cual de-
bera ser el valor de k?
11. Un distribuidor de software desea obtener retroalimentacion de los clientes acerca
de su mas reciente paquete. Han adquirido el producto 3000 clientes, suponga que
600 de ellos estan insatisfechos. Se realiza un muestreo aleatorio e interrogatorio de
20 clientes acerca del paquete. Sea X el numero de clientes muestreados que estan
insatisfechos
a) Calcule la distribucion de probabilidad de X.
b) Entre µ y σ2.
c) Calcule P(X ≤ 3).
12. Un estudiante viaja todos los dıas de su casa a la facultad. El tiempo promedio para
un viaje solo de ida es de 24 minutos, con una desviacion estandar de 3,8 minutos.
Suponga que la distribucion de los tiempos de viaje esta distribuida normalmente.
a) ¿Cual es la probabilidad de que un viaje tome al menos media hora?
b) Si tiene clases a las 9:00 a.m. y el sale diario de su casa a las 8:45 a.m. ¿que por-
centaje de las veces llegara tarde a clases?
CAPITULO 4. DISTRIBUCIONES CLASICAS DISCRETAS Y CONTINUAS 207
c) Encuentre la probabilidad de que 2 de los siguientes 3 viajes, tome al menos
media hora.
13. Suponga que X tiene una distribucion uniforme en el intervalo (0;1).
a) Encuentre F(x).
b) Demuestre qe P(a ≤ X ≤ a+b), para a ≤ 0, b ≤ 0, a+b ≤ 1, depende solamente
del valor de b.
14. Un sistema de alarma para detectar rapidamente aviones consta de 4 unidades de
radar identicas que trabajan independientemente. Suponga que cada una tiene una
probabilidad de 0,95 de detectar un avion. Sea X el numero unidades del sistema que
no detecta un avion. ¿Puede decirse que X se distribuye como una binomial?
15. Se supone que el 45 % de los aspirantes para cierto trabajo tienen un entrenamien-
to avanzado en programacion. Los aspirantes on entrevistados, uno tra otro, y son
seleccionados al azar del total de aspirantes. Determine la probabilidad de que se
encuentre el primer aspirante con un entrenamiento avanzado en programacion en la
quinta entrevista.
16. Se forma una empresa de exploracion petrolera con suficiente capital para financiar
10 exploraciones. La probabilidad de que una exploracion en particular sea exitosa
es de 0,12. Supongase que las exploraciones son independientes. Encuentre la media
y la varianza del numero de exploraciones exitosas.
Capıtulo 5
El Teorema del Lımite Central
5.1. La Desigualdad de Chebyshev
Sea X una variable aleatoria con media µ y desviacion estandar σ y distribuida de
cualquier manera. Entonces, para cualquier numero positivo k mayor que 1, la probabilidad
de que un valor de X pertenezca al intervalo: [µ − kσ; µ + kσ], es al menos: 1 − 1/ k2,
es decir, la proporcion mınima de los valores que se encuentran dentro de k desviaciones
estandares es:
P(µ − kσ ≤ X ≤ µ + kσ) ≥ 1 − 1k2
EJERCICIOS:
1. Supongamos que X es una variable aleatoria de media µ = 75 y desviacion estandar
σ = 5.
a) ¿Que conclusiones podemos obtener sobre X de la desigualdad de Chebyshev
para k = 2 y k = 3?
b) Estimar la probabilidad de que X este entre 75-20=55 u 75+20=95.
208
CAPITULO 5. EL TEOREMA DEL LIMITE CENTRAL 209
c) Determinar un intervalo [a; b] sobre la media para que la probabilidad de que X
pertenezca al mismo sea al menos del 9 %
Solucion:
a) Para k = 2:
P(75 − 2 ∗ 5 ≤ X ≤ 75 + 2 ∗ 5) ≥ 1 − 122
P(65 ≤ X ≤ 85) ≥ 0,75
La probabilidad de que los valores de X este entre 65 y 85 es como mınimo del
75 %.
Para k = 3:
P(75 − 3 ∗ 5 ≤ X ≤ 75 + 3 ∗ 5) ≥ 1 − 132
P(60 ≤ X ≤ 90) ≥ 89
La probabilidad de que los valores de X este entre 60 y 90 es de al menos del
88,8 %.
Si observamos la probabilidad de que este entre 60 y 90 es mayor que la que
este entre 65 y 85, esto tiene sentido, ya que a medida que aumente el intervalo,
aumenta la seguridad y por ende la probabilidad.
b) Probabilidad de que X este entre 75-20=55 u 75+20=95:
Tenemos que µ − kσ = 75 - 20 = 75 - 4*5
Si sabemos que σ = 5, entonces para este caso k = 4.
P(55 ≤ X ≤ 95) ≥ 1 − 142
P(55 ≤ X ≤ 95) ≥ 1516
La probabilidad de que los valores de X este entre 55 y 95 es como mınimo del
93,75 %.
CAPITULO 5. EL TEOREMA DEL LIMITE CENTRAL 210
c) P(a ≤ X ≤ b) ≥ 0,09:
Tenemos que:
1 − 1k2 = 0,09 =⇒ k = 1,05
a = 75 − 1,05 ∗ 5 = 69,75b = 75 + 1,05 ∗ 5 = 80, 75
Por lo tanto:
P(69,75 ≤ X ≤ 80,75) ≥ 0,09
2. Supongamos que una variable aleatoria X tiene como media µ = 25 y desviacion
estandar σ = 2. Usar la desigualdad de Chebyshev para calcular:
a) P(X ≤ 35)
b) P(X ≥ 20)
Solucion:
a) P(X ≤ 35)
µ + kσ = 35 =⇒ 25 + k2 = 35 =⇒ k = 5
P(X ≤ 35) = P(25 − 5 ∗ 2 ≤ X ≤ 25 + 5 ∗ 2) ≥ 1 − 152
P(X ≤ 35) = P(15 ≤ X ≤ 35) ≥ 2425
La probabilidad de que tome valores menores que 35 es de al menos 96 %.
b) P(X ≥ 20)
µ − kσ = 20 =⇒ 25 − k2 = 20 =⇒ k = 2,5
P(X ≥ 20) = P(25 − 2,5 ∗ 2 ≤ X ≤ 25 + 2,5 ∗ 2) ≥ 1 − 12,52
P(X ≥ 20) = P(12,5 ≤ X ≤ 37,5) ≥ 0,84
La probabilidad de que tome valores mayores que 20 es de al menos el 84 %.
CAPITULO 5. EL TEOREMA DEL LIMITE CENTRAL 211
3. Sea X una variable aleatoria con media µ = 40 y desviacion estandar σ = 5. Usar la
desigualdad de Chebyshev para hallar un valor b para que P(40 − b ≤ X ≤ 40 + b) ≥0,95
Solucion:
1 − 1k2 = 0,95 =⇒ k = 4,47
b = σ ∗ k =⇒ b = 5 ∗ 4,47 = 22,36
4. Sea X una variable aleatoria con media µ = 80 y desviacion estandar desconocida.
Usar la desigualdad de Chebyshev para hallar un valor σ para que la P(75 ≤ X ≤85) ≥ 0,9
Solucion:
1 − 1k2 = 0,9 =⇒ k = 3,16
75 = µ − kσ =⇒ 75 = 80 − 3,06σ =⇒ σ = 1,58
85 = µ + kσ =⇒ 85 = 80 + 3,06σ =⇒ σ = 1,58
5. Para la distribucion f (x) = 0,2e−0,2x para X > 0. Calcular la probabilidad de que la
variable se aleje mas de 2 veces la desviacion estandar.
Solucion:
f (x) = 0,2e−0,2x es una exponencial con parametro α = 0,2, por lo que su media y
desviacion estandar es igual a 1/ α, es decir, µ = σ = 5.
µ − 2σ = 5 − 2 ∗ 5 = −5µ + 2σ = 5 + 2 ∗ 5 = 15
Por lo tanto tenemos:
P(X < −5 o X > 15) = 1 − P(−5 ≤ X ≤ 15)
CAPITULO 5. EL TEOREMA DEL LIMITE CENTRAL 212
P(X < −5 o X > 15) = 1 −(1 − 1
22
)=
14
La probabilidad de que la variable se aleje mas de 2σ es como maximo del 25 %.
6. La casa de la moneda de Venezuela produce monedas de 20 centimos con un diametro
promedio de 0,5 pulgadas y una desviacion estandar de 0,01 pulgadas. Encuentre un
lımite inferior para el numero de monedas de un lote de 400 con un diamtero entre
0,48 y 0,52 pulgadas, utilizando el Teorema de Chebyshev.
Solucion:
Debemos calcular la probabilidad de que una moneda este entre el rando de 0,48 y
0,52 pulgadas, es decir, calculamos la P(0,48 ≤ X ≤ 0,52)
µ − kσ = 0,48 =⇒ k = 2
P(0,48 ≤ X ≤ 0,52) ≥ 1 − 122
P(0,48 ≤ X ≤ 0,52) ≥ 0,75
La probabilidad de que una moneda este entre esas especificaciones es del al menos
del 75 %, ahora bien, si multiplicamos por el total de monedas tenemos:
400 ∗ 0,75 = 300
Por lo tanto tenemo que se deben encontrar como mınimo, 300 monedas con diamet-
ros entre 0,48 y 0,52 pulgadas.
CAPITULO 5. EL TEOREMA DEL LIMITE CENTRAL 213
5.2. Teorema del Lımite Central
El Teorema del Lımite Central (TLC) muestra como la suma de variables aleatorias in-
dependientes, tomados de una misma poblacion, no importa cual, tiende a estar distribuida
normalmente si el numero de sumandos es lo suficientemente grande y tendra media nµ y
varianza nσ2.
Definicion:
Sean X1, X2, . . . , Xn, variables aleatorias independientes pertenecientes a la misma dis-
tribucion, con media µ y varianza σ2
Si n tiende a∞, la variable Z = X1 + X2 + ... + Xn tiende a una N(nµ; nσ2)
Es importante acotar que mientras mas grande sea el valor de n, mejor sera la aproxi-
macion, por esto adoptaremos que el teorema se puede usar cuando n ≥ 30.
Un ejemplo clasico donde podemos observar como una distribucion discreta puede
aproximarse a una distribucion normal cuando n crece, es a traves del lanzamiento de da-
dos, para este caso veremos como la distribucion de probabilidad del lanzamiento de n
dados tiende a formar una campana.
Veamos el ejemplo con n = 1, 2, 3, 4 y 5 dados.
CAPITULO 5. EL TEOREMA DEL LIMITE CENTRAL 214
Se lanza un dado (n = 1) y su distribucion de probabilidad la podemos observar en la
Tabla 5.1:
X 1 2 3 4 5 6p(x) 1
616
16
16
16
16
Tabla 5.1: Lanzamiento de un dado
Observamos que todos los valores de X tienen la misma probabilidad, la distribucion
de probabilidad p(x) la podemos ver en la Figura 5.1.
1 2 3 4 5 60
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
X
p(x)
Figura 5.1: Lanzamiento de un dado
CAPITULO 5. EL TEOREMA DEL LIMITE CENTRAL 215
Se lanzan 2 dados (n = 2) y se suman los numeros, la distribucion de probabilidad se
ve en la Tabla 5.2 y en la Figura 5.2:
X 2 3 4 5 6 7 8 9 10 11 12p(x) 1
36236
336
436
536
636
536
436
336
236
136
Tabla 5.2: Lanzamiento de dos dados
2 3 4 5 6 7 8 9 10 11 120
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
X
p(x)
Figura 5.2: Lanzamiento de dos dados
CAPITULO 5. EL TEOREMA DEL LIMITE CENTRAL 216
Ahora se lanzan tres dados (n = 3), su distribucion de probabilidad se ve en la Tabla 5.3
y en la Figura 5.3:
X 3 4 5 6 7 8 9 10p(x) 1
2163
2166
21610
21615
21621216
25216
27216
X 11 12 13 14 15 16 17 18p(x) 27
21625
21621216
15216
10216
6216
3216
1216
Tabla 5.3: Lanzamiento de tres dados
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 180
0.02
0.04
0.06
0.08
0.1
0.12
p(x)
Figura 5.3: Lanzamiento de tres dado
Observamos que la grafica de la distribucion de probabilidad cambio, ahora tiende a ser
una campana.
CAPITULO 5. EL TEOREMA DEL LIMITE CENTRAL 217
Lanzamos cuatro dados (n = 4). Tabla 5.4 y Figura 5.4:
X 4 5 6 7 8 9 10p(x) 1
12964
129610
21620
129635
129656
129680
1296X 11 12 13 14 15 16 17p(x) 104
1296125
12961401296
1461296
1401296
1251296
104216
X 18 19 20 21 22 23 24p(x) 80
21656
21635
21620
129610
12964
12961
1296
Tabla 5.4: Lanzamiento de cuatro dados
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 240
0.02
0.04
0.06
0.08
0.1
p(x)
Figura 5.4: Lanzamiento de cuatro dado
CAPITULO 5. EL TEOREMA DEL LIMITE CENTRAL 218
Lanzamos cinco dados (n = 5). Observe la Tabla 5.5 y la Figura 5.5:
X 5 6 7 8 9 10 11 12 13p(x) 1
77765
777615
777635
777670
77761267776
2057776
3057776
4207776
X 14 15 16 17 18 19 20 21 22p(x) 540
77766517776
7357776
7807776
7807776
7357776
6517776
5407776
4207776
X 23 24 25 26 27 28 29 30p(x) 305
77762057776
1267776
707776
357776
157776
57776
17776
Tabla 5.5: Lanzamiento de cinco dados
5 6 7 8 9 1011121314151617181920212223242526272829300
0.02
0.04
0.06
0.08
0.1
X
p(x)
Figura 5.5: Lanzamiento de cuatro dado
En conclusion podemos ver que, a medida que se aumento el numero de dados (n) la
grafica de la distribucion de probabilidad fue tomando la forma de la campana de la dis-
tribucion normal, esto confirma que la sumatoria de las variables aleatorias independientes
tienden a comportarse como una normal a medida que n tienda a infinito.
CAPITULO 5. EL TEOREMA DEL LIMITE CENTRAL 219
EJERCICIOS
1. Los resultados de las pruebas finales de todos los alumnos del ultimo ano de
bachillerato de cierto estado, tienen una media de 60 puntos y una varianza de 64
puntos2. Una generacion especıfica de cierto Liceo con n = 100 alumnos tuvo una
media de 58 puntos. ¿Puede afirmarse que este liceo es inferior?
Solucion:
Definimos los parametros:
n = 100
µ = 60 puntos
σ2 = 64 puntos2
Si definimos la variable aleatoria Z como la suma de las 100 notas tenemos:
Z = X1 + X2 + ... + X100 = nX = 100 ∗ 58 = 5800
P(Z <
5800 − 6000√100 ∗ 64
)= P(Z < −2,5) = 0,0062
Es poco probable que los alumnos saquen menos de 58 puntos (del 0,6 %), por lo que
se puede dudar de la calidad del liceo.
2. Los tiempos de espera para los clientes que pasan por una caja registradora a la salida
de una tienda son variables aleatorias independientes con una media de 1,5 minutos
y una varianza de 1 minuto2. Aproxime la probabilidad de que se pueda atender a
100 clientes en menos de 2 horas.
Solucion:
Definimos los parametros:
n = 100
µ = 1,5 minutos
σ2 = 1 minuto2
CAPITULO 5. EL TEOREMA DEL LIMITE CENTRAL 220
Si definimos la variable aleatoria Z como la suma de los tiempos de atencion de los
100 clientes, tenemos:
Z = X1 + X2 + ... + X100 = 2horas = 120minutos
P(Z <
120 − 150√100
)= P(Z < −3) = 0,0013
La probabilidad de atender a 100 clientes en menos de 2 horas es relativamente
pequena (del 0,13 %), por lo que es muy poco probable que pueda ocurrir.
3. Una gran industria ofrece un salario promedio de 4 Bs. F por hora con una desviacion
estandar de 0,5 Bs. F. La industria ocupa 64 trabajadores de cierto grupo etnico. Estos
trabajadores tienen un salario promedio de 3,9 Bs. F por hora. ¿Es razonable suponer
que el grupo etnico es una muestra aleatoria de los trabajadores de la industria?
Solucion:
n = 64µ = 4 Bs. Fσ = 0,5 Bs. F
Definimos la variable aleatoria Z como la suma de los 64 sueldos, y tenemos:
Z = X1 + X2 + ... + X64 = 249,6
P(Z <
249, 6 − 256√640,5
)= P(Z < −1,6) = 0,0548
Dado que la probabilidad de que un grupo gane menos de 3,9 Bs. F es del 5,48 %, no
se puede decir si ese grupo etnico es o no una muestra representativa de la poblacion
de trabajadores.
4. Se conectan 25 focos de luz infrarroja en un invernadero, de tal manera que si falla
un foco, otro se enciende inmediatamente (se enciende solo un foco a la vez). Los
focos funcionan independientemente y cada uno tiene una vida media de 50 horas y
una desviacion estandar de 4 horas. Si no se inspecciona el invernadero durante 1300
CAPITULO 5. EL TEOREMA DEL LIMITE CENTRAL 221
horas despues de encender el sistema de focos, ¿cual es la probabilidad de que un
foco este encendido al final del perıodo de 1300 horas?
Solucion:
n = 25µ = 50 horasσ = 4 horas
Definimos la variable aleatoria Z como la suma de las horas de cada foco:
Z = X1 + X2 + ... + X25 = 1300
P(Z ≥ 1300 − 25 ∗ 50√
254
)= P(Z ≥ 2,5) = P(Z ≤ −2,5) = 0,0062
La probabilidad de que un foco de luz infrarroja este encendidido despues de 1300
horas es de 0,62 %.
5.3. Teorema de Moivre-Laplace
Este Teorema es la aplicacion del TLC a la Distribucion Binomial. La distribucion de
probabilidad (p(x)) cuando X toma algun valor entre a y b esta dada por:b∑
x=a
(ab
)pxqn−x
El teorema dice que si n −→ ∞, entonces:b∑
x=a
(ab
)pxqn−x ≈ Φ
b − np + 1
2√npq
− Φ
a − np − 1
2√npq
La suma y resta de 0,5 dentro de la ecuacion no es mas que la suma y la resta de un
factor de correcion por continuidad, esto es debido a que estamos aproximando una variable
aleatoria discreta a una distribucion continua.
EJERCICIOS
CAPITULO 5. EL TEOREMA DEL LIMITE CENTRAL 222
1. Al arrojar un dado 6000 veces, ¿cual es la probabilidad de que el numero 5 caiga
entre 980 y 1030 veces, inclusive?
Solucion:
Podemos observar que la variable aleatoria se distribuye de forma binomial, donde
el suceso exito es que salga el numero 5, debido a la gran cantidad de experimentos
que deberıan realizarse, es mas practico utilizar el Teorema de Moivre-Laplace, por
lo tanto tenemos:
µ = np = 6000 ∗ 16 = 1000
σ =√
npq =
√6000 ∗ 1
6 ∗ 56 = 28,8675
P(980 ≤ X ≤ 1030) = Φ
1030 − 1000 + 1
2
28,8675
− Φ
980 − 1000 − 1
2
28,8675
P(980 ≤ X ≤ 1030) = Φ(1,06) − Φ(−0,71) = 0,6165
2. Un restaurant atiende solamente bajo reservacion previa. Se ha determinado que el
10 % de las personas que reservan mesa, no aparecen. Si el restaurant tiene 50 mesas
y acepta 53 reservaciones, ¿cual es la probabilidad de que se pueda acomodar a todas
las personas que aparezcan? Resuelva exactamente y por el Teorema de Moivre-
Laplace.
Solucion:
Observamos que se trata de una distribucion binomial, donde el exito es que la per-
sona aparezca en el restaurant con previa cita.
X ∼ B(53; 0,9)
P(X ≤ 50) = 1 − P51 − P52 − P53
P(X ≤ 50) = 1 −(5351
)(0,9)51(0,1)2 −
(5352
)(0,9)52(0,1) −
(5353
)(0,9)53(0,1)0
P(X ≤ 50) = 0,9102
CAPITULO 5. EL TEOREMA DEL LIMITE CENTRAL 223
3. Se tira un dado 180 veces. Determinar la probabilidad de que salga el 6:
a) Entre 29 y 32 veces, ambas inclusive.
b) Entre 31 y 35 veces, ambas inclusive.
c) Menos de 22 veces.
Solucion:
µ = np = 180 ∗ 16 = 30
σ =√
npq =
√180 ∗ 1
6 ∗ 56 = 5
a) Entre 29 y 32 veces, ambas inclusive:
P(29 ≤ X ≤ 32) = Φ
32 − 30 + 1
2
5
− Φ
29 − 30 − 1
2
5
P(29 ≤ X ≤ 32) = Φ(0,5) − Φ(−0,3) = 0,3094
b) Entre 31 y 35 veces, ambas inclusive:
P(31 ≤ X ≤ 35) = Φ
(35,5 − 30
5
)− Φ
(30,5 − 30
5
)
P(31 ≤ X ≤ 35) = Φ(1,1) − Φ(0,1) = 0,3245
c) Menos de 22 veces:
P(X ≤ 22) = Φ
(21,5 − 30
5
)= Φ(−1,7) = 0,0446
4. Asumimos que el 4 % de la poblacion mayor de 65 anos tiene la enfermedad de
Alzheimer. Supongamos que se toma una muestra aeatoria de 9600 personas mayores
de 65 anos. Hallar la probabilidad de que menos de 400 de ellas tengan a enfermedad.
Solucion:
µ = np = 9600 ∗ 0,04 = 384
σ =√
npq =√
9600 ∗ 0,04 ∗ 0,96 = 19,2
CAPITULO 5. EL TEOREMA DEL LIMITE CENTRAL 224
P(X < 400) = P(X ≤ 399) = Φ
(399,5 − 384
19,2
)= Φ(0,81)
P(X < 400) = 0,7910
Existe un 79,10 % de probabilidad de que menos de 400 personas del grupo de 9600,
tengan la enfermedad.
5. Una agencia de encuestas quiere tomar una muestra lo suficientemente grande para
que sea solo 0,01 la probabilidad de que el candidato resulte perdedor, cuando en
realidad posee el 52 % de favoritismo entre el electorado. ¿Que tan grande debera ser
la muestra?
Solucion:
µ = np = n ∗ 0,52
σ =√
npq =√
n ∗ 0,52 ∗ 0,48 =√
0,2496n
P(X < n/ 2) = 0,01
Φ
(n/ 2 − 0,52n√
0,2496n
)= 0,01
P(X < n/ 2) = Φ
( −0,02n√0,2496n
)= 0,01
Buscamos en la tabla el valor de Z que haga que la probabilidad sea igual que 0.01.
Debido a que no esta directamente en la tabla interpolamos.
X0 = 0,0102 Y0 = −2,32X = 0,01 Y
X1 = 0,0099 Y1 = −2,33
Sustituimos en la ecuacion de la recta y tenemos:
f (0,01) = −2,32 +
( −2,33 + 2,320,0099 − 0,0102
)(0,01 − 0,0102) = −2,3267
CAPITULO 5. EL TEOREMA DEL LIMITE CENTRAL 225
Por lo tanto tenemos:−0,02n√0,2496n
= −2,33
n = 3388
La muestra debe ser de 3388 electores para que la probabilidad de que el candidato
resulte perdedor sea de 0,01.
5.4. Ejercicios Propuestos
1. Una empresa de mensajerıa que opera en la ciudad tarda una media de 35 minutos
en llevar un paquete, con una desviacion estandar de 8 minutos. Supongamos que
durante el dıa de hoy han repartido doscientos paquetes.
a) ¿Cual es la probabilidad de que la media de los tiempos de entrega de hoy
este entre 30 y 35 minutos?
b) ¿Cual es la probabilidad de que, en total, para los 200 paquetes hayan estado
mas de 115 horas?
2. Una variable aleatoria X tiene media µ = 8, con varianza σ2 = 9, y distribucion de
probabilidad desconocida. Encuentre:
a) P(−4 < X < 20).
b) P(|X − 8| > 6).
3. El alquiler medio de los estudiantes de ingenierıa se distribuye uniformemente entre
400 Bs. F y 800 Bs. F. Calcule la probabilidad de que al seleccionar al azar a 100
estudiantes la suma de sus rentas supere los 55000 Bs. F.
4. En la materia Estocastica 1, la probabilidad de que te pasen al pizarron en cada clase
es del 10 %. Si durante el semestre tienes 54 clases de esa materia, ¿cual es la proba-
bilidad de tener que salir a la pizarra mas de 6 veces?
CAPITULO 5. EL TEOREMA DEL LIMITE CENTRAL 226
5. Un dıa visitamos el Casino y decidimos jugar en la ruleta. Nuestra apuesta va a ser
siempre al negro y cada apuesta es de 500 Bs. F. Si se llevan 10000 Bs. F. Calcule la
probabilidad de que despues de jugar 80 veces, se consiga doblar el dinero.
Nota:
Salir negro, se le da el valor de 1 y tiene una probabilidad del 0,485.
No salir negro, se le da el valor de 0 y tiene una probabilidad del 0,515.
6. El resultado de las notas finales de la Escuela de Sistemas en el semestre A-2007
tiene una media de 12 puntos y una varianza de 13 puntos2. Las secciones 1 y 2
de Estocastica 1 (100 alumnos) tuvieron un promedio de 9 puntos. Usando TLC
¿Que puede decir de estos resultados?
7. El 5 % de los artıculos que fabrica una maquina salen defectuosos. Si tomamos al
azar 25 artıculos fabricados por esa maquina, ¿cual es la probabilidad de que se
encuentren mas de 3 defectuoso?
a) Resuelva exactamente.
b) Resuelva por TLC.
c) De existir alguna diferencia entre ambos resultados, ¿a que se debe?
8. Un doctor atiende solo con previa cita. Segun los calculos de su secretaria el 15 %
de los pacientes que hacen cita no van. Si el doctor le advierte a la secretaria que
solo atendera a 15 pacientes en ese dıa y esta anota 17 citas en la agenda ¿Cual es
la probabilidad de que le llamen la atencion a la secretaria? Resuelva exactamente y
por TLC.
Capıtulo 6
Vector Aleatorio
En el Capıtulo 3 se estudio las variables aleatorias unidimensionales, para este capıtulo
estudiaremos el vector aleatoria para variables aleatorias bi-dimensionales.
6.1. Variable Aleatoria Bi-dimensional
CASO DISCRETO
Sea (X,Y) una variable aleatoria bi-dimensional discreta. A cada posible resultado
(xi, y j), asociamos un numero real p(xi, y j) que representa la probabilidad P(X = xi,Y = y j).
Debe satisfacer las siguientes condiciones:
1.∑∞
j=1∑∞
i=1 p(xi, y j) = 1
2. p(xi, y j) ≥ 0 para todo X
La distribucion de probabilidad conjunta para X y Y se puede representar en la Tabla
6.1 de probabilidad conjunta.
227
CAPITULO 6. VECTOR ALEATORIO 228
HHHHHHXY
Y1 Y2 . . . Yn∑
X1 f (x1, y1) f (x1, y2) . . . f (x1, yn) p(x1)X2 f (x2, y1) f (x2, y2) . . . f (x2, yn) p(x2)...
......
......
Xm f (xm, y1) f (xm, y2) . . . f (xm, yn) p(xm)∑q(y1) q(y2) . . . q(yn) 1
Tabla 6.1: Distribucion de probabiliad conjunta
CASO CONTINUO
Sea (X,Y) una variable bi-dimensional continua que puede asumir todos los valores en
una region R del plano.
La funcion de densidad conjunta f (x, y) es una funcion que cumple las condiciones:
1. f (x, y) ≥ 0 para todo X perteneciente a R
2.∫ ∫
Rf (x, y)dy dx = 1
EJERCICIOS
1. Dos lıneas de produccion fabrican cierto tipo de artıculo. Supongase que la capaci-
dad (en cualquier dıa dado) es de 3 artıculos para la lınea I y de 5 artıculo para la
lınea II, pero el numero que realmente se produce con cada lınea de produccion es
una variable aleatoria. Llamemos (X,Y) la variable aleatoria bi-dimensional discreta
que indica el numero de artıculos fabricados por la lınea I y por la lınea II, respecti-
vamente.
a) Calcular la probabilidad de que se fabriquen igual cantidad de artıculos en am-
bas lıneas.
CAPITULO 6. VECTOR ALEATORIO 229
HHHHHHXY
0 1 2 3 4 5
0 0 0,01 0,03 0,05 0,07 0,091 0,01 0,02 0,04 0,05 0,06 0,082 0,01 0,03 0,05 0,05 0,05 0,063 0,01 0,02 0,04 0,06 0,06 0,06
Tabla 6.2: Distribucion de probabilidad
b) Calcular la probabilidad de que se fabriquen mas artıculos en la lınea I que la
II.
c) Calcular la probabilidad de que se fabriquen mas artıculos en la lınea II que la
I.
Solucion:
a) Igual cantidad de artıculos en ambas lıneas:
P = P(0, 0) + P(1, 1) + P(2, 2) + P(3, 3)
P = 0 + 0,02 + 0,05 + 0,06 = 0,13
b) Mas artıculos en la lınea I que la II:
P = P(1, 0) + P(2, 0) + P(2, 1) + P(3, 0) + P(3, 1) + P(3, 2)
P = 0,01 + 0,01 + 0,03 + 0,01 + 0,02 + 0,04 = 0,12
c) Mas artıculos en la lınea II que la I:
P = P(0, 1) + P(0, 2) + P(0, 3) + P(0, 4) + P(0, 5) + P(1, 2) + P(1, 3) + P(1, 4)+
+P(1, 5) + P(2, 3) + P(2, 4) + P(2, 5) + P(3, 4) + P(3, 5)
P = 0,01 + 0,03 + 0,05 + 0,07 + 0,09 + 0,04 + 0,05 + 0,06 + 0,08 + 0,05 + 0,05+
+0,06 + 0,06 + 0,06 = 0,76
CAPITULO 6. VECTOR ALEATORIO 230
2. La funcion de probabilidad conjunta de la variable aleatoria bi-dimensional X y Y
esta dada por:
p(x, y) =
c(2X + Y) 0 ≤ X ≤ 2 ; 0 ≤ Y ≤ 3
0 de otra manera
a) Encuentre el valor de la constante c.
b) Encuentre P(2, 1).
c) Encuentre P(X ≥ 1,Y ≤ 2).
Solucion:
Sustituyendo los valores de X y Y en p(x, y), tenemos:
HHHHHHYX
0 1 2 3∑
0 0 c 2c 3c 6c1 2c 3c 4c 5c 14c2 4c 5c 6c 7c 12c∑
6c 9c 12c 15c 42c
Tabla 6.3: Distribucion de probabilidad
a) Constante c:
La sumatoria total de las probabilidad de X o Y debe ser igual a 1, por lo que
tenemos que:
42c = 1 =⇒ c =142
b) P(2, 1):
P(2, 1) = 5c =5
42
c) P(X ≥ 1,Y ≤ 2):
P(X ≥ 1,Y ≤ 2) = P(1, 0) + P(1, 1) + P(1, 2) + P(2, 0) + P(2, 1) + P(2, 2)
P(X ≥ 1,Y ≤ 2) =2 + 3 + 4 + 4 + 5 + 6
42=
47
CAPITULO 6. VECTOR ALEATORIO 231
3. Dado que p(x, y) = cxy en los puntos (1,1), (2,1), (2,2) y (3,1).
a) Dibuje la distribucion de probabilidad conjunta p(x, y) = cxy.
b) Calcule la constante c.
c) Hallar p(x).
Solucion:
a) Grafica de p(x, y) = cxy:
La grafica de la distribucion de probabilidad para este problema la podemos ver
a continuacion en la Figura 6.1:
1
2
1
2
3
X
Y 3
12
2
Z
1
4c
c
2c
3c
Figura 6.1: Distribucion de Probabilidad Conjunta
b) Constante c:
Para calcular la constante c elaboramos la tabla de distribucion de probabilidad
conjunta (Tabla 6.4):
CAPITULO 6. VECTOR ALEATORIO 232
HHHHHHXY
1 2 3∑
1 c 2c 3c 6c2 0 4c 0 4c∑
c 6c 3c 10c
Tabla 6.4: Distribucion de Probabilidad
Ahora bien, si la sumatoria de las probabilidades debe ser igual a 1, entonces:
10c = 1 =⇒ c =1
10
c) p(x):
Sustituyendo el valor de c en 6.4, tenemos la nueva tabla:
HHHHHHXY
1 2 3∑
1 110
210
310
610
2 0 410 0 4
10∑ 110
610
310 1
Tabla 6.5: Distribucion de Probabilidad
Por lo que p(x) la podemos ver en la ultima fila de la Tabla 6.5, y de manera
individual tenemos:
X 1 2 3p(x) 1
10610
310
Tabla 6.6: Distribucion de Probabilidad de X
4. Supongase que una partıcula radioactiva se localiza aleatoriamente en un cuadrado
con lados de longitud unitaria. Es decir, si se consideran dos regiones de la misma
area, la partıcula tendra igual probabilidad de estar en cualquiera de ellas. Sean X y
Y las coordenadas en el plano que localizan la partıcula y su distribucion uniforme
CAPITULO 6. VECTOR ALEATORIO 233
es:
f (x, y) =
1 0 ≤ X ≤ 1 ; 0 ≤ Y ≤ 1
0 de otra manera
a) Elabore un diagrama de la superficie de densidad de probabilidad.
b) Obtenga F(0,2; 0,4).
c) Hallar la P(0,1 ≤ X ≤ 0,3 ; 0 ≤ Y ≤ 0,5).
Solucion:
a) La superficie de la funcion de densidad para este problema la podemos ver en
la Figura 6.2:
f(x,y)
X
Y1
1
1
0
Figura 6.2: Superficie de la distribucion de probabilidad
b) F(0,2; 0,4) es la acumulada hasta 0,2 y 0,4 de X y Y , respectivamente, para
calcular esta probabilidad integramos la distribucion de probabilidad para esos
valores, por lo tanto tenemos:
F(0,2; 0,4) = P(X ≤ 0,2 ; Y ≤ 0,4)
CAPITULO 6. VECTOR ALEATORIO 234
P(X ≤ 0,2 ; Y ≤ 0,4) =
∫ 0,2
0
∫ 0,4
0dy dx = 0,08
c) La P(0,1 ≤ X ≤ 0,3 ; 0 ≤ Y ≤ 0,5) se calcula de igual manera que la parte b.
P(0,1 ≤ X ≤ 0,3 ; 0 ≤ Y ≤ 0,5) =
∫ 0,3
0,1
∫ 0,5
0dy dx = 0,1
5. Supongamos que la variable aleatoria bi-dimensional continua tiene la densidad con-
junta:
f (x, y) = x2 +xy3
para 0 ≤ X ≤ 1 ; 0 ≤ Y ≤ 2
Calcular P(X + Y > 1).
Solucion:
Primero dibujamos la superficie de la funcion de densidad del problema (Figura 6.3):
0
0.5
1
1.5
X1
2Y
f(x,y)
Figura 6.3: Superficie de la distribucion de probabilidad
Si proyectamos la figura solamente en el plano XY obtenemos la Figura 6.4. Ahora
bien, si delimitamos esta y dejamos el area definida por X + Y > 1, tenemos la Figura
6.5:
CAPITULO 6. VECTOR ALEATORIO 235
0 10
1
2
Y
X
Figura 6.4: Proyeccion en el plano XY
0 10
1
2
Y
X
X + Y = 1
X + Y > 1
Figura 6.5: Proyeccion en el plano XY y delimitacion del area
CAPITULO 6. VECTOR ALEATORIO 236
Por lo tanto, el area sombreada en la Figura 6.5 es el area que debemos calcular, y
ası conseguir la P(X + Y > 1).
Para desarrollar este calculo, debemos calcular la integral doble de la funcion de
densidad, primero observamos de donde a donde se mueven X y Y; X se mueve desde
“0” hasta “2”, y Y desde la recta “Y = 1 − X ” hasta “2”; por lo tanto desarrollando
la doble integral tenemos:
P(X + Y > 1) =
∫ 1
0
∫ 2
1−x
(x2 xy
3
)dydx
P(X + Y > 1) =
∫ 1
0
(56
x3 +43
x2 12
x)
dx
P(X + Y > 1) =6572
6. Un fabricante de lamparas esta interesado en los pedidos que ha tenido en los meses
de Enero y Febrero, por lo que llamaremos X y Y los pedidos realizados en esos dos
meses, respectivamente. Supongamos que la densidad conjunta de esas variables es:
f (x, y) = c para 5000 ≤ X ≤ 10000 ; 4000 ≤ Y ≤ 9000
¿Cual es la probabilidad de que se hayan presentado mas pedidos en enero que en
febrero?
Solucion:
Primero debemos buscar el valor de c, para ello utilizamos la condicion numero 2
de la distribucion de probabilidad, donde dice que el area total de superficie de la
distribucion debe ser igual a 1, por lo tanto tenemos:∫ 10000
5000
∫ 9000
4000cdy dx = 1
c =1
(5000)2
Por lo tanto tenemos que la distribucion de probabilidad conjunta es:
f (x, y) =1
(5000)2 para 5000 ≤ X ≤ 10000 ; 4000 ≤ Y ≤ 9000
CAPITULO 6. VECTOR ALEATORIO 237
Ahora bien, si dibujamos en el plano XY el area buscada obtenemos la Figura 6.6
0 5000 100000
4000
9000
X
Y
Y=X
X>Y
X<Y
Figura 6.6: Proyeccion en el plano XY y delimitacion del area
Para calcular la probabilidad pedida tenemos:
P(X > Y) = 1 − P(X < Y)
P(X > Y) = 1 −∫ 10000
5000
∫ 9000
4000
1(5000)2 dy dx
P(X > Y) = 1 −∫ 10000
5000
(9000
(5000)2 −x
(5000)2
)dx
P(X > Y) = 0,68
Por lo tanto tenemos que la probabilidad de que se venda mas en el mes de enero que
de febrero es del 68 %
7. Si f (x, y) = e−(x+y) para valores positivos de X y Y . Obtenga las siguientes probabili-
dades:
CAPITULO 6. VECTOR ALEATORIO 238
a) P(X > 1)
b) P(X < Y/X < 2Y)
c) P(X + Y < 4)
d) Encuentre el valor de k para que se cumpla P(X + Y < k) = 12
e) P(n < X + Y < m) si 0 < n < m
f ) Si se toman 3 valores de esa distribucion, ¿cual es la probabilidad de que al
menos 1 de estos valores caiga en el cuadrado unitario?
Solucion:
Si graficamos la superficie de la distribucion de probabilidad f (x, y) obtenemos la
Figura 6.7
0
2
4
2
4
0
0.2
0.4
0.6
0.8
1
XY
f(x,y)
Figura 6.7: Superficie de la Distribucion de Probabilidad
Si proyectamos en el plano XY tenemos la Figura 6.8
CAPITULO 6. VECTOR ALEATORIO 239
0 2 4
2
4
Y
X
Figura 6.8: Proyeccion en XY de la Distribucion de Probabilidad
a) P(X > 1):
Para calcular esta probabilidad delimitamos el area de la Figura 6.8 al area con
X > 1 y tenemos:
0 1 3 5
2
4
Y
X
X > 1
Figura 6.9: Proyeccion del area R
CAPITULO 6. VECTOR ALEATORIO 240
P(X > 1) =
∫ ∞
1
∫ ∞
0e−(X+Y)dydx
P(X > 1) = 0,3679
b) P(X < Y/X < 2Y):
P(X < Y/X < 2Y) =P[(X < Y) ∩ (X < 2Y)]
P(X < 2Y)
Delimitamos el area marcada por ambas rectas y tenemos la Figura 6.10:
0 1 2 3 4 50
1
2
3
4
5
Y
x < 2y
X
x < y
Figura 6.10: Proyeccion del area R
El area delimitada por la interseccion entre las rectas es igual al area marcada
por X < Y como se observa en la Figura 6.10, por lo tanto tenemos:
P(X < Y/X < 2Y) =P(X < Y)P(X < 2Y)
P(X < Y/X < 2Y) =
∫ ∞0
∫ ∞x
e−(X+Y)dydx∫ ∞0
∫ ∞x/2
e−(X+Y)dydx
P(X < Y/X < 2Y) =
1223
=34
CAPITULO 6. VECTOR ALEATORIO 241
c) P(X + Y < 4):
El area R la podemos ver en la Figura 6.11:
0 1 2 3 4 50
1
2
3
4
5
Y
X
y < 4−x
Figura 6.11: Proyeccion del area R
P(X + Y < 4) =
∫ 4
0
∫ 4−x
0e−(X+Y)dydx
P(X + Y < 4) = 0,9084
d) Valor de k:
P(X + Y < k) =12∫ k
0
∫ 4−k
0e−(X+Y)dydx =
12
−e−k − ke−k + 1 =12
De lo anterior despejamos a k y obtenemos 2 posibles resultados de k:
k1 = −0,76803 ; k2 = 1,67834
Como resultado para este problema tomamos el valor de k = 1,67834, ya que
la distribucion solo esta definida para los valores positivos de X y Y .
CAPITULO 6. VECTOR ALEATORIO 242
e) P(n < X + Y < m) si 0 < n < m:
El area delimitada para el calculo de esta probabilidad la podemos ver repre-
sentada en la Figura 6.12:
Y
Xn
n
m
m
n < X + Y < m
Figura 6.12: Proyeccion del area R
Para calcular esta probabilidad primero calculamos la probabilidad de que X +
Y < m (triangulo mayor) y le restamos la probabilidad de que X + Y < n
triangulo menor:
P(n < X + Y < m) = P(X + Y < m) − P(X + Y < n)
P(n < X + Y < m) =
∫ m
0
∫ m−x
0e−(X+Y)dydx −
∫ n
0
∫ n−x
0e−(X+Y)dydx
P(n < X + Y < m) = e−n(1 + n) − e−m(1 + m)
f ) La probabilidad de que al menos 1 de estos valores caiga en el cuadrado unitario
es:
P(cuadrado unitario) =
∫ 1
0
∫ 1
0e−(X+Y)dydx
P(cuadrado unitario) = 0,3996
CAPITULO 6. VECTOR ALEATORIO 243
Si definimos A como el numero de valores que cayo en el cuadrado unitario,
tenemos que la probabilidad de que al menos uno caiga es:
P(A ≥ 1) = P(A = 1) + P(A = 2) + P(A = 3)
P(A ≥ 1) = P(cuadrado unitario)+(P(cuadrado unitario))2+(P(cuadrado unitario))3
P(A ≥ 1) = 0,3996 + (0,3996)2 + (0,3996)3 = 0,6231
6.2. Distribuciones Marginales
Las Distribuciones Marginales son las distribuciones individuales de X y de Y , se usan
cuando se desea estudiar solamente una de las variables.
CASO DISCRETO:
Sea (X,Y) una variable aleatoria bi-dimensional discreta distribuida p(x, y). Las dis-
tribuciones marginales de X y de Y se definen ası:
p(x) =∑
Y
p(x, y) ; q(y) =∑
X
p(x, y)
CASO CONTINUO:
Sea (X,Y) una variable aleatoria bi-dimensional continua distribuida f (x, y). Las dis-
tribuciones marginales de X y de Y se definen ası:
g(x) =
∫ ∞
−∞f (x, y)dy ; h(y) =
∫ ∞
−∞f (x, y)dx
CAPITULO 6. VECTOR ALEATORIO 244
EJERCICIOS
1. Se lanzan tres monedas y se define a X como el numero caras que salieron y Y el
numero de sucesiones. Encuentre las distribuciones marginales p(x) y q(y).
Solucion:
Los posibles valores que toman X y Y van de acuerdo al espacio muestral S :
S CCC CCS CSC SCC CSS SCS SSC SSSX 3 2 2 2 1 1 1 0Y 1 2 3 2 2 3 2 1
La Tabla 6.7 es la probabilidad conjunta del problema:
HHHHHHYX
0 1 2 3∑
1 18 0 0 1
828
2 0 28
28 0 4
83 0 1
818 0 2
8∑ 18
38
38
18 1
Tabla 6.7: Distribucion de Probabiliad Conjunta
Si tomamos las sumatorias obtenemos lar marginales, por lo tanto, la distribucion
marginal de X la podemos ver en la Tabla 6.8 y la distribucion marginal de Y en la
Tabla 6.9
X 0 1 2 3p(x) 1
838
38
18
Tabla 6.8: Distribucion Marginal de X
CAPITULO 6. VECTOR ALEATORIO 245
Y 1 2 3q(y) 2
848
28
Tabla 6.9: Distribucion Marginal de Y
2. Sea:
f (x, y) =
2X 0 ≤ X ≤ 1 ; 0 ≤ Y ≤ 1
0 de otra manera
Elabore la superficie de f (x, y) y encuentre las funciones de densidad marginal para
X y Y .
Solucion:
La grafica de la superficie de f (x, y) la podemos ver en la Figura 6.13:
0
11
0
1
2
f(x,y)
Figura 6.13: Superficie de f (x, y)
La distribucion marginal de X es:
g(x) =
∫ 1
02xdy = 2x para 0 ≤ X ≤ 1
CAPITULO 6. VECTOR ALEATORIO 246
La distribucion marginal de Y es:
h(y) =
∫ 1
02xdx = 1 para 0 ≤ Y ≤ 1
3. La variable aleatoria (X,Y) esta distribuida uniformemente en el triangulo de la Figu-
ra 6.14. Encuentre las distribuciones marginales de X y Y .
Y
X0 2−2
−3
Figura 6.14: Proyeccion en el plano XY
Solucion:
Si X y Y estan distribuidas uniformemente en la figura entonces, f (x, y) es:
f (x, y) =1
Area del triangulo=
16
para − 2 ≤ X ≤ 2 ; −3 ≤ Y ≤ 0
Ahora bien, para calcular las distribuciones marginales primero debemos definir los
lımites de integracion, para ello observamos la Figura 6.14 y delimitamos dentro de
que lımites se mueven X y Y . Para calcular la marginal de Y necesitamos el dx por
lo que en la Figura 6.15, se observa que X se mueve desde la recta Y = 1,5X hasta la
recta Y = −1,5X.
CAPITULO 6. VECTOR ALEATORIO 247
Y
X0 2−2
−3
Y = −1.5XY = 1.5X
Figura 6.15: Proyeccion en el plano XY
Por lo tanto tenemos que la marginal de Y es:
h(y) =
∫ −2/3y
2/3y
16
dx = −29
y para − 3 ≤ Y ≤ 0
Se oberva en la ecuacion que los lımites de integracion estan en funcion de Y , esto
se hizo despejando de las rectas los valores X con el fin de que la marginal de Y
solo quede en funcion de esta. Por otra parte, antes de continuar debemos aclarar
algo, desde el comienzo de esta unidad se ha dicho que las distribuciones deben
ser positivas, entonces ¿que ocurre para este caso en que h(y) = − 2y9 ?, la respuesta
es sencilla, si observamos Y siempre va a tomar valores negativos, por lo tanto al
sustituirlos en la distribucion marginal nos dara como resultados valores positivos.
Ahora bien, para calcular la marginal de X necesitamos el dy, tenemos en la Figura
6.16 de donde a donde se mueve Y . Podemos ver que existen dos lımites para Y uno
que se mueve desde -3 hasta la recta Y = 1,5X y otra que se mueve desde -3 hasta
Y = −1,5X, por lo que debemos dividir la distribucion marginal de X en dos partes.
CAPITULO 6. VECTOR ALEATORIO 248
Y
X0 2−2
−3
Y = −1.5XY = 1.5X
Figura 6.16: Proyeccion en el plano XY
Para −2 ≤ X ≤ 0:
g(x) =
∫ 1,5x
−3
16
dy =x4
+12
Para 0 < X ≤ 2:
g(x) =
∫ −1,5x
−3
16
dy = − x4
+12
En resumen tenemos:
g(x) =
x4 + 1
2 −2 ≤ X ≤ 0
− x4 + 1
2 0 < X ≤ 2
4. La variable aleatoria bidimensional (X,Y) esta distribuida f (x, y) = kx(x − y) para
0 < X < 2 ; −x < Y < x.
a) Encuentre la constante k.
b) Encuentre las densidades marginales.
Solucion:
La grafica de la proyeccion de este ejercicio la podemos ver en la Figura 6.17:
CAPITULO 6. VECTOR ALEATORIO 249
−2
−1
0
1
2
Y
X2
Figura 6.17: Proyeccion en el plano XY
a) La constante k la podemos hallar de la siguiente manera:∫ 2
0
∫ x
−x(kx2 − ky)dydx = 1
k =18
Por lo tanto la distribucion conjunta es:
f (x, y) =x8
(x − y) para 0 < X < 2 ; −x < Y < x
b) Los lımites de variacion de X y Y los podemos obervar en la Figura 6.18
La densidad marginal de X es:
g(x) =
∫ x
−x
(x2
8− xy
8
)dy =
x3
4
La densidad marginal de Y es:
Para −2 ≤ Y ≤ 0:
h(y) =
∫ 2
−y
(x2
8− xy
8
)dy =
5y3
48− y
4+
13
CAPITULO 6. VECTOR ALEATORIO 250
−2
−1
0
1
2
X2
Y
Y=X
Y= −X
Figura 6.18: Proyeccion en el plano XY
Para 0 < Y ≤ 2:
h(y) =
∫ 2
y
(x2
8− xy
8
)dy =
y3
48− y
4+
13
Por lo tanto tenemos:
h(y) =
5y3
48 − y4 + 1
3 −2 ≤ Y ≤ 0y3
48 − y4 + 1
3 0 < Y ≤ 2
6.3. Distribuciones Condicionales
CASO DISCRETO:
Sean (X,Y) variables aleatorias discretas con funcion de probabilidad p(x, y) y fun-
ciones de probabilidad marginales p(x) y q(y) respectivamente, entonces las funciones de
probabilidad condicional discreta son:
p(xi/y j) =p(xi, y j)
q(y j)si q(y j) > 0
q(y j/xi) =p(xi, y j)
p(xi)si p(xi) > 0
CAPITULO 6. VECTOR ALEATORIO 251
CASO CONTINUO:
Sean (X,Y) variables aleatorias continuas con funcion de probabilidad f (x, y) y fun-
ciones de probabilidad marginales g(x) y h(y) respectivamente, entonces las funciones de
probabilidad condicional continua son:
g(x/y) =f (x, y)h(y)
si h(y) > 0
h(y/x) =f (x, y)g(x)
si g(x) > 0
EJERCICIOS
1. De un grupo de profesores, 2 alumnos y 1 profesora, debe seleccionarse al azar un
comite de 2 personas. Sea X el numero de profesores y Y el numero de alumnos en
el comite. Encuentre:
a) La distribucion conjunta de X y Y .
b) La distribucion marginal de X y Y .
c) La distribucion condicional de X dado Y = 1.
Solucion:
a) Como se trata de un caso discreto la distribucion conjunta de X y Y la obtenemos
a traves de la tabla de probabilidad conjunta. Definamos las variables y sus
valores:
X = numero de profesores en el comite = 0, 1, 2Y = numero de alumnos en el comite = 0, 1, 2Para calcular cada una de las p(xi, y j) utilizamos Teorıa Combinatoria, por
ejemplo, para calcular la probabilidad de que el comite este conformado por
1 profesor y ningun alumno (p(X = 1,Y = 0)) tenemos:
p(1, 0) =
(31
)(20
)(
62
) =3
15
CAPITULO 6. VECTOR ALEATORIO 252
Probabilidad de que el comite este formado por un profesor y un alumno es:
p(1, 1) =
(31
)(21
)(
62
) =1
15
Asi sucesivamente vamos calculamos todas las posibles soluciones y obtenemos
la Tabla 6.10:
HHHHHHYX 0 1 2
∑
0 0 315
315
615
1 215
615 0 8
152 1
15 0 0 115∑ 3
15915
315 1
Tabla 6.10: Distribucion de probabiliad conjunta
b) Las distribuciones marginales de X y Y las podemos ver en las Tabla 6.11 y
6.12, respectivamente:
X 0 1 2p(x) 3
159
15315
Tabla 6.11: Distribucion marginal de X
Y 0 1 2q(y) 6
158
15115
Tabla 6.12: Distribucion marginal de Y
c) Observamos que se desea encontrar la distribucion condicional de X dado Y =
1, sin embargo no se pide un valor especıfico de X, por lo que se debe realizan
para todos los valores de X:
p(X = 0/Y = 1) =p(0, 1)q(1)
=14
CAPITULO 6. VECTOR ALEATORIO 253
p(X = 1/Y = 1) =p(1, 1)q(1)
=34
p(X = 2/Y = 1) =p(2, 1)q(1)
= 0
2. Sea f (x, y) = 2 para 0 < X < Y < 1. Encuentre las distribuciones marginales y
condicionales correspondientes.
solucion:
Calculamos las distribuciones marginales:
g(x) =
∫ 1
x2dy = 2 − 2x para 0 < X < 1
h(y) =
∫ y
02dx = 2y para 0 < Y < 1
Calculamos las distribuciones condicionales:
g(x/y) =22y
=1y
para 0 < X < 1 ; 0 < Y < 1
h(y/x) =2
2 − 2x=
11 − x
para 0 < X < 1 ; 0 < Y < 1
3. El dueno de un comedor le interesa estudiar los tiempos de espera de las personas en
su negocio. El define X como el tiempo total entre la llegada de un cliente al comedor
y su salida de la caja, y Y el tiempo que tarda el cliente en la cola antes de llegar a la
caja.
Su distribucion de probabilidad conjunta es: f (x, y) = e−x para 0 ≤ Y ≤ X < ∞.
Si han transcurrido 4 minutos entre la llegada de un cliente al comedor y su salida de
la caja, calcule la probabilidad de que haya esperado en la cola menos de 1 minuto.
Solucion:
Definimos nuevamente las variables:
X = tiempo total entre llegada y salida
Y = tiempo en la cola de la caja
CAPITULO 6. VECTOR ALEATORIO 254
Se pide entonces P(Y < 1/X = 4)
Calculamos la distribucion marginal de X:
g(x) =
∫ x
0e−xdy = xe−x
Calculamos la funcion condicional h(y/x):
h(y/x) =f (x, y)g(x)
=e−x
xe−x =1x
Tenemos:
P(y < 1/x = 4) =
∫ 1
0h(y/x = 4)dy =
∫ 1
0
14
dy =14
Por lo tanto, la probabilidad de que un cliente dure menos de un minuto en la cola,
sabiendo que duro 4 minutos desde que entro al local hasta salir de la caja, es del
25 %.
4. Una maquina vendedora de refresco se llena al principio de un dıa con una cantidad
aleatoria Y y despacha durante el dıa una cantidad aleatora X (medida en galones).
No se vuelve a surtir durante el dıa y entonces X ≤ Y . La densidad conjunta de X y
Y es:
f (x, y) =
12 0 ≤ X ≤ Y ; 0 ≤ Y ≤ 2
0 de otra manera
Encuentre:
a) La densidad condicional de X dado Y = y.
b) La probabilidad de que se venda menos de medio galon, dado que la maquina
contiene 1 galon al inicio del dıa.
Solucion:
a) Calculamos la distribucion de Y:
h(y) =
∫ y
0
12
dx =y2
CAPITULO 6. VECTOR ALEATORIO 255
Calculamos la densidad condicional:
g(X/Y = y) =f (x, y)h(y)
=
12y2
=1y
b) La probabilidad condicional es:
P(X < 0,5/ Y = 1) =
∫ 0,5
0g(x/y = 1)dx =
∫ 0,5
0dx =
12
Por lo tanto la probabilidad de que se venda menos de medio galon, dado que
la maquina contiene 1 galon al inicio del dıa es del 50 %.
5. Sea:
f (x, y) =
4xy 0 ≤ X ≤ 1 ; 0 ≤ Y ≤ 1
0 de otra manera
Encuentre:
a) Las distribuciones marginales.
b) Las distribuciones condicionales.
c) P(X ≤ 0,5/Y ≥ 0,75).
d) P(X ≤ 0,75/Y = 0,5).
Solucion:
a) La distribucion marginal de X es:
g(x) =
∫ 1
04xydy = 2x para 0 ≤ X ≤ 1
La distribucion marginale de Y es:
h(y) =
∫ 1
04xydx = 2y para 0 ≤ Y ≤ 1
b) La distribucion condicional X dado Y es:
g(x/y) =f (x, y)h(y)
=4xy2y
= 2x
CAPITULO 6. VECTOR ALEATORIO 256
La distribucion condicional Y dado X es:
h(y/x) =f (x, y)g(x)
=4xy2x
= 2y
c) P (X ≤ 0,5/Y ≥ 0,75):
P(X ≤ 0,5/Y ≥ 0,75) =
∫ 12
0
∫ 134
f (x, y)dydx∫ 1
34
h(y)dy=
14
d) P(X ≤ 0,75/Y = 0,5):
P(X ≤ 0,75/Y = 0,5) =
∫ 34
0g(x/y = 0,5)dx =
916
6. Dada la funcion de densidad conjunta:
f (x, y) =2(x + 6y)
7para 0 ≤ X ≤ 1 ; 0 ≤ Y ≤ 1
Calcular:
a) P(X ≤ 0,3/y).
b) P(X ≤ 0,3/y = 0,8)
Solucion:
a) Para calcular la P(X ≤ 0,3/y) debemos calcular primero la distribucion
marginal de Y , luego la distribucion condicional de X dado Y:
h(y) =
∫ 1
0
27
(x = 6y)dx =17
+12y7
g(x/y) =f (x, y)h(y)
=2(x = 6y)1 + 12y
Por lo tanto tenemos:
P(X ≤ 0,3/y) =
∫ 0,5
0g(x/y)dx =
0,09 + 3,6y1 + 12y
CAPITULO 6. VECTOR ALEATORIO 257
b) Para calcular esta probabilidad sustituimos el valor de Y = 0,8) en la distribu-
cion condicional g(x/y = 0,8) para obtener la P(X ≤ 0,3/y = 0,8):
P(X ≤ 0,3/y = 0,8) =
∫ 0,3
0g(x/y = 0,8) =
∫ 0,3
0
1053
(x + 4,8)dx
P(X ≤ 0,3/y = 0,8) = 0,2801
6.4. Variables Aleatorias Independientes
Nuevamente en este capıtulo retomamos el tema de independencia, recordemos que
las variables aleatorias X y Y son independientes si los valores que toma una de ellas de
ninguna manera afecta los valores que toma la otra.
Para verificar si son o no independientes tenemos lo siguiente:
CASO DISCRETO:
Sea (X,Y) una variable aleatoria bidimensional discreta. Las variables X y Y son inde-
pendientes ssi:
p(xi, y j) = p(xi) ∗ q(y j) ∀ y i ∀ j
CASO CONTINUO:
Sea (X,Y) una variable aleatoria bidimensional continua. Las variables X y Y son inde-
pendientes ssi:
f (x, y) = g(x) ∗ h(y)
EJERCICIOS
CAPITULO 6. VECTOR ALEATORIO 258
1. Se asignan aleatoriamente los contratos para 2 construcciones a una o mas de 3 em-
presas A, B y C. Sea X el numero de contratos asignados a la empresa A, y Y el
numero de contratos asignados a B.
a) Encuentre la funcion de probabilidad conjunta X y Y .
b) Encuentre las distribuciones marginales X y Y .
c) ¿Son X y Y independientes?
Solucion:
a) La funcion de probabilidad conjunta la podemos ver en la Tabla 6.13
HHHHHHYX 0 1 2
0 19
29
19
1 29
29 0
2 19 0 0
Tabla 6.13: Distribucion de Probabilidad Conjunta
b) Las distribuciones marginales X y Y la podemos ver en las Tablas 6.14 y 6.15:
X 0 1 2p(x) 4
949
19
Tabla 6.14: Distribucion Marginal de X
Y 0 1 2q(y) 4
949
19
Tabla 6.15: Distribucion Marginal de Y
c) Para verificar que X y Y son independientes, se debe cumplir lo siguiente:
p(xi, y j) = p(xi) ∗ q(y j)
CAPITULO 6. VECTOR ALEATORIO 259
Por lo tanto:
p(x = 1, y1) = p(x = 1) ∗ q(y = 1)
29
=49∗ 4
929,
1681
Como son diferentes, entonces X y Y no son independientes.
2. Sea
f (x, y) =
4xy 0 ≤ X ≤ 1 ; 0 ≤ Y ≤ 1
0 de otra manera
Demuestre que X y Y son independientes.
Solucion:
Buscamos las marginales:
g(x) =
∫ 1
04xydy = 2x
h(y) =
∫ 1
04xydx = 2y
Tenemos:
f (x, y) = g(x) ∗ h(y)
4xy = 2x ∗ 2y
La multiplicacion de las marginales es exactamente igual a la distribucion conjunta,
por lo tanto las variables X y Y si son independientes.
6.5. Momentos de Variables Aleatorias Bidimensionales
Se define como el momento de orden n1 + n2 a la esperanza matematica de la variable
aleatoria bidimensional (X,Y):
CAPITULO 6. VECTOR ALEATORIO 260
CASO DISCRETO:
E[Xn1Yn2] =∑∑
xn1yn2 p(x, y)
CASO CONTINUO:
E[Xn1Yn2] =
∫ ∫xn1yn2 f (x, y)dydx
EJERCICIOS
1. X y Y tienen la densidad conjunta:
f (x, y) =
2x 0 ≤ X ≤ 1 ; 0 ≤ Y ≤ 1
0 de otra manera
Obtenga E(XY) y V(X).
Solucion:
Para calcular E(XY) observamos que n1 = 1 y n2 = 2, es decir, calculamos el mo-
mento de orden 2, o tambien llamado la esperanza producto:
E(XY) =
∫ 1
0
∫ 1
0x ∗ y ∗ f (x, y)dydx
E(XY) =
∫ 1
0
∫ 1
0x ∗ y ∗ 2xdydx =
13
Calculamos la varianza de X, para ello recordamos del capıtulo 3, que la varianza de
una variable aleatoria se calcula restandole al segundo momento, el primer momento
elevado al cuadrado, por lo tanto tenemos:
V(X) = E(X2) − [E(X)]2
V(X) =
∫ 1
0
∫ 1
0x2 ∗ 2xdydx −
[∫ 1
0
∫ 1
0x ∗ 2xdydx
]2
V(X) =12−
(23
)2
=1
18
CAPITULO 6. VECTOR ALEATORIO 261
2. Dada la distribucion conjunta:
f (x, y) =
6(1 − y) 0 ≤ X ≤ Y ≤ 1
0 de otra manera
Encuentre:
a) E(X) y E(Y).
b) V(X) y V(Y).
c) E(X − 3Y).
Solucion:
a) Calculamos E(X):
E(X) =
∫ 1
0
∫ 1
xx ∗ 6(1 − y)dydx =
14
Calculamos E(Y):
E(Y) =
∫ 1
0
∫ 1
xy ∗ 6(1 − y)dydx =
12
b) Calculamos la V(X):
V(X) = E(X2) − [E(X)]2
V(X) =
∫ 1
0
∫ 1
xx2 ∗ 6(1 − y)dydx −
[∫ 1
0
∫ 1
xx ∗ 6(1 − y)dydx
]
V(X) =1
10−
(14
)2
=3
80
Calculamos V(Y):
V(Y) = E(Y2) − [E(Y)]2
V(Y) =
∫ 1
0
∫ 1
xy2 ∗ 6(1 − y)dydx −
[∫ 1
0
∫ 1
xy ∗ 6(1 − y)dydx
]
V(Y) =3
10−
(12
)2
=1
20
CAPITULO 6. VECTOR ALEATORIO 262
c) Para calcular la E(X − 3Y) utilizamos las propiedades de la esperanza:
E(X − 3Y) = E(X) − 3E(Y)
E(X − 3Y) =14− 3 ∗ 1
2= −5
4
3. En una distribucion de frecuencias para la variable aleatoria bidimensional (X,Y) se
ha obtenido la siguiente tabla:
HHHHHHYX 3 4 7 8 Totales
5 4 2 3 0 97 2 1 2 2 79 2 2 4 3 11
Totales 8 5 9 5 27
Tabla 6.16: Distribucion de frecuencia
Encuentre E(XY), E(X) y E(Y2).
Solucion:
Buscamos la tabla de probabilidad conjunta del ejercicios:
HHHHHHYX 3 4 7 8
∑
5 427
227
327 0 9
277 2
27127
227
227
727
9 227
227
427
327
1127∑ 8
27527
927
527 1
Tabla 6.17: Distribucion de probabilidad conjunta
E(XY) = 5∗3∗ 427
+5∗4∗ 227
+5∗7∗ 327
+7∗3∗ 227
+7∗4 127
+7∗7∗ 227
+7∗8∗ 227
+9∗3∗ 227
+
+9 ∗ 4 ∗ 227
+ 9 ∗ 7 ∗ 427
+ 9 ∗ 8 ∗ 327
=1079
27
CAPITULO 6. VECTOR ALEATORIO 263
E(X) = 3 ∗ 827
+ 4 ∗ 527
+ 7 ∗ 927
+ 8 ∗ 527
=499
E(Y2) = (5)2 ∗ 927
+ (7)2 ∗ 727
+ (9)2 ∗ 1127
=1459
27
6.6. La Covarianza
La Covarianza de X y Y mide el grado de relacion o de dependencia entre las variables
X y Y . Se mide en las unidades de X multiplicadas por las unidades de Y .
σx,y = COV(X,Y) = E(XY) − E(X) ∗ E(Y)
Si la Covarianza de dos variables aleatorias es igual a cero, entonces las variables son
independientes.
A diferencia de la varianza que es extrictamente positiva, la Covarianza puede tomar
valores negativos y positivos.
La Covarianza sera positiva cuando los valores de X aumentan con los valores de Y , es
decir se mueven en la misma direccion; y sera negativa cuando los valores de X disminuyen
al aumentar los valores de Y .
EJERCICIOS
1. Se lanza una moneda y un dado correctos. Sean X el numero de caras obtenidas y Y
el numero que sale en el dado. Calcule la covarianza.
Solucion:
CAPITULO 6. VECTOR ALEATORIO 264
X = Numero de caras
Y = Numero del dado
De antemano sabemos que el resultado de la moneda es independiente del lanza-
miento del dado (las variables X y Y son independientes), por lo que la covarianza
debe ser igual a cero, sin embargo vamos a comprobarlo.
La tabla de probabilidad conjunta del problema la podemos ver en la Tabla 6.18:
HHHHHHXY 1 2 3 4 5 6
∑
0 112
112
112
112
112
112
612
1 112
112
112
112
112
112
612∑ 2
12212
212
212
212
212 1
Tabla 6.18: Distribucion de probabiliad conjunta
E(XY) =1 + 1 ∗ 2 + 1 ∗ 3 + 1 ∗ 4 + 1 ∗ 5 + 1 ∗ 6
12=
2112
E(X) = 0 ∗ 612
+ 1 ∗ 612
=612
E(Y) =2 + 4 + 6 + 8 + 10 + 12
12=
4212
Por lo tanto:
σx,y =2112− 6
12∗ 42
12= 0
Como se dijo desde un principio la covarianza es igual a cero, lo que ratifica que el
numero de cara que salga es el lanzamiento de una moneda es totalmente independi-
ente del numero que salga en el dado.
CAPITULO 6. VECTOR ALEATORIO 265
2. Dada la distribucion de probabilidad conjunta:
f (x, y) =
3x 0 ≤ Y ≤ X ≤ 1
0 de otra manera
Encuentre la covarianza.
Solucion:
E(XY) =
∫ 1
0
∫ x
0x ∗ y ∗ 3xdydx =
310
E(X) =
∫ 1
0
∫ x
0x ∗ 3xdydx =
34
E(Y) =
∫ 1
0
∫ x
0y ∗ 3xdydx =
38
Por lo tanto:
σx,y =3
10− 3
4∗ 3
8= 0,0188
Lo que significa que las variables aleatorias X y Y son dependientes.
3. Se les realizo un tratamiento a 5 pacientes de cierta enfermedad con un farmaco, en
el estudio se variaron las cantidades diarias suministradas del mismo, y se midio el
numero de dıas en que cada enfermo tardo en sanar. Se obtuvieron los siguientes
resultados:
Miligramos del farmaco 10 20 30 40 50Dıas en sanar 200 180 150 120 100
Calcular la covarianza entre estas dos variables.
Solucion:
CAPITULO 6. VECTOR ALEATORIO 266
Definimos las variables:
X = Miligramos del farmaco
Y = Dıas en sanar
Elaboramos la tabla de distribucion de probabilidad:
HHHHHHYX
10 20 30 40 50∑
200 15 0 0 0 0 1
5180 0 1
5 0 0 0 15
150 0 0 15 0 0 1
5120 0 0 0 1
5 0 15
100 0 0 0 0 15
15∑ 1
515
15
15
15 1
Tabla 6.19: Distribucion de Probabilidad Conjunta
E(XY) =200 ∗ 10 + 180 ∗ 20 + 30 ∗ 150 + 40 ∗ 120 + 50 ∗ 100
5= 3980
E(X) =10 + 20 + 30 + 40 + 50
5= 30
E(Y) =200 + 180 + 150 + 120 + 100
5= 150
Por lo tanto tenemos:
σx,y = 3980 − 30 ∗ 150 = −520
La covarianza toma un valor negativo, por lo que podemos afirmar que a medida que
se aumenta los miligramos del farmaco, disminuye la cantidad de dıas necesarios
para la sanacion de los pacientes, por lo que las variables son dependientes.
CAPITULO 6. VECTOR ALEATORIO 267
6.7. Coeficiente de Correlacion
La correlacion es una tecnica estadıstica que usa para para determinar la relacion entre
dos variables, para este caso estudiaremos el Coeficiente de Correlacion.
El coeficiente de correlacion (ρ) mide el grado de dependencia lineal entre dos variables
aleatorias cuantitativas, por lo que es adimensional (no posee unidades de medida).
ρ =σx,y
σxσy; −1 ≤ ρ ≤ 1
Si ρ = -1, existe una correlacion lineal negativa perfecta, es decir hay una relacion
inversa, cuando una de ellas aumenta la otra disminuye en identica proporcion.
Si ρ esta entre (-1,0), existe una correlacion lineal negativa entre las variables.
Si ρ = 0, significa que no existe una correlacion lineal entre las variables, es decir, son
independientes.
Si ρ esta entre (0,1), significa que existe una correlacion lineal positiva.
Por ultimo, si ρ = 1, significa que existe una correlacion lineal positiva perfecta, por lo
que hay una dependencia total entre las dos variables, cuando una de ellas aumenta la otra
tambien aumenta en identica proporcion.
EJERCICIOS
1. Una variable aleatoria bidimensional discreta tiene como distribucion de probabili-
dad cojunta la mostrada en la Tabla 6.20.
Calcule el coeficiente de correlacion.
CAPITULO 6. VECTOR ALEATORIO 268
HHHHHHYX 1 -1 2 -2
∑
1 14
14 0 0 2
424 0 0 1
414
24∑ 1
414
14
14 1
Tabla 6.20: Distribucion de probabiliad conjunta
Solucion:
E(XY) =1+(−1)+8+(−8)
4 = 0
Para la variable X tenemos: Para la variable Y tenemos:
E(X) =1+(−1)
4 = 0 E(Y) =2+8
4 =104
E(X2) =1+1+4+4
4 =104 E(Y2) =
2+324 =
344
V(X) =104 V(Y) =
344 −
(104
)2=
94
Tenemos:
ρ =σx,y
σxσy=
E(XY) − E(X) ∗ E(Y)√E(X2) − [E(X)]2 ∗
√E(Y2) − [E(Y)]2
ρ =0 − 0 ∗ 10
4√104
√94
= 0
Por lo tanto entre las variables (X,Y) no existe una dependencia lineal.
2. La variable aleatoria (X,Y) esta distribuida uniformemente sobre el triangulo de la
Figura 6.19. Encuentre ρ.
CAPITULO 6. VECTOR ALEATORIO 269
−2 −1 0 1 2
Y
1
X
Figura 6.19: Proyeccion en el plano XY
Solucion:
Como la variable aleatoria bidimensional esta distribuida uniformemente, tenemos
que la distribucion conjunta es:
f (x, y) =1
Area=
12
para − 2 ≤ X ≤ 2 ; 0 ≤ Y ≤ 1
Calculamos la ecuacion de la recta que va desde el punto (-2 ; 0) al punto (2 ; 1), y
tenemos:
Y =X4
+12
Tenemos entonces:
E(XY) =
∫ 2
−2
∫ X4 + 1
2
0
xy2
dydx =13
E(X) =
∫ 2
−2
∫ X4 + 1
2
0
x2
dydx =23
E(Y) =
∫ 2
−2
∫ X4 + 1
2
0
y2
dydx =13
CAPITULO 6. VECTOR ALEATORIO 270
E(X2) =
∫ 2
−2
∫ X4 + 1
2
0
x2
2dydx =
43
E(Y2) =
∫ 2
−2
∫ X4 + 1
2
0
y2
2dydx =
43
ρ =
13 − 2
3 ∗ 13√
43 −
(23
)2√
16 −
(13
)2=
12
Existe una dependencia lineal positiva entre X y Y .
6.8. Distribucion de la funcion de dos variables aleatorias
Para esta seccion estudiaremos el calculo de la funcion de densidad de una variable
aleatoria Z a partir de funcion de densidad de la variable aleatoria bidimensional (X,Y).
EJERCICIOS
1. Las variables aleatorias X y Y obedecen la distribucion de probabilidad f (x, y) =
e−(x+y) en el cuadrante positivo. Encuentre la distribucion de probabilidad de Z =
X + Y .
Solucion:
Para este caso, la distribucion de probabilidad de la variable continua Z es la suma de
dos variables aleatorias (X y Y), esto lo realizamos segun la siguiente metodologıa:
g(z) =
∫ ∞
−∞f (x, z − x)dx
CAPITULO 6. VECTOR ALEATORIO 271
Debemos crear la funcion f (x, z − x) que solo dependa de X y Z; sabemos que Z =
X + Y , despejamos a Y y tenemos Y = Z − X, es decir, siempre que aparezca Y
sustituiremos por Z − X, tenemos entonces:
f (x, y) = e−(x+y)
f (x, z − x) = e−(x+z−x) = e−z
Ahora bien, debemos establecer los lımites para los cuales Z esta definida, para ello
realizamos el mismo procedimiento, sustituimos Y por Z − X:
X > 0
Y > 0
X > 0
Z − X > 0
X > 0
Z > X
Por lo tanto tenemos el area bajo estudio se muestra en la Figura 6.20:
0
Z
Z > X
X
Z = X
Figura 6.20: Proyeccion en el plano XZ
Ahora calculamos la funcion de distribucion y tenemos:
g(z) =
∫ Z
0e−Zdx = Ze−Z para Z > 0
CAPITULO 6. VECTOR ALEATORIO 272
2. La variable aleatoria (X,Y) esta distribuida uniformemente en el cuadrado unitario.
Encuentre la densidad de Z = X + Y .
Solucion:
Observamos que la variable Z se trata de nuevo de la suma de X y Y como el caso
anterior, utilizamos la misma metodologıa:
f (x, y) = 1 para 0 ≤ X ≤ 1 ; 0 ≤ Y ≤ 1
f (x, z − x) = 1
Los lımites para los cuales Z esta definida son:
0 < X < 1
0 < Y < 1
0 < X < 1
0 < Z − X < 1
0 < X < 1
X < Z < 1 + X
Por lo tanto tenemos la Figura 6.21:
0 0.5 10
0.5
1
1.5
2
Z
X
Z = 1+X
Z = X
Figura 6.21: Proyeccion en el plano XZ
Para este caso observamos en la grafica que X se mueve desde dos puntos diferentes,
uno va desde 0 hasta la recta Z = X (zona roja) y otra toma valores desde la recta
CAPITULO 6. VECTOR ALEATORIO 273
Z = X + 1 hasta el valor de 1 (zona azul), por lo tanto debemos dividir la funcion de
densidad de Z en dos partes:
Para 0 < Z ≤ 1:
g(z) =
∫ Z
0dx = Z
Para 1 < Z ≤ 2:
g(z) =
∫ 1
Z−1dx = 2 − Z
En resumen tenemos:
g(z) =
Z 0 < Z ≤ 1
2 − Z 1 ≤ Z ≤ 2
3. Sea la funcion de densidad conjunta de (X,Y):
f (x, y) =
3x 0 ≤ Y ≤ X ≤ 1
0 en otra parte
Hallar la funcion de densidad de probabilidad para Z = X − Y y graficarla.
Solucion:
En este ejercicio se trata de la resta de dos variables aleatorias, sin embargo se puede
tratar como los casos anteriores donde se trataba de una suma de variables.
f (x, y) = 3x para 0 ≤ Y ≤ X ≤ 1
f (x, x − z) = 3x
Los lımites para los cuales Z esta definida son:
0 < X < 1
0 < Y < X
0 < X < 1
0 < X − Z < X
0 < X < 1
0 < Z < X
CAPITULO 6. VECTOR ALEATORIO 274
0 0.5 10
0.5
1
X
Z
Z=X
Z<X
Figura 6.22: Proyeccion en el plano XZ
Estos lımites definen el area mostrada en la Figura 6.22.
g(z) =
∫ 1
Z3xdx =
32
(1 − Z2) para 0 ≤ Z ≤ 1
La grafica de la funcion de densidad de Z la observamos en la Figura 6.23.
0 0.2 0.4 0.6 0.8 1
0.5
1
1.5
Z
g(z)
Figura 6.23: Distribucion de probabilidad de Z
CAPITULO 6. VECTOR ALEATORIO 275
4. Las variables X y Y son independientes, y sus distribuciones son las siguientes:
g(x) =8x3 para X > 2
h(y) = 2y para 0 < Y < 1
Encontrar la distribucion de Z = XY .
Solucion:
Para este caso observamos que se trata de la multiplicacion de dos variables aleato-
rias, para este caso seguimos la siguiente metodologıa1 :
Si Z = XY:
g(z) =
∫ ∞
−∞
1x
f(x,
zx
)dx para Z > 0
g(z) =
∫ ∞
−∞
1|x| f
(x,
zx
)dx para −∞ < Z < ∞
Tenemos que si X y Y son independientes, entonces f (x, y) = g(x) ∗ h(y):
f (x, y) =16yx3 para X > 2 ; 0 < Y < 1
Si Y =ZX , entonces:
f(x,
zx
)=
2ZX
Los lımites en que esta definida Z sera entonces:
X > 2
0 < Y < 1
X > 2
0 < ZX < 1
X > 2
0 < Z < X
Graficamos y tenemos:1 Estas metodologıas son las recomendadas por el Profesor Oswaldo Ramırez en su publicacion Estocasti-
ca 1
CAPITULO 6. VECTOR ALEATORIO 276
0 1 2 3 4 5
1
2
3
4
5
X
Z
Z=X
Z<2
Z>2
Figura 6.24: Proyeccion en XZ
Dividimos la funcion de densidad de Z en dos partes, como se ve en la Figura 6.24:
Para 0 ≤ Z < 2:
g(z) =
∫ ∞
2
1X∗(
8X3
)∗(2Zx
)dx =
Z4
Para Z ≥ 2:
g(z) =
∫ ∞
Z
1X∗(
8X3
)∗(2Zx
)dx =
4Z3
Por lo tanto tenemos:
g(z) =
Z4 0 ≤ Z < 24
Z3 Z ≥ 2
5. Si las variables X y Y tienen funcion de densidad conjunta:
f (x, y) =xy96
para 0 < X < 4 ; 1 < Y < 4
Encuentre la funcion de densidad de Z = X2Y .
Solucion:
Nuevamente se trata de la multiplicacion de 2 variables, por lo tanto tenemos:
CAPITULO 6. VECTOR ALEATORIO 277
Si Y =ZX2 , entonces:
f(x,
zx
)=
Z96X
Los lımites en que esta definida Z sera entonces:
0 < X < 4
1 < Y < 5
0 < X < 4
1 < ZX2 < 5
0 < X < 4
X2 < Z < 5X2
0 1 2 3 4
10
20
30
40
50
60
70
80
X
Z
Z=5X2
Z=X2
Figura 6.25: Proyeccion en XZ
Nuevamente se divide la funcion de densidad de Z en dos partes, Ver Figura 6.25.
Para 0 ≤ Z ≤ 16:
g(z) =
∫ √Z
√Z5
1X∗( Z96X
)dx =
√Z
1 − √596
Para 16 < Z ≤ 80:
g(z) =
∫ 4
√Z5
1X∗( Z96X
)dx =
Z96
(4√
5 −√
Z)
Por lo tanto tenemos:
g(z) =
√Z
(1−√5
96
)0 ≤ Z ≤ 16
Z96
(4√
5 − √Z)
16 < Z ≤ 80
CAPITULO 6. VECTOR ALEATORIO 278
6. Las variables X y Y son independientes y sus distribuciones marginales se indican en
las Figuras 6.26 y 6.27.
0 0.5 1 1.5 2 2.5 3 3.50
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
h(y)
Y
Figura 6.26: Distribucion Marginal de Y
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 50
0.1
0.2
0.3
0.4
0.5
0.6
X
g(x)
Figura 6.27: Distribucion Marginal de X
Encuentre la distribucion marginal de Z =YX .
Solucion:
CAPITULO 6. VECTOR ALEATORIO 279
Para este caso se trata de la division de dos variables aleatorias, para poder hallar la
distribucion de probabilidad de Z realizamos lo siguiente:
Si Z =YX :
g(z) =
∫ ∞
0x f (x, zx)dx para Z > 0
g(z) =
∫ ∞
−∞|x| f (x, zx)dx para −∞ < Z < ∞
Como X y Y estan distribuidas segun las figuras dadas, buscamos las ecuaciones de
las rectas, que seran las distibuciones marginales:
h(y) =29
y ; g(x) = −18
(x − 5)
La funcion de densidad f (x, y) sera:
f (x, y) = − y36
(5 − x) para 0 ≤ Y ≤ 3 ; 1 ≤ X ≤ 5
Si Y = ZX, entonces:
f (x, zx) =zx36
(5 − x)
Los lımites en que esta definida Z seran entonces:
1 < X > 5
0 < Y < 3
1 < X > 5
0 < ZX < 3
1 < X > 5
0 < Z < 3X
Graficamos y tenemos la Figura 6.28.
Dividimos la distribucion de probabilidad de Z en dos partes:
Para 0 ≤ Z ≤ 0,6:
g(z) =
∫ 5
1x ∗ zx
36(5 − x)dx =
38Z27
CAPITULO 6. VECTOR ALEATORIO 280
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 50
0.5
1
1.5
2
2.5
3
X
Z
Z=3/X
Figura 6.28: Proyeccion de XZ
Para 0,6 < Z ≤ 3:
g(z) =
∫ 3Z
1x ∗ zx
36(5 − x)dx =
54Z2 −
94Z3 −
17Z432
Por lo tanto tenemos:
g(z) =
38Z27 0 ≤ Z ≤ 0,65
4Z2 − 94Z3 − 17Z
432 0,6 < Z ≤ 3
6.9. Ejercicios Propuestos
1. La variable aleatoria (X,Y) esta distribuida uniformemente sobre el circulo de radio
R con centro en el origen de coordenadas. Encuentre las densidades marginales de X
y Y y diga si son variables independientes.
2. Si X esta distribuida uniformemente en el intervalo (1,4) y Y esta distribuida uni-
formemente en el intervalo (0,1), ¿como estara distribuida Z = X + Y y Z = XY?
CAPITULO 6. VECTOR ALEATORIO 281
3. La variable aleatoria (X,Y) esta distribuida uniformemente sobre el triangulo de la
Figura 6.29.
−1 0 3
X
5
Y
Figura 6.29: Proyeccion de XY
a) Encuentre las densidades marginales.
b) Encuentre ρ.
4. La variable aleatoria bidimensional (X,Y) esta distribuida uniformemente para X
perteneciente a (-2 ; 2) y Y perteneciente a (0 ; 1). Encuentre la distribucion de prob-
abilidad de Z = Y − X y Z = X + Y .
5. La densidad conjunta para las variables aleatorias (X,Y), donde X es el cambio de
temperatura unitario, y Y es la proporcion de desplazamiento espectral que produce
cierta partıcula atomica, es:
f (x, y) =
10xy2 0 < X < Y < 1
0 en otro caso
CAPITULO 6. VECTOR ALEATORIO 282
a) Encuentre la densidad marginal de X.
b) Encuentre la probabilidad de que el espectro se desplace mas de la mitad de las
observaciones totales, dado que la temperatura aumenta a 0,5 unidades.
Bibliografıa
[1] Armas, J. Estadıstica Descriptiva Sencilla. Universidad de Los Andes. Venezuela,
2002.
[2] Armas, J. Estadıstica Sencilla - Probabilidades. Universidad de Los Andes.
Venezuela, 2004.
[3] Gutierrez, H. Control Estadıstico de Calidad y Seis Sigma. Editorial McGraw Hill.
Mexico, 2004.
[4] Lipschutz, S. Probabilidad. Serie Shaum. Editorial McGraw Hill. USA, 2001.
[5] Mendenhall, W. Estadıstica Matematica con Aplicaciones. Grupo Editorial
Iberoamericana. USA, 1994.
[6] Milton, J. Probabilidades y Estadıstica. Editorial McGraw Hill. USA, 2004.
[7] Montgomery, D. Control Estadıstico de la Calidad. Editorial Limusa Wiley. USA,
2005.
[8] Ramirez, O. Probabilidades. Universidad de Los Andes. Venezuela, 1999.
[9] Ramirez, O. Estocastica 1. Universidad de Los Andes. Venezuela, 2005.
[10] Nunez, R. Estadıstica para la Ciencia Social. Editorial Trillas. Mexico, 2007.
283
BIBLIOGRAFIA 284
[11] Spiegel, M. Probabilidad y Estadıstica. Serie Shaum. Editorial McGraw Hill. USA,
2003.
[12] Torres, E. Probabilidades. Universidad de Los Andes. Venezuela, 2004.
[13] Walpole, R. Probabilidad y Estadıstica para ingenierıa y Ciencias. Editorial Pearson.
USA, 2007.