4. Variables aleatorias y distribucin de probabilidad.

Sergio Vzquez Razo.

4.1 Introduccin.
Se han considerado las distribuciones de frecuencias de conjuntos de datos, y los fundamentos
de probabilidades. Ahora se combinaran estas ideas para elaborar distribuciones de probabilidad, las
cuales se asemejan a las distribuciones de frecuencias, la diferencia bsica entre estos dos tipos de
distribuciones es el uso de la variable aleatoria o las medidas de ciertas magnitudes. Estas medidas se
representan mediante variables aleatorias discretas o continuas. La variable aleatoria de una
distribucin de probabilidad corresponde a la variable de respuesta de una distribucin de frecuencias.
4.2 Variables aleatorias.
Al describir el espacio muestral de un experimento, no se especfica que un resultado individual
necesariamente tiene que ser un nmero. Por ejemplo, al clasificar un artculo manufacturado
simplemente podramos usar las categoras "defectuoso" y "no defectuoso". En otro caso, para observar
la temperatura durante un perodo de 24 horas sencillamente podramos mantener un registro de la
curva trazada por el termgrafo. Sin embargo, en muchas situaciones experimentales vamos a
interesarnos en medir algo y anotarlo como un nmero. An en los casos citados anteriormente
podremos asignar un nmero a cada uno de los resultados (no numricos) del experimento. Por
ejemplo, puede asignar el valor 1 a artculos no defectuosos y el valor cero a los defectuosos. Pudimos
anotar la temperatura mxima del da, o la mnima, o el promedio de las temperaturas mxima y
mnima.

Se ha definido un experimento como el proceso que culmina con la toma de una medicin (o
una observacin). La mayora de los experimentos producen una medicin numrica que desde luego
vara al considerar distintos puntos mustrales y esta variacin es aleatoria. La medicin es llamada
una variable aleatoria X, que el hecho de que tome un valor particular es en s mismo un evento
aleatorio. As en muchas situaciones experimentales deseamos asignar un nmero real x a cada uno de
los elementos s del espacio muestral S. Esto es, x = X(s) es el valor de una funcin X del espacio
muestral a los nmeros reales.
Por ejemplo si se lleva a cabo un experimento aleatorio y ocurre el evento correspondiente a un
nmero a, entonces se dice que, en esta prueba, la variable aleatoria X correspondiente a ese
experimento ha tomado el valor a. Tambin se dice que se ha observado el valor X = a. En lugar de el
evento correspondiente a un nmero a se dice, ms brevemente, el evento X = a,
De acuerdo a esto damos la siguiente definicin:
Sea un experimento y S el espacio muestral asociado con el experimento. Una funcin X
que asigna a cada uno de los elementos s S, un nmero real X(s), se llama variable aleatoria.
Una variable aleatoria es una funcin de valores reales cuyo dominio es un espacio
muestral.
1
Una variable aleatoria discreta es aquella que toma, a lo ms, una cantidad numerable de
valores distintos, el espacio muestral de un experimento probabilstico.
Una variable aleatoria continua es aquella que puede tomar cualquier valor de entre todos los
contenidos en un intervalo.
Observaciones: (a) La terminologa anterior es algo desafortunada, pero como es tan
universalmente aceptada, nosotros no nos apartaremos de ella. Es claro que X es una funcin y todava
la llamamos variable aleatoria. (b) Resulta que no toda funcin que se conciba puede ser considerada
como una variable aleatoria. Una exigencia (aunque no la ms general) es que para todo nmero real x
el suceso {X(s) = x} y para todo intervalo I, el suceso {X(s) I} tiene probabilidades bien definidas y
consecuentes con los axiomas bsicos. (c) En algunos casos el resultado s del espacio muestral es ya la
caracterstica numrica que queremos anotar. Sencillamente tomemos X(s) = s, la funcin de identidad.
(d) En la mayora de las discusiones de variables aleatorias que siguen, no necesitamos indicar la
naturaleza funcional de X. Generalmente nos interesamos en los valores posibles de X, en vez de
indagar de donde provienen esos valores. Por ejemplo, supongamos que lanzamos dos monedas y
consideremos el espacio muestral asociado con este experimento.
Eje. Sea el experimento aleatorio de lanzar tres monedas. Los resultados posibles son:
S = {(a, a, a), (a, a, s), (a, s, a), (s, a, a), (a, s, s), (s, a, s), (s, s, a), (s, s, s)}
Se puede definir, la variable aleatoria:
X: Nmero de guilas al tirar las tres monedas.
La variable aleatoria x asigna un nmero real a cada elemento de S:
X(a, a, a) = 3, X(a, a, s) = X(a, s, a)=X(s, a, a) = 2,
X(a, s, s) = X(s, a, s)=X(s, s, a) = 1, X(s, s, s) = 0
El conjunto de los posibles valores de X es {0, 1, 2, 3}.
S = espacio muestral de R
X
= valores posibles de X (recorrido)
2
El espacio R
X
, el conjunto de todos los valores posibles de X, se llama algunas veces el
recorrido. En ciertos sentidos podemos considerar a R
X
como otro espacio muestral. El espacio
muestral (original) S corresponde a los resultados no numricos (posiblemente) del experimento,
mientras que R
X
es el espacio muestral asociado con la variable aleatoria X, que representa la
caracterstica que puede ser de inters. Si X(s) = s, tenemos S = R
X
.
(e) Es muy importante comprender que una exigencia bsica de una funcin (uni-variada): a cada s S
le corresponde exactamente un valor X(s). Valores diferentes de s pueden dar el mismo valor de X. Por
ejemplo en la ilustracin anterior encontramos que X(a, s) = X(s, a) = 1.
Concepcin de una variable aleatoria X:
(a) Realizamos el experimento que tiene como resultado s S. Luego evaluamos en nmero
X(s).
(b) Efectuamos , y obtenemos el resultado s, e inmediatamente calculamos X(s). El nmero
X(s) se considera entonces como el resultado obtenido en el experimento.
Teniendo en cuenta que los valores de una variable aleatoria quedan determinados por el
resultado de un experimento aleatorio, es posible asignar probabilidad a cada uno de ellos en el caso de
las variables aleatorias discretas o bien definir una funcin para evaluar la probabilidad en intervalos
en el caso de las continuas.
As como nos interesamos por los sucesos asociados con el espacio muestral S, tambin ser
necesario tratar suceso con respecto a la variable aleatoria X, esto es, subconjunto del recorrido R
X
.
Muy a menudo ciertos sucesos asociados con S estn "relacionados" con sucesos asociados con R
X
de
la manera siguiente.
Sea un experimento y S su espacio muestral. Sea X una variable aleatoria definida en S y sea
R
X
su recorrido. Sea B un suceso respecto a R
X
, esto es, B R
X
. Supongamos que A se define
A = {s S | X(s) B}
3
Fig. 4.1
A consta de todos los resultados en S para los cuales X(s) B. En este caso decimos que A y B
son sucesos equivalentes
Para denotar las variables aleatorias se emplea maysculas, como X, y minsculas como x, para
representar valores particulares que puede tomar una variable aleatoria. Por ejemplo, supongamos que
X denota cualquiera de los seis valores posibles que pueden observarse en la cara superior al lanzar un
dado. El nmero que se observa, despus de arrojar el dado, se representar mediante el smbolo x.
Observe que X es una variable aleatoria, pero el valor especfico observado, x, no es de naturaleza
aleatoria.
La expresin (X = x) puede leerse: el conjunto de todos los puntos de S asignados al valor x
mediante la variable aleatoria.
La probabilidad de que X adopte el valor x, P(X=x), se define como la suma de las
probabilidades de los puntos muestrales de S asignados al valor x.
La probabilidad correspondiente de un valor observado x en un experimento se denota por P(X
= x) = P(x) o bien F(x) donde X denota el valor abstracto o general, mientras que x denota un valor
especfico o concreto. De manera semejante, la probabilidad del evento
X toma cualquier valor en el intervalo a < X < b
Se denota por P(a < X< b). La probabilidad del evento
) ( c a l a u g i o menor sea e u q r o l a v r e i u q l a u c a m o T X c X
se denota por P(X
) c
y la probabilidad del evento
X > c(X toma cualquier valor mayor que c)
Se denota por P(X>c).
Los dos ltimos eventos son mutuamente exclusivos. De donde
1 ) ( ) ( ) ( < < > + X P c X P c X P
y
4
) ( 1 ) ( c X P c X P >
Por ejemplo, si X es el nmero que queda arriba al lanzar un dado perfecto, P(X = 1) = 1/6,
P(X = 2) = 1/6, etc., P(1<X<2) = 0,
. , 0 ) 5 . 0 ( , 3 / 1 ) 4 ( , 2 / 1 ) 2 . 3 0 ( , 3 / 1 ) 2 1 ( c t e X P X P X P X P >
Eje. Consideremos el lanzamiento de dos monedas. En este caso S = {a a, s a, a s, s s}. Sea X el
nmero de guilas obtenidas. En este caso R
X
= {0, 1, 2}. Sea B = {1}. Puesto que X(a s) = X{a s} = 1
si slo si X(s) = 1, tenemos que A = {a s, s a} es equivalente a B.
Sea B un suceso en el recorrido R
X
. Definimos entonces P(B) como sigue:
P(B) = P(A), en donde A = {s S | X(s) B}
O sea, definimos P(B) igual a la probabilidad del suceso A S, que es equivalente a B.
Eje. Si las monedas consideradas en el ejemplo anterior son "normales", tenemos P(a s) = P(s a)
= 1/4. Por tanto P(a s, s a) = 1/4 + 1/4 = 1/2. Puesto que el suceso {X = 1} es equivalente al suceso {a
s, s a}, tenemos que P(X=1) = P(a s, s a) = 1/2. En este sentido se inducen las probabilidades asociadas
con suceso R
X
.
4.3 Funciones de una variable aleatoria.
Sea X una variable aleatoria discreta y sea x
i
uno de los valores que toma dicha variable, la
probabilidad de que la variable tome dicho valor se denota por P(X = x
i
) = p
i
.
Eje. Sea la variable aleatoria X: Nmero de aguilas al tirar dos monedas, que toma los valores
{0, 1, 2}. Entonces:
P(X=0) = P(s, s) =
P(X=1) = P{(s ,a) (a, s)} =
P(X=2) = P(a, a) =
Se llama funcin de masa o funcin de probabilidad puntual de una variable aleatoria
discreta a la funcin que asigna a cada valor de la variable aleatoria la probabilidad con que lo toma.
X 0 1 2
P(x)
5
Para N = 12 monedas
xi f(xi)
0 0.00024414
1 0.00292969
2 0.01611328
3 0.05371094
4 0.12084961
5 0.19335994
6 0.22558594
7 0.19335938
8 0.12084961
9 0.05371094
10 0.01611328
11 0.00292969
12 0.00024414
La funcin f(x) que suministra esta grfica es
12
2
12
) (

,
_

x
x f
Eje. El supervisor de una planta de manufactura tiene a tres hombres y tres mujeres a su cargo.
Debe elegir dos trabajadores para una tarea especial. Como no desea actuar con prejuicio en la
seleccin del personal, decide elegir dos trabajadores al azar. Si X es el nmero de mujeres en el grupo
elegido, determine la distribucin de probabilidad para X.
El supervisor puede elegir dos trabajadores de seis de
15
2
6

,
_

maneras. En consecuencia, S
contiene 15 puntos muestrales, que suponemos tiene la misma probabilidad, puesto que se aplic un
6
muestreo aleatorio. As,
15 / 1 ) (
i
E P
para i = 1, 2, ..., 15. Los valores de X con probabilidad
diferente de cero son 0, 1 y 2. El nmero de formas de elegir X = 0 mujeres es
3 3 1
2
3
0
3

1
]
1

,
_

puntos
muestrales, ya que el supervisor debe seleccionar cero trabajadores de las tres mujeres y dos de los tres
hombres, por lo que
5
1
15
3
15
2
3
0
3
) 0 ( ) 0 (

,
_

,
_

X P p
Asimismo
5
3
15
9
15
1
3
1
3
) 1 ( ) 1 (

,
_

,
_

X P p
5
1
15
3
15
0
3
2
3
) 2 ( ) 2 (

,
_

,
_

X P p
La distribucin de probabilidad es
x P(x)
0 1/5
1 3/5
2 1/5
El mtodo ms conveniente para representar distribuciones de probabilidad discreta es por
medio de una frmula. En este caso para p(x) puede escribirse de la siguiente manera:
2 , 1 , 0 ,
2
6
2
3 3
) (

,
_

1
]
1

,
_

x
x x
x p
Si hay N sujetos en total, de los cuales k son de una clase y se toman n de ellos, entonces:
n x
n
N
x n
k N
x
k
x p ,.., 2 , 1 , 0 , ) (

,
_

1
]
1

,
_

7
Si x
1
, x
2
, .... son los valores que toma una variable aleatoria X se verifica:
1) P(X = x
i
) 0.
2) P(X = x
i
) = 1
Si se conoce la funcin de probabilidad de una variable aleatoria discreta, X entonces
fcilmente puede calcularse la probabilidad
) ( b X a P <
correspondiente a cualquier intervalo a < X
< b . En efecto

< <
<
b x a
j
b x a
j
j j
p x f b X a P ) ( ) (
Esta es la suma de todas las probabilidades f(x
j
) = PJ, para la cual las x
j
se encuentran en ese intervalo.
Se expresa esto diciendo que la funcin de probabilidad f(x) determina la distribucin de
probabilidad o, brevemente, la distribucin de la variable aleatoria X en una forma nica.
Si X es cualquier variable aleatoria, no necesariamente discreta, entonces, para cualquier
nmero real x, existe la probabilidad P(Xx) correspondiente a
X x (X toma cualquier valor menor que x o igual a x.)
Evidentemente, P(Xx) depende de la eleccin de x; es una funcin de, que se llama funcin de
distribucin de X y se denota por F(x), De donde
) ( ) ( x X P x F
Dado que para cualquier a y b > a se tiene
), ( ) ( ) ( a X P b X P b X a P <
se concluye que
) ( ) ( ) ( a F b F b X a P <
Esto indica que la funcin de distribucin determina la distribucin de X de modo nico y puede usarse
para calcular probabilidades.
Supngase que X es una variable discreta. Entonces puede representarse la funcin de
distribucin F(x) en trminos de la funcin de probabilidad f(x). En efecto, si a = - y b = x, se tiene

x x
j
j
x f x F ) ( ) (
Esta indica la probabilidad de que la variable aleatoria tome valores menores o iguales que un
valor x dado. Por este motivo, tambin se la conoce con el nombre de funcin de distribucin
acumulada.
Para el lanzamiento de N monedas la funcin de distribucin de probabilidad es
8
xi f(xi) F(xi)
0 0.00024414 0.00024414
1 0.00292969 0.00311738
2 0.01611328 0.01928711
3 0.05371094 0.07299805
4 0.12084961 0.19384766
5 0.19335994 0.38720703
6 0.22558594 0.61279297
7 0.19335938 0.80615234
8 0.12084961 0.92700195
9 0.05371094 0.98071289
10 0.01611328 0.99682617
11 0.00292969 0.99975586
12 0.00024414 1
Y su representacin grfica
Cul es la probabilidad de que aparezcan a lo sumo 6 aguilas?
612793968 . 0 ) 6 ( ) 6 ( F x P
Cul es la probabilidad de que aparezcan entre 4 y 8 aguilas?
854003906 . 0 120849609 . 0 193847656 . 0 927001953 . 0
) 4 ( ) 4 ( ) 8 ( ) 4 ( ) 4 ( ) 8 ( ) 8 4 (
+
+ + x p F F x p x p x p x P
Ejemplos de funciones de probabilidad discretas.
Funcin de probabilidad f(x) de la variable aleatoria X = nmero obtenido al lanzar una vez un
dado perfecto. En efecto f(x) = 1/6 cuando x = 1, 2, ..., 6.

'

caso otro cualquier en

x si
x f
0
) 6 ,.., 3 , 2 , 1 ( 6 / 1
) (
9
Eje. Determine la funcin de probabilidad f(x) y funcin de distribucin F(x) de la variable
aleatoria X = suma de los dos nmeros obtenidos al lanzar una vez dos dados no cargados.
Debido a que existen 36 posibilidades igualmente probables, cada uno de los cuales tiene, por
tanto, la probabilidad 1/36; se tiene X = 2 para solamente un resultado, a saber, (1,1); se tiene X = 3 en
el caso de dos resultados (1,2) y (2,1), etc.
La funcin f(x) y F(x) tiene los valores
x 2 3 4 5 6 7 8 9 10 11 12
f(x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
F(x) 1/36 3/36 6/36 10/36 15/36 21/36 26/36 30/36 33/36 35/36 36/36
Eje. Se lanzan 3 monedas. Analcese la variable aleatoria X = nmero de guilas.
El espacio muestral consta de 8 elementos:
(a, a, a) (a, a, s) (a, s, a) (s, a, a)
(a, s, s) (s, a, s) (s, s, a) (s, s, s)
cada uno de los cuales tiene la misma probabilidad 1/8. Los nmeros posibles de guilas son x
1
= 0, x
2
= 1, x
3
= 2, x
4
= 3.
10
Los valores de la funcin de probabilidad y de la funcin de distribucin estn dados en la
siguiente tabla:
X 0 1 2 3
f 1/8 3/8 3/8 1/8
F 1/8 1/2 7/8 1
Obsrvese, que los valores de f estn dados por:
( ) 3 , 2 , 1 , 0 2 / 1
3
) (
3

,
_

x
x
x f
p q p donde
q p
x
x f
x n x

,
_

1 , 2 / 1
) ( ) (
3
) (
Podemos establecer F(x) como sigue;

'

<
<
<
<

3 1
3 2 8 / 7
2 1 8 / 4
1 0 8 / 1
0 0
) (
x
x
x
x
x
x F
Eje. Supngase que los artculos que salen de una lnea de produccin se clasifican como
defectuosos (D) o no defectuosos (N). Supongamos que se eligen al azar tres artculos de la produccin
de un da y se clasifican de acuerdo con este esquema. El espacio muestral para este experimento,
digamos S, puede describirse as:
S = {DDD, DDN, DND, NDD, NND, NDN, DNN, NNN}
Supongamos que con probabilidad de 0.2 un artculo es defectuoso y por lo tanto con
probabilidad 0.8 un artculo no es defectuoso. Supongamos que esas probabilidades son iguales para
cada artculo al menos durante nuestro estudio. Finalmente supongamos que la clasificacin de
cualquier artculo particular es independiente de la clasificacin de cualquier otro artculo. Usando
estas suposiciones, se deduce que las probabilidades asociadas con los diversos resultados del espacio
muestral S son
11
(0.2)
3
, (0.8)(0.2)
2
, (0.8)(0.2)
2
, (0.8)(0.2)
2
, (0.2)(0.8)
2
, (0.2)(0.8)
2
, (0.2)(0.8)
2
, (0.8)
3
Corrientemente nuestro inters no se enfoca hacia los resultados individuales de S; si no que,
simplemente, deseamos saber cuntos artculos defectuosos se encuentran (sin considerar el orden en
que ocurrieron). Es decir, deseamos considerar la variable aleatoria X que asigna a cada uno de los
resultados s, el nmero de artculos defectuosos encontrados en S. Por tanto el conjunto de valores
posibles de X es {0, 1, 2, 3}.
Podemos obtener la distribucin de probabilidades para X, p(x
i
) = P(X=x
i
) como sigue:
X = 0 s y slo si ocurre NNN;
X = 1 s y slo si ocurre DNN, NDN, o NND;
X = 2 s y slo si ocurre DDN, DND, o NDD;
X = 3 s y slo si ocurre DDD.
Por lo tanto
P(0) = P(X = 0) = (0.8)
3
, p(1) = P(X = 1) = 3(0.2)(0.8)
2

P(2) = P(X = 2) = 3(0.2)
2
(0.8), p(3) = P(X = 3) = (0.2)
3
Podemos escribir esto como sigue:
x x
x
x f

,
_

3
) 8 (. ) 2 (.
3
) (
En general,
x n x
q p
x
n
x f

,
_

) ( ) ( ) (
Ntese que la suma de estas probabilidades es igual a 1, porque la suma puede escribirse (0.8 + 0.2)
3
.
Y una grfica posible para sera de la forma
4.4 Variables aleatorias continuas y sus distribuciones de probabilidad.
Supongamos que el recorrido de X est formado por un gran nmero de valores, por ejemplo
todos los valores x en el intervalo 1 0 x de la forma 0; 0.01; 0.02; ....; 0.98; 0.99; 1.00. Con cada
uno de esos valores est asociado un nmero no negativo p(x
i
) = P(X
i
= x
i
), i = 1,2,..., cuya suma es
igual a 1. Esta situacin se representa geomtricamente en la figura 4.2
12
Fig. 4.2
Hemos sealado antes que podra ser matemticamente ms fcil idealizar la anterior descripcin
probabilstica de X al suponer que X puede tomar todos los valores posibles, 1 0 x . Si hacemos
esto, qu le sucede a las probabilidades puntuales p(x
i
)? Puesto que los valores posibles de X no son
contables, no podemos hablar realmente del i-simo valor de X y por lo tanto p(x
i
) pierde significado.
Lo que se hace es sustituir la funcin p, definida slo para x
1
, x
2
, ..., por una funcin f definida para
todos los valores de x, 1 0 x . Las propiedades de la probabilidad se sustituyen por f(x) 0 y
1 ) (
1
0

dx x f .
Se dice que X es una variable aleatoria continua si existe una funcin f, llamada funcin de
densidad de probabilidad (fdp) de X, que satisface las siguientes condiciones:

+ < < <

b
a
dx x f b X a P tenemos b a que tal b a cualquier Para c
dx x f b
x todo para x f a
) ( ) ( , , , ) (
1 ) ( ) (
0 ) ( ) (
Las funciones de densidad de probabilidad se obtienen de ms mediciones pudindose reducir
la longitud de dichos intervalos. La forma del histograma cambiara un poco, sobre todo tornndose
cada vez menos irregular al ir aumentando el nmero de mediciones. Cuando stas fuesen muy grandes
en nmero y los intervalos muy pequeos en longitud, el histograma aparecera para todo propsito
como una curva continua.
Para una variable continua la frecuencia relativa asociada a una clase particular de una
poblacin, es la fraccin de mediciones de la poblacin que corresponden a ese intervalo de clase, y es
tambin la probabilidad de que una medicin extrada de esa poblacin caiga en la mencionada clase.
Si se ajusta el histograma de frecuencias relativas para que el rea total bajo la curva que lo describe
valga 1, las reas bajo dicha curva sobre distintos intervalos corresponden a las probabilidades de
dichos intervalos.
13
Fig. 4.3 La densidad de probabilidad f(x)
La figura 4.3 muestra la densidad de probabilidad que vara con x, se puede representar por una
frmula matemtica f(x), esta nos proporciona un modelo matemtico para el histograma de
frecuencias relativas. El rea total bajo la curva figura 4.3 es 1. El rea bajo la curva sobre un intervalo
dado, es la probabilidad de ese intervalo. As la probabilidad de que a < x < b es el rea bajo la funcin
de densidad entre los puntos a y b.
La funcin de densidad permite calcular la probabilidad de cualquier intervalo:

b
a
dx x f b x a P ) ( ) (
Una consecuencia de la descripcin probabilstica de X para cualquier valor especifico de X,
por ejemplo x
o
es que tenemos
. 0 ) ( ) (

o
o
x
x
o
dx x f x X P
Este resultado puede parecer muy
contrario a nuestra intuicin. Debemos establecer, sin embargo, que si permitimos que X tome todos
los valores en un intervalo, entonces la probabilidad cero no es equivalente con la imposibilidad. Por
tanto, en el caso continuo, P(A) = 0 no implica A = , el conjunto vaco. Para decirlo de un modo ms
informal, consideremos que elegimos un punto al azar en el segmento {x | 2 0 x }. Aunque
quisiramos estar de acuerdo (como un objetivo matemtico) conque cada punto concebible del
segmento pudiese ser el resultado de nuestro experimento, nos sorprenderamos mucho si en realidad
escogiramos precisamente el punto medio del segmento, o cualquier otro punto especfico de ese
elemento. Cuando indicamos esto en un lenguaje matemtico preciso, decimos que el suceso tiene
probabilidad 0.
Supngase que se ha llevado a cabo un experimento con objeto de medir la vida til de 50
bateras de determinado tipo, seleccionadas de entre una poblacin.
Vida til de las bateras (cientos de horas):
0.406 2.343 0.538 5.088 5.587
2.563 0.023 3.334 3.491 1.267
0.685 1.401 0.234 1.458 0.517
0.511 0.225 2.325 2.291 1.702
8.233 2.920 1.064 3.810 4.778
1.507 4.025 1.064 3.246 2.782
1.514 0.333 1.624 2.634 1.725
0.294 3.323 0.774 2.330 6.426
3.214 7.514 0.334 1.849 2.230
0.761 0.836 0.968 4.490 0.186
14
Histogram
-1 1 3 5 7 9 11
vida
0
4
8
12
16
f
r
e
q
u
e
n
c
y
Fig. 4.4
El histograma de frecuencia relativa para estos datos muestra con claridad que la mayor parte
de las vidas tiles estn cerca de cero, y que la frecuencia disminuye con mucha uniformidad cuando se
pasa a las vidas tiles mayores. En este caso, el 32% de las 50 observaciones caen dentro del primer
subintervalo y otro 22% dentro del segundo. Hay una disminucin en la frecuencia cuando se avanza
hacia otros subintervalos, hasta que el ltimo (de 8 a 9) contenga slo una observacin.
Este histograma de frecuencia relativa de la muestra no slo permite retratar el comportamiento
de la muestra, sino que da idea de algn modelo probabilistico posible de la variable aleatoria X. Dicho
histograma se ve como si se pudiera representar con mucha aproximacin mediante una curva
exponencial negativa. La funcin especial
2 /
2
1
) (
x
e x f

se representa en el histograma figura 4.4 y parece que se ajusta razonablemente bien a los datos. As, se
podra tomar esta funcin como modelo matemtico del comportamiento de la variable aleatoria X.
Ntese que el rea bajo f(x) es igual a uno. Si uno desea usar en el futuro una batera de este tipo, quiz
deseara conocer la probabilidad de que dure ms de cuatrocientas horas. Esta probabilidad se puede
calcular aproximadamente mediante el rea bajo la curva a la derecha del valor 4; es decir,
135 . 0
2
1
4
2 /

dx e
x
Ntese que este resultado es bastante cercano a la fraccin observada de la muestra con duracin mayor
que 4, o sea, (8/50 = 0.16). Uno podra sugerir que, como ya se sabe que la fraccin es 0.16, no se
necesita en realidad el modelo. Pero hay otras preguntas para las cuales el modelo dara respuestas ms
satisfactorias que las que se podran obtener por otros medios. Por ejemplo, supngase que se desea
conocer la probabilidad de que X sea mayor que 9. Entonces, el modelo sugiere la respuesta
111 . 0
2
1
9
2 /

dx e
x
15
mientras que la muestra no indica que haya observaciones mayores que 9. El ejemplo anterior es un
modelo simple.
Por qu seleccionar la funcin exponencial como modelo en este caso? No funcionaran
algunas otras igualmente bien? La seleccin de un modelo es un problema fundamental por lo que se
usa bastante espacio en las secciones posteriores en investigar las razones tericas y prcticas de esas
selecciones.
Eje. Acerca de la variable aleatoria X del ejemplo de las vidas tiles y que tiene asociada una
funcin de densidad de probabilidad de la forma:

'

>

p o c
x e
x f
x
. . 0
0
2
1
) (
2 /


Calcule la probabilidad de que la vida til de una batera determinada de este tipo sea menor
que 200 o mayor que 400 horas.
Sean A el evento que consiste en que X es menor que 2 y B el evento X es mayor que 4.
Entonces, como A y B son mutuamente excluyente
=
( ) ( ) 767 . 0 135 . 0 368 . 0 1 1
2
1
) 2 / 1 (
) ( ) ( ) (
2 1
4
2 /
2
0
2 /
+ +
+
+

e e
dx e dx e
B P A P B A P
x x

Eje. Calcule la probabilidad de que una batera de este tipo dure ms de 300 horas dado que ya
ha estado en uso durante ms de 200 horas.
( )
( )
( ) 2
3
2 | 3
>
>
> >
X P
X P
X X P
Porque la interseccin de los eventos (X>3) y (X>2) es el evento (X>3). Entonces
( )
( )
( )
606 . 0
) 2 / exp( ) 2 / 1 (
) 2 / exp( ) 2 / 1 (
2
3
2 | 3
2 / 1
1
2 / 3
2
3

>
>
> >

e
e
e
dx x
dx x
X P
X P
X X P
Eje. Sea X la duracin (en horas) de cierto tipo de bombilla elctrica. Supngase que la variable
aleatoria X es continua (Fig. 4.5). Sea la fdp dada por

'
< <

p o c
x x a
x f
. . 0
2500 0 150 /
) (
3
Evale la constante a.
De la condicin
16
1 / ) (
2500
1500
3

dx x a dx x f
obtenemos a = 7,031,250.
Fig. 4.5
4.5 Funcin de distribucin acumulativa.
La Funcin de Distribucin acumulativa F de una variable aleatoria X es una funcin
definida para cada nmero real que hace corresponder a cada x la probabilidad de que la variable
aleatoria tome un valor menor o igual que l.
(a) Si X es una variable aleatoria discreta

j
j
x p x F ) ( ) (
en donde la suma se toma sobre todos los ndices j que satisfacen
x x
j

(b) Si X es una variable aleatoria continua con fdp f.

x
ds s f x F ) ( ) (
Tal como est definida, se trata de una funcin no decreciente que verifica:

x
x F lm 1 ) (

x
x F lm 0 ) (
La funcin de distribucin acumulativa es importante por varias razones. Esto es
particularmente cierto cuando tratamos con una variable aleatoria continua, porque en este caso no
podemos estudiar la conducta probabilstica de X al calcular P(X = x). Esa probabilidad es siempre
igual a cero en el caso continuo. Sin embargo, podemos inquirir acerca de
) ( x X P
y, como se
demuestra en el siguiente teorema, obtener la fdp de X.
Teorema. (a) Sea F la fda de una variable aleatoria continua con fdp f. Luego
) ( ) ( x F
dx
d
x f
para toda x en la cual F es diferenciable.
17
(b) Sea X una variable aleatoria discreta con valores posibles x
1
, x
2
, ..., y supongamos que es
posible rotular esos valores de modo que x
1
<x
2
<..... Sea F la fda de X. Entonces
) ( ) ( ) ( ) (
1

j j j j
x F x F x X P x p
Eje. En el caso tratado, en el que se considera X: Nmero de guilas al tirar dos monedas, se
tiene:

'

<
<
<

2 1
2 1 4 / 3
1 0 4 / 1
0 0
) (
x
x
x
x
x F
Eje. Si X es una variable aleatoria continua con funcin de densidad de probabilidad dada por

'

. . . 0
1 0 3
) (
2
p o c
x x
x f
Encuentre F(x) y grafique f(x) y F(x).
La grfica de f(x) es
Como

x
dt t f x F ) ( ) (
tenemos,

'

< + + + +
< < + +
<

x para t dt dt t dt
x para x t dt t dt
x para dt
x F
x
x x
1 1 0 0 0 3 0
1 0 , 0 3 0
0 0 0
) (
1
0
3
1
1
0
2
0
3
0
3
0
2
0
18
Eje. Supongamos que X es una variable aleatoria continua con fdp

'
< <

p o c
x x
x f
. . 0
1 0 2
) (
Por lo tanto la fda F est dada por

'

>
<

1 1
1 0 2
0 0
) (
0
2
x si
x si x sds
x si
x F
x
Fig. 4.6
Eje. Calcular el valor de a para que sea funcin de densidad la funcin definida por:

'

>
+
<

4 , 0
4 0 , 5 . 0
0 , 0
) (
x si
x si ax
x si
x f
Asimismo determine la funcin de distribucin.
( )
8
1
1 2 8 5 . 0
2
5 . 0 ) (
4
0
2
4
0

+
1
]
1

+ +

a
a x
x
a dx ax dx x f
La funcin de distribucin es:
19
x x t
t
dt x dt t f x F
x
x x
5 . 0
16
1
5 . 0
2 8
1
5 . 0
8
1
) ( ) (
2
0
2
0 0
+
1
]
1

,
_

'

>
+
<

4 , 1
4 0 , 5 . 0
16
1
0 , 0
) (
2
x si
x si x x
x si
x F
Eje. Supongamos que una variable aleatoria continua tiene fda F dada por

'

>

0 1
0 0
) (
x e
x
x F
x
Entonces F(x) = e
-x
para x>0, y as la fdp f es dada por

'

valor otro cualquier

x e
x f
x
0
0
) (
4.6 Esperanza matemtica.
El concepto de esperanza matemtica se origino en relacin con los juegos de azar. El valor
promedio de una variable aleatoria es conocido como el valor esperado (o esperanza matemtica) de la
variable aleatoria en consideracin.
Eje. Sea x el nmero de guilas resultantes al lanzar dos monedas, cuyas distribuciones se
identifican de la tabla
x 0 1 2
P(x)
donde 0 es: s-s
1 es: a-s, s-a
2 es: a-a
Supongamos que se repite el experimento un nmero muy grande de veces, por ejemplo 4 000
000, intuitivamente se esperara observar 1 milln de veces el 0, 2 millones de veces el 1 y 1 milln de
veces el 2. El valor promedio sera entonces,
1 ) 4 / 1 )( 2 ( ) 2 / 1 )( 1 ( ) 4 / 1 )( 0 (
000 , 000 , 4
) 000 , 000 , 1 )( 2 ( ) 000 , 000 , 2 )( 1 ( ) 000 , 000 , 1 )( 0 (
+ +
+ +

n
valores de suma

20
Recordando que la media de una distribucin de frecuencias es


j j
j j j
n f x x f x
n
x ) / ( ) (
1
y la probabilidad de un evento es la frecuencia relativa esperada de su ocurrencia. De modo que P(x) =
f/n, entonces;

j
j j
x P x x x E ) ( ) (

Esta ecuacin significa simplemente que el valor esperado de la v.a. X es el producto de cada
valor de x
i
por la probabilidad de que X asuma este valor x
i
y sumados para todos los valores de x
i
en
el conjunto X.

Para una variable aleatoria continua,

) ( ) ( x xf x E
siempre que exista.
Ntese que si P(x) proporciona una descripcin precisa de las frecuencias relativas de la
poblacin real de las mediciones, entonces E(x) =

, la media de la poblacin.
Eje. Si se tiene uno de 10000 boletos de una rifa en la cual el premio mayor es un reloj fino
valuado en $4800, suponga que el costo del boleto es de $15, cul es la esperanza de obtener el
premio?
Una verdadera esperanza matemtica debe tomar en cuenta el costo incurrido en el boleto, que
se pierden, se gane o no se gane el premio.
Distribucin de probabilidad para X:
Ganancia (x
i
) Probabilidad (p
i
)
4785 1/10000
-15 9999/10000
52 . 14 $ )
10000
9999
)( 15 ( )
10000
1
)( 4785 (
) ( ) (
+


j
j j
x P x x x E
El riesgo de que pierda dinero es altsimo, aunque si gana el rendimiento es enorme. La gente
que participa en estos esquemas esperando altsimos (desproporcionados) rendimientos, son amantes
del riesgo.
Eje. Sea V la velocidad del viento (kph) y supongamos que V est distribuida uniformemente
en el intervalo [0, 10]. La presin, W (lb/pie
2
), sobre la superficie del ala de un aeroplano est dada por
la relacin: W = 0.003V
2
. Para encontrar el valor esperado de W, E(W), procedemos como:
21


10
0
2
2
10
0
2
/ 1 . 0
10
1
003 . 0 ) ( 003 . 0 ) ( pie lb dv v dV V f V W E
Eje. En muchos problemas nos interesa slo la magnitud de una variable aleatoria sin
consideracin a su signo algebraico. Es decir, nos interesa |X|. Supongamos que X es una variable
aleatoria continua con la siguiente fdp:

'

>

0
2
0
2
) (
x si
e
x si
e
x f
x
x
Sea y = |X|. Para obtener E(Y) debemos proceder como sigue:
[ ] 1 1 1
2
1
) ( ) (
2
1
) ( | | ) (
0
0
+
1
]
1

dx e x dx e x dx x f x Y E
x x
Eje. En los concursos para obtencin de contratos, es usual que los contratistas sometan los
precios de sus proyectos si sus expectativas, tomando en cuenta el tipo de proyecto y al resto de los
participantes, les indican que sus ganancias estarn por encima de cierta cantidad. Suponga que un
contratista considera un proyecto en el cul ganar 50,000 pesos si le es otorgado. El costo de la
preparacin del proyecto, si lo somete, es de 5,000 pesos y el propio contratista piensa que la
probabilidad en esas circunstancias, de que gane el concurso es de 0.4. Finalmente, el contratista ha
decidido someter propuesta para proyectos cuya ganancia esperada sea de por lo menos 12,000 pesos.
Debe someter propuesta en este proyecto?
La ganancia x del contratista puede tomar cualquiera de los valores: x = -$5,000, si pierde; o si
lo gana x = $45,000. Las probabilidades de estos valores son 0.6 y 0.4 respectivamente. La distribucin
de probabilidad de su ganancia x se muestra en la tabla siguiente;
x -$5,000.00 $45,000.00
P(x) 0.6 0.4
La ganancia esperada es
E(x) = x P(x) = (-$5,000)(0.6) + ($45,000)(0.4) = $15,000.00
Como E(x) = $15,000.00 excede a $12,000.00, el contratista debe someter su propuesta.
Eje. Considere el problema de determinar la prima anual para un seguro de daos de automvil
de $100,000 pesos. La pliza cubre un tipo de eventos que por experiencia previa se sabe que ocurre a
3 por cada 5,000 automovilistas cada ao.
Sea x la ganancia anual de la compaa resultante de la venta de una pliza y sea C la cantidad
(desconocida) que representa al valor de la prima anual. Se desea calcular C de modo que la ganancia
esperada E(x) sea 0. En otras palabras se desea calcular C para no ganar ni perder. Al valor calculado,
desde luego, la compaa agregar los gastos administrativos correspondientes y un margen de utilidad.
22
Se ha supuesto que la ganancia esperada E(x) depende de C, y utilizando este hecho slo se
requiere encontrar C de manera que esta ganancia esperada sea 0, o sea
E(x) = x P(x) = 0
El primer paso para encontrar la solucin es el de determinar los valores que la ganancia x
puede tomar y despus determinar P(x). Si el evento que cubre la pliza no ocurre en el ao, la
compaa gana x = C pesos. Si el evento ocurre, la ganancia ser negativa, esto es ser de hecho una
prdida; x = C - 100,000 pesos. Las probabilidades asociadas a estos dos valores de x son 4997/5000 y
3/5000 respectivamente. La distribucin de probabilidad de la ganancia se muestra en la tabla.
x, ganancia C -(100,000-C)
p(x) 4997/5000 3/5000
Igualando el valor esperado de x a cero y resolviendo para C se tiene
E(x) = x P(x) = C(4997/5000) + [-(100,000-C)](3/5000) = 0
C = $60.00
Lo anterior quiere decir que si la compaa cobra una prima anual de 60 pesos, entonces su
ganancia promedio sobre un nmero grande de plizas similares ser cero. La prima final que la
compaa debe cobrar ser $60.00 ms los gastos administrativos y la utilidad.
La esperanza de una funcin aleatoria.
Sea X una variable aleatoria discreta con funcin de probabilidad p(x) y sea g(X) una funcin
del valor real de X, entonces la siguiente expresin da el valor esperado de g(X):
[ ]

x
x p x g X g E ) ( ) ( ) (
Dem. Si X toma un nmero finito de valores
n
x x x ,..., ,
2 1
. Como es posible que la funcin
g(x) no establezca una correspondencia biunvoca (uno a uno), supongamos que g(X) adopta los
valores
n
g g g ,..., ,
2 1
(donde n m ). Se infiere que g(X) es una variable aleatoria tal que para i =
1,2,..,m,
[ ] ) ( * ) ( ) (
) (
i
g x g
q u e t a l e s x l a s t o d a s
j i
g p x p g X g P
i j
j

Por consiguiente,
23
[ ]

'

n
j
j j
m
i
g x g
que tales x las todas
j i
m
i
g x g
que tales x las todas
j i
m
i
i i
x p x g
y p g
x p g
g p g X g E
j j
j
j j
j
1
1
) (
1
) (
1
) ( ) (
) (
) (
) ( * ) (
Para una funcin continua:
[ ]

dx x f x g X g E ) ( ) ( ) (
Eje. Un vendedor minorista de un producto derivado del petrleo vende una cantidad aleatoria,
X, cada da. Suponga que X, medida en miles de galones, tiene una funcin de densidad de
probabilidad

'

p o c
x x
x f
. . , 0
2 0 ,
8
3
) (
2
Las utilidades del minorista ascienden a 100 dlares por cada 1000 galones vendidos (10 centavos por
galn) si 1 X , y a $40 ms por cada 1000 galones (4 centavos ms por galn) si X > 1. Calcule las
ganancias esperadas por el minorista un da cualquiera.
Si g(X) es la ganancia del minorista, entonces

'

<

2 1 140
1 0 100
) (
X X
X X
X g
Deseamos calcular la ganancia esperada; por lo tanto, el valor esperado es de
[ ]
25 . 206 ) 15 (
321
420
) 1 (
32
300
) 4 )( 8 (
420
) 4 )( 8 (
300
8
3
140
8
3
100
) ( ) ( ) (
2
1
4
1
0
4
2
1
2
1
0
2
+ +
1
]
1

+
1
]
1

x x
dx x x dx x x
dx x f x g X g E
As el vendedor puede esperar utilidades de $206.25 por la venta diaria de su producto.
Propiedades del valor esperado.
1. Si X = C en donde C es una constante, entonces E(X) = C o [ ] [ ] ) ( ) ( X g cE X cg E .
24
2. Supongamos que C es una constante y X es una variable aleatoria. Entonces E(CX) = C
E(X).
3. Sean X y Y dos variables aleatorias cualquiera. Entonces E(X + Y) = E(X) + E(Y).
4. Sean X y Y variables aleatorias independientes. Entonces
E(XY) = E(X) E(Y).
Demostracin:





+ + +
+ + + +

) ( ) ( ) ( ) ( ) ( ) ( ) (
) ( ) ( ) ( ) ( ) (
) ( ) ( ) ( ) ( ) ( ) (
) ( ) ( ) ( ) (
,
Y E X E y g y x f x y g x f y x XY E
Y E X E y f y x f x Y X E
k X E x kf x f x x f k x k X E
X E k x f x k x f kx kX E
i j
j j i i j i j i
j i
i i i i
i i i i i
i i i i
La mediana de una distribucin continua F(x) es aquel valor que verifica:
{ } { }
2
1
> < X P X P
La moda, se define como el valor x para el que f(x) o P(x
i
) toman el valor mximo.
Eje- Dos urnas contienen, cada una, bolitas numeradas del 1 a 10. Se saca una bolita de cada
urna y se suman los nmeros obtenidos, cul es el valor medio de la suma?
Si anotamos todas las combinaciones posibles, obtenemos la tabla siguiente:
Urna 1 Urna 2 Suma
1 1 2
1 2 3
1 3 4
1 4 5
1 5 6
1 6 7
1 7 8
1 8 9
1 9 10
1 10 11
2 1 3
2 2 4
2 3 5
. . .
10 9 19
10 10 20
25
Suma, X Frec. P(X) XP(X)
2 1 1/100 2/100
3 2 2/100 6/100
4 3 3/100 12/100
5 4 4/100 20/100
6 5 5/100 30/100
7 6 6/100 42/100
8 7 7/100 56/100
9 8 8/100 72/100
10 9 9/100 90/100
11 10 10/100 110/100
12 9 9/100 108/100
13 8 8/100 104/100
14 7 7/100 98/100
15 6 6/100 90/100
16 5 5/100 80/100
17 4 4/100 68/100
18 3 3/100 54/100
19 2 2/100 38/100
20 1 1/100 20/100
1100/100=11
Si X e Y son las variables aleatorias que expresan el nmero sacado de cada urna, Es E(X) =
E(Y) = (1/10)(1+2++10) = 11/2 y por tanto la solucin es E[X+Y] = 11.
Eje. Dos urnas contienen, cada una, 5 bolitas numeradas del 1 al 5. Si se saca una bolita de cada
urna y se multiplican los nmeros obtenidos, cul es el valor medio de este producto?
Si anotamos todas las combinaciones posibles, obtenemos la tabla siguiente:
Urna 1 Urna 2 Producto
1 1 1
1 2 2
1 3 3
1 4 4
1 5 5
2 1 2
2 2 4
2 3 6
2 4 8
2 5 10
3 1 3
3 2 6
3 3 9
3 4 12
3 5 15
4 1 4
26
4 2 8
4 3 12
4 4 16
4 5 20
5 1 5
5 2 10
5 3 15
5 4 20
5 5 25
x frec P(x) xP(x)
1 1 1/25 1/25
2 2 2/25 4/25
3 2 2/25 6/25
4 3 3/25 12/25
5 2 2/25 10/25
6 2 2/25 12/25
8 2 2/25 16/25
9 1 1/25 9/25
10 2 2/25 20/25
12 2 2/25 24/25
15 2 2/25 30/25
16 1 1/25 16/25
20 2 2/25 40/25
25 1 1/25 25/25
25 225/25=9
Como las variables aleatorias X e Y que representan los nmeros sacados de cada urna, son
independientes, y E(X) = E(Y) = (1/5)(1+2++5) = 3, resulta E(XY) = 9.
Eje. Una urna contiene 5 bolitas numeradas del 1 a 5. Se sacan dos bolitas al azar y se
multiplican los nmeros obtenidos. Cul es el valor medio del producto?
Ahora las variables X e Y son dependientes y por tanto se tiene que hacer el clculo directo.
Los casos posibles son (1, 2), (1, 3), , (4, 5), y de cada uno de ellos la probabilidad es 1/10.
27
20 4 5
15 3 5
10 2 5
5 1 5
20 5 4
12 3 4
8 2 4
4 1 4
15 5 3
12 4 3
6 2 3
3 1 3
10 5 2
8 4 2
6 3 2
2 1 2
5 5 1
4 4 1
3 3 1
2 2 1

85
20 5 4
15 5 3
12 4 3
10 5 2
8 4 2
6 3 2
5 5 1
4 4 1
3 3 1
2 2 1
) ( ) ( XY XYP XY E
Por tanto, E(XY) = 8.5. Lo que resulta diferente del problema anterior.
4.7 La varianza de una variable aleatoria.
El valor esperado de una variable aleatoria es una medida de tendencia central de su
distribucin de probabilidad del mismo modos que x es tambin una medida de tendencia central del
histograma de frecuencias relativas de una muestra. El trmino valor esperado tiene una
interpretacin intuitiva en el sentido de que se espera que los valores de x se observen cerca del
centro de la distribucin de probabilidad.
Al igual que x proporciona una descripcin slo parcial del correspondiente histograma de
frecuencias relativas de la muestra, el valor esperado

slo da una descripcin parcial del

comportamiento de la variable aleatoria. Para una descripcin ms adecuada se requiere una medida de
dispersin de la distribucin de probabilidad P(x).
Para ilustrar este hecho, supongamos que como administrador de una clnica de salud, debe
decidir el nmero de vacunas contra el ttano que hay que mantener constantemente almacenadas. Ms
an suponga que el abastecimiento de vacunas debe ser suficiente para satisfacer tres das de demanda
y que la distribucin de probabilidad para esta demanda x, de tres das es
28
Fig. 4.7 Distribucin de probabilidad de x
Puede observarse en la figura 4.7 que la demanda esperada no proporciona informacin sobre
el nmero mximo de vacunas que podran ser requeridas durante el periodo. Se requiere, entonces un
valor para x, por ejemplo x
a
, a la derecha de la grfica de P(x) tal que la probabilidad de que la
demanda exceda a x
a
sea suficientemente pequea.
El encontrar el valor x
a
de vacunas que deben mantenerse almacenadas sera relativamente
sencillo si se conociese P(x), ya que podra ir evaluando P(x x
a
) para valores cada vez ms grandes
de x
a
hasta lograr que dicha probabilidad fuese suficientemente pequea. Si P(x) no es conocida, una
medida de su dispersin podra satisfacernos. Esta medida permitir encontrar aproximadamente el
valor x
a.
Sea x una variable aleatoria discreta con distribucin de probabilidad P(x) y valor esperado
E(x) = . La varianza de la distribucin de probabilidad P(x) (o de la variable aleatoria x) es,
( ) ( )

) ( ) (
2 2 2
i i i
x P x x E X V
en donde la suma se extiende sobre todos los valores de la variable aleatoria x.
o
[ ]
2
) ( ) ( X E X E X V
( )
( ) [ ] ) (
) (
2
2
X V X E
X X g

Asimismo
[ ]
[ ] ( ) [ ]
[ ]
[ ]
2 2
2 2
2 2
2
) ( ) (
) ( ) ( ) ( ) (
) ( 2
) ( ) (
X E X E
X E X E X E X E
X E X XE X E
X E X E X V

+
+ +

La desviacin estndar de una variable aleatoria es la raz cuadrada de su varianza.
Para una distribucin continua:
29

dx x f x ) ( ) (
2 2

Eje. Encuentre la varianza de la poblacin asociada al ejemplo del lanzamiento de dos monedas.
El valor esperado de x en este ejemplo se encontr ser igual a 1.
La varianza es igual al valor esperado de (x - )
2
, esto es
E (x - )
2
= (x - )
2
P(x)

= (0-1)
2
P(0) + (1-1)
2
P(1) + (2-1)
2
P(2)
= (1)(1/4) + (0)(1/2) + (1)(1/4) =
std. = 1/2 = 0.707
Eje. En un estudio sobre la movilidad de los ejecutivos en el rea de compras, se encontr que
la distribucin que se describe a continuacin con suficiente aproximacin a la distribucin de
probabilidad de x, los nmeros de compaas en las que un ejecutivo actualmente empleado ha
prestado sus servicios como jefe de compras.
x 1 2 3 4 5
P(x) 0.52 0.22 0.19 0.04 0.03
Encuentre la media y la desviacin estndar de x.
La media es igual a E(x) = x P(x)
= (1)(0.52) + (2)(0.22) + (3)(0.19) + (4)(0.04) + (5)(0.03)
= 1.84
La varianza es igual al valor esperado de (x - )
2
, esto es

2
= E(x - )
2

= (1-1.84)
2
(0.52) + (2-1.84)
2
(0.22) + (3-1.84)
2
(0.19) + (4-1.84)
2
(0.04)
+ (5-1.84)
2
(0.03) = 1.1144
La desviacin estndar de la distribucin es
= 1.1144 = 1.055
La media = 1.84 y la desviacin estndar = 1.055 se pueden utilizar junto con el teorema de
Tchebysheff para describir la distribucin de probabilidad del nmero de compaas en las que un
ejecutivo actualmente empleado ha prestado sus servicios en el rea de compras.
Eje. El gerente de una planta industrial planea adquirir una nueva mquina del tipo A o B. Si t
denota el nmero de horas de funcionamiento diario, y el nmero de reparaciones diarias X
1
que se
tienen que hacer a una mquina del tipo A es una variable aleatoria con una media y una varianza
iguales a 0.10t. La cantidad de reparaciones diarias X
2
que requiere una mquina del tipo B constituye
una variable aleatoria con una media y una varianza iguales a 0.12t. El costo diario de operacin de la
30
mquina tipo A es de
2
1
30 10 ) ( X t t C
A
+ , el de la tipo B es de
2
2
30 8 ) ( X t t C
B
+ . Suponga que las
reparaciones toman un mnimo de tiempo, y que cada noche las mquinas se alternan de tal manera que
funcionen como nuevas al comienzo del siguiente da Cul de ellas reduce al mnimo el costo diario
esperado si un da laboral consta de a) 10 horas y b) 20 horas?
El costo diario esperado para la mquina A es de:
[ ] [ ] ( )
[ ] { } [ ]
2
2 2
1 1
2
1
2
1
3 . 0 13
) 1 . 0 ( 1 . 0 30 10 ) ( ) ( 30 10
30 10 30 10 ) (
t t
t t t X E X V t
X E t X t E t C E
A
+
+ + + +
+ +
De la misma manera:
[ ] [ ] ( )
[ ] { } [ ]
2
2 2
2 2
2
2
2
2
432 . 0 6 . 11
) 12 . 0 ( 12 . 0 30 8 ) ( ) ( 30 8
30 8 30 8 ) (
t t
t t t X E X V t
X E t X t E t C E
B
+
+ + + +
+ +
Por lo tanto, para a) donde t = 10
[ ] [ ] 2 . 159 ) 10 ( 160 ) 10 (
B A
C E y C E
Para el inciso b) donde t = 20,
[ ] [ ] 8 . 404 ) 20 ( 380 ) 20 (
B A
C E y C E
En resumen, las mquinas tipo B son ms econmicas en periodos cortos debido a su reducido
costo de operacin por hora. Sin embargo, en periodos largos son ms econmicas las tipo A, ya que
tienden a requerir reparaciones con menos frecuencia.
Eje. Cien empleados de una empresa tienen salarios anuales cuyo promedio es 22, desviacin
estndar 3, y mediana 20. Con ayuda del teorema de Tchebyshev, vlido para datos de muestras,
determinar un intervalo que contenga por lo menos el 75% de los salarios. Qu interpretacin se
puede dar a la media del salario?
El teorema de Tchebyshev establece que por lo menos (1 1/k
2
) de las mediciones deben estar
dentro de k desviaciones estndar de su promedio. Para k = 2,
1 1/k
2
= 1 =
o 75%. Ahora bien, x = 22 y s = 3; y x t 2s da como resultado 22 t 6. Al menos, el 75% de los
sueldos deben estar entre 16 y 28 inclusive.
La mediana de 20 nos dice que el 50% de los sueldos debe ser menor que 20. Con estos datos
se podra deducir que de los 100 originales hay muchos salarios, pero no ms del 50%, en el intervalo
de 16 a 20.
31
Eje. Un proveedor de petrleo tiene un tanque de 200 galones lleno al principio de cada
semana. Sus demandas semanales tienen un comportamiento de frecuencia relativa que aumenta
constantemente hasta llegar a 100 galones, y a continuacin permanece igual entre 100 y 200 galones.
Si X representa la demanda semanal en cientos de galones, suponer que las frecuencias relativas de la
demanda se modelan en forma adecuada mediante:

'

>
<

<

2 0
2 1 2 / 1
1 0
0 0
) (
x
x
x x
x
x f
Calcular F(b) para esta variable aleatoria. Usar F(b) para calcular la probabilidad de que la
demanda sea mayor de 150 galones en determinada semana.

'

>


<

2 1
2 1 ) 1 ( 2 / 1 ) 2 / 1 (
1 0 2 /
0 0
) ( ) (
1
2
x si
x si b dx
x si b xdx
x si
dx x f b F
b
b
b

'

>
< +

2 1
2 1 2 / 2 / ) 1 ( 2 / 1
) (
b
b b b
b F
La grfica de esta funcin es una lnea continua, aun cuando f(b) tenga dos discontinuidades.
La probabilidad de que la demanda supere los 150 galones es
P(X >1.5) = 1 P(X 1.5) = 1 F(1.5) = 1 1.5/2 = 0.25
Eje. Sea X el porcentaje del tiempo que trabaja un torno en un taller de maquinaria, de una
semana de trabajo de 40 horas, que es el tiempo que debera trabajar el torno. Supngase que X tiene
una funcin de densidad de probabilidad dada por
32

'

p o c
x x
x f
. . 0
1 0 3
) (
2
Calcular el promedio y la varianza de X.
75 . 0 ) 3 ( ) ( ) (
1
0
2

dx x x dx x xf x E
As, en promedio, el torno se usa el 75% del tiempo.
60 . 0
5
2
) 3 ( ) ( ) (
1
0
2 2 2 2

dx x x dx x f x x E
Entonces 0375 . 0 ) 75 . 0 ( 60 . 0 ) ( ) (
2 2 2
x E x V
Eje. La cantidad semanal Y invertida en sustancias qumicas en una empresa tiene una media de
$445 y una varianza de $236. Dentro de qu intervalo se debe esperar que queden los costos
semanales de productos qumicos cuando menos el 75% de las veces?
Para determinar un intervalo que garantice contener cuando menos el 75% de la masa de
probabilidad para Y, se obtiene
1 1/k
2
= 0.75; k = 2
As, el intervalo - 2 a + 2 contendr por lo menos el 75% de la probabilidad. Este
intervalo est dado por 445 t 2 236 = 445 t 30.62.
Eje. La oficina meteorolgica clasifica el tipo de cielo que es visible en relacin con los grados
de nubosidad. Se usa una escala con 11 categoras: 0, 1, 2, ..., 10, en donde 0 representa un cielo
perfectamente claro, 10 representa un cielo completamente cubierto, mientras que los otros valores
representan diversas condiciones intermedias. Supongamos que tal clasificacin se hace en una
estacin meteorolgica determinada en un da y hora determinados. Sea X la variable aleatoria que
toma uno de los 11 valores anteriores. Supongamos que la distribucin de probabilidades de X es
p
o
= p
10
= 0.05;
p
1
= p
2
= p
8
= p
9
= 0.15
p
3
= p
4
= p
5
= p
6
= p
7
= 0.06
Por tanto
E(X) = 1(0.15) + 2(0.15) + 3(0.06) + 4(0.06) + 5(0.06) +6(0.06) + 7(0.06)
+ 8(0.15) + 9(0.15) + 10(0.05) = 5.0
E(X
2
) = 1(0.15) + 4(0.15) + 9(0.06) + 16(0.06) + 25(0.06) +36(0.06) + 49(0.06)
+ 64(0.15) + 81(0.15) + 100(0.05) = 35.6
V(X) = E(X
2
) (E(X))
2
= 35.6 25 = 10.6
33
Eje. Supongamos que X es una variable aleatoria continua con fdp

'

1 0 1
0 1 1
) (
x x
x x
x f
Debido a la simetra de la fdp, E(X) = 0. Ms an,

+ +

1
0
2
0
1
2 2
6 / 1 ) 1 ( ) 1 ( ) ( dx x x dx x x X E
por lo tanto V(X) = 1/6.
Propiedades de la varianza de una variable aleatoria.
1. Si C es una constante,
V(X + C) = V(X)
2. Si C es una constante,
V(CX) = C
2
V(X)
3. Sean X
1
, X
2
, ..., X
n
n variables aleatorias independientes. Entonces
V(X
1
+ X
2
+ ... + X
n
) = V(X
1
) + V(X
2
) + .... + V(X
n
)
4. Sea X una variable aleatoria con varianza finita. Luego para cualquier nmero real a,
V(X) = E[(X a)
2
] [E(X) a]
2
Demostracin:
34
( )

+ +
+ +
+ + +
+ +



+ + + +
+ + +
+ +
+
+
i j
Y j j X i i
i j
Y Y X
j
X j j j j
i
i i i i
j i j i
Y X j i j
j i
j i j i j i i
j i
Y X j i j i
X i i X i i
X i i kX i i
X i i
X X X i i
X i i i i i
k X i i
Y V X V y g y x f x
y g y y g y x f x x f x
y x h y y x h y x y x h x
y x h y x Y X V
X V k x f x k k x f x k
k x f x k x f kx kX V
X V x f x
k k k k x f x
k x f k x f x k x f x
x f k x k X V
) ( ) ( ) ( ) (
2 ) ( ) ( ) ( 2 ) (
) ( ) , ( ) , ( 2 ) , (
) , ( ) ( ) (
) ( ) ( ) (
) ( ) ( ) ( ) ( ) (
) ( ) (
) 2 ( 2 ) (
) ( ) ( ) ( 2 ) (
) ( ) ( ) (
2 2 2 2
2 2 2 2
, ,
2 2
,
2
,
2 2
2 2 2 2 2 2 2 2
2 2 2 2 2
2
2 2 2 2
2 2 2
2 2

Para dos variables aleatorias X e Y no necesariamente independientes:

) , cov( 2 ) ( ) ( ) (
2 2 2
Y X Y X Y X + + +
Se llama covarianza de dos variables aleatorias X e Y a la expresin
{ }

j i
j i Y j X i
Y X
y x P y x
Y X E Y X
,
) , ( ) )( (
) )( ( ) , cov(


Otra forma de la covarianza, que se obtiene desarrollando
{ } { }
Y x Y X Y X
X Y XY E Y X E + ) )( (
, es
) ( ) ( ) ( ) , cov( Y E X E XY E Y X
De aqu se deduce que, en el caso de variables aleatorias dependientes
) , cov( ) ( ) ( ) ( Y X Y E X E XY E +
El trmino covarianza hace referencia a una variacin conjunta de las variables que entran en
juego. Que dos variables varen de forma conjunta significa que las variaciones que experimenta
cualquiera de ellas son parejas o solidarias con las variaciones que experimenta la otra.
En particular, si X e Y son independientes, se verifica
0 ) , cov( Y X
4.8 Transformacin de variables.
35
Suponer que se transforman las mediciones x
1
, x
2
, ..., x
n
, a otras mediciones y
1
, y
2
, ..., y
n
mediante
y
i
= a x
i
+ b
Si x
1
, ..., x
n
tienen el promedio x y la variancia s
2
x
entonces es fcil demostrar que y
1
, ..., y
n
tienen
promedio
y
y variancia s
2
y
dados por
y
= a x + b
y por
s
2
y
= a
2
s
2
x
Eje. Es importante para una estructura sencilla de un andamio de acero, estudiar el aumento de
la longitud de los miembros que trabajan a tensin bajo carga. Para una carga de 2,000 Kg., diez
miembros iguales que trabajan a tensin mostraron aumentos de longitud como sigue (mediciones en
centmetros):
2.5 2.2 3.0 2.1 2.7 2.5 2.8 1.9 2.2 2.6
(a) Calcular la media y la desviacin estndar de esas mediciones.
(b) Suponer que las mediciones se hubieran tomados en metros, y no en centmetros.
Determinar el promedio y la desviacin estndar de las mediciones correspondientes en metros.
El promedio es
x = 1/10 (2.5 + 2.2 + ... + 2.6) = 2.45
y la variancia es
( ) 1183 . 0 5 . 24
10
1
09 . 61
9
1
1
1
1
) (
1
1
2
2
1 1
2
1
2 2

1
]
1

1
1
]
1

,
_

,
_

,
_

n
i
i
n
i
i
n
i
i x
x
n
x
n
x x
n
s
y
s
x
= 0.34
Si y
i
representa la medicin correspondiente en metros, entonces
y
i
= 0.01x
i
Se infiere que



10
1
10
1
10
1
01 . 0 01 . 0
i
i
i
i
i
i
x x y
0245 . 0 ) 45 . 2 ( 01 . 0 ) 01 . 0 ( x y
36
y
( )
2 2
1 0
1
2 2
1 0
1
2 2
2
1 0
1 1
2
) 0 1 . 0 ( ) (
9
1
) 0 1 . 0 ( ) ( ) 0 1 . 0 (
9
1
0 1 . 0 0 1 . 0
9
1
x
i
i
i
i i y
s x x x x x x s


s
y
= (0.01)s
x
= (0.01)(0.34) = 0.0034.
4.9 Momentos de una variable aleatoria.
Los parmetros y son medidas numricas descriptivas importantes que localizan el centro y
describen la dispersin relacionada con los valores de una variable aleatoria X. Sin embargo, no
proporcionan una representacin nica de la distribucin X. Muchas distribuciones distintas poseen las
mismas medias y desviaciones estndar. Ahora analizaremos un conjunto de medias numricas
descriptivas que (por lo menos en condiciones generales) determinan de forma nica a p(x).
Se llaman momentos a las esperanzas de algunos tipos importantes de funciones. El nombre
viene debido a cierta analoga con los momentos en fsica, suponiendo que las cantidades de f(x)
fuesen masas discretas de puntos que actan de manera perpendicular al eje X se ha introducido en
probabilidad y estadstica el trmino momento.
Sea X una variable aleatoria y sea Y = g(X) otra variable aleatoria funcin de X. Se calcula la
esperanza o valor esperado de Y como

[ ]

discreta es X si x P x g X g E Y E
i i
) ( ) ( ) ( ) (
[ ] continua es X si dx x f x f X g E Y E

) ( ) ( ) ( ) (
Tiene especial inters el caso en que g(x) = x
k
, para k = 1, 2, 3, .....
El r-simo momento inicial (tambin llamado r-simo momento aleatorio alrededor del origen)
de la variable aleatoria X, representado por
r
, es el valor esperado de X
r
, es decir, ( )
r
r
X E , r
N. Evidentemente, el primer momento inicial de una variable aleatoria es su media o valor esperado,
esto es: ( ) X E
r
.
El r-simo momento central (o momento alrededor de la media) de una variable aleatoria X,
representado por
*
r

, se define como sigue:

( ) [ ]
r
r
X E *
En particular
*
2
2

.
Existe tambin el llamado r-simo momento absoluto, aunque es poco comn, el cual es igual al r-
simo momento inicial de la variable aleatoria h(X) = |X|.
Los momentos centrales pueden expresare en trminos de los momentos iniciales (o del origen)
mediante la siguiente relacin
37

,
_

,... 2 , 1 , 0 , ) 1 (
*
k
k
r
k r
k k
r

Si el primer momento central existe, debe ser necesariamente cero 0
*
1
; por otra parte, el
segundo momento central de una variable aleatoria X se denomina varianza (si es que existe), y se
denota por ( ) [ ]
2 2
) ( X E X V . La raz cuadrada no negativa de la varianza se llama desviacin
estndar.
Es muy fcil probar que, tanto para una variable aleatoria discreta como para una continua, se
cumple la relacin:
2
2 2
2
*
esto es:
( ) [ ] ( )
2 2 2 2
X E X E
Lo anterior se generaliza como sigue:
( ) [ ] ( ) ( )
( ) [ ] ( ) ( ) ( )
4 2 2 3 4 4
3 2 3 3
3 6 4
2 3


+
+
X E X E X E X E
X E X E X E
y as sucesivamente.
Una condicin necesaria, pero no suficiente, para que la grfica de una funcin de densidad de
probabilidad sea simtrica con respecto a la perpendicular del eje X trazada en la media, es que el
tercer momento central sea cero. En otras palabras, si la grfica de f(x) es simtrica con respecto a la
media, entonces 0
*
3
, pero lo recproco no siempre es verdad. Cuando la grfica de f(x) no es
simtrica con respecto a la media, entonces se llama sesgada.
Si X es una variable aleatoria, entonces el sesgo (o asimetra) de X se denota por cualquiera de
los smbolos siguiente:

3
,
3
Y se define en trminos del tercer momento central:
( )
3
*
3
3
3
3
1

X E
Si = 0, la grfica de f(x) es perfectamente simtrica respecto de la media, si es positiva, la grfica
presenta una especie de cola alargada del lado derecho; mientras que si es negativa, entonces la
grfica presenta una cola notoria del lado izquierdo. El motivo para definir el sesgo mediante , en
lugar de hacerlo directamente con
*
3
estriba en que es independiente de las unidades de medicin,
mientras que el tercer momento central
*
3
no lo es.
38
En particular,
1
se llama tipificacin de la variable X,
3
es el sesgo,
4
= es el Kurtossis (o
exceso)
( )
4
*
4
4
4
4
1

X E
La magnitud =
4
proporciona un indicador de qu tan picuda es la grfica de la funcin de
densidad f(x). Mientras mayor sea la cantidad, tanto ms picuda o pronunciada ser la cresta en la
grfica de f(x). Es pertinente sealar, sin embargo, que la Kurtossis de una distribucin es poco usual,
por considerarse que la interpretacin que se tiene de ella es vaga y de valor dudoso.
Eje. El dimetro (en centmetros) de unos balines metlicos para uso industrial, es una variable
aleatoria continua x, cuya funcin de densidad esta dada por:

'
< <

. . . , 0
1 . 1 9 . 0 99 . 0 2
) (
2
p o c
x c cx cx
x f
a) Obtenga el valor de la constante c.
b) La media.
c) Halle la varianza y la desviacin estndar.
d) Mediana.
e) La moda.
a)
750
1 0013333 .
1 )] 9 . 0 ( 99 . 0
3
) 9 . 0 (
) 9 . 0 ( ) 1 . 12 ( 99 . 0
3
) 1 . 1 (
) 1 . 1 [(
1 ] 99 . 0
3
[ 1 ) 99 . 0 2 (
1 ) 99 . 0 2 (
3
2
3
2
1 . 1
9 . 0
3
2
1 . 1
9 . 0
2
1 . 1
9 . 0
2

+ +

c
c
c
x
x
x c dx x x c
dx x x c
b)
1
1
2
) 9 . 0 ( 99 . 0
4
) 9 . 0 (
3
) 9 . 0 ( 2
2
) 1 . 1 ( 99 . 0
4
) 1 . 1 (
3
) 1 . 1 ( 2
750
2
99 . 0
4 3
2
750 ) 99 . 0 2 ( ) 99 . 0 2 (
2 4 3 2 4 3
1 . 1
9 . 0
2 4 3 1 . 1
9 . 0
1 . 1
9 . 0
3 2 2

1
]
1

+ +
1
]
1

x x x
dx x x x c dx x x x c
c)
39
3 2
3 5 4 3 5 4
2
1 . 1
9 . 0
3 5 4
2 2 4 3 2 2 2
2
1
3
) 9 . 0 ( 99 . 0
5
) 9 . 0 (
4
) 9 . 0 ( 2
3
) 1 . 1 ( 99 . 0
5
) 1 . 1 (
4
) 1 . 1 ( 2
750
3
99 . 0
5 4
2
) 99 . 0 2 ( ) (

1
]
1

+ +

1
]
1

x x x
c dx x x x c dx x f x
04472 . 0 2
3

d)
173 . 1
1
8267 . 0
:
0
300
97
99 . 0
3
2 / 1
) 99 . 0
3
750 ) 99 . 0 2 ( ) 99 . 0 2 (
3
2
1
3
2
9 . 0
3
2
9 . 0 9 . 0
2

1
]
1

x
x
x
soluciones
x
x
x
igualamos
t
t
t dt t t c dx x x c m
x
x x
e
Con estos resultados podemos observar que x
1
y x
3
no pueden ser considerados dado que se encuentran
fuera de los limites sealados y por lo tanto la solucin es: m
e
= 1
e)
1
1
2 2
0 ] 2 2 [ ) (
0 ) 99 . 0 2 ( ) (
2

o
m
x
x
x c x f
x x c x f
Una grfica de esta funcin 5 . 742 750 1500
2
x x y es:
0.9 0.95 1 1.05 1.1 1.15
0
1
2
3
4
5
6
7
8
x
y
grafica de y=1500x-750x
2
-742.5
40
Teorema de Chbyshev.
En el siglo XIX, el matemtico ruso Pafnuty L. Chbyshev (1821-1894) obtuvo una importante
desigualdad que asegura lo menos que puede valer la probabilidad de que una variable aleatoria
cualquiera (discreta o continua) asuma un valor dentro de k desviaciones estndar alrededor de la
media ( k > 1). Aunque la garanta mnima propuesta por Chbyshev no siempre es precisa al
compararla con el valor verdadero, la ventaja de este teorema es su gran generalidad, pues es aplicable
a cualquier variable aleatoria con cualquier distribucin de probabilidad, ya sea discreta o continua, y
generalmente es til cuando la distribucin de probabilidad es desconocida.
El teorema de Tchebysheff. Dados un nmero k, y un conjunto de observaciones x
1
, x
2
, ...., x
n
,
al menos (1 - 1/k
2
) de las observaciones caen dentro de k desviaciones estndar de la media. La
probabilidad de que cualquier variable aleatoria X tome un valor dentro de k desviaciones estndar de
la media es al menos 1 1/k
2
. Es decir.
2
1
1 ) (
k
k X k P + < < o ( )
2
1
k
k X P
Dem. Por la definicin de varianza de X podemos escribir
[ ]

+
+

+

+
+ +

k
k
k
k
k
k
dx x f x dx x f x
dx x f x dx x f x dx x f x
dx x f x
X E
) ( ) ( ) ( ) (
) ( ) ( ) ( ) ( ) ( ) (
) ( ) (
) (
2 2
2 2 2
2
2 2
debido a que la segunda de las tres integrales es no negativa. Ahora bien, como
k x
para
cualquier
( ) ( ) ( )
1
1
1
]
1

+
+




k x k x k x
k x
x k x
k x o k x +
, tenemos que
2 2 2
) ( k x en ambas integrales. Se sigue que


+

+



k
k
dx x f k dx x f k ) ( ) (
2 2 2 2 2
y que
2
1
) ( ) (
k
dx x f dx x f
k
k
+


+

41
De aqu
2
1
1 ) ( ) (
k
dx x f k X k P
k
k
+ < <

.
El teorema de Tchebysheff se refiere a cualquier conjunto de observaciones, por lo tanto se
puede aplicar tanto a una muestra como a la poblacin independientemente de que el histograma de
probabilidades tenga o no forma de campana. Los resultados del teorema son muy conservativos en el
sentido de que la probabilidad real de que X se localice en el intervalo
k t
por lo comn rebasa la
cota o lmite inferior par la probabilidad,
2
1
1
k
, por una cantidad considerable.
Eje. La cantidad de clientes que llega cada da aun mostrador, X, observada por un periodo
prolongado tiene una media de 20 y una desviacin estndar de 2. Se desconoce la distribucin de
probabilidad Qu se puede decir de la probabilidad de que, maana, X est entre 16 y 24?
Deseamos calcular
) 24 16 ( < < X P
, del teorema de Chebyshev, sabemos que, para cualquier
0 k ,
2
1
1 ) (
k
k X k P + < < , Como
20
y 2 , se infiere que
16 k
y
24 + k
si k = 2. Por lo tanto,
( ) ( ) [ ]
4
3
2
1
1 2 2 ) 24 16 (
2
+ < < < < X P X P
En otras palabras, la cantidad total de clientes que llegar maana estar entre 16 y 24 con una
probabilidad al menos de .
Eje. La funcin de distribucin acumulada exponencial es

'

<

0 1
0 0
) (
x si e
x si
x F
x
La funcin de distribucin de probabilidades es f(x) = e
-x
, x 0. As, para esta distribucin
24
6
2
1
0
4
4
0
3
3
0
2
2
0
1

dx e x
dx e x
dx e x
dx xe
x
x
x
x

Por consiguiente
42
. 9
9 3 ) 1 )( 2 ( 6 ) 1 )( 6 )( 4 ( 24
3 6 4
1
1 ) (
4
4
1
2
1 2 1 3 4
*
4
2
1 2

+
+

X V
Eje. Suponga que los editores de la revista Playboy desean aumentar sus suscriptores. Para ello,
envan cartas (o mensajes por e-mail) a un nmero aleatorio de personas, invitndolas a suscribirse con
ciertas ventajas. De las personas que reciben esa correspondencia, un gran nmero ni siquiera la leen y
la tiran a la basura, pero otros la leen y responden. Supongamos que la proporcin de personas que
responden a la invitacin (0 = 0%, 1 = 100%) es una variable aleatoria (continua) X, cuya funcin de
densidad de probabilidad est dada por:

'

p o c
x si
x
x f
. . , 0
1 0 ,
5
) 2 ( 2
) (
a) Verifique que, en efecto, f(x) es una funcin de densidad de probabilidad.
b) Encuentre la distribucin acumulada de probabilidad F(x).
c) Calcule la probabilidad de que entre 30 y 60% de personas que reciben la correspondencia,
la respondan.
d) Encuentre el porcentaje esperado (media) de personas que respondern a la invitacin.
e) Determine la varianza y la desviacin estndar de la variable aleatoria X.
f) Calcule el coeficiente de sesgo.
[ ] 1 , 0 ,
5
4
2
5 5
2
2
2 5
2
5
) 2 ( 2
) ( ) (
1 2
2
1
5
2
2
2 5
2
5
) 2 ( 2
) (
2 2
0
2
0
1
0
2
1
0

,
_

,
_

+
+


,
_

,
_

+
+

x
x x
x
x
t
t
dt
t
dt t f x F
x
x
dx
x
dx x f
x
x x
294 . 0 258 . 552 . 0 ) 3 . 0 ( ) 6 . 0 ( F F
( )
( )
( ) 08222 . 0
450
37
225
64
2
5
2
15
8
) 2 (
5
2
) (
% 3 . 53
15
8
1
3
1
5
2
3 5
2
) 2 (
5
2
) 2 (
5
2
) (
1
0
2
3
2
1
0
2 2 2 2
1
0
2
3
1
0
2
1
0
+

,
_

+

,
_

,
_

+
+ +

x x
dx x x dx x f x X V
x
x
dx x x dx x x dx x xf X E

La desviacin estndar es,

286744 . 0
450
37

43
( ) [ ] ( )
13824 . 0
37
2
37
22
50653
968
; 003259 . 0
3375
11
) 2 (
15
8
5
2
) (
3
*
3
3
1
0
3
3 3 *
3


+
,
_

luego
dx x x dx x f x X E
De antemano sabamos que el sesgo debe ser negativo, ya que se trata de una lnea recta con
pendiente positiva y, por tanto, la cola de la grfica aparece pronunciada en el lado izquierdo.
Eje. Un padre le da a su hijo una cantidad variable de dinero diario para sus gastos en la
escuela. Suponga que el seor deja el asunto al azar; en cada uno de tres papeles pequeos escribe 20
pesos, en cada uno de otros cinco papeles anota 10 pesos y en cada uno de otros siete papeles
escribe 5 pesos. Dobla los 15 papeles y los mete en un frasco. Su hijo debe sacar al azar cuatro
papeles del frasco cada maana (sin reposicin) y le dar la cantidad que sumen ese da para sus gastos
en la escuela. Si T es la variable aleatoria que representan el total de dinero que el nio se lleva cada
da a la escuela:
a) Halle la distribucin de probabilidad de T en forma de una tabla.
b) Calcule la media o valor esperado de T.
c) Encuentre la varianza y la desviacin estndar.
d) Haga el dibujo de un histograma que represente la distribucin de probabilidad de T.
e) Averige qu tan til puede ser la desigualdad de Chbyshev para estimar la probabilidad
mnima de que el nio se llevar ms de $20, pero menos de $55. (Sugerencia: tome el
intervalo desde 25 hasta 52.333).
Es fcil convencerse de que existen 14 combinaciones de monedas (ver tabla adjunta),
$20 $10 $5
(3) (5) (7) t($) f(t)
1 0 0 4 20 1/39
2 0 1 3 25 5/39
3 0 2 2 30 2/13
4 0 3 1 35 2/39
5 1 0 3 35 1/13
6 0 4 0 40 1/273
7 1 1 2 40 3/13
8 1 2 1 45 2/13
9 1 3 0 50 2/91
10 2 0 2 50 3/65
11 2 1 1 55 1/13
12 2 2 0 60 2/91
13 3 0 1 65 1/195
14 3 1 0 70 1/273
pero slo 11 sumas distintas de dinero que el nio puede llevarse ello se debe a que hay tres sumas de
dinero ($35, $40, $50) que pueden obtenerse de dos maneras distintas.
44
Tenemos que calcular las probabilidades respectivas en esas 11 cantidades, usando la frmula
para ensayos sin reposicin. Por ejemplo, la probabilidad de que se lleve 35 pesos est dada por:
39
5
13
1
39
2
4
15
3
7
0
5
1
3
4
15
1
7
3
5
0
3
+

,
_

,
_

,
_

,
_

,
_

,
_

,
_

,
_

De esta manera encontramos, uno por uno, los valores de f(t) para cada uno de los 11 nmeros
posibles de la variable aleatoria T, que representa el total de dinero que se lleva el nio cada da.
Por tanto, la distribucin de probabilidad de la variable aleatoria T es la siguiente:
t
i
20 25 30 35 40 45 50 55 60 65 70
p
i
1/39 5/39 2/13 5/39 64/27
3
2/13 31/45
5
1/13 2/91 1/195 1/273
Podemos obtener la media o valor esperado de:
6667 . 38
3
116
273
1
70
195
1
65
91
2
60
13
1
55
455
31
50
13
2
45
273
64
40
39
5
35
13
2
30
39
5
25
39
1
20

,
_

+
,
_

+
,
_

,
_

+
,
_

+
,
_

+
,
_

+
,
_

+
,
_

+
,
_

+
,
_

Esto significa que, en promedio, el nio se lleva a la escuela aproximadamente $38.70.
La varianza es el segundo momento central de orden 2:
1746 . 99
63
6248
273
1
3
116
70
195
1
3
116
65
91
2
3
116
60
13
1
3
116
55
455
31
3
116
50
13
2
3
116
45
273
64
3
116
40
39
5
3
116
35
13
2
3
116
30
39
5
3
116
25
39
1
3
116
20
2 2 2
2 2 2 2
2 2 2 2
2

,
_

+
,
_

+
,
_

+
,
_

+
,
_

+
,
_

+
,
_

+
,
_

+
,
_

+
,
_

+
,
_

Por consiguiente, la desviacin estndar es:
. 10 $ 958645 . 9
63
6248

Una desviacin estndar de casi $10 es considerable. Qu significa? Significa que existe
bastante dispersin de los valores de T alrededor de la media, es decir, que las cantidades que el nio
se lleva en realidad a la escuela son bastante heterogneas.
El histograma es.
45
Barchart for Col_2
0
0.04
0.08
0.12
0.16
0.2
0.24
f
r
e
q
u
e
n
c
y
20
25
30
35
40
45
50
55
60
65
70
El teorema de Chbyshev proporciona la garanta de que para cualquier k > 1 ocurre que
( )
2
1
1
k
k X k P + < < . Empero, para variables aleatorias discretas, la desigualdad de
Chbyshev slo es aplicable en casos excepcionales, porque deberamos tener mucha suerte para que
ambos
k
y
k +
estuviesen en el dominio de definicin de X. En este caso, es fcil
convencerse de que ningn valor de k > 0 produce el efecto deseado, porque si hubiese nmeros
naturales n, m tales que
n k
, y
m k +
, necesariamente se llegara a
3
232
3
116
3
116
+ n m n m , lo cual es imposible. Adems, la condicin k > 1 nos obliga a tomar
n < 28.67 y m > 48.67. Mediante el intervalo 25 < X < 52 1/3 como una aproximacin del intervalo 20
< X < 55, entonces s es posible emplear la desigualdad de Chbyshev. Tenemos as dos ecuaciones de
primer grado:
3
157
3
1
52
63
6248
3
116
; 25
63
6248
3
116
+ k k
Resolviendo cada una de estas ecuaciones, obtenemos, como era de esperarse, el mismo valor:
7
1562
2
41
k
lo cual significa que, en efecto, el intervalo tiene su centro en la media. Por tanto, la estimacin
mnima, segn el teorema de Chbyshev, es:
4690 . 0
11767
5519
11767
6248
1
1
1
2

k
Para obtener el valor exacto, se calcula primero la distribucin acumulada de probabilidad F(x)
mediante una tabla y se evala F(50) F(25).
Eje. En la teora de fiabilidad de los dispositivos automticos, la fiabilidad de un elemento o de
un sistema se caracteriza por la llamada intensidad media de fallos (t), la cual representa una funcin
de tiempo tal, que siendo multiplicada por dt, ofrece (con exactitud de infinitesimales de orden
superior) la probabilidad condicional del fallo del elemento en el intervalo de tiempo (t, t + dt),
46
suponiendo que hasta el momento t el elemento funcionaba normalmente. Conociendo la funcin (t),
se puede hallar la ley de distribucin de la duracin de servicio.
Para hallar la ley de distribucin de la duracin de servicio del elemento T, examinemos dos
acontecimientos: A (buen funcionamiento del elemento hasta el momento t) y B (fallo del elemento en
el intervalo de tiempo (t, t + dt)). Es evidente que el acontecimiento B no puede suceder sino junto con
el acontecimiento A, porque el elemento puede fallar en el intervalo de tiempo (t, t + dt) solamente en
el caso de funcionar bien hasta el momento t. Por eso P(B) = P(AB), y basndonos en el principio de
multiplicacin de probabilidades, podemos escribir
) | ( ) ( ) ( A B P A P B P
Designemos las funciones incgnitas de distribucin y la densidad de probabilidad de la duracin de
servicio del elemento T por F(t) y f(t) respectivamente.La probabilidad del acontecimiento B es igual,
con exactitud hasta infinitesimales de segundo orden, al elemento de probabilidad correspondiente:
dt t F dt t f dt t T t P B P ) ( ) ( ) ( ) ( + < <
La probabilidad del acontecimiento A se expresa por medio de la funcin de distribucin de la
duracin de servicio del elemento T.
) ( 1 ) ( 1 ) ( ) ( t F t T P t T P A P <
Por fin, la probabilidad condicional P(B|A) se expresa por la intensidad media de fallos del elemento
(t):
dt t A B P ) ( ) | (
Sustituyendo las expresiones obtenidas, obtendremos despus de dividir ambos miembros por dt, la
ecuacin diferencial para la funcin de distribucin F(t):
[ ] ) ( ) ( 1 ) ( t t F t F
Dado que la duracin de servicio del elemento no puede ser negativa, el acontecimiento T < 0 es
imposible y, por lo tanto F(0) = 0.
Integrando la ecuacin anterior, con la condicin inicial de que F(0) = 0, hallamos la funcin de
distribucin de la duracin de servicio del elemento:

t
dt t
e t F
0
) (
1 ) (

De aqu, por derivacin, hallamos la densidad de probabilidad de la duracin de servicio del elemento:

t
dt t
e t t f
0
) (
) ( ) (

En el caso particular, de que la intensidad de fallos

) (t
sea constante, se tiene
t t
e t f e t F

) ( 1 ) (
47
De este modo, siendo constante la intensidad de fallos , la duracin de servicio de un elemento est
subordinada a la ley exponencial de distribucin, lo que explica el gran papel que dicha ley desempea
en la teora de fiabilidad de los sistemas automticos.
Eje. Para los mismos datos del ejemplo anterior, hallar la probabilidad condicional de que el
elemento falle en el intervalo de tiempo (t
1
, t
2
) suponiendo que funcione bien hasta el momento t
1
.
Examinemos dos acontecimientos: A (el funcionamiento normal del elemento hasta el momento
t
1
, y B (el fallo del elemento en el intervalo de tiempo (t
1
, t
2
)). De
) ( 1 ) ( 1 ) ( ) (
) ( ) ( ) ( ) (
1 1 1
1 2 2 1
t F t T P t T P A P
t F t F t T t P B P
<
< <
Sustituyendo estas expresiones en
) | ( ) ( ) ( A B P A P B P
y tomando en cuenta que en el caso dado el
acontecimiento B no puede producirse sino junto con el acontecimiento A, hallaremos la probabilidad
buscada de que falle el elemento en el intervalo de tiempo (t
1
, t
2
) a condicin de que hasta el momento
t
1
haya funcionado bien:
) ( 1
) ( ) (
) (
) (
) (
) (
) | (
1
1 2
t F
t F t F
A P
B P
A P
B A P
A B P

Sustituyendo aqu F(t), obteniendo

2
1
) (
1 ) | (
t
t
dt t
e A B P

En el caso particular, en que la intensidad de fallos es constante, se tiene
2 1
) (
t t
e e B P


y
) (
1 2
1 ) | (
t t
e A B P



Eje. En el problema de deteccin de la seal en los ruidos, la amplitud de la seal til U es de
ordinario una magnitud aleatoria que puede tomar cualquier valor, tanto positivo como negativo. La
amplitud de la seal U es igual a cero cuando la seal no est presente y se recibe slo ruido. Si, la
probabilidad de la presencia de la seal es igual a p, entonces, la probabilidad de la ausencia de la
seal, es decir, la probabilidad del valor cero de su amplitud es igual a q = 1- p. De este modo, la
amplitud de la seal U no es ms que una magnitud aleatoria de tipo mixto con valores posibles que
llenan continuamente todo el eje numrico y con un valor posible cero exclusivo que tiene la
probabilidad q. En las figuras a y b se muestran los grficos de la funcin de distribucin F(u) y de la
densidad de probabilidad f(u) de la amplitud de la seal til en el problema de deteccin.
48
4.10 La funcin generadora de momentos.
La funcin generadora de momentos m(t) para una variable aleatoria X se define como
( )
tX
e E t m ) ( . Decimos que existe una funcin generadora de momentos para X si hay una constante
positiva b tal que m(t) es finita para
b t
.
Por qu ( )
tX
e E se llama funcin generadora de momentos de X? : La expansin por series de
tx
e nos da
Entonces, si suponemos que
k

es finita para k = 1,2,3,, obtenemos:

( )
( ) ( )
...
! 3 ! 2
1
... ) (
! 3
) (
! 2
) ( ) (
) ( ..
! 3 ! 2
1 ) (
3
3
2
2
1
3
3
2
2
3 2
+ + + +
+ + + +
1
]
1

+ + + +



t t
t
x p x
t
x p x
t
x xp x p
x p
tx tx
tx x p e e E
x x x x
x x
tx tx
Este razonamiento implica un intercambio de sumatorias que se justifica si existe m(t).
As, ( )
tx
e E es una funcin de todos los momentos
k

respecto al origen para k = 1,2, 3,.

En particular,
k

es el coeficiente de
! k
t
k
.
La funcin generadora de momentos tiene dos aplicaciones importantes. Primero, si
pudirarmos calcular ( )
tx
e E , podramos determinar cualquiera de los momentos de X.
Teorema. Si existe m(t), entonces, para cualquier entero positivo k,
k
k
t
k
k
m
dt
t m d

) 0 (
) (
) (
0
Dem. Como
49
( ) ( )
....
! 3 ! 2
1
3 2
+ + + +
tx tx
tx e
tx
( ) ...
! 3 ! 2
1 ) (
3
3
2
2
1
+ + + +
t t
t e E t m
tx
Se deduce que
...
! 3
3
! 2
2
) (
..
...
! 4
3
2
2
) (
...
! 3
3
! 2
2
) (
2
2
1
) (
4
2
3 2
) 2 (
3
2
2 1
) 1 (
+ + +
+ + +
+ + +
+ + k k k
k
t t
t m
t t
t m
t t
t m



Si hacemos t = 0
k
k
m
m
m

) 0 (
.
) 0 (
) 0 (
) (
2
) 2 (
1
) 1 (
Eje. Determine la funcin generadora de momentos m(t) para una variable aleatoria de Poisson
con media .
( )
( ) ( )

0 0
0
! !
!
) ( ) (
X
X
t
x
x
t
x
x
tx
x
tx tx
x
e
e
x
e e
e
e x p e e E t m

De
( ) T
E
X
x
t
e
x
e

0
!
Multiplicando y dividiendo entre
t
e
e

,
( )

0
!
) (
x
e
x
t
e
x
e e
e e t m
t
t



La cantidad dentro del signo de sumatoria es la funcin de probabilidad de una variable aleatoria de
Poisson con media
t
e ., De ah que:
( ) 1
) 1 ( ) ( , 1 ) (

t t
e e
x
e e e t m y x p

Eje. Emplea la funcin generadora de momentos del ejemplo anterior para determinar la media
y la varianza de la variable aleatoria de Poisson.
50
De
( )
( )
( )
( )
( )
( ) ( ) ( )




+ +

2 ) 2 (
2
2 1
2
2
) 2 (
) 1 ( 1 ) 1 (
) 0 ( ) ( ) (
) 0 ( ) (
1 1 1
1
m e e e e e e
dt
d
e
dt
d
t m
m e e e
dt
d
t m
t e t e t e e
t e e
t t t t
t t
Pero +
2 2 2
2
2 2 2
) ( X E .
La segunda y principal aplicacin de una funcin generadora de momentos consiste en
demostrar que una variable aleatoria posee una distribucin de probabilidad particular p(x). Si m(t)
existe para una distribucin de probabilidad p(x), entonces es nica. Asimismo, si las funciones
generadoras de momentos de dos variables aleatorias X e Y son iguales (para toda
b t <
y para
alguna b > 0), entonces X e Y deben tener la misma distribucin de probabilidades. De esto inferimos
que si podemos reconocer la funcin generadora de momentos de una variable aleatoria X que
corresponde a una distribucin especfica, entonces X debe poseer la misma distribucin.
En resumen, una funcin generadora de momentos es un artificio matemtico que a veces no
siempre- proporciona una manera sencilla de determinar momentos relacionados con variables
aleatorias. Lo ms importante es que se puede utilizar para establecer la equivalencia de dos
distribuciones de probabilidad.
Eje. Supongamos que X es una variable aleatoria con la funcin generadora de momentos
) 1 ( 2 . 3
) (

t
e
e t m Cul es la distribucin de X?
Una funcin generadora de una variable aleatoria de Poisson tiene la forma
( ) 1
9 (

t
e
e t m

. As
que la funcin generadora de momentos de X es exactamente igual a la de Poisson con 2 . 3 .
Puesto que las funciones generadoras de momentos son nicas, X debe tener una distribucin de
Poisson con media de 3.2.
Eje. Si X tiene una funcin continua de distribucin de probabilidades

'

<

o c
b a b x a si
a b
x f
. 0
,
1
) (
Entonces
[ ]
ta tb
b
a
tx
e e
a b t
dx e
a b
t M

) (
1 1
) (
Es una funcin diferenciable de t, para toda t, -<t<.
Para
< <

'
<

0
. 0
0
) (
o c
x e
x f
x
51
Entonces

<

t
t
dx e t M
x tx
0
) (
Esta funcin generadora de momentos slo existe cuando t < .
4.11 Error Cuadrtico medio y error absoluto medio de una prediccin.
Si X es una variable aleatoria continua con valor esperado E(X) = y varianza V(X) =
2
, se
pueden llevar a cabo experimentos para ver hasta qu punto los valores observados en la prctica
concuerdan con las predicciones. Al hacer una prediccin, se procura elegir un nmero d, de manera
que el valor esperado del cuadrado del error X d sea el mnimo posible. Se toma el cuadrado para
eliminar los signos negativos; de lo contrario, algunas diferencias daran valores negativos y otros
valores positivos, cancelndose unas con otras. Esto conduce a lo siguiente.
Definicin. Si x es una prediccin terica de la variable aleatoria X con media y varianza
2
,
entonces ( ) [ ] ( )
2 2 2
2 x x X E x X E + se denomina error cuadrtico medio de la prediccin x y se
abrevia ECM(x). Viene siendo el momento ordinario de segundo orden alrededor del punto x.
Fcilmente se determina que el valor mnimo de la funcin as definida ocurre para x = . La
demostracin para el caso continuo, por ejemplo, sera tomando la derivada de esa funcin e igualando
a cero, en cuyo caso quedara -2 + 2x = 0 x = . Como la segunda derivada es 2 > 0, se deduce que
ECM(x) alcanza su mnimo para x = , y ese valor mnimo es justamente ECM() = V(X) =
2
. De
aqu el siguiente resultado importante.
Proposicin. El error cuadrtico medio (ECM) para una prediccin x de la variable aleatoria X
alcanza siempre su mnimo para x = , y su valor es
2
.
Se ha mencionado que elevar las diferencias al cuadrado evita que las diferencias negativas se
neutralicen con las positivas. Otra alternativa sera tomar los valores absolutos de las diferencias, en
lugar de sus cuadrados. De este modo, al hacer una prediccin, tambin sera posible elegir el valor x =
d, de manera que el valor esperado de |X d| fuese el mnimo. Esto conlleva a lo siguiente,
Definicin. Para una prediccin terica x de una variable aleatoria X, el nmero ( ) | | x X E se
llama error absoluto medio de la prediccin (EAM(x)).
As como el ECM alcanza su mnimo para la media, se puede demostrar que el EAM alcanza su
mnimo para la mediana
Teorema. Si m
e
es la mediana de la variable aleatoria X, entonces el error absoluto media
EAM(x) es una funcin que alcanza su valor mnimo s y slo s x = m
e
En efecto, suponga primeramente que d es una prediccin del valor de X tal que d m
e
,
Entonces:
52
( ) ( ) ( ) ( ) [ ]
( ) ( ) ( )
( ) ( ) ( )
( )[ ] ) ( ) (
) ( ) ( ) (
) ( ) ( 2 ) (
) ( | | | | | | | |
e e e
d
e
d
m
e
m
e
d
e
d
m
e
m
e
e e
m X P m X P m d
dx x f d m dx x f d m dx x f m d
dx x f d m dx x f x m d dx x f m d
dx x f m x E d x E m X E d X E
e
e
e
e
>
+ +
+ + +

Sin embargo, por definicin de mediana, ) (
2
1
) (
e e
m X P m X P > , lo que implica que la
parte entre corchetes es no negativa. Adems
0
e
m d
, por hiptesis. Luego,
( ) ( ) 0 | | | |
e
m X E d X E
, esto es
( ) ( ) | | | |
e
m X E d X E
.
De manera anloga se procede para el caso en que d < m
e
. De aqu que para el valor d = m
e
el
error absoluto ( ) | | ) ( d X E d EAM es mnimo.
Ejemplos:
Eje. Cul es la probabilidad de que una v.a. X con distribucin de Cauchy, es decir, con
funcin de densidad
( ) [ ]
1
2 1
1 ) (

+ x x f
simtrica en torno a = 0 tome valores en el intervalo (-1, 1]? En el (-1, 1)?
La variable aleatoria X tiene densidad:
2
1
1 1
) (
x x
x f
+

la probabilidad de que X (-1, 1] se obtiene por tanto integrando dicha funcin de densidad entre los
lmites correspondientes:
[ ]
2
1
) 1 ( tan ) 1 ( tan
1
1
1 1
) 1 1 (
1 1
1
1
2

+
<

dx
x
X P
La probabilidad del intervalo (-1, 1) es la misma que la de (-1, 1], un punto tiene probabilidad cero en
cualquier distribucin continua.
53
Eje. Se distribuye una unidad de probabilidad de modo uniforme en un crculo de radio r. Cul
es la funcin de distribucin de la v.a. D = distancia al centro de un punto tomado al azar?
El crculo de radio r tiene un rea total de
2
r , y la funcin de densidad dentro de l es por
tanto
2 1
r . La probabilidad correspondiente a cualquier porcin del crculo ser as (Area
2 1
r
). La distribucin buscada es entonces:

'

<
<

d si
r d si r d
d si
d f
D
1 1
0 /
0 0
) (
2 2

Eje. Supongamos que el intervalo de tiempo en minutos entre sucesivas pasadas de autobuses
por una parada sigue una distribucin exponencial (es decir,
x
X
e x F

1 ) ( ) de parmetro = 0.5.
Si un viajero llega en el momento justo en que un autobs abandona la parada, cul es la probabilidad
de que haya de esperar ms de tres minutos? Ms de cinco minutos? Si acontece que tras llevar
esperando cinco minutos aparece un segundo viajero y se entera por el anterior de que en los ltimos
cinco minutos no ha pasado ningn autobs, cul es la probabilidad de que el segundo pasajero haya
de esperar ms de tres minutos?
Sea T el intervalo de tiempo entre autobuses. Entonces,
t
e t T P
5 . 0
1 ) (


Por consiguiente:
22313 . 0
) 1 ( 1
) 1 ( 1 ) 3 ( 1 ) 3 (
5 . 1
5 . 1
3 * 5 . 0


>

e
e
e T P T P
y del mismo modo:
08208 . 0 ) 5 (
5 . 2 5 * 5 . 0
>

e e T P
La probabilidad de que el segundo viajero haya de esperar todava ms de tres minutos sabiendo que
han pasado ya cinco desde que parti el ltimo autobs es:
22313 . 0
) 5 (
) 8 (
) 5 (
) 5 8 (
) 5 | 8 (
3 * 5 . 0
5 * 5 . 0
8 * 5 . 0

>
>

>
> >
> >

e
e
e
T P
T P
T P
T T P
T T P
El saber cunto tiempo lleva sin pasar el autobs no aporta ninguna informacin acerca de lo que
puede todava tardar en pasar. Esta es una propiedad de la distribucin exponencial; se dice por eso que
no tiene memoria.
54
Eje. Sean X
1
, ..., X
5
variables aleatorias generadas mediante el lanzamiento de cinco dados
perfectos. Sea X = max{X
1
, ..., X
5
}. Cul es la funcin de distribucin de X? Coincide con la de
cualquiera de las variables aleatorias X
1
, ..., X
5
consideradas?
La variable aleatoria X puede tomar valores enteros entre 1 y 6. La probabilidad de que X tome
el valor x es la probabilidad de que todas las variables aleatorias X
1
, ..., X
5
tomen valores entre 1 y x y
no todas tomen valores entre 1 y (x 1). Por tanto,
( ) ( )
0001286 . 0
6
1
1 1 ) 1 (
5
5
1
5
1

,
_

<


i
i
i
i
X P X P X P
( ) ( )
003987 . 0
6
1
6
2
2 2 ) 2 (
5 5
5
1
5
1

,
_

,
_

<


i
i
i
i
X P X P X P
y anlogamente se obtienen los restantes valores de la funcin de cuanta:
59812 . 0 ) 6 ( 27019 . 0 ) 5 ( 10043 . 0 ) 4 ( 02713 . 0 ) 3 (
x X X X
P P P P
La funcin de distribucin se obtiene sumando la de cuanta para cada X
i
:

x
k
X X
X
k P x F
y
k k P
i i
i
1
) ( ) (
), 6 ,..., 1 ( , 6 / 1 ) (
Eje. Una v.a. X sigue una distribucin especificada as:

'

<
<
<
<

x si
x si
x si
x si
x si
x F
X
3 1
3 2 9 . 0
2 1 6 . 0
1 0 1 . 0
0 0
) (
Halle:
i) La funcin de cuanta de X.
ii) La probabilidad de que X tome valores en los siguientes intervalos:
). 3 , 2 [ ), 2 , 1 ( ], 2 , 1 ( ], 3 , 0 (
iii) { } 1 | ] 2 , 0 ( > X X P
Llamamos funcin de cuanta de una distribucin discreta a:
55
) ( ) ( ) (

x F x F x P
X X x
es decir, P
X
(x) es el salto de la funcin de distribucin en el punto x.
i) la funcin de cuanta es igual al salto de F
X
(x) en los puntos 0, 1, 2 y 3. Y de acuerdo
con la especificacin de F
X
(x) tenemos que
1 . 0 ) 3 ( , 3 . 0 ) 2 ( , 5 . 0 ) 1 ( , 1 . 0 ) 0 (
X X x x
P P P P
ii)
{ }
{ } { }
{ } { }
{ } { }
{ } { } { } { }
3 . 0 1 . 0 3 . 0 9 . 0 1
) 3 ( ) 2 ( ) 2 ( ) 3 (
3 2 3 2 ) 3 , 2 [
0 3 . 0 6 . 0 9 . 0 ) 2 ( ) 1 ( ) 2 (
2 2 1
2 1 ) 2 , 1 (
3 . 0 6 . 0 9 . 0 ) 1 ( ) 2 ( 2 1 ] 2 , 1 (
9 . 0 1 . 0 1 ) 0 ( ) 3 ( 3 0 ]} 3 , 0 {(
+

+ <

<
<
<
<
x X X X
X X X
X X
X X
P P F F
X P X P X P P
P F F
X P X P
X P P
F F X P P
F F X P P
iii)
{ }
{ }
{ }
4
3
6 . 0 1
6 . 0 9 . 0
) 1 ( 1
) 1 ( ) 2 (
1
] 2 , 1 (
1 | ] 2 , 0 (

>

>
X
X X
F
F F
X P
X P
X X P
Eje. Dada una muestra aleatoria simple X
1
, ..., X
n
procedente de una distribucin con media

y varianza
2
, hllese la media y varianza de
. / ) ... (
1
n X X X
n
+ +
Tomando valor medio de X tenemos:

+ +
+ +
1
]
1

+ +

n n
n X E n X E
n
X X
E X E
n
n
/ ... /
/ ] [ ... / ] [
...
) (
1
1
Anlogamente, tomando varianzas:
56
n
n n
n X V n X V
n
X X
V X V
n
n
/
/ ... /
/ ] [ ... / ] [
...
] [
2
2 2 2 2
2 2
1
1

+ +
+ +
1
]
1

+ +

Eje. Una emisin de bonos a un ao tiene un inters del 5%. Adems, la cuarta parte de los
bonos, seleccionada por sorteo, recibe una prima del 25% de su valor nominal. Cul es el rendimiento
esperado de un bono? Si se hubiera de invertir una cantidad muy grande de dinero, qu sera
preferible: invertir en los bonos indicados, o en otros al mismo plazo con un rendimiento del 11%? (se
supone que el riesgo, liquidez, y dems factores distintos de la rentabilidad son idnticos en ambos
casos.)
Si llamamos X e Y a los rendimientos totales respectivos de ambos tipos de bonos (expresados
en %) tenemos que:
11 . 0 ] [
1125 . 0 25 . 0 *
4
1
) 05 . 0 ( 1 ] [

+
Y E
X E
El primer bono es preferible si se invierte mucho dinero, es decir, se compra multitud de bonos.
Obsrvese que solo en este caso podremos comparar ambas opciones de inversin en trminos de su
rendimiento medio. Si solo se puede comprar un bono de la primera clase, no tendra sentido pensar en
un rendimiento del 11.25%; obtendramos el 5% o el 30%. Un inversor averso al riesgo preferir el
segundo tipo de bono (con el que sabe que obtendr un 11% seguro). Un inversor proclive al riesgo
preferir el segundo tipo de bono (con el que puede obtener una ganancia tan alta como el 30%,
aunque con gran probabilidad acabe percibiendo solo el 5%).
Eje. Consideremos una variable aleatoria X cuya funcin de cuanta viene especificada
mediante la siguiente tabla:

'

2 / ) (
1
2 / ) (
2
2
2
c ad probabilid con c m
c ad probabilid con m
c ad probabilid con c m
X
Comprubese que para una variable aleatoria como X la desigualdad de Chebysheff es una igualdad.
La varianza de X se calcula. Por simetra, la media es m, y:
4
2
2
2
2 2 2
2 2
] ) [( c
c
c
c
c m X E

,
_

,
_

La desigualdad de Chebysheff establece que:
57
{ }
2
1
| |
k
k m X P
Substituyendo por c
2
y k por 1/c obtenemos:
2 2
1
| | c c
c
m X P

'

Pero esta relacin se verifica con igualdad, pues de la especificacin de la distribucin de X se deduce
que el lado izquierdo es precisamente c
2
. El ejemplo anterior es interesante porque pone de manifiesto
que la desigualdad de Chebysheff no puede ser mejorada sin imponer condiciones adicionales a la
variable aleatoria X.
Eje. Comprubese que la distribucin de Cauchy
[ ] < < +

x x x f , 1 ) (
1
2 1

carece de momentos.
Basta comprobar que:

+
dx
x
x
dx x f x X E
k
k k
k
2
1
1
) ( ] [

diverge si k 1. Esto es fcil de ver ; si x > 1, 1 + x

2
< 2x
2
y por tanto:

+
dx
x
x
dx
x
x
k k
2 2
2
1
1
1

la integral del lado derecho se ve sin dificultad que diverge siempre que k 1.
Obsrvese que la carencia de media y de todos los momentos de orden superior- se produce a
pesar de la forma simtrica en torno al origen de la funcin de densidad, lo que sugerir = 0.
Eje. Calclese la media y varianza de una v.a. con distribucin exponencial de parmetro :

'

<
<

x si e
x si
x F
x
0 1
0 0
) (

> 0.
La funcin de densidad de X se obtiene derivando:
) 0 ( , ) ( <

x e x f
x

El clculo directo de media y varianza es:

58
2
0
2 2
0
1
) (
1

dx e x
e x
x
x
Eje. Considrese la distribucin exponencial. Coincide la media con la mediana?
La mediana de una distribucin continua F(x) es aquel valor que verifica:
{ } { }
2
1
> < X P X P
En el caso que nos ocupa, ha de suceder que:

2 ln
2
1
ln
2
1
2
1
1 ) (

,
_

e
e F
Como quiera que

1
y ln 2 = 0.6931, la mediana siempre ser inferior a la media en el caso de una
distribucin exponencial.
Eje. Mustrese que la varianza es el mnimo momento de segundo orden (es decir,
[ ] [ ]
2 2 2
c X E X E
para cualquier otro c .)
[ ] [ ]
[ ] [ ] [ ]
2 2
2 2
2 2
2 2
) (
0 ) (
) )( ( 2
c
c
c X E c E X E
c X E c X E
+
+ +
+ +
+




ya que
[ ] [ ] 0 ) ( ) )( ( X E c c X E
De lo anterior se deduce, habida cuenta de que ( ) , 0
2
c que [ ] .
2 2
c c X E
59
Eje. Una variable aleatoria R toma el valor r con la probabilidad k
r
, r = 0, 1, 2, ..., l. Encontrar
k y
) 1 ( l R P
.
Sea
r
k r P ) ( . Ahora bien 1 ) 1 /( ) 1 ( ) (
1
0

+

l
l
k r P . De donde
) 1 /( ) 1 (
1 +

l
k y
) ( 1
1
1
) ( ) 1 (
1
1
0
l R P r P l R P
l
l l

Eje. Una variable aleatoria X, que toma valores en (0, a), tiene la funcin de distribucin kx
2
,
0<x<a. Encontrar la f.d.p. y )
2
1
( a X P > .
Sea F(x) = kx
2
, F(a) = ka
2
= 1 y, por tanto, k = 1/a
2
.
4
3
2
1
1
2
1
4
1
4
2
/ ) (
2
2
2 2

,
_

,
_

>

,
_

a F a X P
a
a
a
F
a x x f
Eje. Una variable aleatoria X tiene la funcin de densidad de probabilidad f(x) = 2x, 0<x<1.
Encontrar el 25-simo percentil y la mediana de X.
Ahora
2
0
2 ) ( x tdt x F
x

y F(x) = 0.25 da x = 0.5. De donde x

0.25
= 0.5. F(x) = 0.5 da x
0.5
=
5 . 0 .
Eje. Encontrar la tasa especfica de falla por desgaste cuando 0 , ) ( >

t e t f
t
.
t
t
t
e dt e t F

) ( 1 . De donde r(t ) = .
Notar que r(t) es independiente de t cuando , ) (
t
e t f

. En un caso concreto esto
significara que la variable aleatoria T corresponde a artculos que no se desgastan.
Eje. Una variable aleatoria T tiene la fdp f(t), t 0. Su tasa especfica de falla por desgaste r(t) =
t. Encontrar f(t) y
) (
0
t T P
.
Ahora
2
0
2
1
) ( t du u r
t

. De donde
2 /
2
1 ) (
t
e t F

, de modo que
2 /
2
) ( ) (
t
te t F t f

.
60
Tambin
2 /
0 0
2
0
1 ) ( ) (
t
e t F t T P


Eje. Una prueba de resistencia para un alambre consiste en doblarlo y desdoblarlo hasta que se
rompe. Considerando el doblarlo y el desdoblarlo como dos operaciones, la probabilidad de que el
alambre se rompa en la r-sima operacin es (1-p)p
r-.1
, de donde r = 1, 2, ... y 0 < p < 1. Hallar
( ) 1 | n R n R P .
( )

2
1
2 1
) 1 ( 1 1
n
r
n r
p p p n R P
De donde
( ) p p
p
p p
n R n R P
n
n
) 1 (
) 1 (
1 |
2
1

Notar que ste es un anlogo discreto par los artculos que no se desgastan, para los que
0 , ) ( >

x e x f
x
.
Eje. Se ha diseado un aparato para medir la resistencia de los sujetos. En trminos de las
unidades calibradas en el aparato, la resistencia S de una raza dada de adultos varones puede tomarse
como una variable aleatoria con la funcin de densidad de probabilidad
s
e

, s > 0, > 0. Para una
tarea determinada, se requiere un hombre fuerte que tenga una resistencia de por lo menos s
0
y cada
uno de los hombres seleccionados al azar se someter a una prueba hasta encontrar el hombre fuerte
que se necesita. Determinar la probabilidad de que se pongan a prueba exactamente n hombres.
La probabilidad de que un hombre puesto a prueba al azar sea el hombre fuerte requerido es
0
0
s
s
s
e ds e

. Para que el n-simo hombre sea el primer hombre fuerte, todos los (n-1) hombres
anteriores deben haber sido no fuertes. Ya que la probabilidad de que un hombre puesto a prueba al
azar no sea fuerte es
0
1
s
e

, la probabilidad requerida es
( )
0 0
1
1
s
n
s
e e

Eje. El tiempo de falla de un sistema tiene la funcin de densidad de probabilidad f(t), t > 0. La
falla slo puede detectarse inspeccionando el sistema en los tiempos x
1
, x
2
, x
3
, ..., x
i
, ... Estos tiempos
de inspeccin son tales que P[el sistema falle en (x
i-1,
x
i
)| el sistema haya funcionado en x
i-1
] = p, para i
0 1, 2, 3, ...; x
0
= 0. Calcular el i-simo tiempo de inspeccin x
i
en trminos de p. Demostrar que si la
funcin de tasa falla es montona creciente, entonces los intervalos entre los tiempos sucesivos de
inspeccin forman una sucesin decreciente.
La condicin sobre los tiempos de inspeccin x
i
significa que
61
,... 3 , 2 , 1 ,
) ( 1
) ( ) (
1

+
i p
x F
x F x F
i
i i
de modo que F(x
i+1
) = p + qF(x
i
), donde q = 1- p. La substitucin repetida da
0 ) ( 0 , 1
)] ( [ ... ) (
0 0
1
0
1 2
1

+ + + + + +
+

+
x F da x para q
x qF p q pq pq pq p x F
i
i i
i
de donde se hallara x
i
a partir de x
i
= F
-1
(1-q
i
).
Sea d
i
= x
i
x
i-1
de manera que d
i
> 0. Ahora se desea demostrar que d
i
>d
i+1
, i = 1, 2, 3, .... Sea
S(t) = 1 F(t) y r(t) = f(t)/S(t) una funcin montona creciente. Ahora se tiene

+

<
i i
i
i
i i
d x
x
x
d x
dt t r dt t r ) ( ) (
Usando la substitucin u = S(t) al integrar r(t), se obtiene
) (
) (
) (
) (
i i
i
i
i i
d x S
x S
x S
d x S

<
+
Si se resta una a ambos miembros de esta desigualdad se tiene como resultado
) ( 1
) ( ) (
) ( 1
) ( ) (
) ( 1
) ( ) (
1
1
1
i
i i
i
i i
i
i i i
x F
x F x F
p
x F
x F x F
x F
x F d x F

>

+
+

De donde F(x
i
+ d
i
) > F(x
i+1
), de modo que x
i
+ d
i
> x
i+1
; es decir, d
i
> d
i+1
.
Eje. La probabilidad condicional P(A|x) de un evento A, est disponible dado que una variable
aleatoria X ha tomado el valor x. Encontrar P(A).
Suponer que X es discreta y sus valores posibles son x
i
, i = 1, 2, 3, ... y P(X=x
i
) P(x
i
). Los
eventos Ax
i
son mutuamente exclusivos, de modo que


i
i i
i
i
x P x A P x A P A P ) ( ) | ( ) ( ) (
Si X es continua con la funcin de densidad de probabilidad f(x), se tiene

dx x f x A P A P ) ( ) | ( ) (
Eje. En un experimento, el nmero de pruebas, R, que se llevarn a cabo es una variable
aleatoria con P(R = r) = (1- )
r-1
, r = 1, 2, 3, ... La probabilidad de que el experimento resulte
socialmente til, dado que se llevaron a cabo r prueba, es
! r
e
r

. Calcular dicha probabilidad.
62
Sea A el evento en que se logra el resultado socialmente til, de manera que
! / ) | ( r e r A P
r

( )
[ ]
( ) ) 1 /(
) 1 /( 1
) 1 ( ! / ) (
) 1 (
1
1

e e
e e
r e A P
r r
Eje. Hay que ajustar una mquina para que produzca un lote grande de piezas. Para un ajuste
dado, cada una de las piezas producidas por la mquina tiene una probabilidad constante p de salir
defectuosa; sin embargo, el proceso de ajuste es tal que esta probabilidad vara de ajuste a ajuste y
puede tomarse como una variable aleatoria con la funcin de densidad de probabilidad (1-p)
m
(m+1),
0<p<1. El inspector que controla la calidad de las piezas no comete errores respecto a las piezas
buenas, pero puede dejar pasar un artculo defectuoso como bueno. Si la proporcin de piezas
defectuosas en el lote es p, entonces el inspector dejar pasar un artculo defectuoso como bueno con
una probabilidad de kp(1-p)
2
. En este momento la mquina se est ajustando para la produccin; qu
pronstico se puede hacer sobre la proporcin de piezas defectuosas que habr en el lote despus de
que el inspector lo haya revisado?
La proporcin de piezas defectuosas en el lote es la proporcin de piezas defectuosas que el
inspector ha dejado pasar como buenas. Como el lote es grande, tomamos esta proporcin como la
probabilidad apropiada. Al suponer que A es el evento en que el inspector deja pasar un artculo
defectuoso, entonces P(A|p) = kp(1-p)
2
y nos gustara calcular P(A).
) 4 )( 3 /( ) 1 (
) 1 ( ) 1 ( ) ( ) | ( ) (
1
0
2
1
0
+ + +
+

+
m m m k
dp p p m k dp p f p A P A P
m
Eje. En la tabla se da la distribucin de probabilidad de una variable aleatoria R. Calcular
E(R
2
+2R)/(R+1).
r 0 1 2 3 4 5
P(R = r) 0.1 0.3 0.1 0.2 0.2 0.1
01 . 3 ) (
1
2
1
2
5
0
2 2

1
]
1

+
+

1
]
1

+
+

r P
r
r r
R
R R
E
r
Eje. Se lanza una moneda hasta lograr un guila. Pedro recibir $2
r
si la primera guila aparece
en el r-simo lanzamiento. Calcular la ganancia que espera Pedro. Al alterar las reglas Pedro recibir
$2
r
para r 20 pero recibir $2
20
para r 21; calcular la ganancia que espera Pedro.
Sea P(r) = P(primera guila en el r-simo lanzamiento). Por tanto,
r
r P
,
_

2
1
) ( y
63

,
_

1
2
1
2 ) (
r
r
r
ganancia E
la cual es infinita. Con las reglas alteradas,
21
2
1
2
2
1
2 ) (
21
20
20
1

,
_

+
,
_

r
r
r
r
ganancia E
Es interesante notar que la esperanza de la ganancia de Pedro es pequea, pues est limitada, a
pesar de que este lmite es muy grande.
Eje. Un buen modelo para explicar que una caracterstica de calidad de determinado producto
manufacturado vara de artculo a artculo es una variable aleatoria X con la fdp proporcional a x, en el
intervalo 0<x< y 0 en cualquier otro punto. Al someter a control de calidad cada uno de los artculos
manufacturados se aprueban aquellos para los que X > l, donde 0<l<, y el resto se rechaza. El costo
de un artculo rechazado es $C
1
= $(a + b) y la utilidad de un artculo aprobado es $(C
2
C
1
). El
parmetro es una variable del proceso de manufactura y puede ajustarse a cualquier valor deseado.
Determinar tal que se maximice la utilidad esperada.
Sea f(x) = Kx, 0<x<. 1
0

Kxdx da
2
/ 2 K . Ahora bien, la utilidad esperada S est dada
por
( )
( ) b a l C
dx x b a dx x b a C S
l
l

+




2 2
2
0
2 2
2
/ 1
/ 2 ) ( / 2
dS/d = 0 da
( )
3 / 1
2
2
2 /

l C a
. Notar que 0 / 6 /
4
2
2 2
< C d S d , de modo que se ha encontrado un
mximo.
Eje. Una variable aleatoria R toma el valor r con probabilidad ar, r = 1, 2, ..., l. Hallar E(R) y
V(R).
1 2 / ) 1 (
1
+

l al ar
l
da
) 1 ( / 2 + l l a
. De aqu que
2 / ) 1 ( 4 / ) 1 ( ) (
3 / ) 1 2 ( ) 1 2 )( 1 (
6
1
) (
2 2
1
3 2
1
2
+ +
+ + +

l l l al ar R E
l l l al ar R E
l
l
de modo que
) 2 (
18
1
9 / ) 1 2 ( 2 / ) 1 ( ) (
2 2
+ + + l l l l l R V
64
Eje. Una variable aleatoria X tiene la funcin de densidad de probabilidad

kx x f ) ( , 0<x<.
Encontrar E(X) y V(X).
Ahora 1 ) 1 /(
1
0
+
+

k dx kx da
1
/ ) 1 (
+
+

k . De aqu que
) 3 /( ) 1 ( ) (
) 2 /( ) 1 ( ) (
2
0
2 2
0
1
+ +
+ +

+
+

dx kx X E
dx k X E
de manera que
[ ] ) 3 ( ) 2 /( ) 1 ( ) ( ) ( ) (
2 2 2 2
+ + + X E X E X V
Eje. Una variable aleatoria X tiene la fdp f(x) = 1/2a, -a<x<a. Encontrar
*
r
y de aqu
determinar los coeficientes de asimetra y kurtosis.
0 2 / ) (

dx a x X E
a
a
. De donde
a
a
r
r
r
r a
x
X E

+
+

) 1 ( 2
) (
1
, de modo que 0
r
si r
es impar. Esta es una reflexin de la simetra de f(x). El coeficiente de asimetra es cero. Ahora bien,
1
2
2
2
+
r
a
r
, r = 1, 2, 3, ... De aqu que el coeficiente de kurtosis es 5 / 9 /
2
2 4

Eje. Una variable aleatoria X tiene la fdp,
a x f 2 / 1 ) (
, donde a<X<a. Encontrar la
probabilidad de que
) ( 5 . 1 X V X
y comparar esto con la cota superior de Chebyshev.
Se tiene E(X) = 0 y V(X) = a
2
/3. Ahora bien,
( ) ( )
( )
134 . 0
866 . 0 2
866 . 0 3 / 5 . 1

>
> >
simetra la de partir a a X P
a X P a X P
La desigualdad de Chebyshev da
( ) 444 . 0 ) 15 . 1 / 1 ( 3 / 5 . 1
2
a X P
De donde esta cota superior es ms bien amplia en relacin con la probabilidad exacta calculada a
partir de un conocimiento completo de la funcin de densidad.
Eje. El nivel de ruido X de cierto aparato electrnico, vara de aparato a aparato. Un modelo
adecuado para esta variacin es decir que X es una variable aleatoria con la fdp
2
2 ) (
x
xe x f

, x >
0. Si X > c, donde c es una constante especificada, se dice que el aparato es de calidad grado II; en caso
65
contrario, se dice que el aparato es de calidad grado I. Una mquina automtica clasifica estos aparatos
como de grado I o grado II. Se selecciona al azar un aparato de grado II. Calcular la probabilidad de
que su nivel de ruido sea mayor que 1.5c.
Sea g(x) la fdp del nivel de ruido de los aparatos de grado II, de modo que

'

>

c x
c F
xe
c x
x g
x
,
) ( 1
2
0
) (
2
Ahora
2 2
1 2 ) (
0
x
x
t
e dt te x F

. Esto conduce a
P = P(aparato de grado II que tiene X > 1.5c)
=
2
2
2
25 . 1
5 . 1 5 . 1
2
) (
c
c t
x
c
e dx
e
xe
dx x g

Eje. Si para el aparato electrnico del problema anterior, la media y la variancia del grado i se
dan como
i
y
2
i
, i = 1,2, encontrar la media y la variancia de X.
Ahora

c
x
c
dx e x
e
0
2
1
2
2
2
1
1

Esto da ( )

c
c x
e dx c x
0
1
2
2 2
1 2 . De modo semejante,

c
c x
e dx e x
2
2
2 2
2 , de manera que
( )
1 2 1
0
2
2 2
2 +

c x
e dx e x
Para calcular la variancia de X, se explota el resultado V(X) = E(X
2
) [E(X)]
2
. para los aparatos de
grado I se tiene
( )

+ <
c
x
c
dx e x
e
c X X E
0
3 2
1
2
1
2
2
2
2
1
1
|
Por tanto,
) )( 1 ( 2
2
1
2
1
0
3
2 2
+

c
c
x
e dx e x
De modo semejante,
) ( 2
2
2
2
2
3
2 2
+

c
c
x
e dx e x
De donde
66
( )
( ) ( ) [ ]
[ ]
2
1 2
2
1
2
2
2
1
2
1 2
2
1 2 1
2
1
2 2 2
2
1
2
2
2
1
2
2
2
1
2
1
0
3
0
3 3 2
) )( 1 (
2 ) ( ) ( ) (
2 2 2 ) (
2 2
2 2
2
2 2 2



+ +
+ +
+ + +
+

c c
c c
c
c
x
c
x x
e e
e e X E X E X V
e
dx e x dx e x dx e x X E
Nota: Suponer que el nivel de ruido X tiene una distribucin arbitraria y que las proporciones
de aparatos de calidad grado I y grado II son p y q, respectivamente (p+q = 1). Si las medias y las
variancias del nivel de ruido de los dos grados son
1
,
2
1
y
2
,
2
2
, la media ya la variancia de X las
proporciona
2
2 1
2
2
2
1
2
2 1
) (

+ +
+
pq q p
q p
Suponga que el director del personal de una empresa desea seleccionar a 3 de 5 candidatos para
tres puestos de entrenamiento gerencial y que todos los candidatos tienen la misma oportunidad de ser
seleccionados. Tres de los candidatos son de un determinado partido poltico finalmente seleccionados;
esto es y = 1, 2 o 3. Encuentre la distribucin de probabilidad para y. Cul es la probabilidad de que
seleccionen por lo menos a dos de los tres miembros del partido poltico?

Y = numero de candidatos finalmente seleccionados de un mismo partido.
6 2 3
10
3!2!
! 5
2
1
3
2
5
3


,
_

C C
C
y 1 2 3
p(y) 3/10 6/10 1/10
P(A) = Probabilidad de que al menos dos de los miembros sean seleccionados.
P(A) = p(y = 2)+ p(y = 3) = 6/10+1/10 = 7/10
Una variable aleatoria X tiene la funcin de densidad de probabilidad
x
ce

. Encuentre las
variables apropiadas de c, suponiendo 0 X < . Encuentre la media y la varianza de la funcin de
densidad de probabilidad de X.




1 dx e x
x -
0

67

0
x - 2
2 dx e x
1
La variable c se calcula considerando la probabilidad, como sigue

0
1 dx e c
x
, por lo tanto:
1 c
La media se determina por medio de la siguiente expresin:

0
* 1 dx e x
x

los clculos realizados en MATHCAD arrojan un resultado para la expresin anterior de:
1
La varianza es:

0
2 2
* 1 dx e x
x

1
2

Considere las tres funciones dadas a continuacin. Determine cuales funciones son de
distribucin (FDC).
Por definicin, una funcin es FDC si cumple con lo siguiente:
1)
0 ) ( x f
x
para toda x

en R
x
2)
( )

x
R
x
dx x f 1
3)
) (x f
x
es un tramo continuo
4)
0 ) ( x F
x
si x no esta en el rango R
x
a.
x
x
ce x F

1 ) ( 0 < x <
1.
x
e
dx
d
x f

1 ) (
2.

0
1 ) ( dx e x f
x
3. Se observa en la grafica de la funcin la continuidad de f(x).



68
exp(-x) e
dx
d
1
dx
d
x -
+

0
x -
1 dx e
4. Para cualquier otro valor no incluido en el rango de { } < < x 0 R
x
la funcin F
x
vale cero.
b)
( )

'

<
<

0 0
0
x
x e
x G
x
x
( ) x - exp e
dx
d
x -

0
-1 exp(-x)dx -
1. ( )
x
x
e
dx
d
x f

La funcin no es una FDC, dado que no cumple con lo estipulado de que, 0 ) ( x f

x
para < x 0 .
Al evaluar f(x) en el rango dado, siempre se obtendrn valores negativos.
2.

0
) ( dx e x f
x
x
Al integrar la funcin en los limites especificados se obtiene un valor negativo (-1), por lo tanto no
cumple con lo estipulado de que :

x
R
x
dx x f 1 ) (
En este caso la funcin no es de distribucin continua.

c)

'

>
<

0 0
) (
x
x e
x H
x
x
exp(x) e
dx
d
x

0
-
x
1 dx e
1. ( )
x
x
e
dx
d
x f

Se tiene solo valores mayores o iguales a cero para esta funcin.

69
2.

0
) ( dx e x f
x
x
Al evaluar la funcin en los limites se obtiene la unidad lo que viene a comprobar al punto 2 antes
mencionado.
3. Se observa en la grafica de la funcin la continuidad de f(x).
4. Para cualquier otro valor no incluido en el rango de { } 0 x - R
x
< la funcin F
x
vale
cero.
3-7 Se tiene una funcin de distribucin de probabilidad discreta si X es una variable aleatoria
discreta, asociando un numero
( ) ) ( 0 x x p x p
x i x
con cada resultado x
i
, en R
x
para i = 1, 2, 3,
...,n,..., donde los nmeros ) (
i x
x p satisfacen.

1
( ) i x p
i x
todo para 0
2

x
i
i x
x P
1
1 ) (
a)

'

modo otro
1
0
0
3
2
3
1
) (
de
x
x
x P
x
La funcin cumple con los dos aspectos anteriormente sealados, ya que la suma de las
probabilidades dan como resultado la unidad, as mismo, se tiene que la probabilidad individual de X,
es mayor que cero, por tanto se trata de una funcin de probabilidad discreta.
(1)

70

'

,
_

,
_

,
_

m o d o o t r o 0
5 0 , 1 , 2 , 3 , 4 , x
3
1
3
1 1
) (
5 x x
x
x
x P

,
_

,
_

5
0
x - 5 x
1
3
1
3
2
x) combin(5,
x


(1) Segn el punto 2 de la definicin la suma de las probabilidades debe ser igual a la unidad, lo
cual queda demostrado.
La probabilidad individual de X
i
es mayor que cero en cada caso, por tanto se trata de una
funcin de distribucin de probabilidad discreta.
3-9 El gerente de un almacn de ropa de hombres esta interesado en el inventario de trajes, que
en ese momento es de 30 (todas las tallas), el numero de trajes vendidos a partir de ahora hasta el final
de la temporada se distribuye como

'

m o d o o t r o 0
, . . . . 3 , 2 , 1 , 0
!
2 0
) (
2 0
x
x
e
x f
x
x
Encuentre la probabilidad de que le queden trajes sin vender al final de la temporada.
La probabilidad de que queden trajes sin vender, se determina segn la expresin:

i
x X
x i x i x
x xP x X P x F ) ( ) ( ) (
978 . 0
x!
20
xe
29
1
x
20 -

x

se tiene entonces que 978 . 0 ) (
i x
x X P
3-11Considere la siguiente funcin de densidad de probabilidad:
( )

'

<

caso otro 0
4 2 ) 4 (
2 0
x x k
x kx
x f
x
a) Encuentre el valor de k para el cul f es una funcin de densidad de probabilidad.
b) Encuentre la media y la varianza de X .
c) Encuentre la funcin de distribucin acumulativa.
a) Como
71
1 4 *
1 ) (
1 ) (

c
dx x f c
dx x f
x
x
R
x
R
x
por lo tanto c es igual a
b) La media se determina por la siguiente expresin

dx x f x
x
) (
El clculo de la media

se realiza por medio del MATHCAD, dando como resultado
2
La varianza se determina por la siguiente expresin

dx x f x
x
) (
2

El calculo de la varianza
2
al igual que la media se realiza por medio del mismo programa
obteniendo como resultado:
3
2
2

c) La funcin de distribucin acumulativa es:

<
1
0
1
0
2
1 x 0 para
8
1

4
1
) (
0 x para 0 ) (
x dx x x F
x F
x
x

1 para 1 ) (
4 x 2 para 6
2
1
4
4
1
2
1
2
1
4
4
1
8
1
) 4 (
4
1
) (
2 0 para
8
1
8
1

4
1
) (
2
2
2
2
0
2
4
2
2
0
2
2
0
2
2
0

<
1
]
1

+
1
]
1

,
_

+
<

x x F
x x x x x dx x x dx x x F
x x x dx x x F
x
x
x
3-13 La gerente de un taller de reparaciones no conoce la distribucin de probabilidad del
tiempo que se requiere para completar un trabajo. Sin embargo, de acuerdo con el desempeo pasado,
ella ha podido estimar la media y la varianza como 14 das y 2 (das)
2
, respectivamente. Encuentre un
72
4
1
intervalo en el intervalo en el que la probabilidad de que un trabajo se determine durante ese tiempo
sea de 0.75.
La desigualdad de Chebyshev parte del hecho, que se requiere de un conocimiento mnimo de
la distribucin de X. Solo se debe conocer
2
y , la siguiente expresin muestra el intervalo en el
que la probabilidad es 0.75,
( )
2
1
1
k
k x k P
x
+ < <
Para determinar el valor de K se toma en consideracin el valor de la probabilidad 0.75, esto es:
2
25 . 0
1
75 . 0
1
1
2


k
k
El intervalo ser entonces:
k t
sustituyendo los valores de k y ,
2

[ ] 2 2 14 , 2 2 14 +
3-15 Una variable aleatoria discreta X tiene la funcin de probabilidad: px (x), donde

'

,
_

caso otro 0
3 , 2 , 1 , 0
2
1
) (
x k
x p
x
x
a) Determine k.
b) Encuentre la media y la varianza de X.
c) Encuentre la funcin de distribucin acumulativa, F
x
(x).
a) como

i
i
i
x x
x
x x
x
x x
x i x
x p k
x p k
x p x X p
1 ) (
1 ) (
1 ) ( ) (

73

1
2
1
2
1
2
1
7
8

49
26
7
11
2
1
x
7
8
7
6
2
1
2
1
7
8

7
11
2
1
x
7
8
2857142855 5714285714 . 5
7
8

8
7
2
1
3 2 2
3
1 x
2
2
3
1 x
x
3
1 x
x

1
1
]
1

,
_

,
_

,
_

,
_

1
1
]
1

,
_

1
1
]
1

,
_

,
_

,
_

,
_

x

por lo tanto k es igual a
7
8
b)
La media se determina por la siguiente expresin

i
i x i
x p x ) (
El clculo de la media

se realiza por medio del MATHCAD, dando como resultado

7
11

La varianza se determina por la siguiente expresin

i
i x
i x p x ) (
2 2

El calculo de la varianza
2
al igual que la media se realiza por medio del mismo programa
obteniendo como resultado:
49
26
2

c) La funcin de distribucin acumulativa es:
3 para 1
2
1
2
1
2
1
7
8
) (
3 2 para 857 . 0
2
1
2
1
7
8
) (
2 1 para 571 . 0
2
1
7
8
) (
1 para 0 ) (
3 2 1
2 1
1

1
1
]
1

,
_

,
_

,
_

<
1
1
]
1

,
_

,
_

<

,
_

<
x x F
x x F
x x F
x x F
x
x
x
x
74
3.17 El servicio postal requiere, en promedio, 2 das para entregar una carta en la ciudad. La
varianza se estima como 0.4(da)
2
. Si un ejecutivo desea que el 99 por ciento de sus cartas se entreguen
a tiempo, con cuanta anticipacin las debe depositar en el correo?
Por la desigualdad de Chebyshev
La probabilidad de que cualquier variable aleatoria X asuma un valor dentro de k desviaciones
estndar de la media es al menos 1-1/k
2
.
( ) k x k P
k
k
x
+ < <

10
1 99 . 0
1
99 . 0
1
1
2
Los das requeridos para que las cartas se entreguen a tiempo son:
dias 32 . 8 4 . 0 10 2 + + k
3-19 Demuestre que la funcin de probabilidad para la suma de los valores obtenidos al lanzar
dos dados puede escribirse como

'

12 ,..., 8 , 7
36
13
6 ,..., 3 , 2
36
1
) (
i
i
i
i
i x
x
x
x
x
x P
La funcin de probabilidad de la variable aleatoria X, se puede determinar por medio de la
expresin
( )

i
x x
x i x i x
x P x X P x F ) ( ) (
Por definicin se tiene que la suma de las probabilidades de un evento es igual a uno, para
demostrar que la funcin de probabilidad dada es la suma de los valores obtenidos al lanzar dos dados,
se calculara con la ayuda del MATHCAD.

i
x x
x
x P 1 ) (
1
12
7
12
5

12
7
36
) x - 13 (

12
5
36
) 1 - x (
12
7 x
6
2 x
+


para comprobar que las funciones dadas funcionan para sus limites respectivos, y por ende validar el
resultado anterior se procede a determinar las probabilidades individuales de:
- Probabilidad de que al lanzar dos dados la suma de ellos de un dos es:
75
-Probabilidad de que al lanzar dos dados la suma de ellos de un siete es:

6
1
36
) x - 13 (
7
7 x

Lo que demuestra que las funciones dadas con sus limites respectivos si generan las probabilidades del
evento.
3-21 Una variable continua X tiene una funcin de densidad.

'

< <

modo otro 0
3 0
9
2
) (
x
x
x f
x
a) Desarrolle la FDC para X.
b) Determine la media de la varianza de X.
a) Desarrollo de la FDC para X
3 para 1
9 9
2
) (
3 0 para
9 9
2
) (
0 para 0 ) (
3
0
2
3
0
2

<
<

x
x
dx
x
x F
x
x
dx
x
x F
x x F
x
x
x
b)
La media se determina por la siguiente expresin

dx x f x
x
) (

,
_

3
0
2 dx
9
x
2 x
2
1
2 dx
9
x
2 x
2
3
0
2

1
]
1

,
_

El clculo de la media

se realiza por medio del MATHCAD, dando como resultado

2
76

36
1
36
) 1 - x (
2
2 x

La varianza se determina por la siguiente expresin

dx x f x
x
) (
2 2

El clculo de la varianza
2
al igual que la media se realiza por medio del mismo programa
obteniendo como resultado:
2
1
2

5.2 Identifique las variables aleatorias siguientes como discretas o continuas:
a. La duracin de una bombilla elctrica observada en un experimento
b. Las ventas brutas de un supermercado en un da determinado
c. El valor comercial de determinados bonos listados en la Bolsa en un da particular
d. El punto de fatiga, Kg. por cm
2
, de un cable de acero de 2 cm. de dimetro
e. La demanda diaria de energa elctrica en una determinada ciudad
a. La duracin de una bombilla es una funcin del tiempo por lo que siendo este continuo, este
ser una variable continua
b. Las ventas son cantidades enteras, no hay fracciones enteras a considerar, por lo que esta es una
variable discreta
c. El valor comercial es una cantidad entera, por lo que es una variable discreta
d. Siendo esta una magnitud fsica esta es una medicin continua hasta cierto rango o lmite, por
lo que dentro de este rango se puede considerar como una variable continua.
e. La corriente tambin es una magnitud fsica, por lo que tambin es una variable continua
5.3 Suponga que un estudio ya realizado muestra que en determinado sector de una ciudad, slo
el 20% de los clientes de un supermercado se toman la molestia de leer los precios unitarios de los
artculos antes de tomar la decisin de comprarlos. Si n=2 clientes entran a ese supermercado, calcule
la distribucin de probabilidad de y, el nmero de clientes de la muestra que leen los precios unitarios
para hacer una mejor compra. Sugerencia: Denote por F al evento de que un cliente no lea los precios.
Se sigue entonces que p(0)= probabilidad de que ninguno de los 2 clientes lean las etiquetas = P(F)P(F)
= (.8)
2
Probabilidad de que el cliente no lea la etiqueta = 0.80
Probabilidad de que el cliente lea la etiqueta = 0.20
Sea n = 2 clientes, y F = 0-80 probabilidad de que un cliente no lea la etiqueta, para n = 2 clientes,
tenemos el siguiente espacio muestral:
Espacio Muestral Cliente 1 Cliente 2 p (E) y
E
1
No ley No ley .8 x .8 = .64 0
E
2
No ley Ley .8 x .2 = .16 1
E
3
Ley No ley .2 x .8 = .16 1
E
4
Ley Ley .2 x .2 = .04 2
Distribucin de la Probabilidad
77
y Puntos Muestrales p (y)
0 E
1
.64
1 E
2
E
3
.32
2 E
4
.04
1.00
Como para un cliente que lee los precios la probabilidad es del 20%, para dos es de 4%, y para un
mayor nmero la probabilidad va disminuyendo, el nmero de clientes que leen los precios para hacer
una mejor compra es de 1.
Histograma de probabilidad de y:


0 1 2 y
5.7 En la mayora de las dependencias gubernamentales, el otorgamiento de contratos se hace
con base en un concurso.
Suponga que la experiencia que se tiene en cierta dependencia gubernamental, muestra que
determinado contratista gana, en promedio, 3 de cada 5 concursos en los que compite. Denote por y el
nmero de concursos en los que este contratista compite antes de ganar un contrato y suponga que los
resultados de cada concurso son independientes entre si.
a) Encuentre p (1), p (2) y p (3).
b) Exhiba una frmula para p (y), y= 1, 2, 3,4,
c) Grafique p (y).
Como gana 3 de cada 5 concursos, la probabilidad de que gane uno es de:
p (A) = p (1) = 3/5 = 0.6
La probabilidad de que no se gane un concurso de cada cinco es de:
P (B) = 2/5 = 0.4
Como y es el nmero de concurso en que se compite antes de ganar uno, si se compite dos veces,
quiere decir que ya perdi el primero y ganar el segundo concurso. Como los eventos son
independientes entonces:
p (2) = (0.4) (0.6) = 0.24
78
P (y)
0.32
0.04
Si compite en y=3 concursos antes de ganar uno, su probabilidad es:
P (3) = (0.4) (0.4) (0.6) = 0.096
Y as sucesivamente, tenemos que para y=n concursos antes de que gane el primero, la probabilidad es:
n-1
p (n) = (0.4) (0.6)

0 1 2 3 y

5.8 Suponga que las ventas (y) de carburantes hechas por un determinado concesionario tienen
una distribucin de probabilidad uniforme, como la mostrada en la figura 5.5. Debido a las
limitaciones fsicas del equipo, la venta diaria no puede ser inferior a 10,000 litros o superior a 50,000
litros. Utilice la informacin de la figura 5.5 para encontrar la probabilidad de que el concesionario
venda las siguientes cantidades en un da cualquiera.
a. Por lo menos 40,000 litros
b. Entre 20,000 y 30,000 litros
Como la distribucin es uniforme. Tenemos que encontrar el valor de la funcin de distribucin de
probabilidad.
p (10,000<y<50,000) =


50,000
10,000
50,000
10,000
kdy dy f(y)
=
50,000
10,000
y k
= k (50,000 - 10,000)

= 40,000 k
= 1.
Por lo tanto. K = 1/40,000.
79
P (y)
Ahora p(40,000<y<50,000) =
50,000
40,000
50,000
40,000
ky dy k

4
1
40,000
40,000 - 50,000

b.
p(20,000<y<30,000) =
30,000
20,000
30,000
20,000
ky dy k

4
1

40,000
20,000 - 30,000


10,000 20,000 30,000 40,000 50,000
5.10 Suponga que y representa el nmero de fallas mecnicas diarias que ocurren en la planta
procesadora de alimentos.
Suponga adems, que la distribucin de probabilidad de y (que result d un anlisis de la experiencia
previa) es la siguiente:
y 0 1 2 3
p (y) .35 .35 .25 .05

Encuentre el valor esperado de y. Construya una grfica de la distribucin de probabilidad e identifique
con ella a .
El valor esperado es:
E (y) =
y
i
y

p (y
i
)
= (0) (.35) + (1) (.35) + (2) (.25) + (3) (.05)
= 1.00
Como la esperanza es una medida de tendencia central se espera que E (y)=

80
k
0.35
P (y)
0 1 2 3 y
5.13 Dado que la agricultura es una actividad con cierto grado de incertidumbre debido a los
temporales, muchos agricultores aseguran sus cosechas contra granizo, heladas y lluvias excesivas.
Siguiendo los pasos del ejemplo 5.3 para determinar la prima de seguros, encuentre la prima anual
necesaria para un proteccin de 200,000.00 dlares en lo que se vala un cosecha de trigo. Los
actuarios han sugerido que las posibilidades de destruccin por el temporal de la cosecha son 1 en 50.
Sea y la ganancia anual de la compaa de seguros y sea c la cantidad que representa al valor
de la prima de seguro. Se desea calcular c de modo que la ganancia esperada E (y) sea 0. o sea:
E (y) = yp (y) = 0
El primer paso para encontrar la solucin en el de determinar los valores que la ganancia y
puede tomar y despus determinar p (y). Si el evento que cubre la pliza no ocurre en el ao. La
compaa gana y=C dlares. Si el evento ocurre, la ganancia ser negativa; esto es ser una prdida:
y=C 200,000.00 dlares. Las probabilidades asociadas a estos dos eventos son:
Y, ganancia C (200,000 - C
P (y) 49/50 1/50-
Igualando el valor esperado de y a cero y resolviendo para C se tiene:
E (y) = yp (y) = 49/50 C - 1/50 (200,000 - C)
C - 4,000 = 0
C = 4,000 dlares
Lo anterior quiere decir que si la compaa cobra una prima anual de 4,000 dlares, entonces su
ganancia promedio sobre un nmero grande de pliza similar ser cero.
5.14 Ya que se ha visto como calcular la desviacin estndar de una variante aleatoria,
reconsidere el ejercicio 5.10 que por conveniencia se escribe a continuacin:
Sea y el nmero de faltas de mquina diarias que ocurren en una planta procesadora de alimentos, y
suponga que la tabla que sigue proporciona su distribucin de probabilidad.
Y 0 1 2 3
P (y) .35 .35 .25 .05
81
0.25
0.05
Encuentre el valor esperado y la varianza de y. construya una grfica de la distribucin de
probabilidad. Cul es la probabilidad de que y caiga a ms de tres desviaciones estndar de su
media? Cul ser para ms de dos desviaciones estndar?
E (y) = =
y
i
y

p (y
i
)
= 0 (0.35) + 1 (.35) + 2 (.25) + 3 (.05)
= 1.0.

2
= E (y - )
2
=
y
i
y

p(y
i
) - )
2
p (y
i
)
= (0 - 1) (0.35) + (1 - 1) (0.35)
+ (2 - 1) (0.25) + (3 - 1) (0.05)
= 0.35 + 0.25 + 0.2

2
= 0.8 ; = 0.8944


0 1 2 3 y
Cul es la probabilidad de que y caiga a ms de tres desviaciones estndar de su media?
Como la medida es: = 1, y
+ 3 = 1 + 3 ( 0.8944) = 3.6833
Por lo que: p (y>3.6833) = 0
Ya que esta fuera de nuestra tabla
Cul ser para ms de dos desviaciones estndar?:
+ 2 = 1 + 2(0.8944) = 2.79
y
p (y>2.79) = 0.05
82
P (y)
0.356
0.25
0.05
5.20.- Simule el experimento descrito en el ejercicio 5.18 marcando 5 piezas de cartn o
monedas de manera que 3 representen a las acciones ordinarias y 2 a las preferentes. Pngalas en un
sombrero, agtelo y seleccione tres, anotando y. Regrese las piezas o monedas al sombrero y de nuevo
agtelo y extraiga otras tres, etc. Repita la seleccin y registro de y 100 veces. Construya un histograma
de frecuencias para esta muestra y comprela con el histograma de probabilidad que obtuvo en el
ejercicio 5.18. Si en lugar de basar el histograma de frecuencias en n = 100 observaciones, lo hubieran
basado en n = 100,000 Cmo se comparara con el histograma de probabilidad?
y 0 1 2
P(y) 6 69 30
Y = Numero de aos que dura de moda un vestido
9097 . 0
12
4
) 9167 . 2 4 (
12
1
) 9167 . 2 1 ( ) ( ) ( ) (
916 . 2
12
35
12
4
4
12
4
3
12
3
2
12
1
1 ) ( ) (
4
1
2 2 2 2 2
4
1

,
_

,
_

,
_

,
_

,
_

,
_

y
y
y p y y E
y yp y E

5.23 Construya un histograma de probabilidad para y. Calcule

y encuentre la probabilidad de
que X caiga a no mas de dos desviaciones estndar (2

) de la media

. Esta esto de acuerdo con el

teorema de Tchibyshef? Caracterizan

a p(x)?
( ) ( ) ( ) 824 . 4 , 008 . 1 908 . 1 916 . 2 2
9076 . 1 2
9535 . 0
t t

Probabilidad de que y caiga a no mas de 2 desviaciones estndar = 11/12

Teorema de Tchebyshef
Al menos (1-1/4) = 3/4 caen dentro de 2 desviaciones estndar.
Como 11/12 de las observaciones caen dentro de 2 desviaciones estndar, el teorema de Tchebyshef
si_se cumple.
83
5.24 Refirase al ejercicio 5.18. Encuentre
el valor esperado y la varianza de y. Se hizo la simulacin del ejercicio 5.20, calcule de ah y
, s
2
para
las 100 mediciones. Compare esos valores con el valor esperado y la varianza de y.
( ) ( ) 36 . 0
10
3
) 2 . 1 2 (
10
6
) 2 . 1 1 (
10
1
) 2 . 1 0 ( ) (
2 . 1
10
12
10
3
2
10
6
1
10
1
0 ) ( ) (
2 2
2
0
2 2 2 2
2
0

,
_

,
_

,
_

,
_

,
_

,
_

y
y
y p y y E
y yp y E

5.25 Refirase al ejercicio 5.24. Calcule

y encuentre la probabilidad de que y caiga a no mas

de 2

de

Caracterizan

a p(y)? Qu proporcin de las 100 mediciones caen a no mas de 2

de y?
( ) ( ) ( )
( )
f. Tchebyshef de teorema el cumple se si dentro, caen muestra la de
4
3
menos al
4
3
2
1
1
2 k donde
1
1
1 2
4 . 2 , 0 2 . 1 2 . 1 2
2 . 1
6 . 0
2
2
2 2

,
_

,
_

t
t t

k
p

No caracterizan, el 100% de las mediciones caen dentro.
5.27 Una agencia de suscripciones por correo maneja suscripciones por uno, dos y tres aos con
probabilidades
4
1
,
4
1
,
2
1
respectivamente. Si por cada ao de suscripcin la agencia recibe un dlar
de comisin, Cul es la comisin esperada por suscripcin?
4
7
4
1
3
4
1
2
2
1
1 ) ( ) (
3
1

,
_

,
_

,
_

y
y yp y E
Se esperan 1.75 dlares de comisin por suscripcin.
5.28 Un cliente potencial para una paliza de seguro contra incendio de 20,000.00 dlares tiene
su resistencia en una rea que de acuerdo a la experiencia pasada puede tener un incendio que
represente una perdida total en un ao determinado con probabilidad 0.001. Si se ignora todas las otras
perdidas parciales, Qu prima anual se le debera de cobrar para que la compaa y el cliente salgan
empatados?
Y = Perdida
y 1 0.5
y 1 2 3
p(y) 1/2 1/4
84
p(y) 0.001 0.01
Pliza por 20,000

+
2
1
006 . 0 ) 01 . 0 ( 5 . 0 ) 001 . 0 ( 1 ) ( ) (
y
y yp y E
Prima anual = (0.005)(20000)=120
Note por X la cantidad de tiempo para el que un libro, disponible durante 2hrs, en la biblioteca
de una universidad, se lo lleva prestado un estudiante seleccionando al azar y suponga que X tiene una
funcin de densidad.

'

caso otro 0
2 X 0 5 . 0
) (
x
x f
Calcule las siguientes probabilidades:

2
5 . 1
2
5 . 1
2
5 . 1
5 . 0
5 . 1
5 . 0
2
1
0
1
0
2
4375 . 0 5625 . 0 1
2
5 . 0
5 . 0 ) 5 . 1 ( c)
5 . 0 0625 . 0 5625 . 0
2
5 . 0
5 . 0 ) 5 . 1 5 . 0 ( b)
25 . 0
2
5 . 0
2
5 . 0
5 . 0 ) 1 ( a)
x dx x x p
x dx x x p
x dx x x p
Suponga que la distancia X entre un blanco puntual y un disparo dirigido al punto, en un juego
de tiro al blanco accionado por monedas, es una

a con pdf.

'

caso otro 0
1 X 1 - ) 1 ( 75 . 0
) (
2
x
x f
a) Trace la grafica de f(x).
85
b) Calcule P(X > 0)
5 . 0
3
75 . 0 ) 1 ( 75 . 0 ) 0 (
1
0
1
0
3
2

,
_

>

x
x dx x x p
c) Calcule P(0.5 < X < 0.5)
( )

< <
5 . 0
5 . 0
5 . 0
5 . 0
3
2
6875 . 0
3
75 . 0 ) 1 ( 75 . 0 ) 5 . 0 5 . 0 (
x
x dx x x p
d) Calcule P(X > -0.25 o X > 0.25)
( )

<
1
25 . 0
1
25 . 0
3
2
3164 . 0
3
75 . 0 ) 1 ( 75 . 0 ) 25 . 0 (
x
x dx x x p
Un maestro universitario nunca termina su clase antes que suene la campana, y siempre termina
su clase a menos de 1min despus que suena la campana. Sea X= el tiempo que transcurre entre la
campana y el tiempo de la clase y suponga que la pdf de x es

'

caso otro 0
1 x 0
) (
2
kx
x f
a) Encuentre el valor de k; (Sugerencia: el rea total bajo la grafica de min. de f(x) es 1)
1 1 0
3

3
1 ) (
1
0 -
1
0
3
2

k
k kx
dx kx dx x f
b) Cul es la probabilidad de que la clase termine a menos de min. de que suene la campana?
c)
( )


2
1
0
2
1
0
3 2
125 . 0 3
2
1
x dx x x p
86
d) Cul es la probabilidad de que la clase continu entre 15 y 30 seg., despus de que suene la
campana?
109375 . 0 015625 . 0 125 . 0 ) 25 . 0 ( ) 5 . 0 ( 3 ) 5 . 0 25 . 0 (
3 3
5 . 0
25 . 0
3
5 . 0
25 . 0
2

x dx x x p
e) Cul es la probabilidad de que la clase continu por lo menos 4 seg., despus que suene la
campana?
( )


1
66 . 0
1
66 . 0
3 2
70459 . 0 3 67 . 0 x dx x x p
760. Sea X una variable aleatoria discreta con distribucin de probabilidad dad por la siguiente
tabla:
a) Obtenga la funcin de distribucin acumulativa de la variable x.
b) Calcule P(x < 3.5) y P(3 x < 4.5).
a)
0.2 0 x < 2
F(x)= 0.6 2 x < 3
0.9 3 x < 4
1 4 x < 5
b)
P(x < 3.5)= F(3.5) 0= 0.9
P(3 x < 4.5)= F(4.5) F(3)=1 0.9= 0.1


761. Sea F(x) la funcin de distribucin acumulada de la variable aleatoria discreta X dada por
la siguiente tabla:
x (-,-
2]
(-
2,3]
(3,5
]
(5,
)
F(x
)
0 0.4 0.5 1
Encuentre la funcin de densidad de f(x) si x toma slo los valores 2, 3 y 5.
x
i
2 3 4 5
p
i
0.
2
0.
4
0.
3
0.11
87
P(x = -2)= F(-2) 0= 0.4 0= 0.4
P(x = 3)= F(3) F(2)= 0.5 0.4= 0.1
P(x = 5)= F(5) F(3)= 1 0.5= 0.5

x
i
-2 3 5
p
i
0.
4
0.
1
0.5
762. Sea X una variable aleatoria discreta con una distribucin dada por la siguiente tabla:
x -2 2 4
p 0.
5
0.
3
0.2
Calcule la media, mediana, varianza, y desviacin estndar.
( )
5 . 2 ) (
24 . 6 ) 2 . 0 ( ) 4 . 0 4 ( ) 3 . 0 ( ) 4 . 0 2 ( ) 5 . 0 ( ) 4 . 0 2 ( ) ( ) (
) 2 , 2 (
4 . 0 ) 2 . 0 )( 4 ( ) 3 . 0 )( 2 ( ) 5 . 0 )( 2 ( ) (
2 2 2
2

+ +

+ +

x V
x p x x V
Me
x E

763. Sea {P
n
} la sucesin infinita de la forma pq
k-1
, kN donde 0<p<1 y q=1- p
a)Verifique si la sucesin {P
N
} puede ser la funcin de densidad de una variable aleatoria k.
b)Calcule la media y la varianza de la variable k.
764. Sea X una variable aleatoria discreta con distribucin de probabilidad dada por la siguiente
tabla:
x
i
0 1 2 5
p
i
0.
1
0.
4
0.
3
0.2

Calcule el coeficiente de sesgo.
765. Calcule el coeficiente de sesgo para la siguiente distribucin (ensayos sin reposicin):

,
_

,
_

,
_

n
N
x n
k N
x
k
x f ) (
;
para: x= 0, 1, ..... ,n;
n N, x k;
n-x N-k
88
n N npq n N npq N N
N N n N n N p npq



) ( ) 2 )( 1 (
1 ) 1 )( 2 )( )( 2 1 (
2 2
3

n N
N
N
n N
npq
p

1
.
2
2
.
2 1
donde p q
N
k
p 1 ;

766. Sea X una variable aleatoria discreta con una distribucin de probabilidad dada por la
siguiente tabla:
x -5 -2 0 1 3 8
p 0.
1
0.
2
0.
1
0.
2
a 0.1

a) Calcule la constante a.
b) Encuentre F(x).
c) Calcule P(x=1), P(x = 1), P(x = 2), P(x < 3), P(x 0), P(-2 x < 3)
a)

1 ) (x p
= 0.1 + 0.2 + 0.1 + 0.2 + a + 0.1= 1
= a = 1 0.7= 0.3
b)
0 - < x 5
0.1 -5 < x -2
F(x)= 0.3 -2 < x 0
0.4 0 < x 1
0.6 1 < x 3
0.9 3 < x 8
1 8 < x
c)
P(x = 1)= F(3) F(2)= 0.3 0.1= 0.2
P(x = 2)= F(4) F(3)= 0.4 0.4= 0
P(x < 3)= F(3) 0= 0.6
P(x 0)= 1 - F(0)= 0.7
P(-2 x 3)= F(3) F(-2)= 0.6 0.1= 0.5
767. Sea F(x) la funcin de distribucin acumulada de la variable discreta X dada por la
siguiente tabla :
x (-,-
2]
(-
2,1]
(1,3
]
(3,
)
F(x
)
0 0.2 0.8 1
89

Dado que x slo toma los valores 2, 1 y 3. Encuentre la funcin de densidad x.
P(x = -2)= F(-2) 0= 0.2
P(x = 1)= F(1) F(-2)= 0.8 0.2= 0.6
P(x = 3)= F(3) F(1)= 1 - 0.8= 0.2

x -2 1 3
p 0.
2
0.
6
0.2
768. Exprese las siguientes probabilidades usando la funcin de distribucin acumulada F(x).
a)
) ( b x P
F(b) 0=F(b)
b)
) ( b x P
1 F(b)
c)
< ) ( b x a P
F(b) F(a)
d)
) ( b x a P
F(b) F(a)
e)
< < ) ( b x a P
F(b) F(a)
769. Encuentre la funcin de densidad de la variable aleatoria discreta X, si se sabe que
2 1
x x <
y R=0.2, E(x)=3 V(x)=4.


a= 1 0.2= 0.8
( )

+ +
+ + +
+

1 0 1 5 6 . 1 8 . 0 5 4 . 0 2 . 0
4 5 6 . 1 8 . 0 1 5 4 . 0 2 . 0 4
) 8 . 0 ( ) 5 ( ) 2 . 0 ( ) 5 ( 4
) (
) (
2
2
2 1
2
1
2
2
2 1
2
1
2
2
2
1
2
x x x x
x x x x
x x
x p x
x V

do sustituyen
x x
x x
x x x E
2 4 15
4 15
3 8 . 0 2 . 0 ) (
2 1
2 1
2 1

+
+
x x
1
x
2
p 0.
2
a
x x
1
x
2
p 0.
2
0.8
90
5
9 4
) ( ) (
2
2 2

x E x V
7 8 15
1 ) 4 ( 4 15
2
4
0 58 . 32 24 4
0 5 6 46 24 4
1 5 6 . 1 8 . 0 ) 4 15 ( 5 4 . 0 ) 4 15 ( 2 . 0 0
1
1
2
2
2
2
2
2
2
2
2
2
2 2
2
2

+
+
+ +
x
x
do sustituyen
x
x
x x
x x
x x x x
Dado que x
2
debe ser mayor que x
1
x
1
= -1; x
2
=4

x -1 4
p 0.
2
0.8
770. Encuentre los valores de k para los cuales asume valores positivos la funcin de densidad
siguiente:
n
N
k n
k N
x
k
x f

,
_

,
_

) ( x=0, ....... , n ; (n N : x k : n-x N-k)

max {0, n + k - N} X min {n, k}
771. En una urna hay x bolas blancas, x
2
rojas, x
3
negras, donde x
1
, x
2
y x
3
son las races de la
ecuacin 0 48 44 12
2 3
+ x x x y x
1
< x
2
< x
3
. De la urna se sacan tres veces (con reposicin) dos
bolas. Calcule el valor esperado de la variable aleatoria x, la cual representa el nmero de intentos en
los cuales aparecen bolas del mismo color.
Races:
x
1
=2
x
2
=4
x
3
=6
E(x)=2(1/6) + 4(1/3) + 6(1/2)= 1/3 + 4/3 + 3 =
3
14

x 2 4 6
p 1/
6
1/
3
1/2
91
772. Tenemos do urnas, de las cuales la primera contiene n bolas blancas y 2n bolas negras, y la
segunda contiene 2n bolas blancas y n negras. Se escoge al azar una urna y de ella se saca una bola. Si
la bola es blanca, se saca de la misma urna (sin reemplazo) otra bola y, en caso contrario, se saca una
bola de la otra urna. Sea X una variable aleatoria que representa el nmero de bolas blancas extradas
para qu valor de n se cumple E(x)<1?
773. Sea X una variable aleatoria discreta cuya distribucin de probabilidad es:
x 3 5 x
3
p P
1
0.
3
0.2
Calcule p
1
y x
3
si se sabe que E(x)=5.

+ + 1 2 . 0 3 . 0 ) (
1
p x p
5 . 0 5 . 0 1
1
p
10
2 . 0
3 5
5 ) 2 . 0 ( ) 3 . 0 ( 5 ) 5 . 0 ( 3 ) (
3
3

+ +
x
x x E
774. Sea X una variable aleatoria discreta con la siguiente distribucin de probabilidad:
x
i
x
1
x
2
3
p
i
0.
4
0.
3
P
3
Calcule p
3
, x
1
y x
2
, si se sabe que E(x)=1.9 y V(x)=0.69.

+ + 1 3 . 0 4 . 0 ) (
3
p x p
3 . 0 7 . 0 1
3
p
2 1 2 1
2 1
75 . 0 5 . 2 ; 1 3 . 0 4 . 0
9 . 1 9 . 0 3 . 0 4 . 0 ) (
x x x x
x x x E
+
+ +
( )

) ( ) (
2
x p x x V
do sustutuyen
x x x x
x x x x
x x
0 2 . 2 14 . 1 3 . 0 52 . 1 4 . 0
69 . 0 363 . 0 083 . 1 14 . 1 3 . 0 444 . 1 52 . 1 4 . 0
69 . 0 ) 3 . 0 ( ) 9 . 1 3 ( ) 3 . 0 ( ) 9 . 1 ( ) 4 . 0 ( ) 9 . 1 (
2
2
2 1
2
1
2
2
2 1
2
1
2 2
2
2
1
+ +
+ + + +
+ +
92
7
6
2
0 9 . 0 5 . 1 525 . 0
0 2 . 2 14 . 1 3 . 0 14 . 1 8 . 3 225 . 0 5 . 1 5 . 2
0 2 . 2 14 . 1 3 . 0 ) 75 . 0 5 . 2 ( 52 . 1 ) 75 . 0 5 . 2 ( 4 . 0
2
2
2
2
2
2
2
2 2
2
2 2
2
2
2 2
2
2

+
+ + + +
+ +
x
x
x x
x x x x x
x x x x

7
13
7
6
4
3
5 . 2
1 ) 2 ( 75 . 0 5 . 2
1
1

,
_

x
x
do sustituyen
775. Sea X una v. a. Discreta con la distribucin de probabilidad es:
Calcule E(X) y verifique que:
01 . 2 ) 3 . 0 ( ) 1 . 0 ( ) 2 ( ) 2 . 0 ( ) 1 ( ) 4 . 0 ( ) 0 ( ) 1 . 0 ( ) 1 ( ) 2 . 0 ( ) 3 ( )] ( [ ) (
7 . 7 ) 1 . 0 ( ) 2 2 ( ) 2 . 0 ( ) 2 1 ( ) 4 . 0 ( ) 2 0 ( ) 1 . 0 ( ) 2 1 ( ) 2 . 0 ( ) 2 3 ( ) 2 (
)
4 . 0 1 ) 3 . 0 ( 2 1 ) ( 2
4 . 0
) 1 . 0 ]( 1 ) 2 ( 2 [ ) 2 . 0 ]( 1 ) 1 ( 2 [ ) 4 . 0 ]( 1 ) 0 ( 2 [ ) 1 . 0 ]( 1 ) 1 ( 2 [ ) 2 . 0 ]( 1 ) 3 ( 2 [ ) 1 2 (
)
9 . 1 1 ) 3 . 0 ( 3 1 ) ( 3
9 . 1
) 1 . 0 ]( 1 ) 2 ( 3 [ ) 2 . 0 ]( 1 ) 1 ( 3 [ ) 4 . 0 ]( 1 ) 0 ( 3 [ ) 1 . 0 ]( 1 ) 1 ( 3 [ ) 2 . 0 ]( 1 ) 3 ( 3 [ ) 1 3 (
3 . 0 ) 1 . 0 )( 2 ( ) 2 . 0 )( 1 ( ) 4 . 0 )( 0 ( ) 1 . 0 )( 1 ( ) 2 . 0 )( 3 ( ) ( ) (
)
2 2 2 2 2 2 2 2
2 2 2 2 2 2
+ + + +
+ + + +
+ +

+ + + + + + + + + +


+ + + +
+ + + +

x E x E
x E
c
x E
x E
b
x E
x E
x xP x E
a
779. En la lotera hay 12 boletos, entre los cuales cinco ganan. Se sacan seis boletos. Cul es
el dominio de la funcin f(x) = donde r es el valor esperado de la variable aleatoria X que
denota el nmero de boletos ganadores?
x
i
1 2 3
p
i
0.
4
0.
3
0.3
x
i
13/
7
6/
7
3
p
i
0.4 0.3 0.3
93

,
_

+
1
]
1

+ + + + +
+ + + + +

'

>

,
2
7
2
3
,
2
5
9 2 4
3 5
9 2 4
4 2 0
9 2 4
1 0 5 0
9 2 4
7 0 0
9 2 4
1 0 5
0
* 5 * 4 * 3 * 2 * 1 * 0 ) (
0 | |
0 | | l o g
m i n
1 2
1 6
5
5
7
1
1 2
1 6
5
4
7
2
1 2
1 6
5
3
7
3
1 2
1 6
5
2
7
4
1 2
1 6
5
1
7
5
1 2
1 6
0
0
7
6
2
U x
C
C C
C
C C
C
C C
C
C C
C
C C
C
C C
r x E
r x
r x
i o D o
780. De un conjunto Z = se sacan, con reemplazo , cinco nmeros. Sea X la
variable aleatoria que denota el nmero de valores negativos extrados. Cul es la media de la variable
aleatoria X?
}

'

'

3 , 0 ,
2
1
5 2 3
0 3 5 2
2 3
2 3
z
x x x
x x x
z
781. Sea X una variable aleatoria con funcin de densidad.
a) Determine el valor de la constante a.
b) Calcule P(1< X < 2).
27
13
) 2 1 (
27
13
27
2
3
9
2
3
2
) 2 1 (
2
1
3 2
2
1
2

1
]
1

,
_

x P
x x
dx
x x
x P
94
9
2
2 9
1 9
2
27
1
3 2
3
1 ) 3 ( ) (
3
0
3 2
3
0
2

1
]
1

a
a
a
a
ax ax
x x a x f
782. Sea X una variable aleatoria con funcin de densidad:
a) b)

3
1
2
3
1
2
1 1
) 1 (
1
1
2
1 1
2
1
2
2 2

,
_

< <

,
_

,
_

< <

a x
a
P
sen sen
a
x
sen
x a
dx
a x
a
P
a
a
a
a

783. Sea X una variable aleatoria con funcin de densidad:

a) Determine el valor de a.
b) Calcule F(x).
95

1
1
2 2
1
1
1 ) (
1
cos
cos
1 ) (
1 1
1
2 2
2 2

1
]
1

,
_

,
_

,
_

,
_

a
a
a
a
asen
a
a
asen
a
x
asen
a
d a
a x a
a dx
asen x
dx
x a
a
x f
a
a
2
1
1
1 ) 1 ( ) 1 (
1 cos
1 ) (
0
0

+
+

a
a a
z a
x a
asenxdx x f

'

'

1
) c o s 1 (
2
1
0
) (
2
1
c o s
2
1
c o s
2
1
2
1
1
2
1
0
) (
0
0
0
x x f
x
x s e n x d x
s e n x d x x f
x
x
x
784. Sea X una variable aleatoria con la siguiente fundn de distribucin acumulativa:

'

< <

< <
< <

< <
< <
0
) 2 ( 2
) (
)
75 . 0 ) 5 . 3 5 . 2 (
75 . 0 ) 2 5 . 2 ( 1
) 5 . 2 ( ) 5 . 3 ( ) 5 . 3 5 . 2 (
)
25 . 0 ) 5 . 2 1 (
25 . 0 0 ) 2 5 . 2 (
) 1 ( ) 5 . 2 ( ) 5 . 2 1 (
) ( ) ( ) (
)
2
2
x
x f
c
x P
F F x P
b
x P
F F x P
a F b F b x a P
a
785. Sea X una variable aleatoria con funcin de densidad:
96
[ ]
[ ]
683 . 0 2
4
) (
2
4
0 cos 2 cos 2 2 cos 5 . 0
4
cos 2 cos
2
1
4
5 . 0
2
1
) (
2
) ( 5 . 0 0 0 cos 0 cos 5 . 0 cos cos 5 . 0 5 . 0 ) (
2
2
2
2
0
2
2
0
0 0

+ +

1
]
1

+
+ +
1
]
1

x V
sen
xdx x x x xsenxdx x V
sen sen xdx x x xsenxdx x E
786. Sea X una variable aleatoria con funcin de densidad:
4422 . 0
225
44
) (
225
44
225
256
3
4
225
256
6
64
16
4
1
225
256
6 4
1
225
256
) 4 (
4
1
) (
15
16
) (
15
64
4
1
5
32
3
32
4
1
5 3
4
4
1
) 4 (
4
1
) (
)
4
1
1 ) 4 8 (
1
4
2
1 ) 4 ( ) (
)
2
0
6
4
2
0
3 2
2
0
2
0
5 3
3
2
0
4
2
2
0
3


1
]
1

1
]
1

1
]
1

1
]
1

1
]
1

1
]
1

x V
x
x dx x x x x V
x E
x x
x x x x E
b
a
a
x
x a
dx x x a x f
a

787. Sea X una variable aleatoria con funcin de densidad:

Calcule la mediana de la variable X.
97
( )
126 . 1
0 8 8
2
1
16 2
2
1
4
) (
2
1
) (
2 4
4 2
0
3

+

<
<

e
e e
e e
m
e
m
m m
m m
dx
x
x a x P
m x P
e
788. Sea X una variable aleatoria con funcin de densidad.
( )
mediana x a
x
x x
dx
d
b
a
a
x x
x
a
dx x x a x f
x x a x x a
a

+

1
]
1

1
]
1

1
]
1

+
+
+

3 mod
0
2
9
2
3
0 8 6
4
3
)
4
3
1
3
4
1 8 3
3
1 ) 8 6 ( ) (
) 8 6 ( ) 4 )( 2 (
)
2
4
2
2
3
4
2
2
2
789. Sea X una variable aleatoria con funcin de densidad:
98
[ ]

1
]
1

+

0 0
0
0
0
0
0
1 1 1
) (
)
1
1
1 ) (
)

e e xe dx e xe dx xe x E
b
k
k
e
k
e
k
e
k
dx e k x f
a
x x x x x
x x
837. Calcule el tercer momento inicial de la v.a. X con f. d. p. :
35
209
140
209
4
4 5
3
6
3
7
4 ) 3 3 ( 4 ) 1 ( 4
3
2
1
4 5 6 7 2
1
3 4 5 6
2
1
3 3
3

1
]
1

1
]
1

+ +

x x x x
dx x x x x dx x x
790. Sea X una variable aleatoria con funcin de densidad:
) (x f
7e
-x
para x0
0 para las dems x
Calcule P(0.15 < X < 0.6)
33 . 0 3449 . 0 0149 . 0 7
7
1
7
7
6 . 0
15 . 0
7
+


b
a
x u x
e du e dx e
791. Sea X una v.a. con funcin de densidad dada por:
ax
2
para 0x<1
f(x) = a(2-x)
2
para 1x<2
0 para las dems x
a) Determine el valor de la constante a.
b) Calcule los cuatro primeros momentos centrales de l variable aleatoria X.
c) Calcule la desviacin tpica y los coeficientes de sesgo y kurtosis.
a)

+
1
0
2
1
2 2
1 ) 2 ( dx x a dx ax
2/3 = 1; a = 2/3
b)
1
=
1 ) 2 (
2
3
2
3
1
0
2
1
2 3
+

dx x x dx x
99

2
=
1 . 1 ) 2 (
2
3
2
3
1
0
2
1
2 2 4
+

dx x x dx x

3
=
3 . 1 ) 2 (
2
3
2
3
1
0
2
1
2 3 5
+

dx x x dx x

4
=
628 . 1 ) 2 (
2
3
2
3
1
0
2
1
2 4 6
+

dx x x dx x

1
= 0

2
= 1.1 (1)
2
= 0.1

3
= 1.3 3(1)(1.1) + 2(1)
2
= 0

4
= 1.628 4(1)(1.3) + 6(1)
2
(1.1) 3(1.628) = 0.028
c) Desviacin tpica =
1/2
= 0.3162
Sesgo =
3
/
3
= 0
kurtosis k =
4
/
4
792. Sea X una variable aleatoria con funcin de densidad:
x para 0x<1
f(x) = 2-x para 1x<2
0 para las dems x
a) Calcule los cuatro primeros momentos centrales de la variable aleatoria X.
b) Calcule los coeficientes de sesgo y kurtosis.
a)
1
=

+
1
0
2
1
2
1 ) 2 ( dx x x dx x

2
=
166 . 1 ) 2 (
1
0
2
1
2 3

+ dx x x dx x

3
=
5 . 1 ) 2 (
1
0
2
1
3 4

+ dx x x dx x

4

=

+
1
0
2
1
4 5
066 . 2 ) 2 ( dx x x dx x

1
= 0

2
= 1.166 1 = 0.166

3
= 1.5 3(1)(1.166) + 2(1) = 0.002

4
= 2.066 4(1)(1.5) + 6(1)(1.166) 3(1) = 0.062
b) Sesgo = 0
kurtosis k = -0.74
793. Sea X una variable aleatoria con funcin de densidad f(x)= e
-x
para x E R.
a) Determine el valor de .
b) Calcule el coeficiente de kurtosis.
794. La funcin de densidad para una variable aleatoria X es:
100
f(x) =

,
_

2
exp
2 x
x
para x>0
0 para las dems x
a) Determine la funcin de distribucin acumulativa F(x).
b) Calcule la mediana.
a) F(x) = 0 para x0

,
_

,
_

2 2
0
exp 1 exp
2 x
dt
t
t
x
para x>0
b) F(me) = 0.5,

2
1
exp 1
2

,
_

me

2
1
exp
2

,
_

me
2 ln me
795. Demuestre que no existe la media para la distribucin con la funcin de densidad dada por:
f(x) =
( )
2 2
*
1

+ x
, donde >0
Para =1, =0, se verifica si la integral

+
2
1
1
x
xdx

converge,
Pero
( ) [ ] +
+

0
2
0
2
1 ln
2
1
1
x
x
xdx
; entonces E(x) no existe.
796. Sea X una variable aleatoria con funcin de densidad:
f(x) = xe
-x
para x0
0 para las dems x
a) Determine la funcin de distribucin acumulativa.
b) Calcule P(x2).
a) F(x) = 0 para x0
1-e
-x
(1+x) para x>0
b)
2
2
3
e
dx xe
x

797. Sea X una variable aleatoria con funcin de densidad:

f(x) = ksenx para 0x
0 para las dems x
a) Determine el valor de k.
b) Calcule P(x<1/3).
c) Obtenga F(x).
101
a)

0
1 senxdx k
k =
b)

+
3
0
25 . 0 50 . 0 25 . 0
2
1

senxdx
c) 0 para x0
F(x) = (1-cosx) para 0<x
1 para x>
798. Sea X una v.a con funcin de densidad:
x para 0x<1
f(x) = 2-x para 1x<2
0 para las dems x
a) Calcule la funcin de distribucin acumulativa F(x).
b) Calcule la probabilidad del evento A de que la variable aleatoria X tome, en dos experimentos
independientes, por lo menos una vez, valores del intervalo [1,2]
a) 0 para x0
F(x) = 1/2x
2
para 0<x1
2x 1/2x
2
1 para 1<x2
1 para x>2
b) P(1x<2) =

2
1
2
1
) 2 ( dx x , entonces
P(A) = 1 -
4
3
2
1
2
1
0
2
2 0

,
_

,
_

,
_

799. En una ciudad, la temperatura medida en un da especial es una variable aleatoria T, cuya
f.d.p. est dada por f(t) = 1/2e
-t
.
a) Obtenga la funcin de distribucin acumulativa F(x).
b) Calcule P(T<2).
.a) F(t) = 1/2e
t
para t0
1 1/2e
-t
para t>0
b) P(T<2) = 1-e
-2
800. La funcin de distribucin acumulativa de la variable aleatoria X est dada por:
F(x) = dt t
x

,
_

2
2
1
exp
2
1

, obtenga la funcin de densidad.

f(x) =
,
_

2
2
1
exp
2
1
x

102
801. a) Calcule a, de manera que la funcin:
0 para x1
F(x) = 2(1 1/x) para 1<xa
1 para x>a
sea la funcin de distribucin acumulativa de la variable aleatoria X.
b) Calcule P(-1X1.5).
802. Sea X una variable aleatoria con funcin de densidad:
f(x) = 3x
2
para 0x1
0 para las dems x
Calcule la media y mediana de la variable aleatoria X.
803. Sea X una variable aleatoria con funcin de densidad:
f(x) = (1-x
2
) para x1
0 para las dems x
Calcule la media, moda, mediana y el tercer momento central de la variable aleatoria X.
804. Sea X una variable aleatoria con funcin de densidad f(x) =
x x
e e

+
1 2

,
Calcule la moda y la mediana de la variable aleatoria X.
805. Calcule la moda y la mediana para la funcin de distribucin de densidad:
ak (x - x
o
)a
-1
[1 + k(x x
o
)a]
2
para x
o
< x<
f(x)=
0 para las dems x
donde a, k son constantes tales que k>0, a>1.
d ak (x - x
o
)a
-1
=0 ; x =x
o
+[1/k(2a-1)]
1/a
.
dx [1 + k(x x
o
)a]
2
806. Calcule la moda, la mediana y la media para la f.d.p.:
103
senx para 0<x<2
f(x)=
0 para las dems x
d senx =0 ; -1/4cosx=0 ; x=cos
-1
0 ; x=90
dx
senx =-2/4 cosx =1/2; cosx =-1; x=180

x senx =1/4 xsenx ; x=180
807. calcule la moda y el tercer momento inicial para la variable aleatoria X con funcin de
densidad:
exp (-1/X)
n!X
n+2
para x>0 para n =3,4,
f(x)=
0 para las dems x.
d
(-1/x)
;
x-2
x
n+2
=n + 2 ; x = 1
n!x
(n+2)

x-1
x
n+1
n + 2
808. Calcule la mediana, la media y la varianza para la variable aleatoria X con funcin de
densidad:
1
2X
2
para x >1
f(x)=
0 para las dems x.
104
=x/2x
2
= 1/2x=[ ln2x]
0
1
= no existe
v(x)=x
2
/2x
2

2
= no existe
1/2x
2
=-x
-1
/2=1/2; x=-1
809. Calcule el coeficiente de sesgo y de curtosis para la f.d.p.:
6x(1-x) para 0<x<1
f(x)=
0 para las dems x.
= x6x(1-x)=1/2
v(x)= x
2
6x(1-x)-(1/2)
2
=1/20
x
3
6x(1-x) -3x6x(1-x)x
2
6x(1-x)+2[x6x(1-x)]
3
= Y= 0
(1/20)
3
k= x
4
6x(1-x) -4x6x(1-x) x
2
6x(1-x) +6[x6x(1-x)]
2
x
2
6x(1-x) -3[x6x(1-x)]
4
=2.16
(1/20)
4
810. Sea X1 una variable aleatoria con funcin de densidad:
1/6(x-2) para -2<x<0
f(x)= -1/12(x-4) para 0<x<4
0 para las dems x.
y X
2
con la funcin de densidad:
1/12(x-2) para -2<x<2
g(x)= -1/6(x-4) para 2<x<4
0 para las dems x.
105
Calcule los coeficientes de sesgo para f(x) y g(x), y compare los resultados obtenidos.
811. Calcule la media, la varianza y el coeficiente de curtosis para las siguientes distribuciones:
(2x-x
2
) para 0<x<2
a) f(x)=
0 para las dems x.
=x(2x-x
2
)=1; v(x)= x
2
(2x-x
2
)-
2
=1/5
k =

x
4
(2x-x
2
) -4x(2x-x
2
) x
2
(2x-x
2
) +6[x(2x-x
2
)]
2
x
2
(2x-x
2
) -3[x(2x-x
2
)]
4
; k = 15/7
(1/5)
4
4
b) f(x)= exp(- x-1 / 10 )
2 10
Compare los resultados obtenidos.
812. La variable aleatoria X tiene la distribucin acumulada dad por:
0 para x<1
F(x)= (x-1)/2 para 1<x<3
1 para x>3
=v(x)
2
= x
2
(x-1)/2 [x(x-1)/2]
2
=3/9
=0.5773
Calcule la desviacin tpica de la variable X.
813. Exprese el tercer momento central de la variable aleatoria X por sus momentos iniciales.

3
=E(x- )
3
=E(x
3
-3x
2
+3x
2
-
3
)=E(x
3
)-3E(x
2
)E()+2E()
3
=

3
=
3
-3
1

2
+2
1
3
814. Exprese el tercer momento inicial de la variable aleatoria X por sus momentos centrales.

3
=
3
+ 3
1

2
-2
1
3
=
3
+ 3
1
(
2
+
1
2
) -2
1
3

3
=
3
+ 3
1

2
+
1
3
106
815. Aplicando la propiedad de la media: E(x)= E(X-a) + a, calcule la media de la variable
aleatoria X cuya funcin de densidad es:
7(x-1)
6
para 0<x<1
f(x)=
0 para las dems x.
E(x)=x[7(x-1)
6
]=1/8
816. El tiempo T (en minutos) entre llegadas consecutivas de dos taxis en cierto punto de una
variable aleatoria con funcin de distribucin acumulada dada por:
1-exp(-1/3t) para t>0
F(t)=
0 para las dems t.
a) Calcule P(1<T<2).
P(1<T<2)=[ 1-exp(-1/3t)]= exp(-1/3)- exp(-2/3)
b) Obtenga la funcin de densidad de T.
1/3exp(-1/3t) para t>0
F(t)=
0 para las dems t.
c) Calcule E(T) y V(T).
E(T)=t[1-exp(-1/3t)]dt=3
V(T)=t
2
[1-exp(-1/3t)]-9=9
817. Sea X una variable aleatoria con funcin de densidad:
axe
-4x2
para x>0
f(x)=
0 para las dems x.
a) Determine el valor de la constante a.
b) Calcule E(X) y V(X).
107
818. Aplicando la formula
3
=
3
-3
1

2
+2
1
3
, calcule el coeficiente de sesgo para la
distribucin dad por la siguiente funcin de densidad:
1 x
n-1
exp (-x/) para x>0

n
(n-1)!
f(x)=
0 para las dems x.
819. Calcule la moda y la media de la variable aleatoria X con funcin de densidad dada por:
(4 / )x
2
exp(-x
2
) para x>0
f(x)=
0 para las dems x.
d(4 / )x
2
exp(-x
2
) =0 ; x=1;moda=1
dx
E(x)=x(4 / )x
2
exp(-x
2
)=2/n
836. Demuestre que:
V(X)=E(X-c)
2
-[c-E(X)]
2
V(X)= E[X-E(X)]
2
= E[(X-c)+(c-E(X))]
2
= E[(X-c)
2
+2(X-c)(c-E(X))+(c-E(X))
2
]= E(X-c)
2
-2(c-
E(X))E(c-X)+(c-E(X))
2
= E(X-c)
2
-[c-E(X)]
2
750.- Se lanza una moneda una sola vez. Denotemos x a la variable aleatoria discreta que
representa el nmero de guilas que salen.
a) Obtenga la distribucin de probabilidad de la variable aleatoria x.
b) Determine la media y la varianza de x.
Para el inciso (a)
x
i
0 1
p
i
1/2 1/2

108

+
n
i
XiPi
1
2 / 1 ) 2 / 1 )( 1 ( ) 2 / 1 )( 0 (
La media

4 / 1 8 / 2 8 / 1 8 / 1 2 / 1 ) 2 / 1 1 ( 2 / 1 ) 2 / 1 0 ( ) (
2 2 2 2
+ +

Pi Xi
La varianza
751.- Considere una variable aleatoria x continua, cuya funcin de densidad de probabilidad es:
2 cos 2x para 0 x < /2
f(x) =
0 en cualquier otro caso.
a) Verifique que en efecto es una funcin de densidad de probabilidad.
b) Calcule la media y la varianza.
c) Obtenga la funcin de distribucin acumulada F(X).
d) Determine la media.
e) Determine la moda.
a)
1 ) 0 ( ) 4 / )( 2 (
2
2 2
2 cos 2 2 cos 2
4 /
0
4 /
0
4 /
0


sen sen
x sen
xdx xdx

por lo tanto es
una funcin de densidad
La media
b)
[ ]
[ ] [ ]
4
2
4 / 2 / 1 ) 0 cos( ) 4 / ( 2 ) 4 / ( 2 ) 4 / ( 2 cos 2 / 1 2 2 2 cos
2
1
cos
2
1
cos
2
1
cos
2
cos 2 cos 2
4 /
0
4 /
0

+ + +
+

sen x xsen x
usenu u udu u udu
u
udu x xdx x
la varianza
[ ] [ ]
4
3
2 ) 2 4 ( 2 cos 4 4 / 1 ) 2 ( 2 4 / 1
cos 4 / 1 cos
4
2 cos 2 ) (
2
4 /
0
2 2
4 /
0
2
4 /
0
2 2 2
4 /
0
2 4 /
0
2 2 2 2

+ +

x sen x x x senu u ucsu
udu u udu
u
xdx x dx x f x
c) La funcin de distribucin acumulada esta dada por:
f(x)=

'

>

<
4 / 1
4 / 0 2
0 0

x para
x para x sen
x para
109
d) La media
sen2x= sen /6 =
e) Para la moda
f(x) = 2cos2x
f(x) = 0
f(x) = (-2sen2x)(2) La nica solucin en el intervalo [0,/4] es X = 0
f(x) = -8cos2x
f(0) = -8<0 Por lo tanto f(x) es cncava hacia abajo en x = 0 por lo que x = 0 es el valor mximo
dentro del intervalo:
De ah que la moda es igual a 0.
752.- Halle la funcin de densidad de probabilidad f(x) de una variable aleatoria contina X,
dado que su funcin de distribucin acumulada esta dada por:

'

'

>

<

otro
x x
x f
x x f
x f
dx
dx x f
dx
senx
dx x f senx
dx x f x F
x para
x para senx
x para
x F
0
0 cos
) (
cos ) (
) (
) (
) (
) ( ) (
2
1
0
0 0
) (

753.- Sea x una variable aleatoria continua con funcin de densidad de probabilidad dada por:
x/2 para 0 x 2
f(X) =
0 en cualquier otro caso
110
Obtenga la media, varianza, desviacin tpica, moda y mediana de la variable aleatoria x.
a)
3
4
6 3 2
1
2
2
0
3
2
0
3 2
0
2

x x
dx
x

b)
9
2
8 2
2
0
4
2
2
0
3
2

x
dx
x

c)
3
2

d) f(x) = x/2 m
o
= 2
f(x) = x
2
/4 = 0
e)
m
e
=
2
2
1
4
4 4 2
2
2
0
2
0

x
entonces
x
igualamos
x t
dt
t
x
x

756.-Sea X una variable aleatoria discreta con distribucin de probabilidad dad por la siguiente
tabla:
X
i
-2 -1 0 4 6
P
i
1/8 1/8 1/2 3/16 1/16
Calcule la media, la varianza y desviacin estndar para la variable x.
3048 . 2
16
85
16
85
16
1
4
3
6
16
3
4
3
4
2
1
4
3
0
8
1
4
3
1
8
1
4
3
2 ) (
4
3
16
1
) 6 (
16
3
) 4 (
2
1
) 0 (
8
1
) 1 (
8
1
) 2 (
2 2 2 2 2
2 2
1

,
_

,
_

+
,
_

,
_

+
,
_

,
_

+
,
_

,
_

+
,
_

,
_

,
_

+
,
_

+
,
_

+
,
_

+
,
_

i i
i
n
i
i
p x
p x
111
757.-Sea X una variable aleatoria discreta con distribucin de probabilidad dad por la siguiente
tabla:
X
i
-2 0 X
3
12
P
i
1/2 1/4 P
3
1/16

Si se sabe que E(x)=5/4, calcule X
3
y P
3
P(x) = 100 % i
P(x) = P(1)+P(2)+P(3)+P(4)
1=1/2 + 1/4 + P(3) + 1/6
P(3) = 1 - -1/6 = 3/16
P
3
= 3/16
8
8
2
3
16
3
4
3
1
4
5
16
3
4
3
16
3
1
4
5
16
1
) 12 (
16
3
) (
4
1
) 0 (
2
1
) 2 (
4
5
3
16
3
2
3
3
3
3
3
3
1

,
_

,
_

,
_

,
_

,
_

,
_

,
_

x
x
x
x
x
x p x
n
i
i i

758.- Sea X una variable aleatoria discreta con distribucin de probabilidad dad por la siguiente
tabla:
X
i
1 X
2
5 10 20
P
i
0.5 0.25 0.1 0.1 P
i
a) Calcular x
2
y p
5,
si se sabe que E(x
2
)=37 y x
1
< x
2
< x
3
< x
4
.
b) Calcule la media la varianza y desviacin estndar para la variable X.
112
5825 . 4 21
21
21 4 37 ) ( ) (
4
4 1 1 5 . 0 1 5 . 0 ) 05 . 0 ( 20 ) 1 . 0 ( 10 ) 1 . 0 ( 5 ) 25 . 0 ( 4 ) 5 . 0 ( 1
)
4
16
25 . 0
33 37
33 25 . 0 20 10 5 . 2 25 . 0 5 . 0 37
) 05 . 0 ( 20 ) 1 . 0 ( 10 ) 1 . 0 ( 5 ) 25 . 0 ( ) 5 . 0 ( 1 37
) (
05 . 0
05 . 0 1 . 0 1 . 0 25 . 0 5 . 0 1
1 . 0 1 . 0 25 . 0 5 . 0 1
) 5 ( ) 4 ( ) 3 ( ) 2 ( ) 1 ( ) (
1 | % 100 ) (
)
2
2 2 2
1
2 2
1
2
2
2
2
2
2
2
2 2 2 2
2
2
1
2 2
5
5
5

+ + + + + + + +

+ + + + +
+ + + +

+ + + +
+ + + +

x E p x
p x
b
x
x
x x
x
p x x E
P
P
P
P P P P P x P
x P
a
i
n
i
i
n
i
i
i
n
i
i
759.- En una lotera se venden 200 boletos, de los cuales 2 son ganadores de 1000, ocho de 500,
diez de 200, doce de 100 y sesenta de 10. Sea x una variable aleatoria que representa la ganancia de un
jugador.
a) Encuentre la distribucin de probabilidad de la variable x.
b) Obtenga la funcin de distribucin acumulada de la variable x.
c) Calcule la media, varianza y desviacin estndar de la variable x.
200 Boletos
2$1000
8$500
10..$200
12..$100
60..$10
108$no ganan
a)
X
i
0 10 100 200 500 1000
113
P
i
0.54 0.3 0.06 0.05 0.04 0.01

'

>
<
<
<
<
<

1000 1
1000 500 99 . 0
500 200 95 . 0
200 100 9 . 0
100 10 8 . 0
10 0 5 . 0
0 0
) (
)
x si
x si
x si
x si
x si
x si
x si
x F
b
542 . 142 2 . 20318
24 . 20318 ) 01 . 0 ( ) 37 1000 ( ) 04 . 0 ( ) 37 500 (
) 05 . 0 ( ) 37 200 ( ) 06 . 0 ( ) 37 100 ( ) 3 . 0 ( ) 37 10 ( ) 54 . 0 ( ) 37 0 ( ) (
37 ) 1000 )( 01 . 0 ( ) 200 )( 04 . 0 ( ) 200 )( 05 . 0 ( ) 100 )( 06 . 0 ( ) 3 . 0 )( 10 ( ) 54 . 0 )( 0 (
)
2
2 2
2 2 2 2 2 2
1

+ +
+ + +
+ + + + +

i
i
i
i
n
i
i
p x
p x
c
760.- Sea X una variable aleatoria discreta con distribucin de probabilidad dad por la siguiente
tabla:
X
i
2 3 4 5
P
1
0.2 0.4 0.3 0.1
a) Obtenga la funcin de distribucin acumulada de la variable X.
b) Calcule P(x < 3.5) y P(3 x < 4.5)
a)
F(x) = P(X x)=
Py
F(x) = P(2) = 0.2
F(x) = P(2) + P(3) = 0.6
F(x) = P(2) + P(3) + P(4) = 0.9
F(x) = P(2) + P(3) + P(4) + P(5) = 1
114

'

<
<
<
<

x
x
x
x
x
x F
5 1
5 4 9 . 0
4 3 6 . 0
3 2 2 . 0
0 0
) (
b)
P(x < 3.5) = 0.6
P(3 x < 4.5) = F(4.5) F(3) = 0.9 - 0.6 = 0.3
764. Sea x una variable aleatoria discreta con distribucin de proporcionalidad dada por la
siguiente tabla.
x
i
0 1 2 5
p
i
0.1 0.4 0.3 0.2

Calcule el coeficiente de sesgo.
[ ]
909 . 1
) 612 . 1 (
) 2 ) 2 / ) 5 2 1 0 (( ) 2 / (
612 . 1 6 . 2
6 . 2 ) 2 . 0 ( ) 2 5 ( ) 3 . 0 ( ) 2 2 ( ) 4 . 0 ( ) 2 1 ( ) 1 . 0 ( ) 2 0 ( ) (
2 ) 2 . 0 )( 5 ( ) 3 . 0 )( 2 ( ) 4 . 0 )( 1 ( ) 1 . 0 )( 0 ( ) (
:
3
3
3
3
3
2 2 2 2 2 2
1

+ + +

+ + +
+ + +

x
sesgo
p x
p x
solucion
i
i
i
i
n
i
i
772.- Tenemos dos urnas, de las cuales la primera contiene n bolas blancas y 2n bolas negras, y
la segunda contiene 2n bolas blancas y n bolas negras. Se escoge al azar una urna 7y de ella se saca una
bola. Si es blanca, se saca de la misma urna(sin reemplazo) otra bola y en caso contrario se saca una
bola de la otra urna. Sea x una variable que representa el nmero de bolas blancas extradas. Para que
valor de n se cumple E(x) < 1?
X
i
0 1 2
P
i
2/9 (27n-5)/(18(3n-1)) (5n-3)/(6n(3n-1))
115
1
) 1 3 ( 18
23 57
) (
) 1 3 ( 18
18 25 27
) 1 3 ( 18
18 30 5 27
) 1 3 ( 6
6 10
) 1 3 ( 18
5 27
) 1 3 ( 6
3 5
) 2 (
) 1 3 ( 18
5 27
) 1 (
9
2
) 0 (
2 2
<

,
_

,
_

+
,
_

n
n
x E
n n
n n
n n
n n n
n n
n
n
n
n n
n
n
n

Para n = 1
822.- Segn la propiedad de la varianza para la cual v(x) = v(x-a) donde a = constante, calcula
la varianza de la variable aleatoria x cuya funcin de densidad esta dada por.
1/24 (x-1)
4
exp[-(x-1)] para x >1
f(X) =
0 para las dems x.
5 ) 6 ( 41 ) 1 (
24
6 ) 1 (
24
2 2 ) 1 ( 4
1
2
2
) 1 ( 4
1

dx e x
x
dx e x
x
x
x
Nota: Para resolver estas integrales se utilizo el Matlab
840.- Dada la v.a contina x con funcin de probabilidad

'

parte otra
x si
senx
x f
0
0
2
) (

Halle y
2

116
[ ]
[ ]
[ ] [ ]
2
4
4
0 cos ) 0 2 ( 0 ) 0 ( 2 cos ) 2 ( 2
2
1
4
cos 2 ( 2
2
1
4 2
1
4 2
1
) (
2
0 cos 0 0 cos
2
1
cos
2
1
2
1
2
1
2
) (
2
2
2
2
0
2
2
0
2
0
2
2 2 2 2
0
0 0 0

+ +

+

sen sen x x xsex
sendx u senxdx x dx x f x
sen sen
x x senx usenudu xsexdx dx
xsex
dx x xf
841.- Si la f.d.p de una v.a.c es:

'

caso otro
x si x x c
x f
0
2 0 ) 4 (
) (
3
Halle
a) El valor de c.
b)

y
4
1
1 4
4
4
) 0 (
) 0 ( 2
4
2
) 2 ( 2
4
2 ) 4 (
) 4 ( ) (
4
2
4
2
2
0
4
2 3
3

1
]
1

+
1
]
1

c
c
igualamos
c c
x
x c dx x x c
x x c x f
225
44
225
44
15
16
6
2
) 2 (
4
1
15
16
6 4
1
) 4 (
15
16
0666 . 0
5
2
3
) 2 ( 4
4
1
5 3
4
) 4 ( ) (
)
2
6
4
2
2
0
6
4 2 5
2
0
3 2
5 3
2
0
5 3 2
0
4 2
2
0

1
]
1

1
]
1

1
]
1

1
]
1

1
]
1

1
]
1

x
x dx x x c
x x
c dx x x c dx x xf
b
842.- Dada la variable aleatoria continua x, cuya f.d.p es f(x) = exp[2x-x
2
] , > 0, x E R.
Encuentre la moda sin necesidad de calcular el valor de la constante .
Para encontrar la moda derivamos la funcin de densidad e igualamos a cero para obtener as
abscisas crticas. Cualquier abscisa crtica pude ser evaluada en la segunda derivada ya que si resulta
117
un nmero negativo, abra un mximo y si es positivo abra un mnimo y por lo tanto el valor de X que
de un mximo es la moda.
1
2 ) 0 ( 4 2 ) 1 (
) 1 ( 4 2 ) (
1
0 1
0 ) 1 (
0 ) 1 ( 2 ) (
2 2
2
2
2 2
2
2

+
+

o
x x x x
x x
x x
m
e e e f
e x e x f
x
x
e x
e x x f

843.- Una funcin importante es la llamada funcin de error erf(x) =

dt e
x
t

0
2 2

Esta funcin es impar, ya que erf(-x)=-erf(x).
Si x mente respectiva tiemde x erf x , 1 ) ( ,
+

. A dems es continua y erf(0)=0.

Use esta informacin y haga ), (
2
) (
2
x erf dx e dx x esp
x




para calcular:
dx
x
b
dx x a

,
_

2
exp )
) exp( )
2
2
)
solucin:

2 506 . 2
)
7724 . 1
)
2
2
2

dx e
b
dx e
a
x
x
NOTA: Para resolver estas integrales se utilizo el matlab
845.- Exprese erf( x ) mediante la integral de tipo

x
dt t
0
. ) (
[sugerencia: haga t = t(u) = u
2
en la integral ]
2
0
2
du e
x
u

118
Solucin:
t
e
t
dt t dt
t
e
dt
t
e
du e x erf
t
x x t
x t
t
t x
u

) (
) (
1
2
2 2
) (
0 0
) (
) 0 ( 0
2
849.- Sea X una v.a. continua con f.d.p. f(x) = c exp.

,
_

2
2
x

a) Determine el valor de la constante c.
b) Determine P (-a < X < a) en trminos de la funcin erf.
c) Exprese la f.d.a. F(x) en trminos de la funcin erf, y obtenga entonces F (2) y

,
_

2
2 3
F
,
dado que: erf ( ) 2 = 0.9545 y erf (1.5) = 0.9661 (correcto a cuatro dgitos decimales).
Para (a)
2
0
2
0
2
2 2
c dx e c dx ce
x x

2 1 c
2
1
c
Para (b)

,
_

< <

2 2
1
) (
2
2
a
erf dx e a x a P
a
a
x

Para (c)
;
2
1
2
1
2
1
) (
2
2
1
]
1

,
_

x
erf dt e x F
x
t

[ ] 97725 . 0 2 1
2
1
) 2 ( erf F
119
( ) [ ] 98305 . 0 5 . 1 1
2
1
2
2 3
+

,
_

erf F
850.- Considere la v.a.c. X, con f.d.p. f(x) =
2
1 x
c
+
, x R.
a) Obtenga el valor de la constante c.
b) Determine la f.d.p. F(x).
c) Demuestre que no existe valor esperado para esta variable aleatoria.
Para (a)
[ ] ( )
1
]
1

,
_

1 1 1 1 1
2 2
tan tan tan tan
1
tan
1
1
1 1
c c c x c
x
c
x
dx
c dx
x
c

c c c
1
]
1

+
1
]
1

,
_

2 2 2 2
c 1

1
c
Para (b)
[ ] ( )
1
]
1

1 1 1 1
2 2
tan tan tan
1
tan
1
1
1 1
) ( ) ( c x c t c
t
c
t
dt
c dt
t
c
dt t f x F
x
x x x x
x x x c
1 1 1
tan
1
2
1
2
tan
1
2
tan

+
1
]
1

+
1
]
1

,
_

Para (c)
[ ] ( ) [ ]

+
+

+

,
_

+


2
2 2 2
1
2 2 2 1
2
2 1 1
) ( x Ln
c
Lnu
c
u
du c
x
xdx c
x
xdx
c dx
x
c
x dx x xf
u = 1 + x
2
du = 2xdx
( ) ( ) ( ) [ ] [ ] [ ] [ ] [ ]

+ +

2 2
1
2
1
1
2
1
2
1 1
2
2 2
c
Ln Ln
c
851.- Dada la v.a.c. X con f.d.p.:
120
2(1 x) si 0 < x < 1
f (x) =
0 en otro caso
Halle el coeficiente de sesgo =
3
3

.
1
]
1

1
]
1

,
_

,
_

1
]
1

3
1
2
1
2
3
0
2
0
3
1
2
1
2
3 2
2 ) ( 2 ) 1 ( 2 ) ( ) (
1
0
1
0
1
0
3 2
2
x x
dx x x dx x x dx x xf X E
3333 . 0
6
1
2
6
2 3
2
,
_

,
_

( ) [ ] ( ) ( ) ( ) [ ]
3
1 2 1 3
1
0
3 3 3
3
2 3 1 2 3333 . 0 ) ( +

dx x x dx x f x X E
( ) ( ) ( )
( ) ( ) ( ) 074051 . 0 9999 . 0 2 2
3333 . 0 2 1 2 ) 3333 . 0 ( 3 1 2
1
0
3 2
1
0
4 3
3
3
1
0
2
1
0
3
3
+
+


dx x x dx x x
dx x x dx x x

0740518 . 0 49995 . 0 6666 . 0 4 . 0 5 . 0 0740518 . 0

4 3
9998 . 1
5 4
2
1
0
4 3
1
0
5 4
3
+ + +
1
]
1

1
]
1

x x x x

0074018 . 0
3

( ) ( ) ( ) ( ) 1111 . 0 2 3333 . 0 1 2 ) ( ) (
1
0
3 2 2
1
0
2 2 2 2

dx x x dx x x dx x f x X V
0555 . 0 1111 . 0 5 . 0 6666 . 0 1111 . 0
4 3
2
1
0
4 3
2

1
]
1

x x

235584379 . 0
( ) 013074932 . 0 235584379 . 0
3 3

566106 . 0
013074932 . 0
0074018 . 0
3
3

852.- Sea la v.a.c. X con f.d.p.:

2 2
x a
a

Si |x|< a
f(x) =
0 si |x| a
121
Halle:
a) el valor de a.
b) P
,
_

< < a X
a
2
Para (a)
a
a
a
a
a
a
a
a
a
a
a
x
sen a
a
u
sen a
u a
du
a
x a
dx
a dx
x a
a

1
]
1

1
]
1

1 1
2 2 2 2 2 2
u = x
du = dx
( ) ( ) ( ) a a a a a asen asen
a
a
asen
a
a
asen 180 90 90 90 90 1 1
1 1 1 1
+
,
_

a 180 1
005555 . 0
180
1
a
Para (b)

F(X)=
a
x
asen
a
asen
a
x
asen
a
t
sen a
t a
dt
a dt
t a
a
dt t f
x x x x
1 1 1
0
1
0
2 2
0
2 2
0
) (

1
]
1

( ) ( )
,
_

,
_

,
_

,
_

,
_

180
1
60 60 30 90
2
1
1
2
2
1 1 1 1
a a a
a
a
asen asen
a
a
asen
a
a
asen
a
F a F
3333 . 0
3
1

853.- Sea X una v.a.c. con f.d.p. dada por:
4
3
x
x Si 0 x 2
f(x) =
0 en otro caso
Halle la mediana (m
e
).
F(X) =
2
1
122
( )
1
]
1

,
_

,
_

x
x x x x
s s
ds s s ds
s s
ds
s
s ds s f X F
0
4 2
0
3
0
3
0
3
4 2
4
4
1
4
4
1
4
4
4
) ( ) (
( ) 16
8
16 2 16 2 4
4
4 2 4 2
0
4 2
x x x x s s
x

1
]
1

2
1
16
8
4 2

x x

,
_

2
1
16 8
4 2
x x
8 8
4 2
x x
0 8 8
2 4
+ x x
si
2
x w
0 8 8
2
+ w w
( ) ( ) ( )( )
( )
( )
2 2 4
2
2 4 8
2
16 2 8
2
32 8
1 2
8 1 4 8 8
2
t
t

t
w
Sustituyendo
2
x por w
2 2 4
2
t x
2 2 4 t t x
6131 . 2 2 2 4
1
+ x
0823 . 1 2 2 4
2
x
El valor que cae dentro del intervalo [0,2] es 1.0823=
2
2 2 4 x que es igual a la mediana.
m
e
= 1.0823
854.- Suponga que X y Y son dos variables aleatorias tales que E(X) = 5, E (Y) = 3. Si Z =
X + 2Y, obtenga E (Z).
E (Z) = E(X + 2Y) = E(X) + E (2Y) = E(X) + 2E (Y)
= 5 + 2(3) = 5 + 6
= 11
855.- Dado que E(X) = 2, E(Y) = 6, y suponiendo que Z = 3X + 4Y, halle E(Z).
123
Z = 3X + 4Y
E (Z) = E (3X + 4Y) = E (3X) + E (4Y) = 3E(X) + 4E (Y)
= 3(2) + 4(6) = 6 + 24
= 30
856.- Si X es una variable aleatoria discreta que solo puede tomar los valores X
1
= -1, X
2
=
0 y X
3
=1, con probabilidades de p
1
, p
2
y p
3
, respectivamente, y si se sabe adems que E(X) =
0.1; E(X
2
) = 0.9, encuentre los valores de p
1
, p
2
y p
3
.
x
i
-1 0 1
p
i
p
1
p
2
P3
E(X) = = 0.1
E(X
2
) =
2
= 0.9
(1) p
1
+ p
2
+ p
3
= 1
(2) (-1)p
1
+ (0)p
2
+ (1)p
3
= 0.1 = E(X)
(3) (-1)
2
p
1
+ (0)
2
p
2
+ (1)
2
p
3
= 0.9 = E(X
2
)
t
5 . 0 , 1 . 0 , 4 . 0
5 . 0
1 . 0
4 . 0
5 . 0 1 0 0
1 . 0 0 1 0
4 . 0 0 0 1
5 . 0 1 0 0
1 . 0 0 1 0
1 . 0 1 0 1
1 2 0 0
1 . 0 0 1 0
1 . 0 1 0 1
1 2 0 0
1 . 1 2 1 0
1 . 0 1 0 1
9 . 0 1 0 1
1 . 1 2 1 0
1 . 0 1 0 1
9 . 0 1 0 1
1 . 1 2 1 0
1 1 1 1
9 . 0 1 0 1
1 . 0 1 0 1
1 1 1 1
3 2 1
3
2
1
2 3 1
3
3 2 1 3 2 1 1 2

,
_

,
_

,
_

,
_

,
_

,
_

,
_

,
_

,
_

+
+
p p p
entonces
p
p
p
P
R R
R
R R R R R R R R
857.-Una variable aleatoria discreta X tiene la siguiente distribucin de probabilidad:
x
i
4 6 x
3
p
i
0.5 0.3 p
3
Si se sabe que E(X) = 8, halle x
3
y p
3
.
124
( )
( ) ( ) ( )
( )
( )
( )
( )
21
2 . 0
2 . 4
2 . 4 8 . 1 2 8 2 . 0
2 . 0 8 . 1 2 8
) 2 . 0 ( ) 3 . 0 ( 6 5 . 0 4 8
) (
2 . 0 3
3 . 0 5 . 0 1 3
3 3 . 0 5 . 0 1
3 2 1 ) (
1 % 100
3
3
3
3
3
1

+ +
+ +

+ +
+ +

x
x
x
x
x
p x X E
P
P
P
P P P x P
x P
n
i
i i

858.- Sea X una variable aleatoria discreta con la siguiente distribucin de probabilidad:
x
i
1 2 3
p
i
p
1
p
2
p
3
Si se sabe que E(X) = 2.3; E(X
2
) = 5.9, determine los valores de p
1
, p
2
y p
3
.
(4) p
1
+ p
2
+ p
3
= 1
(5) (1)p
1
+ (2)p
2
+ (3)p
3
= 2.3 = E(X)
(6) (1)
2
p
1
+ (2)
2
p
2
+ (3)
2
p
3
= 5.9 =E(X
2
)
125
5 . 0 , 3 . 0 , 2 . 0
:
5 . 0
3 . 0
2 . 0
5 . 0 1 0 0
3 . 0 0 1 0
2 . 0 0 0 1
1 2 0 0
3 . 0 0 1 0
2 . 0 0 0 1
1 2 0 0
3 . 0 0 1 0
4 . 0 0 0 2
1
3 . 0
3 . 0
2
0
1
0
1
0
0
0
1
1 2 0 0
3 . 1 2 1 0
3 . 0 1 0 1
9 . 4 8 3 0
3 . 1 2 1 0
3 . 0 1 0 1
9 . 4 8 3 0
3 . 1 2 1 0
1 1 1 1
9 . 5 9 4 1
3 . 1 2 1 0
1 1 1 1
9 . 5 9 4 1
3 . 2 3 2 1
1 1 1 1
3 2 1
3
2
1
2
2
2 3
3
1
3 1 3 2 2 3
2 1 1 3 1 2

,
_

,
_

,
_

,
_

,
_

,
_

,
_

,
_

,
_

,
_

,
_

+
+
p p p
Entonces
p
p
p
P
R
R
R R R R R R
R R R R R R
859.- Un lote de 10 potentes computadoras nuevas fue adquirido para los investigadores del
instituto de Astronoma de la UNAM. De esas maquinas, 7 son Silicn Graphics y 3 son Power Mac.
Se escoge un conjunto de dos computadoras al azar del lote, para asignarlas a dos nuevos profesores.
Halle el nmero esperado de Power Mac en ese conjunto.
P (P.M.) =
10
3
= P
i
5
3
5
3
10
6
10
3
2 ) (
1

,
_

n
i
i i
p x X E
860.- Si las variables aleatorias X
1
, X
2
,......X
n
toman solo valores positivos, son
independientes y adems estn igualmente distribuidas, demuestre que:
( ) n i
n X X X
X
E
n
i
,..., 2 , 1 ,
1
....
2 1

1
]
1

+ +
Definimos las variables aleatorias Y
1
, Y
2
,, Yn como sigue:
n
n
n
n n
X X X
X
Y
X X X
X
Y
X X X
X
Y
+ + +

+ + +

+ + +

...
,...,
...
,
...
2 1 2 1
2
2
2 1
1
1
Las variables X
i
(i = 1,n) estn igualmente distribuidas.
Se tiene que E (Y
1
) = E (Y
2
) ==E (Y
n
)
Adems:
126
1
...
...
...
2 1
2 1
2 1

+ + +
+ + +
+ + +
n
n
n
X X X
X X X
Y Y Y
Luego, E (Y
1
+Y
2
++ Y
n
) = E (1) = 1. Por consiguiente, E (Y
1
) + E (Y
2
) ++ E (Y
n
) = nE (Y
i
) = 1,
es decir,
n
Y E
i
1
) ( .
861.- Suponga que se tienen siete variables aleatorias X
1
, X
2
,........ X
7
, las cuales solo toman
valores positivos, adems de que son independientes y estn igualmente distribuidas. Obtenga el
valor esperado de la variable aleatoria Z definida como sigue:
( )
7
3
7
3
14
6
2 2 2 2 2 2 2
2 2 2
2
0
...
7 6 5 4 3 2 1
7 2 1
3 2 1

+ + + + + +
+ +

> +
+ + +
+ +

Z
Z
tenemos
X
para
X X X X X X X X
donde
X X X
X X X
Z
i
i
862.- Se tienen dos variables aleatorias independientes X, Y. Si Var (X) = 5 y Var (Y) = 6,
halle la varianza de la variable aleatoria Z = 3X + 2Y.
Var(X
2
) = c
Var (Z) = Var (3X + 2Y) = Var (3X) + Var (2Y) = 9Var(X) + 4Var (Y)
Var (Z) = 9(5) + 4(6) = 45 + 24 = 69
Var (Z) = 69
863.- Si X es una variable aleatoria discreta que solo puede tomar dos valores: x
1
y x
2
, cada
uno de ellos con idntica probabilidad, encuentre la varianza de X.
x
i
1 2
p
i
1/2 1/2
127
( ) ( )
( )
( ) ( ) ( ) ( ) ( ) ( ) ( )
4
3
4
3
5 . 0 25 . 0 2 5 . 0 5 . 0 2 5 . 1 2 1 5 . 1 1
) (
2
3
5 . 1 5 . 0
2
1
2
2
1
1 ) (
2
2 2 2 2 2
2 2
1

+ + +

+
,
_

+
,
_

i i
n
i
i i
p x X V
p x X E
864.- Suponga que X y Y son variables aleatorias, tales que E(X) = a, E (Y) = b, Var (X) =
2
1
, Var (Y) =
2
2
. Demuestre que Var (XY) =
2
2
2 2
1
2 2
2
2
1
a b + + .
Tenemos: Var (XY) = E [(XY)
2
] [E (XY)]
2
. Pero, E [(XY)
2
] = E(X
2
) E (Y
2
). Puesto que X
2
y Y
2
son
variables aleatorias independientes, si X y Y lo son. Por otra parte, [E (XY)]
2
= [E(X) E (Y)]
2
= a
2
b
2
.
Adems:
2 2 2
1
) ( a X E y . ) (
2 2 2
2
b Y E
De aqu que,
2
1
2 2
) ( + a X E ,
2
2
2 2
) ( + b Y E .
As que finalmente, se obtiene:
2
2
2 2
1
2 2
2
2
1
2 2 2
2
2 2
1
2
) )( ( ) ( a b b a b a XY Var + + + +
865.- Si X es una variable aleatoria con media E(X) =, entonces para cualquier c se
verifica que
2
= E [(X -)
2
] < E [(X c)
2
]. Demuestre esta interesante propiedad. A los momentos
alrededor de cualquier punto distinto del origen (y de la media) se le suele llamar momentos
ordinarios. De acuerdo con esta desigualdad, entonces el momento central de orden dos es el menor de
todos los momentos ordinarios de segundo orden (incluyendo el momento inicial de segundo orden).
Esto es otra forma de expresar el hecho de que la media es el valor que minimiza el error cuadrtico
medio.
E [(X c)
2
] = E [(X + c)
2
] = E [(X )
2
+ 2(X ) ( c) + ( c)
2
] = E [(X )
2
] + 2( c)
E [(X )] + ( c)
2
.
Sin embargo, E [(X )] = 0. En consecuencia, queda probado que E [(X c)
2
] = E [(X )
2
] + (
c)
2
=
2
+ ( c)
2
.
De aqu que
2
< E [(X c)
2
]. Incidentalmente, si se hace c = 0, entonces se tiene una relacin ya
conocida:

2
=
2
+
2
, esto es: Var (X) = E(X
2
) [E(X)]
2
.
128
866.- Una variable aleatoria X tiene media igual a 12 y varianza igual a 9. Estime el valor
mnimo con la desigualdad de Chebyshev, de P (3 < X < 21).
- k = 12 3k = 3
+ k = 12 + 3k = 21
En ambos casos se obtiene k = 3. De aqu que,
P ( k < X < + k) = P (3 < X < 21) 1 -
9
8 1
2

k
867.- Una forma alternativa (y equivalente) del Teorema de Chbyshev establece que si k > 0,
entonces
2
2
1 ) | (|
k
k X P

< . Dada una v. a. X en la que 004 . 0 ) (
2
x , use esta forma de la
desigualdad de Chbyshev para proporcionar una cota inferior de
) 2 . 0 | ) ( (| < x E X P
Solucin:
Datos del problema Desarrollo
) 2 . 0 | ) ( (| , 2 . 0
1 ) | (|
004 . 0
2
2
2
<
<

X e X P k
k
k X P d Desigualda
X

) 04 . 0 (
) 004 . 0 (
1 ) 2 . 0 | ) ( (|
) 2 . 0 (
1 ) 2 . 0 | ) ( (|
) 2 . 0 (
1 ) 2 . 0 | ) ( (|
2
2
2
2
<
<
<
X e X P
X e X P
X e X P

Su cota inferior es:

9 . 0 ) 2 . 0 | ) ( ( < x E X P
868.- Para cualquier k > 0, un< tercera forma alternativa (y tambin equivalente) de la
desigualdad de Chbyshev consiste en expresar la desigualdad:
2
2
) | (|
k
k X P


Esto es fcil de probar, toda vez que los conjuntos
} | | { k X R x <
y
} | | { k X R x
forma una
particin de R y tienen, por tanto, probabilidades complementarias. Para una v. a. X cualquiera
(discreta o continua), use esta forma de la desigualdad de Chbyshev para estimar una cota inferior de
la probabilidad de que X se desve de su valor esperado en no menos de dos desviaciones estndar.
869.- Un complejo dispositivo electrnico de una sonda espacial, fabricada por los ingenieros de la
NASA, est compuesto de diez elementos que trabajan de manera independiente. La probabilidad de
falla de cada elemento en el tiempo T es igual a 0.05. Mediante la desigualdad de Chbyshev,
proporcione una cota inferior de la probabilidad de que el valor absoluto de la diferencia entre el
nmero de elementos que fallan y el promedio (esperanza matemtica) de falla en el tiempo T sea de:
a) Menos de 2
129
b) No menos de 2
Datos del problema Desarrollo
2
2
10
95 . 0
05 . 0

<

b
a
X
X
n
q
p
11024 . 0 5 . 0 6102 . 0 ) 2 (
) 95 . 0 ( * ) 05 . 0 (
2
10
) 95 . 0 ( * ) 05 . 0 (
1
10
1 ) 2 (
1 ) 2 ( )
8898 . 0 5 . 0 3898 . 0 ) 2 (
) 95 . 0 ( * ) 05 . 0 (
2
10
) 95 . 0 ( * ) 05 . 0 (
1
10
) 2 (
) 2 ( )
2 10 2 1 10 1
10
2
2 10 2 1 10 1
2
0
<

,
_

,
_

,
_

+ <

,
_

,
_

<

,
_

<

a
a
x n x
a
a
a
x n x
a
X P
X P
q p
x
n
X P b
X P
X P
q p
x
n
X P a
Su cota inferior es:
11024 . 0 ) 2 (
8898 . 0 ) 2 (

<
b
a
X P
X P
870.- Una v. a. discreta X tiene la siguiente distribucin de probabilidad:
xi 0.3 0.6
pi 0.2 0.8
Aplique la desigualdad de Chbyshev para dar una cota inferior de
) 2 . 0 | ) ( (| < x E X P
Datos del problema Desarrollo
64 . 0 ) 2 . 0 | 54 . 0 (|
36 . 0 1 ) 2 . 0 | 54 . 0 (|
04 . 0
0144 . 0
1 ) 2 . 0 | 54 . 0 (|
1 ) 2 . 0 | ) ( (|
0144 . 0
) 8 . 0 ( ) 54 . 0 6 . 0 ( ) 2 . 0 ( ) 54 . 0 3 . 0 (
54 . 0 ) (
8 . 0 * 6 . 0 2 . 0 * 3 . 0 ) (
2
2
2
2 2 2
<
<
<
<

+

+
X P
X P
X P
k
x E X P
x E
x E

Su cota inferior es:

64 . 0 ) 2 . 0 | 54 . 0 (| < X P
871.- Suponga la v. a. discreta X tiene la siguiente distribucin de probabilidad:
xi 0.1 0.4 0.6
pi 0.2 0.3 0.58
Proporcione una cota inferior de )
5
10
| ) ( (| < x E X P , mediante la desigualdad de Chbyshev.
130
xi 0.3 0.6
pi 0.2 0.8
Datos del problema Desarrollo
2
2
1 )
5
10
| ) ( (|
k
x E X P

<
909 . 0 )
5
10
| 44 . 0 (|
091 . 0 1 )
5
10
| 44 . 0 (|
4 . 0
0364 . 0
1 )
5
10
| 44 . 0 (|
0364 . 0
) 5 . 0 ( ) 44 . 0 6 . 0 ( ) 3 . 0 ( ) 44 . 0 4 . 0 ( ) 2 . 0 ( ) 44 . 0 1 . 0 (
44 . 0 ) (
5 . 0 * 6 . 0 3 . 0 * 4 . 0 2 . 0 * 1 . 0 ) (
2
2 2 2 2
<
<
<

+ +

+ +
X P
X P
X P
x E
x E

Su cota inferior es: 909 . 0 )

5
10
| 44 . 0 (| < X P
872.- Una v. a. continua X tiene la siguiente funcin de distribucin acumulada:

'

>
< +

3 / 1 1
3 / 1 1 ) 1 ( 4 / 3
1 0
) (
six
x si x
six
x F
Determinar P (0<X<1/3).
Datos del problema Desarrollo

'

>
< +

3 / 1 1
3 / 1 1 ) 1 ( 4 / 3
1 0
) (
six
x si x
six
x F
) 3 / 1 0 ( < <X P
4 / 1 ) 3 / 1 0 (
4 / 3 1 ) 3 / 1 0 (
4 / 3 ) 1 ) 0 (( 4 / 3 ( ) 0 (
1 ) 3 / 1 (
< <
< <
+

X P
X P
X P
X P
Su probabilidad es:
4 / 1 ) 3 / 1 0 ( < < X P
873.- Si la v. a. c. X tiene la f. d. a. ) ), ( * / 1 2 / 1 ) (
1
R X x tg x F +

(tomando el valor
principal de ) (
1
x tg

), determine
) 1 0 ( < <X P
Datos del problema
Desarrollo
131
) ), ( * / 1 2 / 1 ) (
1
R X x tg x F +

) 1 0 ( < <X P
Tomando solamente el valor principal de
) (
1
x tg

, para as obtener:
4 / 1 ) 1 0 (
0 4 / 1 ) 1 0 (
0 ) 0 ( * / 1 ) 0 (
4 / 1 4 / * / 1 ) 1 ( * / 1 ) 1 (
1
1
< <
< <

X P
X P
tg X P
tg X P

Su probabilidad es:
4 / 1 ) 1 0 ( < < X P
874.- La v. a. c. X tiene f. d. a. dada por:

'

>
< +

2 1
2 2 ) 2 / ( * / 1 2 / 1
2 0
) (
1
x
x x sen
parax
x F
Determine P(-1<X<1)
Datos del problema Desarrollo

'

>
< +

2 1
2 2 ) 2 / ( * / 1 2 / 1
2 0
) (
1
x
x x sen
parax
x F
) 1 1 ( < < X P
3 / 1 ) 1 1 (
3 / 1 3 / 2 ) 1 1 (
3 / 2 ) 2 / 1 ( * / 1 2 / 1 ) 1 (
3 / 1 ) 2 / 1 ( * / 1 2 / 1 ) 1 (
1
1
< <
< <
+
+

X P
X P
sen X P
sen X P

Su probabilidad es:
3 / 1 ) 1 1 ( < < X P
875.- Una v. a. c. X tiene la siguiente f. d. a.:

'

>
<

4 1
4 2 1
2
1
2 0
) (
x
x x
parax
x F
Encuentre la probabilidad de que X asuma un valor:
132
a) menor que 1/5
b) menor que 3
c) no menor que 3
d) no menor que 5
Datos del problema Desarrollo

'

>
<

4 1
4 2 1
2
1
2 0
) (
x
x x
parax
x F
) 6 5 (
) 4 3 (
) 3 (
) 5 / 1 (

X P
X P
X P
X P
0 ) 6 5 (
1 1 ) 6 5 ( )
2 / 1 ) 4 3 (
2 / 1 1 ) 4 3 ( )
0 ) 3 (
1 ) 3 ( 2 / 1 ) 3 ( )
0 ) 5 / 1 ( )







X P
X P d
X P
X P c
X P
X P b
X P a
Su probabilidades son:
0 ) 6 5 (
2 / 1 ) 4 3 (
0 ) 3 (
0 ) 5 / 1 (




X P
X P
X P
X P
876.- Una v. a. c. X, definida para toda R x tiene la f. d. de probabilidad dada por
x x
e e
x f

+

4
) ( . Determine el valor constante de .
Datos del problema Desarrollo
x x
e e
x f

+

4
) (
De la definicin de una f. d. p.

1 ) ( dx x f

+
1 4
1
4
x x
x x
e e
dx
dx
e e

La evolucin obtenida de la integral es:

1 ] 2 / [ 4
1 )] ( [ 4
1

x
e tg
Despejando obtenemos:

2
1

133
La constante es:

2
1

877.- La v. a .c. X tiene f. d. p. definida por:

'
< <

. . . 0
2 / 0 2
) (
p o c
x x csen
x f

Halle el valor de la constante c.
Datos del problema Desarrollo

'
< <

. . . 0
2 / 0 2
) (
p o c
x x csen
x f

De la definicin de una f. d. p.

1 ) ( dx x f

2 /
0
2 /
0
1 2
1 2

xdx sen c
xdx csen
La evolucin obtenida de la integral es:
1 ] 1 1 [
2
1 ] 2 cos [
2
2 /
0
+

c
x
c

Despejando
c
obtenemos:
1 c
La constante es: 1 c
878.- Una v. a. c. X tiene f. d. p. definida por:

'
< <

. . . 0
1 0
) (
1
p o c
x x ktg
x f
Determine el valor de la constante k.
Datos del problema Desarrollo

'
< <

. . . 0
1 0
) (
1
p o c
x x ktg
x f
De la definicin de una f. d. p.

1 ) ( dx x f

1
0
1
1
0
1
1
1
xdx tg k
xdx ktg
La evolucin obtenida de la integral es:
1 ]
2
) 2 ln(
4
[
1 ]
2
) 1 ln(
[
1
0
2
1

k
x
xtg k
Despejando k obtenemos:
438825 . 0
4
) 2 ln( 2

k
134
La constante es: 438825 . 0 k
789.- Una v. a. c. V tiene la siguiente f. d. p.:

'

<

,
_

. . . 0
| |
1
1
) (
2
2
p o c
c v si
c
v
k v f
Donde c es una constante positiva fija. Determine:
a) El valor de la constante k para que, en efecto, f(v) sea una densidad de probabilidad.
b) Halle el valor esperado de la v. a. V.
c) La varianza de v. a. V.
d) Calcule la f. d. a. F (v).
e) Encuentre P(0 < V < c/2)
f) Si
2
2mv W donde m > 0 es una constante, determine el valor esperado de la v. a. W.
Datos del problema Desarrollo

'

<

,
_

. . . 0
| |
1
1
) (
2
2
p o c
c v si
c
v
k v f
2
2mv W
De la definicin de una f. d. p.

1 ) ( dx x f

,
_

c
c
c
v
dv
k
a 1
1
1
)
2
2
La evolucin obtenida de la integral es:
[ ] [ ] v c sen c c c sen c k
v
c
sen c
k
c
c
| / 1 | * | | * | / 1 | *
1 * |
1
(| * | |
1
1 1
1

1
]
1

Despejando k obtenemos:
c k
dv
c
v
c
v
v E b
c
c

,
_

2
2
1
) ( )

La evolucin obtenida de la integral es:

[ ]
[ ] { [ ]}
0 ) (
| | | |
1
) (
| |
1
) (
2 2 2 2
2 2




v E
c c c c c c
c
v E
v c c
c
v E
c
c

dv
c
v
c
v
v V c
c
c

,
_

2
2
2
2
1
) ( )

La evolucin obtenida de la integral es:

135
[ ]
[ ] { [ ]}
2
) (
) | / 1 | ( ) | / 1 | (
2
) (
) | / 1 | (
2
) (
2
2
2 2 2 2 2 2 2
2 2 2 2
c
v V
c c v c c sen c c c v c c sen c
c
v V
v c v v c sen c
c
v V
c
c

dv
c
v
c
v F c
v
c

,
_

2
2
1
1
) ( )

La evolucin obtenida de la integral es:

t

,
_

,
_

+
,
_

,
_

c
v
sen v F
c
c
sen c c v
c
sen c c
v
c
sen c c
v
c
1
1 1
1
1
2
1
) (
* |
1
| 2 *
2
1
* |
1
| 2 *
2
1
* |
1
| 2 *
2
1

Obtenemos que la f. p. a. es:

'

<

,
_

+

c v
c
v
sen v F | |
1
2
1
) (
1

)
2
0 ( )
c
V P e < <
Evaluamos la f. p. a. en los intervalos que nos
indica la probabilidad que nos interesa:
3 / 2 )
2
( 2 / 1 ) 0 (
c
V P V P
6 / 1 )
2
0 (
6 / 1 2 / 1 3 / 2 )
2
0 (
< <
< <
c
V P
c
V P
Debido a que
2
2mv W obtenemos que la
esperanza de W es:
dv m v W E f
c

0
3
2 ) ( )
La evolucin obtenida de la integral es:
c
mv W E
0
4
4
2
) (
Obteniendo as que E(W) es:
4
2
1
) ( mc W E
La constante es: c k
La esperanza matemtica es:
0 ) ( v E
136
La varianza es:
2
) (
2
2
c
v V
La f. p .a. es:

'

<

,
_

+

c v
c
v
sen v F | |
1
2
1
) (
1

La probabilidad es: 6 / 1 )
2
0 ( < <
c
V P
La esperanza de W es:
4
2
1
) ( mc W E
880.- Los profesores de una Universidad de Mxico tienen dificultades en encontrar un sitio
desocupado para estacionar su automvil dentro del campus, de modo que estacionan el auto en lugares
diferentes cada da. Suponga que para cierto profesor de probabilidad y estadstica de ese campus, el
tiempo (en min.) que tarda en recorrer caminando la distancia desde donde le haya tocado dejar su
automvil hasta su saln de clases, es una v. a. c. X con f. d. p. dada por:

'

1 0
1
) 3 4 (
) 1 ( 5120
) (
6
x para
x para
x
x
x f
Calcule (si existe):
a) El tiempo esperado en llegar a su saln de clases desde donde haya dejado su automvil
b) La moda
c) La media
d) Desviacin estndar
e) Dibuje un croquis aproximado de la grafica de f(x), donde x se mide en min.
Datos del problema Desarrollo

'

1 0
1
) 3 4 (
) 1 ( 5120
) (
6
x para
x para
x
x
x f
Ecuaciones que utilizaremos:
( ) 0 ) (
2
1
) (
) ( ) ) ( * ( ) (
) ( * ) (
2 2

x f
dx
d
m
dt t f m
x E dx x f x X V
dx x f x X E
o
x
e
dx
x
x
x x E a

1
6
) 3 4 (
) 1 ( 5120
) ( )
La evolucin obtenida de la integral es:
min 667 . 18 ) (
) 3 4 ( 3
) 27 180 160 ( 8
) (
1 5
2

x E
x
x x
x E

,
_

6
) 3 4 (
) 1 ( 5120
)
x
x
dx
d
b
De la cual obtenemos:
05 . 1
102400
107520
0 ) 21 ( 5120 ) 20 ( 5120
0
) 3 4 (
) 21 20 ( 5120
7

o
m
x
x
x
x
2
1
) ( )

dt t f m c
x
e
137
De la evaluacin se obtiene:
2
1
3
56
16
) 3 4 ( 3
) 9 10 ( 8
2
1
) 3 4 (
) 19 20 ( 16
16
) 3 4 (
) 19 20 ( 16
16 ) (
) 3 4 (
) 1 ( 5120
) (
4
1
5
5
1
6
+

x
x
x
m
dt
t
t
m
x
x
x F
dt
t
t
x F
e
x
e
x
Obtenemos los ceros de la ecuacin anterior
obteniendo:
12284 . 1
e
m
dx
x
x
x x V d

1
6
2
) 3 4 (
) 1 ( 5120
) ( )
La evolucin obtenida de la integral es:
9139 . 1
min 667 . 18 min 33 . 22 ) (
) 3 4 ( 3
) 153 1020 2720 1920 (
) (
1 5
2 3

x V
x
x x x
x V
e) El croquis de f(x)

La esperanza es:
min 667 . 18 ) ( x E
La moda es:
05 . 1
o
m
La media es:
12284 . 1
e
m
La desviacin estndar es: 72582 . 4
881.- Con referencia al probl. 880, calcule:
a) La f. d. a. F(x)
b) La probabilidad de que el profesor tarda ms de 2 min. en llegar a su saln de clases, desde el
sitio donde haya dejado su automvil.
c) La probabilidad de que tarde ms de 2 min. pero menos de 3, en llegar a su saln de clases
desde el punto donde haya estacionado su automvil
Datos del problema Desarrollo
138

'

1 0
1
) 3 4 (
) 1 ( 5120
) (
6
x para
x para
x
x
x f
De la definicin de una f. d. p.
) 3 2 (
) 2 (
) ( ) (

>

X P
X P
dt t f x F
x
dx
x
x
x F a
x

1
6
) 3 4 (
) 1 ( 5120
) ( )
La evolucin obtenida de la integral es:

'

1 0
1
) 3 4 (
) 19 20 ( 16
16
) (
) 3 4 (
) 19 20 ( 16
16 ) (
5
1 5
x para
x para
x
x
x F
x
x
x F
x
8925 . 15 ) 2 (
) 3 ) 2 ( 4 (
) 19 ) 2 ( 20 ( 16
16 ) 2 ( )
5
>

>
X P
X P b
09642 . 0 ) 3 2 (
8925 . 15 9889 . 15 ) 3 2 (
) 3 ) 2 ( 4 (
) 19 ) 2 ( 20 ( 16
16
) 3 ) 3 ( 4 (
) 19 ) 3 ( 20 ( 16
16 ) 3 2 ( )
5 5


1
]
1

1
]
1

X P
X P
X P c
La f. d. a. es:

'

1 0
1
) 3 4 (
) 19 20 ( 16
16
) (
5
x para
x para
x
x
x F
La probabilidad es:
8925 . 15 ) 2 ( > X P
La probabilidad es:
09642 . 0 ) 3 2 ( X P
882.-Sea X la v. a. c. con f. a. p. dada por:

'

. . . 0
3 5 . 2 1
1 0
2
1
) (
p o c
x
x
x F
Determine la mediana o mediana de X, si es que hay
Datos del problema Desarrollo

'

. . . 0
3 5 . 2 1
1 0
2
1
) (
p o c
x
x
x F
De la definicin de una f. d. p.

x
e
dt t f m
2
1
) ( 2
1
5 . 2
2
1
1 ) (
2
1
2
2
1
) (
5 . 2
0
2
1

x m
dt x F
x
m
dt x F
e
x
e
x
Obtenemos los cero de la ec. Obtenida
anteriormente:
139
3
1

e
e
m
m
Existen una infinidad de medias, solo se expresan algunas de las que existen entre
estos intervalos que existen entre
] 5 . 2 , 1 [ x
es adecuada para ser
e
m
de X
883.- Si X es una v. a. c. con funcin generatriz de momento
t t
e e t

+
4
1
4
3
) ( , para
) , 8 t
, determine el valor esperado y la varianza de X
Datos del problema Desarrollo
t t
e e t

+
4
1
4
3
) (
Forma general para obtener los
momentos normales de X:
0
,
) (

t x r
r
r
t M
dt
d

2
1
) (
4
1
4
3
4
1
4
3
4
1
4
3
,
1
,
1
0
,
1
0 1
1
,
1

,
_

,
_

x E
e e
e e
dt
d
t
t t
t
t t

( )
4
3
) (
2
1
1 ) (
) (
4
1
4
3
4
1
4
3
4
1
4
3
,
2
2
,
2
2
,
1
,
2
,
2
,
2
0
,
2
0 2
2
,
2

,
_

,
_

,
_

x V
x V
x V
e e
e e
dt
d
t
t t
t
t t

La esperanza es:
2
1
) (
,
1
x E
La varianzaza es:
4
3
) (
,
2
x V
884.- Si la media, varianza y funcin generatriz de momentos de una v. a. X estn dadas,
respectivamente, por ) ( , ,
1
2
t , para
), , ( t
y si Y es otra v. a. cuya funcin generatriz de
momentos est dada por
) 1 (
2
1
) (

c
e t , < < t , donde c es una constante positiva, exprese la
media y la varianza de Y en trminos de la media y la varianza de X.
140
Datos del problema Desarrollo
2 , ,
,
) (
) (
1
1

t
t
) 1 (
2
1
) (

c
e t
Forma general para obtener los
momentos normales de X:
0
,
) (

t x r
r
r
t M
dt
d

( )
c t
t
c
e
dt
d
t M
e t
t
c
t x
c

) (
) (
) (
) (
,
1
,
1
,
1
,
1
0
) 1 (
1
1
,
1
0
,
1
) 1 (
2
( )
) ( ) (
) ( ) (
) (
) (
2 2 2 .,
1
2 2 2 .,
1
2 ,
2
0
) 1 (
2
2
,
2
0
,
2
) 1 (
2

c t
c c t
c
e
dt
d
t M
e t
t
c
t x
c
La esperanza es: c t ) (
,
1
La varianzaza es: ) ( ) (
2 2 2 .,
1
c t
887.- Si la v. a. c. X tiene f. d. p. dada por :

'

<
<

0 0
0
) (
2
x
x e cx
x f
bx
donde b es un parmetro positivo:
a) Encuentre el valor de la constante c
b) Calcule P(0<X<1/b)
Datos del problema Desarrollo

'

<
<

0 0
0
) (
2
x
x e cx
x f
bx
De la definicin de una f. d. p.
1 ) ( )
0
2

dx e cx x f a
bx
La evolucin obtenida de la integral es:
141
) / 1 0 (
) ( ) (
1 ) (
b X P
dt t f x F
dx x f
x

[ ]
2
1
) 2 (
0
1
) 2 2 (
3
3
0
0
3
2 2
b
c
b
e c
b
e bx x b c
bx

+ +

080301 . 0 ) / 1 0 (
0 0
0
2
) 2 2 2 (
) (
2
) ( )
2 2
0
2
3

'

<
<

b X P
x
x
e bx x b e
x F
dx e x
b
x F b
bx bx
bx
La constante c es:
2
3
b
c
La probabilidad es:
080301 . 0 ) / 1 0 ( b X P
Eje. Supngase que un fabricante produce cierto tipo de aceite lubricante que pierde alguno de
sus atributos especiales si no se usa dentro de cierto periodo de tiempo. Sea X el nmero de unidades
de aceite pedidas al fabricante durante cada ao. (Una unidad es igual a 1000 galones) Supongamos
que X es una variable aleatoria continua, distribuida uniformemente en [2, 4]. Por lo tanto la fdp tiene
la forma,

'

valor otro cualquier

x
x f
0
4 2
2
1
) (
Supongamos que por cada una de las unidades vendidas se obtiene una utilidad de $300, mientras que
cada una de las unidades no vendidas (durante un ao determinado) produce una prdida de $100, ya
que una unidad no utilizada tendr que ser descartada. Suponiendo que el fabricante debe decidir pocos
meses antes del comienzo de cada ao cunto producir, y que decide fabricar Y unidades (Y no es una
variable aleatoria, est especificada por el fabricante) Sea Z la utilidad por ao. Aqu Z es
evidentemente una variable aleatoria puesto que es una funcin de la variable aleatoria X.
Especficamente, Z = H(X) en donde

'

< +

. ), )( 100 ( 300
, 300
) (
Y X si X Y X
Y X si Y
X H
A fin de obtener E(Z), tenemos de

4
2
) (
2
1
) ( ) ( ) (
dx x H
dx x f x H Z E
142
Para evaluar esta integral debemos considerar tres casos; Y < 2, 4 2 Y , y Y > 4. Con la ayuda de la
figura y despus de algunas simplificaciones obtenemos:
[ ]

'

+ +
< < +

4 100 1200 50 100 150

2
1
) 100 100 300 (
2
1
4 2 400 700 100
2 300 | 300
2
1
300
2
1
) (
4
2
4
2
2 2
2
4
2
4
2
Y si Y X YX X dX X Y X
Y si Y Y
Y si Y YX YdX
Z E
La pregunta siguiente es de inters, Cmo elegira el fabricante el valor de Y a fin de
maximizar la utilidad esperada? Podemos responder fcilmente esta pregunta al poner simplemente
dE(Z)/dY = 0. Esto produce Y = 3.5
143