Resumen Variables Aleatorias

UNIVERSIDAD TECNOLGICA METROPOLITANA
FACULTAD DE ADMINISTRACIN Y ECONOMA

DEPARTAMENTO DE ESTADSTICA Y ECONOMETRA

UNIDAD : Variables Aleatorias PROFESOR HUGO GONZLEZ A.
Pgina N 1

VARIABLES ALEATORIAS

A.- INTRODUCCIN

La naturaleza de un experimento aleatorio puede ser de cualquier ndole y de
acuerdo a esta tambin sus resultados, en la practica esto tiene como consecuencia que los
resultados de un experimento aleatorio no necesariamente son numricos, lo que en la
mayora de las veces dificulta el anlisis, ya sea por que se requiere del uso de notaciones
engorrosas y/o por la poca operatividad de elementos no numricos. Esta situacin se
simplifica cuando se encuentra el medio para relacionar cualquier resultado de un
experimento aleatorio con una medida cuantitativa expresada a travs de un numero real,
este medio es lo que se denomina variable aleatoria.

B.- EL CONCEPTO DE VARIABLE ALEATORIA:

Sea el espacio muestral asociado a un experimento aleatorio , una variable
aleatoria es una funcin definida de en que transforma los resultados de en puntos
sobre la recta real.

x ) ( X
: X
=
R

Grficamente:

Obs:

x
X () =x

El concepto formal de variable aleatoria, expresado como funcin puede resultar
contradictorio, por que adems es una variable. Sin embargo ste slo se utiliza para dejar
establecido que la asignacin hecha sobre cada punto muestral es nica.

Si en algunas situaciones particulares, se tiene que los resultados del experimento
aleatorio son numricos, entonces la variable aleatoria trivial esta dada por la funcin
identidad.
X() =

Para un mismo experimento aleatorio se pueden definir distintas variables aleatorias,
dependiendo esto slo de las situaciones que se quieran modelar.

NOTA: En adelante para referirnos a una variable aleatoria usaremos la abreviatura v.a.


Pgina N 2

DEFINICIN:
Si X es una v.a. definida de en , su recorrido es el subconjunto de todos los
nmeros reales que son imagen de algn punto muestral, el que denotaremos por
x
y que
formalmente podemos escribir como:

x
={x /x =X() ; }
Ejemplo 1

Para cada uno de los experimentos aleatorios dados a continuacin y sus
correspondientes espacios muestrales, pueden considerar entre otras las siguientes variables
aleatorias:

1. : Lanzar una moneda al aire.
1
Su correspondiente espacio muestral es = { c , s }

Una v.a. en este caso puede ser:

cara aparece moneda la en si 0
sello aparece moneda la en si 1
x =
{ } ) s , s , s ( , ) c , s , s ( , ) s , c , s ( , ) , s , s , c ( , ) c , c , s ( , ) c , s , c ( , ) s , c , c ( , ) c , c , c ( =
y su recorrido dado implcitamente en la definicin de x es
x
{ } 1 , 0 =

2. : Tres lanzamientos de una moneda.
2
Su correspondiente espacio muestral es :

a) si definimos la v.a. x como:
X = N de caras obtenidas
entonces su recorrido es
x
{ } 3 , 2 , 1 , 0 =

b) otra v.a. para este espacio puede ser:

o dist es resultado un menos al si
iguales son resultados los todos
x
int
=
0
1

3. : Realizar una inversin en la bolsa de valores.
3
Su correspondiente espacio muestral es:

{ } mantener , perder , ganar =
Una variable aleatoria para esta situacin podemos definirla como:

gana si 1
mantiene si 0
pierde si 1
x

=
donde
x
{ } 1 , 0 , 1 =

IMPORTANTE:
Debemos tener presente que una v.a. puede tener un carcter numrico
propiamente tal ( la idea intuitiva de valor asociada a un guarismo) o simplemente un
carcter de indicador (pseudo numrico), es decir, la utilizacin de un nmero para
identificar las distintas categoras de una variable, as en el ejemplo anterior, podemos
observar que en los casos 1), 2-a) y 3) la v.a definida tiene el carcter de indicador,
mientras que en el caso 2-b) la variables es numrica propiamente tal.

Pgina N 3
Obs.:
el recorrido de una variable aleatoria lo podemos considerar como un espacio
muestral. Este nuevo espacio carece de una ley de probabilidad propia, puesto que sus
elementos no siempre son resultados directos del experimento aleatorio, sin embargo, la
misma v.a. que lo genera, induce en l una ley de probabilidades a partir de la ley de
probabilidades en , donde si posee una ley de probabilidades propia, la que es
consecuencia del experimento mismo.

Al considerar a
x
como un espacio muestral, entonces cualquier subconjunto de l,
puede considerarse como un suceso.
Para construir la ley de probabilidades en
x
a partir de la ley de probabilidad en ,
necesitamos de un concepto adicional, el que analizaremos a continuacin:

C.- SUCESOS EQUIVALENTES:

Sean A y B
x
dos sucesos; A y B son sucesos equivalentes, si y solo si:

A ={ / () }
Ejemplo 2:
a) de acuerdo al ejemplo 1 a)
Si B ={X =1}
x
, el suceso equivalente en es A ={s}

b) De acuerdo al ejemplo 1 b)
Si para la v.a. X =N de caras , consideramos el suceso:
B ={X =1}
x
, el suceso equivalente en es A ={(c,s,s) , (s,c,s) , (s,s,c)}

Proposicin:
Si A y B
x
son sucesos equivalentes, entonces P(B) =P(A)
Ejemplo 3:
Para el experimento
2
: 3 lanzamientos de una moneda.
Supongamos que la moneda esta sesgada de manera que aparece cara tres veces ms
seguido que sello, los resultados posibles del experimento y sus correspondientes
probabilidades los podemos representar a travs del siguiente rbol.

3/4
c
s
1/4
1/4
s
c
3/4
1/4
s
c
3/4
1/4
c
s
1/4

3/4
c
s
1/4

3/4
c
s
1/4

3/4
c
s
3/4
(s, s, s) x=0 P(s, s, s) =1/64
(s, s, c) x=1 P(s, s, c) =3/64
(s, c, s) x=1 P(s, c, s) =3/64
(s, c, c) x=2 P(s, c, c) =9/64
(c, s, s) x=1 P(c, s, s) =3/64
(c, s, c) x=2 P(c, s, c) =9/64
(c, c, s) x=2 P(c, c, s) =9/64
(c, c, c) x=3 P(c, c, c) =27/64


Pgina N 4

Si la variable aleatoria es la definida en los casos anteriores, es decir:

X =N de caras obtenidas

Entonces:

a) La probabilidad de obtener a lo menos una cara es:

P(X1) =P(X=1 X=2 X=3)

=P(X=1) +P(X=2) +P(X=3)

=P{(c,s,s) , (s,c,s) , (s,s,c)} +P{(c,c,s) , (c,s,c) , (s,c,c)} +P{(c,c,c)}
=
64
27
64
27
64
9
+ +
=
64
63

b) La probabilidad de obtener resultados iguales es:

P(X=0 X=3) =P{(s,s,s)} +P{(c,c,c)}
=
64
27
64
1
+
=
64
28

Obs:
Los conceptos dados hasta el momento, constituyen la base formal para el
desarrollo de los conceptos probabilsticas. Sin embargo, vale la pena destacar que
existen muchos experimentos aleatorios cuyos resultados se pueden considerar
directamente como variables aleatorias, por ejemplo:
a) N de artculos defectuosos en una lnea de produccin.
b) Tiempo de vida til de un artculo.
c) Consumo de energa elctrica por familia.
d) N de defectos por pieza de tela.
e) Contenido de cloro en el agua.
Por lo que establecer posiciones probabilsticas respecto de ellas, resulta evidente.

D.- Clasificacin de Variables Caractersticas:

Las variables aleatorias se clasifican de acuerdo al tamao de su recorrido. Bajo este
criterio una v.a. puede ser discreta o continua.

Definicin:
Una v.a. definida de en es una variable aleatoria discreta, si y slo si, su recorrido es
un conjunto finito o a lo ms infinito numerable.

Ejemplo 4:
X =N de artculos defectuosos en una lnea de produccin.
X =N de defectos en una pieza de tela.
Y =N de ventas realizadas en un da.
Z =N de accidentes de trnsito ocurridos diariamente en la carretera 5 Sur.

Obs:
De acuerdo a los ejemplos, podemos observar que las variables aleatorias discretas
estn asociadas al proceso de conteo.
Lo que caracteriza una v.a. discreta es el que entre valores consecutivos, no existen
valores intermedios.

Pgina N 5
Un conjunto infinito se dice numerable, si y slo si, es posible establecer una
correspondencia uno a uno entre los elementos de dicho conjunto y los nmeros
naturales.

Definicin:
Sea X una v.a. discreta, se define la funcin de cuanta (f dp) de X como:

f :
x

x f(x) =P(X =x)
La que satisface:
i) f(x) 0 x R
ii) 1 ) x ( f
1 i
i
=
=
Ejemplo 5:

a) Para la v.a. X =N de caras obtenidas en 3 lanzamientos de una moneda sesgada
en el que aparece cara tres veces mas seguido que sello, su f dp est dado por:

f(x) =
=
=
=
caso otro en 0
3 , 2 x si
64
27
1 x si
64
9
0 x si
64
1

b) Si consideramos una moneda normal, entonces para la misma v.a., su f dp es de la
forma:

f(x) =
=
=
caso otro en 0
2 , 1 x si
8
3
3 , 0 x si
8
1

Definicin:
Una v.a. definida de en , es una v.a. continua, s y slo s, su recorrido es un conjunto
infinito no numerable.
x
f(x)
27/64
1/64
9/64
0 1 2 3
x
f(x)
3/8
1/8
0 1 2 3

Ejemplo 6:
X =Tiempo de vida til de un artculo.
X =Velocidad mxima desarrollada por un mvil.
X =Ingresos brutos por trabajador.
X =Desviacin entre el contenido real y lo estipulado en la etiqueta de un
envase

Pgina N 6
Obs:
De acuerdo a los ejemplos podemos establecer que las v.a. continuas estn asociadas al
proceso de medicin.
La continuidad nos permite deducir que entre dos valores distintos de la variable, es
posible obtener a lo menos uno ms (densidad de los nmeros reales).

Definicin:

Sea X una v.a. continua, se define la funcin de densidad (f dp) de X, como:

f :
x

x f(x) , tal que:
( )

=
b
a
dx ) x ( f b X a P
1 dx ) x ( f =

La que satisface:

i) f(x) 0 x R
ii)

Obs:
De acuerdo a la definicin de fdp en el caso continuo, se establece que una
proposicin probabilstica para una variable continua no se expresa en trminos de
valores puntuales de sta, sino sobre intervalos. Lo anterior se puede justificar de
alguna forma, considerando la naturaleza misma de las v.a. continuas, stas
provienen bsicamente del proceso de medicin y las mediciones nunca son exactas,
puesto que en ella influye tanto la calibracin del instrumento como la agudeza
misma del ojo humano, por lo que generalmente, lo que obtenemos son cotas o
aproximaciones para dichas mediciones.
Ntese adems que para ser una fdp debe satisfacer las mismas condiciones que la
funcin de cuanta en el caso discreto, pero en el contexto que le corresponde.

Ejemplo 7:

Supongamos que el tiempo de vida til (en hrs.) de una pila alcalina se considera como una
variable aleatoria continua, cuya funcin de densidad est dada por:

=

caso otro en 0
0 x si e k
) x ( f
x 04 , 0

a) Determine el valor de k de manera que f(x) quede bien definida.
b) Cul es la proporcin de pilas cuya vida til:
i) Se encuentra entre 20 y 28 horas?.
ii) Es superior a 30 horas?.
iii) Es inferior a 32 horas, si sta supera las 21 horas?.

Solucin:

a) Para que f(x) est bien definida, sta debe satisfacer las condiciones de no
negatividad y el que el rea bajo la curva debe ser 1.
En cuanto a la primera condicin, sta resulta obvia si k > 0

Pgina N 7

Para la segunda condicin debemos evaluar la integral, de esta manera se obtiene:

04 , 0 k
1
04 , 0
e k
1 dx e k
1 dx ) x ( f dx ) x ( f dx ) x ( f
0
x 04 , 0
0
x 04 , 0
0
0
=
=
=

= + =

Por lo tanto, la funcin de probabilidades y su respectiva representacin grfica es:

=

caso otro en 0
0 x si e 04 , 0
) x ( f
x 04 , 0

i) P(20 < X < 28)

La proporcin de pilas cuya vida til se encuentra entre 20 y 28 horas es del 12,3%.

ii) P(X > 30) =1 P(X < 30)
123 , 0
) e ( e
| e
dx e 04 ,
20 * 04 , 0 28 * 04 , 0
28
20
x 04 , 0
28
20
x 04 , 0
=
=
=

( )
3012 , 0
| 1 1
04 , 0 1
2 , 1
30
0
04 , 0
30
0
04 , 0
= =
=
e
e
dx e
x
x

Un 30,12% de las pilas tiene una vida til superior a 30 horas.

iii) p(X < 32 / X > 21)

El 35,6% de las pilas cuya vida til es superior a las 21 horas, tiene una vida til que no
supera a las 32 horas.

Definicin:

Sea X una v.a. con f dp f(x), se define la funcin de distribucin (f da) de X como:

F(x) =P(X x)

La que est dada por:
0
=
=
356 , 0
4317 , 0
1537 , 0
|
) (
) (
84 , 0
28 , 1 84 , 0
21
04 , 0
| 04 , 0
21
32
21
32
21
= =
e
e e
e
e
dx x f
dx x f
x
x
x
f(x)
0,04
=

Pgina N 8

=
=

=
x
k
1 i
i k
. continua . a . v una es x si dt ) t ( f ) x ( F
. discreta . a . v una es x si ) x ( f ) x ( F

Obs:

De acuerdo a su definicin, podemos establecer que la funcin de distribucin es la
funcin que acumula probabilidades. Y sus caractersticas son las siguientes:

1.- F(x) es una funcin montona creciente, es decir; si x
i
< x
j
entonces F(x
i
) F(x
j
).

2.-

0 ) ( lim 1 ) ( lim = =

x F x F
x x
Esta caracterstica expresada verbalmente establece A mayor valor de la variable, mayor es
la probabilidad que se acumula (se aproxima a 1) y anlogamente A menor valor de la
variable, menor es la probabilidad que se acumula (se aproxima a 0).

3.- Si X es una v.a. continua, se tiene que:

i) F`(x) =f(x)
ii) P(a x b) =F(b) F(a)

4.- Si X es una v.a. discreta, se tiene que:

f(a) = ) x ( F lim ) x ( F
a x a +
lim
x

Ejemplo 8:

Para las v.a. de los ejemplos 5 y 7, construir las funciones de distribucin y representarlas
grficamente:

a) Para el ejemplo 5: la v.a. definida es X = N de caras obtenidas en tres
lanzamientos de una moneda sesgada en la que aparece cara tres veces mas seguido
que sello , luego su funcin de distribucin es:

<
<
<
<
=
3 x si 1
3 x 2 si
64
37
2 x 1 si
64
10
1 x 0 si
64
1
0 x si 0
) x ( F
0 1 2 3 x
1/64
10/64
1
27/64
F(x)


Pgina N 9
b) Para el ejemplo 7: La v.a. definida es X =Tiempo (en horas) de vida til de una
pila alcalina, su funcin de distribucin es:

<
=
= =

0 x si e 1
0 x si 0
) x ( F
e 1 | e dt e 04 , 0 ) x ( F
x 04 , 0
x 04 , 0
x
0
t 04 , 0
x
0
t 04 , 0

1
F(x)

Obs:
Debe tenerse presente que el conocer la funcin de distribucin de una v.a. continua,
facilita la solucin de situaciones problemticas relativas a su comportamiento, puesto
que en sta la integral ya est resuelta, luego en una proposicin probabilstica basta
con evaluarla (Caracterstica 3 de F(x) y corresponde a lo establecido en el Teorema
Fundamental del Clculo Integral).
De acuerdo a esto y considerando la parte b) i) del ejemplo 7 tenemos que:

P(20 < x < 28) = F(28) - F(20)
= [1 e
-0,04 * 28
] - [1 e
-0,04 * 20
]
= e
-0,8
e
-1,12

Definicin:
Sea X una v.a. con f dp f(x), se define la esperanza o valor esperado de X como:

.) c . a . v una es x si ( dx ) x ( f x ) X ( E
.) d . a . v una es x si ( ) x ( f x ) X ( E
1 i
i i
=
=
=

Obs:
El valor esperado de una variable aleatoria no es otra cosa ms que el valor medio de
sta. Este tiene la connotacin de media poblacional, puesto que su determinacin
implica conocer el comportamiento probabilstico de la v.a., o sea, conocer la
poblacin que se modela a travs de sta.

Notacin:
E(X) =

Ejemplo 9:

Obtener la media para las v.a. de los ejemplos 5 y 7:
a) Para el ejemplo 5: la v.a. X =N de caras obtenidas en tres lanzamientos de una
moneda en la que aparece cara 3 veces ms seguido que sello, su valor esperado es:


Pgina N 10

25
04 , 0
1
04 , 0 ) ( ) (
:
, " ) ( " . . : 7 )
25 , 2
64
27
* 3
64
27
* 2
64
9
* 1
64
1
* 0 ) ( ) (
0
04 , 0
1
= = = =
=
= + + + = =

=
dx e x dx x f x X E
es esperado valor su
alcalina pila una de til vida de horas en Tiempo X a v La ejemplo el Para b
x f x X E
x
i
i i

PROPIEDADES DEL VALOR ESPERADO:
P.1.- E(k) =k ; k =cte.
P.2.- E(k +x) =k +E(x) ; k =cte.
P.3.- E(k * x) =k * E(x) ; k =cte.
P.4.- E(x - ) =0
P.5.- E(x a)
2
es mnima si a =
Definicin:
Sea X una v.a. con f dp f(X), se define la varianza de X como:

V(X) =E[ (X - )
2
]

Obs:
La varianza de una variable aleatoria tiene carcter de varianza poblacional
(situacin anloga a la media).

Notacin:
V(X) =
2
Obs:
La obtencin de la varianza por medio de la definicin resulta bastante engorrosa, por
lo que al operacionalizar la definicin, se obtiene la siguiente expresin:

V(X) = E( X
2
) E( X )
2
Ejemplo 10:

Para las v.a. de los ejemplos 5 y 7 determine la varianza.
a) Para X =N de caras en tres lanzamientos de una moneda sesgada en la que
aparece cara tres veces ms seguido que sello

E(X
2
) = 625 , 5
64
360
64
27
* 3
64
27
* 2
64
9
* 1
64
1
* 0 ) x ( f x
n
1 i
2 2 2 2
i
2
i
= = + + + =
=

Luego

V(X) =E(X
2
) E(X)
2
=5,625 2,25
2
=0,5625

b) Para la v.a. X =Tiempo (en horas) de vida til de las pilas alcalinas, se tiene:

E(X
2
) =
= =
0
2
x 04 , 0 2 2
1250
04 , 0
2
dx e x 04 , 0 dx ) x ( f x
Luego

V(X) =E(X
2
) E(X)
2
=1250 25
2
=625


Pgina N 11

PROPIEDADES DE LA VARIANZA

P.1.- V(X) 0
P.2.- V(k) =0 k =cte.
P.3.- V(k +X) =V(X) k =cte.
P.4.- V(k * X) =k
2
V(X) k =cte.
P.5.- V(X Y) =V(X) +V(Y) 2 Cov (X,Y)
Pero, si X e Y son v.a. independientes, entonces Cov (X, Y) =0

Obs:

La varianza presenta un problema prctico que dificulta su interpretacin, la causa de
esta dificultad radica en el hecho de que la varianza cambia la dimensin de la variable,
haciendo que sta carezca de sentido, en el ejemplo 10 a) la varianza 0,5625 posee la
dimensin (caras)
2
y en el ejemplo 10 b) la varianza 625 posee la dimensin (horas)
2
;
obviamente ninguna de estas dimensiones tiene sentido prctico.
Lo anterior se soluciona definiendo otra medida de variabilidad a partir de la varianza,
sta es la desviacin estndar.

Definicin:
Sea X una v.a. con f dp f(X) y varianza
2
, se define la desviacin estndar como la raz
positiva de la varianza, es decir:

) X ( V =+

Obs:
Esta medida resuelve el problema prctico asociado al varianza.
Esta medida se interpreta como la media de las desviaciones respecto de la media.
Esta medida como su nombre lo indica se utiliza para determinar niveles de
variabilidad (homogeneidad, heterogeneidad segn corresponda).
A menor desviacin estndar, mayor grado de homogeneidad.

Ejemplo 11:

De acuerdo a los resultados del ejemplo 10 tenemos:
a) =0,75 (caras)
b) =25 (horas)

Definicin:

Sea X una v.a. con media y varianza
2
, se define el coeficiente de variacin como la
razn entre la desviacin estndar y la media, es decir:

CV(X) =

Obs:
El coeficiente de variacin relaciona la desviacin estndar con la media,
proporcionando el porcentaje medio de variabilidad.
Ntese que el coeficiente de variacin se utiliza como una medida para establecer la
representatividad de la media. Para esto se considera el coeficiente de una distribucin
normal, el que alcanza al 24% aproximadamente.


Pgina N 12

Ejemplo 12:

Usando las variables de los ejemplos anteriores tenemos:
a) CV =
25 , 2
75 , 0

b) CV =
25
25

DESIGUALDAD DE CHEBYSHEV

Esta desigualdad nos permite relacionar la media y la desviacin estndar a travs de la
proposicin probabilstica siguiente:

P( X c ) 1 -
2
2
) c X ( E

Si en esta proposicin hacemos c = y =k, entonces la expresin queda:
P( X - k ) 1 -
2
k
1

Obs:
Esta proposicin slo tiene sentido para k > 1.
La proposicin anterior establece que la proporcin de observaciones que se alejan de
la media en a lo ms k desviaciones estndar es a lo menos (1 k
-2
)
Una forma equivalente de expresar esta proposicin es:

P( X - k ) k
-2

E.- FUNCIN GENERATRIZ DE MOMENTOS:

Definicin:
Sea X una v.a. con fdp dada por f(x), se define el momento de orden r respecto del origen
como:

r
=E(X
r
)

y el momento de orden r respecto de la media como:

(r) =E( (X - )
r
)
Obs:
De acuerdo a la definicin, podemos establecer que los momentos son medias de
potencias de la variable (en el caso de momentos respecto del origen) o medias de
potencias de desviaciones respecto de la media (momentos respecto de la media).
Ntese que la media () corresponde al momento de orden 1 respecto del origen y que
la varianza es el momento de orden 2 respecto de la media.

PROPIEDADES DE LOS MOMENTOS:

0
=1 (0) =1
1
= (1) =0
2
=E(X
2
) (2) =
2
-
2
=
2


Pgina N 13

Proposicin:

Todo momento de orden r respecto de la media puede ser expresado en base a los
momentos respecto del origen.
En efecto

[ ] ( )
( )
( )
k r
k
r
0 k
r
k
r
0 k
k r k r
k
k r k
r
0 k
r
k
r
* *
* ) x ( E *
* x * E ) X ( E
=
=

=
=
=
=
Donde
k
es el momento de orden K respecto del origen y
r-k
corresponde a la potencia de
orden (r k) del momento de orden 1 respecto del origen (media).

Definicin:

Sea X una v.a. con fdp dada por f(X), se define la funcin generatriz de momentos (fgm) de
X, como:

M
x
(t) =E(e
tx
)

As esta expresin queda:
=
=
=
.) c . a . v una es x si ( dx ) x ( f e ) t ( M
.) d . a . v una es x si ( ) x ( f * e ) t ( M
tx
x
1 i
i
i
tx
x

Obs:
La fgm es una funcin que depende del parmetro real t.
Considerando que la definicin de fgm est dada como una serie infinita o una integral
impropia segn sea el caso, esta podra no existir (converger) para todos los valores de
t, por lo tanto, nos preocupamos slo de aquellos valores del parmetro t, para los
cuales esta funcin existe.
Ntese que la fmg siempre existe para t = 0.

Por qu M
x
(t) se denomina fgm ?
De acuerdo a lo establecido en el anlisis matemtico
la funcin e
x
, puede desarrollarse como una serie de Maclaurin quedando:
........
! n
x
.........
! 3
x
! 2
x
x 1 e
n 3 2
x
+ + + + + + =
serie que converge x. Luego para la funcin e
tx
se tiene:

........
! n
) tx (
.........
! 3
) tx (
! 2
) tx (
x t 1 e
n 3 2
tx
+ + + + + + =
Lo que permite escribir la fgm como:

M
x
(t) =E

+ + + + + + = .......
! n
) tx (
.........
! 3
) tx (
! 2
) tx (
tx 1 E ) e (
n 3 2
tx

Usando la propiedad aditiva del valor esperado tenemos que:

Pgina N 14
..........
! n
) X ( E t
... ..........
! 2
) X ( E t
) X ( tE 1 ) t ( M
n n 2 2
x
+ + + + + =

es decir:

M
x
(t) =
0
+t
1
+t
2
2
/2! +..+t
n

n
/n! +...........

Lo anterior permite establecer la siguiente proposicin:
La n-sima derivada de la fgm
evaluada en t =0, es el momento de orden n respecto del origen, es decir:
M
x
(n)
(0) =E(X
n
) =
n

Algunas propiedades de la fgm:

Prop. 1.- Si Y =a +bx , entonces M
y
(t) =e
bt
* M
x
(t)
Prop. 2.- Si X e Y son dos variables aleatorias, tal que M
x
(t) =M
y
(t), entonces X e Y son
variables aleatorias idnticamente distribuidas.
Prop. 3.- Si X e Y son dos variables aleatorias independientes, entonces:
M
(X +Y)
(t) =M
X
(t) * M
Y
(t)

APLICACIONES

1.- Para medir la efectividad de un Nuevo fertilizante un laboratorio ha diseado un
experimento, el cual consiste en depositar tal producto en un metro cuadrado de terreno. Si
el nuevo producto no entrega los resultados deseados, el experimento se repetir hasta
observar un resultado satisfactorio para el laboratorio. Si esto no ocurre en 5 ensayos, el
experimento se detiene y se prepara otro fertilizante. Suponga que se tiene una probabilidad
de 0,9 de que el nuevo fertilizante de los resultados esperados y que los ensayos sucesivos
son independientes.

a) Defina la variable aleatoria adecuada e indique su recorrido.
b) Construya la funcin de cuanta para esta variable y represntela grficamente.
c) Construya la funcin de distribucin (acumulativa) y represntela grficamente.
d) Determine el numero esperado de intentos fallidos.
e) Cul es el porcentaje medio de variabilidad para el numero de intentos fallidos?
f) Usando la funcin generatriz de momentos, obtenga la media y la desviacin
estndar de la distribucin.
g) Suponga que el costo del primer ensayo es de U$300 mientras que los posteriores
cuestan U$100. cada vez que se observe un resultado exitoso, se obtiene una
ganancia de U$600. en base a esta informacin obtenga la utilidad neta esperada y
su desviacin estndar.

Solucin:

a) Definicin de la variable aleatoria
X = Nmero de veces que se fracasa en la realizacin del experimento .
Cuyo recorrido es R
x
={0, 1, 2, 3, 4, 5}

b) Construccin de la funcin de cuanta:

f(0) =P(X =0) =0,9 [ se logr el xito en el primer intento].
f(1) =P(X =1) =0,1*0,9 =0,09 [ observar slo un fracaso, significa que en el segundo
intento se logr el xito].

Pgina N 15

f(2) =P(X =2) =0,1
2
* 0,9 =0,009
f(3) =P(X =3) =0,1
3
* 0,9 =0,0009
f(4) =P(X =4) =0,1
4
* 0,9 =0,00009
f(5) =P(X =5) =0,1
5
=0,00001 [Esta es la situacin extrema, no se logr xito en
ninguna de las realizaciones].

Debemos considerar en este caso la importancia que tiene la condicin de independencia
entre los distintos ensayos. Por ejemplo si definimos los sucesos:

F
i
=En el i-simo ensayo se fracasa, entonces la probabilidad de tener 4 fracasos es:

P(X =4) =P(F
1

F
2

F
3

F
4

'
5
F
)
=P(F
1
) *

P(F
2
)

*

P(F
3
)

* P(F
4
) * P( ) =0,1
'
5
F
4
* 0,9 =0,00009
La funcin de probabilidades anterior puede escribirse formalmente como:

=
=
=
. caso otro en 0
5 x si 1 , 0
4 , 3 , 2 , 1 , 0 x si 9 , 0 * 1 , 0
) x ( f
5
x

La que grficamente est dada por:

0 1 2 3 4 5 x
0,9
0,09
0,009
0,0009
0,00009
0,00001
f(x)

c) Construccin de la funcin de distribucin:

= = x x con ) x ( f ) x X ( P ) x ( F
i i

Luego, evaluando para cada valor particular de x se tiene:

F(0) =P(X 0) =P(X =0) =0,9
F(1) =P(X 1) =P(X =0) +P(X =1) =0,99
F(2) =P(X 2) =F(1) +f(2) =0,999
F(3) =P(X 3) =F(2) +f(3) =0,9999
F(4) =P(X 4) =F(3) +f(4) =0,99999
F(5) =P(X 5) =F(4) +f(5) =1

Pgina N 16

Funcin que normalmente se escribe:

<
<
<
<
<
<
=
5 x si 1
5 x 4 si 99999 , 0
4 x 3 si 9999 , 0
3 x 2 si 999 , 0
2 x 1 si 99 , 0
1 x 0 si 9 , 0
0 x si 0
) x ( F
La que grficamente queda:

1
0,99999
0,9999
0,999
0,99
0,9
0 1 2 3 4 5 x

d) Determinacin del valor esperado

Por definicin:

=

=1 i
i i
) x ( f * x ) X ( E

la que en nuestro caso se reduce a:

11111 , 0
00001 , 0 * 5 00009 , 0 * 4 0009 , 0 * 3 009 , 0 * 2 09 , 0 * 1 9 , 0 * 0
) 5 ( f * 5 . .......... ) 2 ( f * 2 ) 1 ( f * 1 ) 0 ( f * 0 ) x ( f * x ) X ( E
5
0 x
=
+ + + + + =
+ + + + = =
=

El resultado anterior nos indica que si se realiza este tipo de experimento un gran numero
de veces, entonces la media de ensayos fracasados es de 0,11111.

e) Para la obtencin del coeficiente de variacin que es la medida de dispersin
relativa, necesitamos previamente obtener la desviacin estndar y para sta se
necesita la varianza. As

V(X) =E(X
2
) - [ E(X)]
2

Donde E(X
2
) =x
2
* f(x)
=0
2
* 0,9 +1
2
* 0,09 +2
2
* 0,009 +3
2
* 0,00009 +5
2
* 0,00001
=0,13579

Pgina N 17

Luego V(X) =0,13579 0,11111
2
=0,123445 =0,3513

CV(X) =
= 1622 , 3
11111 , 0
35134 , 0
=

De acuerdo a los resultados podemos establecer que la variable presenta un nivel
de variabilidad altamente significativo (316,22%).

f) Construccin de la fgm.

t 5 t 4 t 3 t 2 t
t 5 t 4 t 3 t 2 t t 0
tx
x
e 00001 , 0 e 00009 , 0 e 0009 , 0 e 009 , 0 e 09 , 0 9 , 0
) 5 ( f * e ) 4 ( f * e ) 3 ( f * e ) 2 ( f * e ) 1 ( f * e ) 0 ( f * e
) x ( f * e ) t ( M
+ + + + + =
+ + + + + =
=
t 5 t 4 t 3 t 2 t '
x
'
t 5 t 4 t 3 t 2 t '
x
e 00025 , 0 e 00144 , 0 e 0081 , 0 e 036 , 0 e 09 , 0 ) t ( M
e 00005 , 0 e 00036 , 0 e 0027 , 0 e 018 , 0 e 09 , 0 ) t ( M
+ + + + =
+ + + + =

Cuya primera y segunda derivada son:

Evaluando estas derivadas en t =0
= )=0,09 +0,018 +0,0027 +0,00036 +0,00005 =0,11111 0 ( M
'
x
2
= =0,09 +0,036 +0,0081 +0,00144 +0,00025 =0,13579 ) 0 ( M
'
x
'

V(X) =
2
=
2
-
2
=0,13579 0,11111
2
=0,12344

Ntese que la funcin generadora de momentos nos conduce a los mismos resultados que la
definicin de esperanzas y varianza.

g) Resulta evidente que la utilidad asociada al experimento depende fundamentalmente
de cuantas veces ste se realice, o sea del numero de fracasos, as entonces:

U(0) =600 300 =300
U(1) =600 300 100 =200
U(2) =600 300 200 =100
U(3) =600 300 300 =0
U(4) =600 300 400 =-100
U(5) =-300 400 =-700
Esta funcin puede escribirse formalmente como:

=
=
=
5 X si 700
4 , 3 , 2 , 1 , 0 X si X 100 300
) X ( U

luego:

[ U(X) ] =300 * 0,9 +200 * 0,09 +100 * 0,009 +0 * 0,0009
100 * 0,00009 700 * 0,00001 =288,884

Pgina N 18

E{U(X)
2
}=300
2
* 0,9 +200
2
* 0,09 +100
2
* 0,009 +0 * 0,0009 +100
2
* 0,00009 +

700
2
* 0,00001 =84695,8

De aqu:

V[U(X)] =E{U(X)
2
} - {E[U(X)] }
2
=84695,8 288,884
2
=1241,83454

U(X)
=35,2397

De lo anterior podemos establecer que la utilidad neta esperada del experimento es de
US$ 288,884 con una desviacin estndar de US$ 35,24. Es decir si se realiza un gran
nmero de veces este experimento tenemos que la utilidad neta media es de US$ 288,884 ;
mientras que las desviaciones respecto de este valor tiene una media de US$ 35,24.

2.- Se sabe que el tiempo en minutos que requieren los operarios para elaborar una
determinada pieza se distribuye de acuerdo a la siguiente funcin:

<
<
=
. caso otro en 0
100 x 90 si ) x 1 , 0 10 ( k
90 x 80 si k
80 x 70 si ) 7 x 1 , 0 ( k
) x ( f

a) Determine el valor de la constante k de manera tal que la funcin que de bien
definida. Represntela grficamente.
b) Construya la funcin de distribucin (acumulativa) para la variable en estudio y
construya la ojiva.
c) Determine (usando la definicin) la proporcin de operarios que para elaborar dicha
pieza requieren:
i) Ms de 85 minutos.
ii) Menos de 78 minutos.
iii) Entre 76 y 94 minutos.
iv) Un tiempo que desve de la media en ms de 1,4 desviaciones estndar.
v) Menos de 92 minutos si este demora a lo menos 78 minutos.
d) Compruebe los resultados obtenidos en tem c) utilizando la funcin de distribucin.
e) La gerencia de la empresa ha establecido para efectos de incentivar a sus trabajadores
la siguiente tabla de remuneraciones por pieza producida en funcin de tiempo
requerido:

350 um si el tiempo es inferior a 80 minutos.
200 um si el tiempo va de 80 a 90 minutos.
150 um si el tiempo es superior a 90 minutos.

Cul es el pago medio a los operarios por pieza producida?

f) De acuerdo a lo anterior y suponiendo que loa etapa de produccin de la empresa es
de 10 horas diarias y que en la elaboracin de esta pieza trabajan 120 operarios
Cul es la cantidad de dinero que debe presupuestar la gerencia para cancelar los
salarios mensuales de stos?

Solucin:


Pgina N 19
a) Para que una funcin est bien definida, es decir, para que sta sea una funcin de
densidad debe satisfacer dos condiciones, stas son:

f(x) 0 x

1 dx ) x ( f

Para la primera condicin podemos establecer por simple inspeccin que esta funcin es no
negativa para k >0. Por otro lado la consideracin de la segunda condicin nos permitir
evaluar la constante involucrada en la funcin. As entonces:

= +
+

+
=

100
100
90
90
80
80
70
70
1 dx ) x ( f dx ) x ( f dx ) x ( f dx ) x ( f dx ) x ( f dx ) x ( f

Donde la primera y la ltima de las integrales son nulas, puesto que la funcin as lo
establece, luego:

( ) ( ) { } { } ( ) ( ) { } [ ]
1 k 20
1 90 * 05 , 0 90 * 10 100 * 05 , 0 100 * 10 80 90 70 * 7 70 * 05 , 0 80 * 7 80 * 05 , 0 k
1 |
2
x 1 , 0
x 10 | x | x 7
2
x 1 , 0
k
1 dx ) x 1 , 0 10 ( k dx k dx ) 7 x 1 , 0 ( k dx ) x ( f
2 2 2 2
100
90
2
90
80
80
70
2
100
90
90
80
80
70
=
= + +
=
+ +
=
=
+

+

<
<
=
. caso otro en 0
100 x 90 si ) x 1 , 0 10 ( 05 , 0
90 x 80 si 05 , 0
80 x 70 si ) 7 x 1 , 0 ( 05 , 0
) x ( f

k = 0,05

Luego la funcin queda formalmente como:

y su representacin grfica es:

x
0,05
f(x)
70 80 90 100


Pgina N 20

b) La funcin de distribucin es la funcin que acumula probabilidades, sta esta dada
por:

= =

x
dt ) t ( f ) x X ( P ) x ( F

Para construir esta funcin debemos considerar a la variable en cada uno de los rangos
establecidos en el dominio de f(x).

i) Si 70 x <80, entonces:
25 , 12 x 35 , 0 ) x 05 , 0 ( | ) t 7 t 05 , 0 ( 05 , 0 dt ) 7 t 1 , 0 ( 05 , 0
dt ) t ( f dt ) t ( f dt ) t ( f ) x ( F
2
x
70
2
x
70
x
70
70 x
+ = =
=

75 , 3 X 05 , 0
80 * 05 , 0 x 05 , 0 5 | t 05 , 0 | ) t 7 t 05 , 0 ( 05 , 0 dt 05 , 0 dt ) 7 t 1 , 0 ( 05 , 0
dt ) t ( f dt ) t ( f dt ) t ( f ) x ( F
x
80
80
70
2
x
80
80
70
x
80
80
70
70
=
+ = + =
=

ii) Si 80 x <90, entonces:

iii) Si 90 x <100, entonces:
75 , 9 ) x 05 , 0 ( x 5 , 0
75 , 24 ) x 05 , 0 ( x 5 , 0 15 | ) t 05 , 0 t 10 ( 05 , 0 5 , 0 25 , 0
dt ) t 1 , 0 10 ( 05 , 0 dt ) t ( f dt ) t ( f
dt ) t ( f dt ) t ( f dt ) t ( f ) x ( F
2
2
x
90
2
x
90
90
80
80
70
x
90
90
80
80
70
=
+ = + + =
=

Funcin que formalmente se escribe:


Pgina N 21

<
< +
<
=
100 x si 75 , 9
400
x
x 5 , 0
90 x 80 si 75 , 3 x 05 , 0
80 x 70 si 25 , 12 x 35 , 0
400
x
70 x si 0
) x ( F
2
2
16 , 0 | ) x 7 x 05 , 0 ( 05 , 0 dx ) 7 x 1 , 0 ( 05 , 0
78
70
2
78
70
= =

5 , 0 25 , 0 25 , 0
dx ) x 1 , 0 10 ( 05 , 0 dx 05 , 0
dx ) x ( f dx ) x ( f dx ) x ( f
100
90
90
85
100
90
90
85 85
= + =
+ =

y su representacin grfica (ojiva) es:

70 80 90 100 x
0,25
0,75
1
F(x)

c) Clculo de probabilidades:

i) P(X >85) =

El 50% de los trabajadores requiere ms de 85 minutos para la elaboracin de la pieza.
ii) P(X >78) =

El 16% de los operarios requiere menos de 78 minutos en la manufactura de la pieza.

iii) P(76 <X <94) =
82 , 0 16 , 0 5 , 0 16 , 0
dx ) x 1 , 0 10 ( 05 , 0 dx 05 , 0 dx ) 7 x 1 , 0 ( 05 , 0
dx ) x ( f dx ) x ( f dx ) x ( f
dx ) x ( f
94
90
90
80
80
76
94
90
90
80
80
76
94
76
= + + =

El 82% de los trabajadores requiere entre 76 y 94 minutos para la fabricacin de una
pieza.

iv) Para modelar esta proposicin se requiere disponer de la media y desviacin estndar,

Pgina N 22

= =

dx ) x ( f x ) X ( E

85
3
x 005 , 0
2
x 5 , 0
2
x 05 , 0
2
x 35 , 0
3
x 005 , 0
dx ) x 1 , 0 10 ( x 05 , 0 dx x 05 , 0 dx ) 7 x 1 , 0 ( x 05 , 0
dx ) x ( f x dx ) x ( f x dx ) x ( f x dx ) x ( f x dx ) x ( f x
100
90
3 2
90
80
2
80
70
2 3
100
90
90
80
80
70
100
100
90
90
80
80
70
70
=

=

=85

El tiempo medio por trabajador para la elaboracin de la pieza es de 85 minutos.

Otro elemento que se necesita para evaluar la proposicin es la desviacin estndar, para la
cual obtendremos previamente la varianza de la variable en estudio, dada por:

V(X) =E(X
2
) - [E(X)]
2

Con

dx ) x ( f x ) X ( E
2 2

67 , 7266 ) X ( E
417 , 45955
4
x 005 , 0
3
x 5 , 0
3
x 05 , 0
3
x 35 , 0
4
x 005 , 0
dx ) x 1 , 0 10 ( x 05 , 0 dx x 05 , 0 dx ) 7 x 1 , 0 ( x 05 , 0
dx ) x ( f x dx ) x ( f x dx ) x ( f x dx ) x ( f x dx ) x ( f x ) X ( E
2
100
90
4 3
90
80
3
80
70
3 4
100
90
2
90
80
2
80
70
2
100
2
100
90
2
90
80
2
80
70
2
70
2 2
=
=

=

Luego:
V(X) =7266,67 85
2
=41,67
=6,455

Evaluando la proposicin original queda:

P(| X - | >1,4 ) =P( X - >1,4 X - <-1,4 )
=P( X - >1,4 ) + P( X - <-1,4 )

Pgina N 23
=P( X > +1,4 ) + P( X < - 1,4 )
=P( X >94,037) + P( X <75,963)

=

=0,0889 +0,0889
=0,1778

El 17,78% de los operarios requiere un tiempo para elaborar la pieza que se desva del
tiempo esperado en ms 1,4 desviaciones estndar.

Obs:
Debemos notar que la distribucin en estudio es simtrica, por lo que la probabilidad pedida es
el doble de la probabilidad pedida es el doble de la probabilidad asociada a una de las colas de
la distribucin, es decir:

P(|X - | > 1,4 ) = 2 * P(X - > 1,4 ) = 2 * P(X - < -1,4 )

v) Esta proposicin corresponde a una probabilidad condicional, la que se expresa como:

8095 , 0
84 , 0
68 , 0
dx ) 7 x 1 , 0 ( 05 , 0 1
dx ) x 1 , 0 10 ( 05 , 0 dx 05 , 0 dx ) 7 x 1 , 0 ( 05 , 0
) 78 x ( P 1
) 92 x 78 ( P
) 78 x ( P
) 92 x 78 ( P
) 78 x / 92 x ( P
78
70
92
90
90
80
80
78
= =

=
<
<
=
<
= <

El 80,95% de los operarios que requieren a lo menos 78 minutos para elaborar una pieza,
demoran menos de 92 minutos en el proceso.

d) Considerando que la funcin de distribucin contiene a la integral, el clculo de
probabilidades se puede hacer directamente a travs de ella, es decir, evaluando
directamente dicha funcin, evaluando directamente dicha funcin, as en las
proposiciones anteriores tenemos:

i) P(X >85) =1 P(X 85) =1 F(85) =1 (0,05 * 85 3,75 =0,5
ii) P(X <78) =F(78) = 16 , 0 25 , 12 78 * 35 , 0
400
78
2
= +

iii) P(76 <X <94) =F(94) F(76)
=(0,5 * 94 - 82 , 0 09 , 0 91 , 0 ) 25 , 12 76 * 35 , 0
400
76
( ) 24
400
94
2 2
= = +

+
963 ,
70
100
037 , 94
dx ) x 1 , 0 10 ( 05 , 0 dx ) 7 x 1 , 0 ( 05 , 0
75

Pgina N 24

iv) P( |X - | >1,4 ) =F(75,963) +(1 F(94,037))

1778 , 0 9111 , 0 1 0889 , 0
24
400
037 , 94
037 , 94 * 5 , 0 1 25 , 12 963 , 75 * 35 , 0
400
963 , 75
2 2
= + =

+ =
>

<
=
90 x si 150
90 x 80 si 200
80 x si 350
) x ( C

Como podemos observar de estas verificaciones, el uso de la funcin de distribucin facilita
significativamente la evaluacin de proposiciones probabilsticas.

e) Sea C(x) la funcin de remuneraciones, sta esta dada por:

Adems:

P(C =350) =P(x <80) =0,25
P(C =200) =P(80 x 90) =0,5
P(C =150) =P(X >90) =0,25

Luego:
E[C(X)] =350 * 0,25 +200 * 0,5 +150 * 0,25 = 225

El pago medio por unidad producida es de 225 um.

f) Para estimar el presupuesto de la empresa para efecto del pago de sueldos por
concepto de produccin de este tipo de piezas, se debe considerar el supuesto de
uniformidad en el tiempo requerido por pieza elaborada, bajo esta condicin
tenemos que:

G(y) =n * p * y * c

Donde: G es la funcin de costo
n =nmero de trabajadores
p =nmero de das en el periodo de produccin
y =nmero de unidades producidas por trabajador a diario.
c =costo por unidad producida

E[G(y)]=E[n * p * y * c] =n * p * y *E(c)

Con

Pgina N 25
06 , 7
85
600
unidad por esperado Tiempo
disponible total Tiempo
y = =

La suma de dinero esperada que debe presupuestar la empresa para efecto de pago de
salarios es de $4956120 mensuales.

EJERCICIOS PROPUESTOS

1.- Para medir la efectividad de un Nuevo fertilizante un laboratorio ha diseado un
experimento, el cual consiste en depositar tal producto en un metro cuadrado de terreno. Si
el nuevo producto no entrega los resultados deseados, el experimento se repetir hasta
observar un resultado satisfactorio para el laboratorio. Si esto no ocurre en 5 ensayos, el
experimento se detiene y se prepara otro fertilizante. Suponga que se tiene una probabilidad
de 0,9 de que el nuevo fertilizante de los resultados esperados y que los ensayos sucesivos
son independientes.

h) Defina la variable aleatoria adecuada e indique su recorrido.
i) Construya la funcin de cuanta para esta variable y represntela grficamente.
j) Construya la funcin de distribucin (acumulativa) y represntela grficamente.
k) Determine el numero esperado de intentos fallidos.
l) Cul es el porcentaje medio de variabilidad para el numero de intentos fallidos?
m) Usando la funcin generatriz de momentos, obtenga la media y la desviacin
estndar de la distribucin.
n) Suponga que el costo del primer ensayo es de U$300 mientras que los posteriores
cuestan U$100. cada vez que se observe un resultado exitoso, se obtiene una
ganancia de U$600. en base a esta informacin obtenga la utilidad neta esperada y
su desviacin estndar.
2.- La viada til de una maquinaria (en aos) se puede modelar mediante la siguiente
funcin de densidad:

=
. caso otro en 0
5 x 0
25
x 2
5
2
) x ( f

a) Qu probabilidad tiene una mquina de tener una vida til superior a los 2 aos?
b) Cul es la probabilidad de que la maquinaria dure menos de 4 aos y medio, si sta
ha durado ms de 6 meses?
c) Segn estudios de mercado se ha establecido que si la maquinaria tiene una vida til
inferior al ao su precio de venta ser de U$1200. Si la vida til se encuentra entre
uno y cuatro aos su precio de venta es de U$1600. En caso contrario su precio es
de U$2000. Determine el precio de venta esperado y su desviacin estndar.
d) Suponga que en el 5% de las veces una maquinaria es clasificada como poco
eficiente por tener una vida til inferior a lo presupuestado. De acuerdo a este
criterio de clasificacin, determine la duracin mnima para que una maquinaria no
sea clasificada como poco eficiente.
e) Un empresario compra 3 de estas mquinas y suponiendo que la vida til de cada
una de ellas es independiente Cul es la probabilidad de que por lo menos una de
ellas dure ms de lo esperado?

Pgina N 26

f) Suponga que se realiza una clasificacin de estas mquinas segn su vida til. Una
maquinaria es de tipo A si ella tiene una duracin inferior a 3 aos y tipo B en caso
contrario. Segn esta diferenciacin Cul es la vida til esperada y la desviacin
estndar de las maquinas tipo A y B?
g) En base a la funcin de distribucin acumulada, determine e interprete:

F(2,75)
1 F(3,25)
F(3,25) F(1,5)

) 2 ( F 1
) 2 ( F ) 4 ( F

3.- Al realizar un experimento aleatorio, la probabilidad de que cualquiera de los ensayos
sea exitoso es 0,2, adems los ensayos aislados son independientes entre s.

3.1.- Si se realizan 5 ensayos:
a) Cul es la probabilidad de que 3 de ellos sean exitosos?
b) Cul es el nmero esperado de xitos?
c) Cul es la desviacin estndar del N de xitos?

3.2.- Si el experimento se repite hasta que ocurra un xito:
a) Cul es la probabilidad de que el xito ocurra en la dcima repeticin?
b) Cul es la probabilidad de que el primer xito ocurra despus del tercer ensayo?
c) Cul es el nmero esperado de ensayos hasta obtener el primer xito?

4.- En una caja hay 6 fichas azules, 4 fichas negras y 2 fichas blancas. Se extrae
aleatoriamente una ficha y se define el suceso A =La ficha no es negra. Considerando
esta situacin:

a) Defina la v.a. adecuada y obtenga su f dp.
b) Determine la media y la varianza para la v.a. definida.

5.- El tiempo (en minutos) durante el cual un dispositivo elctrico se utiliza a su mxima
carga es una v.a. X cuya funcin de densidad est dada por:

<

=
. caso otro en 0
3000 x 1500 si
1500
x 3000
1500 x 0 si
1500
x
) x ( f
2
2

a) Verificar si f(x) est bien definida.
b) Construya la funcin de distribucin de x.
c) Cul es el tiempo de utilizacin a mxima carga esperado?.
d) Cul es la probabilidad de que el tiempo de utilizacin a mxima carga difiera del
esperado en ms de 1,8 desviaciones estndar?
e) Obtenga e interprete las siguientes probabilidades:

i) P(1000 x 2000)
ii) P(x 1900)

Pgina N 27

iii)
2500 x
300
1600
x 500

6.- La demanda diaria de un artculo (en N de unidades) es una v.a., cuya funcin de
cuanta est dada por:

=
=
. caso otro en 0
5 , 4 , 3 , 2 , 1 x si
! x
2 * k
) x ( f
x

a) Evale la constante k de manera tal que f(x) quede bien definida.
b) Cul es la proporcin de das en los que la demanda supera a 2 artculos?
c) Cul es la demanda esperada diariamente?
d) Determine la desviacin estndar para el nmero de unidades vendidas diariamente.

7.- De los 100 vendedores de una compaa 15 no cumplen con las metas mnimas, 55
cumplen con las metas mnimas y 30 las sobrepasan. Si se selecciona en forma aleatoria 10
vendedores para cubrir un nuevo sector:

a) Cul es la probabilidad de que 4 de ellos cumplan con las metas mnimas?
b) Cul es la proporcin de muestra en las que 2 no cumplen con las metas mnimas y
4 las sobrepasan?
c) Cul es la proporcin de muestras en las que el nmero de vendedores que
sobrepasan las metas mnimas superan el esperado en ms de 1,5 desviaciones
estndar?

8.- Un usuario debe decidir entre dos marcas de pilas A y B: Sean las variables aleatorias X
e Y dadas por:

X = Tiempo de vida til en horas de las pilas A
Y = Tiempo de vida til en horas de las pilas B

Ambas con distribucin de la forma:

=

. caso otro en 0
0 x si e * a
) x ( f
ax

En base a los antecedentes proporcionados al SERNAC por los usuarios, se ha establecido
que:

P(X <10) =0,3 P(Y >20) =0,4

Cul de las 2 marcas de pilas debera utilizar?, justifique.

9.- Sea X la v.a. que cuenta los xitos en n repeticiones independientes de un experimento
cuya probabilidad de xito para cada repeticin es p y cuya funcin de cuanta es de la
forma:

( )
=
=

. caso otro en 0
n ........, , 2 , 1 , 0 x si ) p 1 ( * p *
) x ( f
x n x n
x


Pgina N 28

tal que =7 y
2
=4,55; determine la probabilidad de obtener a lo ms 5 xitos.

10 .- La demanda de un determinado artculo es una variable aleatoria con funcin de
probabilidad dada por:

<
<
=
. c . o . t ; 0
8 , 0 x 775 , 0 si ;
k
x 8 , 0
775 , 0 x 75 , 0 si ;
k
75 , 0 x
) x ( f
a) Determine la constante k.
b) Obtenga la demanda esperada para este artculo.
c) Obtenga la probabilidad de que la demanda supere a la esperada.

11.- Un artculo de temporada tiene 90% de probabilidad de ser vendido, dejando una
utilidad de $1500. Si no se vende en la temporada debe ser desechado generando una
prdida de $350. Si en una temporada se pone a la venta 200 artculos. Cul es la utilidad
esperada?.

12.- En un anlisis de inversin de capital, se estudian dos funciones que dan cuenta de la
posible utilidad obtenida, la cual se estima que puede oscilar entre 5 y 10 millones de pesos.

< <
=
< <
=
. c . o . t 0
10 x 5 ; ) 5 x (
125
3
) x ( f
. c . o . t si ; 0
10 x 5 si ;
5
1
) x ( f
2

Con cul de las dos funciones se obtiene una utilidad esperada mayor?. Determine sus
montos y comprelos.
Con cul de estas dos funciones se obtienen utilidades ms homogneas?
En ambos casos determine el valor mximo de la diferencia entre la utilidad y su media que
se observa en a lo menos el 69,14% de las veces.

13.- El nmero de accidentes en una planta industrial durante un da de trabajo son: 0, 1, 2
y 3 con probabilidad 0,24; 0,43; 0,27 y 0,06 respectivamente. Encontrar el valor del nmero
de accidentes esperados durante un da cualesquiera.

14.- Sea X una v.a. continua tal que su funcin de distribucin est dada por:


Pgina N 29

<
< <
=
2 x si 1
2 x
3
1
si 2 , 0 ) x 4 ( x 9 , 0
3
1
x 0 si
2
x 9
0 x si 0
) x ( F
2

a) Determine la proporcin de veces en la que la variable se desva de su media en
menos de 1,5 desviaciones estndar.
b) P( x >
6
1
/ x 1 ) Interprete el resultado.
15.- Un archivador contiene 4 facturas y 6 boletas. Se extraen 2 de estos documentos al
azar sin reemplazo. Sea X el nmero de boletas extradas. Encontrar las probabilidades
siguientes:
P( x =0 ) P( x =1 ) P( x =2 ) P( 1 <x <2 )
P( x 1 ) P( x 1 ) P( x >1 ) P( 0,5 <x <10 ).

16.- La funcin de probabilidades f(a) de una variable aleatoria A es nula excepto en los
puntos A =0, 1, 2. en ellos toma los valores:
P(0) =3c
3
P(1) =4c 10c
2
P(2) =5c 1

Para un cierto c >0.
a) Determinar el valor c.
b) Calcular las probabilidades:
P( A <1 )
P( A <2 )
P( 1 <A 2 )
P( 0 <A <3 )
En cada caso interprete el resultado.

c) Describir y representar la funcin de distribucin F.
d) Encontrar el mayor valor de t tal que F(t) < .
2
1

e) Encontrar el menor valor de t tal que F(t) > .
3
1


Pgina N 30

BIBLIOGRAFA

Canavos, George Probabilidad y estadstica; aplicaciones y mtodos.
Ed. McGraw Hill.

Gonzlez, Hugo Apuntes personales.

Harnett, Donald y
Murphy, J ames
Introduccin al anlisis estadstico.
Ed. Addison Wesley Iberoamericana.

Levin, Richard Estadstica para administradores.
Ed. Prentice Hall Hispanoamericana S.A.

Mendenhall, William Introduccin a la probabilidad y la estadstica.
Ed. Grupo Editorial Iberoamerica.

Meyer, Paul Probabilidad y aplicaciones estadsticas.
Ed. Addison Wesley Iberoamericana.

Resumen Variables Aleatorias

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Resumen Variables Aleatorias

Hochgeladen von

Copyright:

Verfügbare Formate

UNIVERSIDAD TECNOLGICA METROPOLITANA

FACULTAD DE ADMINISTRACIN Y ECONOMA

Su correspondiente espacio muestral es = { c , s }

Su correspondiente espacio muestral es :

Su correspondiente espacio muestral es:

Das könnte Ihnen auch gefallen