4. Variables aleatorias y distribución de probabilidad.

Sergio Vázquez Razo.

4.1 Introducción.

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 básica 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 distribución
de probabilidad corresponde a la variable de respuesta de una distribución de frecuencias.

4.2 Variables aleatorias.

Al describir el espacio muestral de un experimento, no se específica que un resultado individual

necesariamente tiene que ser un número. Por ejemplo, al clasificar un artículo manufacturado
simplemente podríamos usar las categorías "defectuoso" y "no defectuoso". En otro caso, para observar
la temperatura durante un período de 24 horas sencillamente podríamos mantener un registro de la curva
trazada por el termógrafo. Sin embargo, en muchas situaciones experimentales vamos a interesarnos en
medir algo y anotarlo como un número. Aún en los casos citados anteriormente podremos asignar un
número a cada uno de los resultados (no numéricos) del experimento. Por ejemplo, puede asignar el
valor 1 a artículos no defectuosos y el valor cero a los defectuosos. Pudimos anotar la temperatura
máxima del día, o la mínima, o el promedio de las temperaturas máxima y mínima.

Se ha definido un experimento como el proceso que culmina con la toma de una medición (o una
observación). La mayoría de los experimentos producen una medición numérica que desde luego varía al
considerar distintos puntos muéstrales y esta variación es aleatoria. La medición es llamada una variable
aleatoria X, que el hecho de que tome un valor particular es en sí mismo un evento aleatorio. Así en
muchas situaciones experimentales deseamos asignar un número real x a cada uno de los elementos s del
espacio muestral S. Esto es, x = X(s) es el valor de una función X del espacio muestral a los números
reales.

Por ejemplo si se lleva a cabo un experimento aleatorio y ocurre el evento correspondiente a un

número a, entonces se dice que, en esta prueba, la variable aleatoria X correspondiente a ese
experimento ha tomado el valor a. También se dice que se ha observado el valor X = a. En lugar de “el
evento correspondiente a un número a” se dice, más brevemente, “el evento X = a”,

De acuerdo a esto damos la siguiente definición:

Sea un experimento  y S el espacio muestral asociado con el experimento. Una función X

que asigna a cada uno de los elementos s  S, un número real X(s), se llama variable aleatoria.

Una variable aleatoria es una función de valores reales cuyo dominio es un espacio
muestral.

1
 Una variable aleatoria discreta es aquella que toma, a lo más, una cantidad numerable de
valores distintos, el espacio muestral de un experimento probabilístico.

Una variable aleatoria continua es aquella que puede tomar cualquier valor de entre todos los
contenidos en un intervalo.

Observaciones: (a) La terminología anterior es algo desafortunada, pero como es tan

universalmente aceptada, nosotros no nos apartaremos de ella. Es claro que X es una función y todavía
la llamamos variable aleatoria. (b) Resulta que no toda función que se conciba puede ser considerada
como una variable aleatoria. Una exigencia (aunque no la más general) es que para todo número 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 básicos. (c) En algunos casos el resultado s del espacio muestral es ya la
característica numérica que queremos anotar. Sencillamente tomemos X(s) = s, la función de identidad.
(d) En la mayoría 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: Número de águilas al tirar las tres monedas.

La variable aleatoria x asigna un número 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  RX = valores posibles de X (recorrido)

2
 El espacio RX, el conjunto de todos los valores posibles de X, se llama algunas veces el
recorrido. En ciertos sentidos podemos considerar a RX como otro espacio muestral. El espacio muestral
(original) S corresponde a los resultados no numéricos (posiblemente) del experimento, mientras que R X
es el espacio muestral asociado con la variable aleatoria X, que representa la característica que puede ser
de interés. Si X(s) = s, tenemos S = RX.

(e) Es muy importante comprender que una exigencia básica de una función (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 ilustración anterior encontramos que X(a, s) = X(s, a) = 1.

Concepción de una variable aleatoria X:

(a) Realizamos el experimento  que tiene como resultado s  S. Luego evaluamos en número
X(s).
(b) Efectuamos , y obtenemos el resultado s, e inmediatamente calculamos X(s). El número
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 función para evaluar la probabilidad en intervalos en
el caso de las continuas.

Así como nos interesamos por los sucesos asociados con el espacio muestral S, también será
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 están "relacionados" con sucesos asociados con RX de la
manera siguiente.

Sea  un experimento y S su espacio muestral. Sea X una variable aleatoria definida en S y sea
RX su recorrido. Sea B un suceso respecto a RX, esto es, B  RX. 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 mayúsculas, como X, y minúsculas 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 número que se observa, después de arrojar el dado, se representará mediante el símbolo x.
Observe que X es una variable aleatoria, pero el valor específico observado, x, no es de naturaleza
aleatoria.

La expresión (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
específico 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

X  c ( X T o m a c u a l q u i e r v a l o r q u e sea menor o i g u a l a c )

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 últimos eventos son mutuamente exclusivos. De donde

P ( X  c )  P ( X  c)  P (  X   ) 1
y

4
 P( X  c) 1  P( X  c)

Por ejemplo, si X es el número que queda arriba al lanzar un dado perfecto, P(X = 1) = 1/6, P(X
= 2) = 1/6, etc., P(1<X<2) = 0,
P(1  X  2)  1 / 3, P(0  X  3.2)  1 / 2, P( X  4)  1 / 3, P( X  0.5)  0, e t c.

Eje. Consideremos el lanzamiento de dos monedas. En este caso S = {a a, s a, a s, s s}. Sea X el

número de águilas obtenidas. En este caso RX = {0, 1, 2}. Sea B = {1}. Puesto que X(a s) = X{a s} = 1
si sólo si X(s) = 1, tenemos que A = {a s, s a} es equivalente a B.

Sea B un suceso en el recorrido RX. 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 RX.

4.3 Funciones de una variable aleatoria.

Sea X una variable aleatoria discreta y sea xi uno de los valores que toma dicha variable, la
probabilidad de que la variable tome dicho valor se denota por P(X = xi) = pi.

Eje. Sea la variable aleatoria X: Número de aguilas al tirar dos monedas, que toma los valores
{0, 1, 2}. Entonces:

P(X=0) = P(s, s) = ¼
P(X=1) = P{(s ,a) (a, s)} = ½
P(X=2) = P(a, a) = ¼

Se llama función de masa o función de probabilidad puntual de una variable aleatoria

discreta a la función que asigna a cada valor de la variable aleatoria la probabilidad con que lo toma.

X 0 1 2
P(x) ¼ ½ ¼

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 función f(x) que suministra esta gráfica es

12 
 
x
f ( x)   12 
2

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 selección
del personal, decide elegir dos trabajadores al azar. Si X es el número de mujeres en el grupo elegido,
determine la distribución de probabilidad para X.

6
  6
El supervisor puede elegir dos trabajadores de seis de    15 maneras. En consecuencia, S
2  
contiene 15 puntos muestrales, que suponemos tiene la misma probabilidad, puesto que se aplicó un
muestreo aleatorio. Así, P( Ei )  1 / 15 para i = 1, 2, ..., 15. Los valores de X con probabilidad diferente
 3  3
de cero son 0, 1 y 2. El número de formas de elegir X = 0 mujeres es      1  3  3 puntos
 0  2
muestrales, ya que el supervisor debe seleccionar cero trabajadores de las tres mujeres y dos de los tres
hombres, por lo que

 3  3 
  
0 2 3 1
p(0)  P( X  0)      
15 15 5
Asimismo
 3  3
  
1 1 9 3
p(1)  P( X  1)      
15 15 5
 3  3 
  
2 0 3 1
p( 2)  P ( X  2)      
15 15 5

La distribución de probabilidad es

x P(x)
0 1/5
1 3/5
2 1/5

El método más conveniente para representar distribuciones de probabilidad discreta es por medio
de una fórmula. En este caso para p(x) puede escribirse de la siguiente manera:

 3  3 
  
x 2  x 
p ( x)     , x  0,1,2
 6
 
 2
Si hay N sujetos en total, de los cuales k son de una clase y se toman n de ellos, entonces:

7
  k  N  k 
  
x n  x 
p( x)    , x  0,1,2,.., n
N
 
n

Si x1, x2, .... son los valores que toma una variable aleatoria X se verifica:

1) P(X = xi)  0.
2)  P(X = xi) = 1

Si se conoce la función de probabilidad de una variable aleatoria discreta, X entonces fácilmente

puede calcularse la probabilidad P ( a  X  b) correspondiente a cualquier intervalo a < X < b . En
efecto

P ( a  X  b)   f (x
a  x j b
j ) p
a  x j b
j

Esta es la suma de todas las probabilidades f(xj) = PJ, para la cual las xj se encuentran en ese intervalo. Se
expresa esto diciendo que la función de probabilidad f(x) determina la distribución de probabilidad o,
brevemente, la distribución de la variable aleatoria X en una forma única.

Si X es cualquier variable aleatoria, no necesariamente discreta, entonces, para cualquier número

real x, existe la probabilidad P(X  x) correspondiente a

X  x (X toma cualquier valor menor que x o igual a x.)

Evidentemente, P(X  x) depende de la elección de x; es una función de, que se llama función de
distribución de X y se denota por F(x), De donde

F ( x )  P( X  x )

Dado que para cualquier a y b > a se tiene

P ( a  X  b)  P ( X  b)  P ( X  a ),

se concluye que

P ( a  X  b )  F ( b)  F ( a )

Esto indica que la función de distribución determina la distribución de X de modo único y puede usarse
para calcular probabilidades.

Supóngase que X es una variable discreta. Entonces puede representarse la función de

distribución F(x) en términos de la función de probabilidad f(x). En efecto, si a = -  y b = x, se tiene

F ( x)   f (x
x j x
j )

8
 Esta indica la probabilidad de que la variable aleatoria tome valores menores o iguales que un
valor x dado. Por este motivo, también se la conoce con el nombre de función de distribución
acumulada.

Para el lanzamiento de N monedas la función de distribución de probabilidad es

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 representación gráfica

¿Cuál es la probabilidad de que aparezcan a lo sumo 6 aguilas?

P ( x  6)  F (6)  0.612793968

¿Cuál es la probabilidad de que aparezcan entre 4 y 8 aguilas?

P ( 4  x  8)  p ( x  8)  p ( x  4)  p ( x  4)  F (8)  F ( 4)  p ( x  4)
 0.927001953  0.193847656  0.120849609  0.854003906

Ejemplos de funciones de probabilidad discretas.

Función de probabilidad f(x) de la variable aleatoria X = número obtenido al lanzar una vez un
dado perfecto. En efecto f(x) = 1/6 cuando x = 1, 2, ..., 6.
9
  1/ 6 si x  (1,2,3,..,6)
f ( x)  
0 en cualquier otro caso

Eje. Determine la función de probabilidad f(x) y función de distribución F(x) de la variable

aleatoria X = suma de los dos números 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 función 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. Analícese la variable aleatoria X = número de águilas.

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 números posibles de águilas son x 1 = 0, x2 =
1, x3 = 2, x4 = 3.

10
 Los valores de la función de probabilidad y de la función de distribución están 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

Obsérvese, que los valores de f están dados por:

 3
f ( x )   1 / 2 
3
x  0,1,2,3
 x
 3
f ( x )   ( p ) x (q ) n  x
 x
donde p  1 / 2, q  1  p

Podemos establecer F(x) como sigue;

 0 x0
 1/ 8 0  x 1


F ( x)   4 / 8 1 x  2
7 / 8 2 x3


 1 x3

11
 Eje. Supóngase que los artículos que salen de una línea de producción se clasifican como
defectuosos (D) o no defectuosos (N). Supongamos que se eligen al azar tres artículos de la producción
de un día y se clasifican de acuerdo con este esquema. El espacio muestral para este experimento,
digamos S, puede describirse así:

S = {DDD, DDN, DND, NDD, NND, NDN, DNN, NNN}

Supongamos que con probabilidad de 0.2 un artículo es defectuoso y por lo tanto con
probabilidad 0.8 un artículo no es defectuoso. Supongamos que esas probabilidades son iguales para
cada artículo al menos durante nuestro estudio. Finalmente supongamos que la clasificación de cualquier
artículo particular es independiente de la clasificación de cualquier otro artículo. Usando estas
suposiciones, se deduce que las probabilidades asociadas con los diversos resultados del espacio
muestral S son

(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 interés no se enfoca hacia los resultados individuales de S; si no que,
simplemente, deseamos saber cuántos artículos 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 número de artículos defectuosos encontrados en S. Por tanto el conjunto de valores
posibles de X es {0, 1, 2, 3}.

Podemos obtener la distribución de probabilidades para X, p(xi) = P(X=xi) como sigue:

X=0 sí y sólo si ocurre NNN;

X=1 sí y sólo si ocurre DNN, NDN, o NND;
X=2 sí y sólo si ocurre DDN, DND, o NDD;
X=3 sí y sólo 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:

 3
f ( x )   (.2) x (.8)3  x
 x

En general,
n
f ( x)   ( p ) x ( q ) n  x
 x

Nótese que la suma de estas probabilidades es igual a 1, porque la suma puede escribirse (0.8 + 0.2) 3. Y
una gráfica posible para sería de la forma

12
 4.4 Variables aleatorias continuas y sus distribuciones de probabilidad.

Supongamos que el recorrido de X está formado por un gran número de valores, por ejemplo
todos los valores x en el intervalo 0  x  1 de la forma 0; 0.01; 0.02; ....; 0.98; 0.99; 1.00. Con cada
uno de esos valores está asociado un número no negativo p(x i) = P(Xi = xi), i = 1,2,..., cuya suma es
igual a 1. Esta situación se representa geométricamente en la figura 4.2

Fig. 4.2

Hemos señalado antes que podría ser matemáticamente más fácil idealizar la anterior descripción
probabilística de X al suponer que X puede tomar todos los valores posibles, 0  x  1 . Si hacemos
esto, ¿qué 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-ésimo valor de X y por lo tanto p(xi) pierde significado.
Lo que se hace es sustituir la función p, definida sólo para x1, x2, ..., por una función f definida para
todos los valores de x, 0  x  1 . Las propiedades de la probabilidad se sustituyen por f(x)  0 y
1

0
f ( x ) dx  1 .

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

(a) f ( x)  0 para todo x


(b)  f ( x )dx 1

b
(c) Para cualquier a, b, tal que    a  b   , tenemos P (a  X  b)   f ( x) dx
a

13
 Las funciones de densidad de probabilidad se obtienen de más mediciones pudiéndose reducir la
longitud de dichos intervalos. La forma del histograma cambiaría un poco, sobre todo tornándose cada
vez menos irregular al ir aumentando el número de mediciones. Cuando éstas fuesen muy grandes en
número y los intervalos muy pequeños en longitud, el histograma aparecería para todo propósito como
una curva continua.

Para una variable continua la frecuencia relativa asociada a una clase particular de una población,
es la fracción de mediciones de la población que corresponden a ese intervalo de clase, y es también la
probabilidad de que una medición extraída de esa población caiga en la mencionada clase. Si se ajusta el
histograma de frecuencias relativas para que el área total bajo la curva que lo describe valga 1, las áreas
bajo dicha curva sobre distintos intervalos corresponden a las probabilidades de dichos intervalos.

Fig. 4.3 La densidad de probabilidad f(x)

La figura 4.3 muestra la densidad de probabilidad que varía con x, se puede representar por una
fórmula matemática f(x), esta nos proporciona un modelo matemático para el histograma de frecuencias
relativas. El área total bajo la curva figura 4.3 es 1. El área bajo la curva sobre un intervalo dado, es la
probabilidad de ese intervalo. Así la probabilidad de que a < x < b es el área bajo la función de densidad
entre los puntos a y b.

La función de densidad permite calcular la probabilidad de cualquier intervalo:

b
P ( a  x  b)  
a
f ( x) dx

Una consecuencia de la descripción probabilística de X para cualquier valor especifico de X, por

xo
ejemplo xo es que tenemos P ( X  x o )  x f ( x)dx  0. Este resultado puede parecer muy contrario a
o

nuestra intuición. 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 = Ø, el conjunto vacío. Para decirlo de un modo más informal,
consideremos que elegimos un punto al azar en el segmento {x | 0  x  2 }. Aunque quisiéramos estar
de acuerdo (como un objetivo matemático) conque cada punto concebible del segmento pudiese ser el
resultado de nuestro experimento, nos sorprenderíamos mucho si en realidad escogiéramos precisamente
el punto medio del segmento, o cualquier otro punto específico de ese elemento. Cuando indicamos esto
en un lenguaje matemático preciso, decimos que el suceso tiene “probabilidad 0”.

Supóngase que se ha llevado a cabo un experimento con objeto de medir la vida útil de 50
baterías de determinado tipo, seleccionadas de entre una población.

14
Vida útil de las baterías (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
Histogram

16

12
fre q u e n c y

0
-1 1 3 5 7 9 11
vida

Fig. 4.4

El histograma de frecuencia relativa para estos datos muestra con claridad que la mayor parte de
las vidas útiles están cerca de cero, y que la frecuencia disminuye con mucha uniformidad cuando se
pasa a las vidas útiles mayores. En este caso, el 32% de las 50 observaciones caen dentro del primer
subintervalo y otro 22% dentro del segundo. Hay una disminución en la frecuencia cuando se avanza
hacia otros subintervalos, hasta que el último (de 8 a 9) contenga sólo una observación.

Este histograma de frecuencia relativa de la muestra no sólo permite retratar el comportamiento

de la muestra, sino que da idea de algún modelo probabilistico posible de la variable aleatoria X. Dicho
histograma se ve como si se pudiera representar con mucha aproximación mediante una curva
exponencial negativa. La función especial

1 x / 2
f ( x)  e
2

se representa en el histograma figura 4.4 y parece que se ajusta razonablemente bien a los datos. Así, se
podría tomar esta función como modelo matemático del comportamiento de la variable aleatoria X.
Nótese que el área bajo f(x) es igual a uno. Si uno desea usar en el futuro una batería de este tipo, quizá
deseara conocer la probabilidad de que dure más de cuatrocientas horas. Esta probabilidad se puede
calcular aproximadamente mediante el área bajo la curva a la derecha del valor 4; es decir,

15
  1 x / 2
4 2
e dx  0.135

Nótese que este resultado es bastante cercano a la fracción observada de la muestra con duración mayor
que 4, o sea, (8/50 = 0.16). Uno podría sugerir que, como ya se sabe que la fracción es 0.16, no se
necesita en realidad el modelo. Pero hay otras preguntas para las cuales el modelo daría respuestas más
satisfactorias que las que se podrían obtener por otros medios. Por ejemplo, supóngase que se desea
conocer la probabilidad de que X sea mayor que 9. Entonces, el modelo sugiere la respuesta

 1 x / 2
9 2
e dx  0.111

mientras que la muestra no indica que haya observaciones mayores que 9. El ejemplo anterior es un
modelo simple.

¿Por qué seleccionar la función exponencial como modelo en este caso? ¿No funcionarían
algunas otras igualmente bien? La selección de un modelo es un problema fundamental por lo que se usa
bastante espacio en las secciones posteriores en investigar las razones teóricas y prácticas de esas
selecciones.

Eje. Acerca de la variable aleatoria X del ejemplo de las vidas útiles y que tiene asociada una
función de densidad de probabilidad de la forma:

1 x / 2
 e x0
f ( x)   2
 0 c.o. p

Calcule la probabilidad de que la vida útil de una batería 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

P ( A  B )  P( A)  P ( B )
2 1 x / 2

=  0 (1 / 2)e dx  
x / 2
e dx
42
   
 1  e 1  e  2  1  0.368  0.135  0.767

Eje. Calcule la probabilidad de que una batería de este tipo dure más de 300 horas dado que ya
ha estado en uso durante más de 200 horas.

P X  3
P X  3 | X  2 
P X  2

Porque la intersección de los eventos (X>3) y (X>2) es el evento (X>3). Entonces

16
 
P  X  3 3 (1 / 2) exp( x / 2) dx e  3 / 2
P X  3 | X  2     1  e 1 / 2  0.606

P X 2  
(1 / 2) exp( x / 2) dx e
2

Eje. Sea X la duración (en horas) de cierto tipo de bombilla eléctrica. Supóngase que la variable
aleatoria X es continua (Fig. 4.5). Sea la fdp dada por

a / x 3 150 0  x  2500
f ( x)  
 0 c.o. p
Evalúe la constante a.

De la condición
 2500

f ( x ) dx  
1500
a / x 3 dx  1

obtenemos a = 7,031,250.

Fig. 4.5

4.5 Función de distribución acumulativa.

La Función de Distribución acumulativa F de una variable aleatoria X es una función definida

para cada número real que hace corresponder a cada x la probabilidad de que la variable aleatoria tome
un valor menor o igual que él.

(a) Si X es una variable aleatoria discreta

F ( x )   p( x j )
j

en donde la suma se toma sobre todos los índices j que satisfacen x j  x

(b) Si X es una variable aleatoria continua con fdp f.
x
F ( x)   f ( s ) ds


Tal como está definida, se trata de una función no decreciente que verifica:

17
 lím F ( x)  1 lím F ( x)  0
x  x  

La función de distribución 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 probabilística de X al calcular P(X = x). Esa probabilidad es siempre igual a cero en el caso
continuo. Sin embargo, podemos inquirir acerca de P ( X  x ) 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

d
f ( x)  F ( x)
dx
para toda x en la cual F es diferenciable.

(b) Sea X una variable aleatoria discreta con valores posibles x1, x2, ..., y supongamos que es
posible rotular esos valores de modo que x1<x2<..... Sea F la fda de X. Entonces

p ( x j )  P ( X  x j )  F ( x j )  F ( x j 1 )

Eje. En el caso tratado, en el que se considera X: Número de águilas al tirar dos monedas, se
tiene:

 0 x0
1/ 4 0  x  1

F ( x)  
3 / 4 1  x  2

 1 x2

Eje. Si X es una variable aleatoria continua con función de densidad de probabilidad dada por

3 x 2 0  x 1
f ( x)  
 0 c.o. p.

Encuentre F(x) y grafique f(x) y F(x).

La gráfica de f(x) es

Como

18
 x
F ( x)  
f (t ) dt

tenemos,

 

  
0dt  0 para x  0
 0 x x
F ( x )   0dt   3t 2 dt  0  t 3  x 3 , para 0  x  1
 0 0
 0 1 x
31
  0dt  0 3t dt  1 0dt  0  t 0  0  1 para 1  x
2


Eje. Supongamos que X es una variable aleatoria continua con fdp

2 x 0 x 1
f ( x)  
0 c.o. p

Por lo tanto la fda F está dada por

 0 si x  0
 x
F ( x )   2 sds  x 2 si 0  x  1
0
 1 si x 1


Fig. 4.6

Eje. Calcular el valor de a para que sea función de densidad la función definida por:

19
  0, si x  0

f ( x)  ax  0.5, si 0  x  4
 0, si x  4


Asimismo determine la función de distribución.

4
 x  2

0  ax  0.5 dx  a
4


f ( x )dx 
 2
 0.5 x   8a  2  1
0
1
a
8

La función de distribución es:

x x  1 
F ( x)  0
f (t ) dt  
0
  x  0.5  dt
 8 
x
 1 t2  1 2
   0.5t    x  0 .5 x
 8 2 0 16

 0, si x  0
 1
F ( x)   x 2  0.5 x, si 0  x  4
 16
 1, si x  4

Eje. Supongamos que una variable aleatoria continua tiene fda F dada por

0 x0
F ( x)   x
1  e x 0

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

 e x x0
f ( x)  
0 cualquier otro valor

4.6 Esperanza matemática.

El concepto de esperanza matemática se origino en relación con los juegos de azar. El valor
promedio de una variable aleatoria es conocido como el valor esperado (o esperanza matemática) de la
variable aleatoria en consideración.

Eje. Sea x el número de águilas resultantes al lanzar dos monedas, cuyas distribuciones se
identifican de la tabla

x 0 1 2
P(x) ¼ ½ ¼

donde 0 es: s-s

20
 1 es: a-s, s-a
2 es: a-a

Supongamos que se repite el experimento un número muy grande de veces, por ejemplo 4 000
000, intuitivamente se esperaría observar 1 millón de veces el 0, 2 millones de veces el 1 y 1 millón de
veces el 2. El valor promedio sería entonces,

suma de valores ( 0)(1,000,000)  (1)( 2,000,000)  ( 2)(1,000,000)


n 4,000,000
 (0)(1 / 4)  (1)(1 / 2)  ( 2)(1 / 4)  1

Recordando que la media de una distribución de frecuencias es

1
x  x j f ( x j )  j x j ( f / n )
n j

y la probabilidad de un evento es la frecuencia relativa esperada de su ocurrencia. De modo que P(x) =

f/n, entonces;

E ( x )  x   x j P( x j )
j

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

Para una variable aleatoria continua,


E ( x)  
xf ( x )

siempre que exista.

Nótese que si P(x) proporciona una descripción precisa de las frecuencias relativas de la
población real de las mediciones, entonces E(x) =  , la media de la población.

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, ¿cuál es la esperanza de obtener el
premio?

Una verdadera esperanza matemática debe tomar en cuenta el costo incurrido en el boleto, que
se pierden, se gane o no se gane el premio.

Distribución de probabilidad para X:

Ganancia (xi) Probabilidad (pi)

4785 1/10000
-15 9999/10000

21
 E ( x)  x   x j P ( x j )
j

1 9999
 (4785)( )  (15)( )  $14.52
10000 10000
El riesgo de que pierda dinero es altísimo, aunque si gana el rendimiento es enorme. La gente
que participa en estos esquemas esperando altísimos (desproporcionados) rendimientos, son amantes del
riesgo.

Eje. Sea V la velocidad del viento (kph) y supongamos que V está distribuida uniformemente en
el intervalo [0, 10]. La presión, W (lb/pie2), sobre la superficie del ala de un aeroplano está dada por la
relación: W = 0.003V2. Para encontrar el valor esperado de W, E(W), procedemos como:

10 10 1
E (W )   0.003V 2 f (V ) dV   0.003v 2 dv  0.1 lb / pie2
0 0 10

Eje. En muchos problemas nos interesa sólo la magnitud de una variable aleatoria sin
consideración a su signo algebraico. Es decir, nos interesa |X|. Supongamos que X es una variable
aleatoria continua con la siguiente fdp:

 ex
 si x  0
f ( x)   2 x
e si x  0
 2

Sea y = |X|. Para obtener E(Y) debemos proceder como sigue:

1 0
( x )e  x dx   1 1  1  1
 
E (Y )   | x | f ( x )dx   (  x ) e x dx  
 
2   0  2

Eje. En los concursos para obtención 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 estarán por encima de cierta cantidad. Suponga que un
contratista considera un proyecto en el cuál ganará 50,000 pesos si le es otorgado. El costo de la
preparación 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 distribución
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

22
 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 daños de automóvil
de $100,000 pesos. La póliza cubre un tipo de eventos que por experiencia previa se sabe que ocurre a 3
por cada 5,000 automovilistas cada año.

Sea x la ganancia anual de la compañía resultante de la venta de una póliza 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 compañía agregará los gastos administrativos correspondientes y un margen de utilidad.

Se ha supuesto que la ganancia esperada E(x) depende de C, y utilizando este hecho sólo 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 solución es el de determinar los valores que la ganancia x puede
tomar y después determinar P(x). Si el evento que cubre la póliza no ocurre en el año, la compañía gana
x = C pesos. Si el evento ocurre, la ganancia será negativa, esto es será de hecho una pérdida; x = C -
100,000 pesos. Las probabilidades asociadas a estos dos valores de x son 4997/5000 y 3/5000
respectivamente. La distribución 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 compañía cobra una prima anual de 60 pesos, entonces su
ganancia promedio sobre un número grande de pólizas similares será cero. La prima final que la
compañía debe cobrar será $60.00 más los gastos administrativos y la utilidad.

La esperanza de una función aleatoria.

Sea X una variable aleatoria discreta con función de probabilidad p(x) y sea g(X) una función del
valor real de X, entonces la siguiente expresión da el valor esperado de g(X):

E  g ( X )   g ( x) p( x)
x

Dem. Si X toma un número finito de valores x1 , x 2 ,..., x n . Como es posible que la función g(x)
no establezca una correspondencia biunívoca (uno a uno), supongamos que g(X) adopta los valores
g1 , g 2 ,..., g n (donde m  n ). Se infiere que g(X) es una variable aleatoria tal que para i = 1,2,..,m,

23
 P g ( X )  g i    p( x )  p * ( g )
j i
todas las x j tales que
g ( x j ) g i

Por consiguiente,
m
E  g ( X )   gi p * (gi )
i 1

 
m
 
  gi   p ( x j ) 
i 1 todas las x j tales que 
 g ( x j )  g j 
m
 
i 1 todas las x
 g i p( y
tales que
j )
j
g ( x j ) g j

n
  j 1
g(x j ) p( x j )

Para una función continua:

E  g ( X ) 

 
g ( x ) f ( x ) dx

Eje. Un vendedor minorista de un producto derivado del petróleo vende una cantidad aleatoria,
X, cada día. Suponga que X, medida en miles de galones, tiene una función de densidad de probabilidad

3 2
 x , 0 x2
f ( x)   8
 0, c.o. p

Las utilidades del minorista ascienden a 100 dólares por cada 1000 galones vendidos (10 centavos por
galón) si X  1 , y a $40 más por cada 1000 galones (4 centavos más por galón) si X > 1. Calcule las
ganancias esperadas por el minorista un día cualquiera.

Si g(X) es la ganancia del minorista, entonces

100 X 0  X 1
g(X )  
 140 X 1 X  2

Deseamos calcular la ganancia esperada; por lo tanto, el valor esperado es de

E  g ( X ) 


g ( x ) f ( x ) dx
1 3  2 3 2 
  100 x  8 x dx  1 140 x  8 x  dx
2
0

1 2
300 420 4 300 420
 x4  x  (1)  (15)  206.25
(8)( 4) 0
(8)( 4) 1
32 321

Así el vendedor puede esperar utilidades de $206.25 por la venta diaria de su producto.

24
 Propiedades del valor esperado.

1. Si X = C en donde C es una constante, entonces E(X) = C o E  cg ( X )  cE g ( X ) .

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).

Demostración:

E ( kX )   kx i f ( x i )  k  x i f ( x i )  k E ( X )
E ( X  k )   ( x i  k ) f ( x i )   x i f ( x i )   kf ( x i )  E ( X )  k
E ( X  Y )  x i f ( x i )   y i f ( y i )  E ( X )  E (Y )
E ( XY )   x i y j f ( x i ) g ( y j )   x i f ( x i )  y j g ( y j )  E ( X ) E (Y )
i, j i j

La mediana  de una distribución continua F(x) es aquel valor que verifica:

1
P X     P X    
2

La moda, se define como el valor x para el que f(x) o P(xi) toman el valor máximo.

Eje- Dos urnas contienen, cada una, bolitas numeradas del 1 a 10. Se saca una bolita de cada
urna y se suman los números obtenidos, ¿cuál 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

25
…. …. ….
10 9 19
10 10 20

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 número sacado de cada urna, Es E(X) =
E(Y) = (1/10)(1+2+…+10) = 11/2 y por tanto la solución 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 números obtenidos, ¿cuál 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

26
3 3 9
3 4 12
3 5 15
4 1 4
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 números 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 números obtenidos. ¿Cuál es el valor medio del producto?

Ahora las variables X e Y son dependientes y por tanto se tiene que hacer el cálculo directo. Los
casos posibles son (1, 2), (1, 3), …, (4, 5), y de cada uno de ellos la probabilidad es 1/10.

27
 1 2  2
1 3  3
1 4  4
1 5  5
2 1 2
E ( XY )   XYP( XY )
236
1 2  2
2 48
1 3  3
2  5  10
1 4  4
3 1 3
1 5  5
326
23  6
3  4  12
24  8
3  5  15
2  5  10
4 1 4
3  4  12
4 28
3  5  15
4  3  12
4  5  20
4  5  20
5 1 5  85
5  2  10
5  3  15
5  4  20

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 distribución
de probabilidad del mismo modos que x es también una medida de tendencia central del histograma de
frecuencias relativas de una muestra. El término “valor esperado” tiene una interpretación intuitiva en el
sentido de que se espera que los valores de x se observen cerca del “centro” de la distribución de
probabilidad.

Al igual que x proporciona una descripción sólo parcial del correspondiente histograma de
frecuencias relativas de la muestra, el valor esperado  sólo da una descripción parcial del
comportamiento de la variable aleatoria. Para una descripción más adecuada se requiere una medida de
dispersión de la distribución de probabilidad P(x).

Para ilustrar este hecho, supongamos que como administrador de una clínica de salud, debe
decidir el número de vacunas contra el tétano que hay que mantener constantemente almacenadas. Más
aún suponga que el abastecimiento de vacunas debe ser suficiente para satisfacer tres días de demanda y
que la distribución de probabilidad para esta demanda x, de tres días es

28
 Fig. 4.7 Distribución de probabilidad de x

Puede observarse en la figura 4.7 que la demanda esperada  no proporciona información sobre
el número máximo de vacunas que podrían ser requeridas durante el periodo. Se requiere, entonces un
valor para x, por ejemplo xa, a la derecha de la gráfica de P(x) tal que la probabilidad de que la demanda
exceda a xa sea suficientemente pequeña.

El encontrar el valor xa de vacunas que deben mantenerse almacenadas sería relativamente

sencillo si se conociese P(x), ya que podría ir evaluando P(x  xa) para valores cada vez más grandes de
xa hasta lograr que dicha probabilidad fuese suficientemente pequeña. Si P(x) no es conocida, una
medida de su dispersión podría satisfacernos. Esta medida permitirá encontrar aproximadamente el valor
xa.
Sea x una variable aleatoria discreta con distribución de probabilidad P(x) y valor esperado E(x)
=  . La varianza de la distribución de probabilidad P(x) (o de la variable aleatoria x) es,

V ( X )   2  E  xi       xi    P ( xi )
2 2

en donde la suma se extiende sobre todos los valores de la variable aleatoria x.

o
V ( X )  E  X  E ( X )
2

g( X )   X   
2


E  X  
2
  V (X )
Asimismo

V ( X )  E  X  E ( X )
2


 E X 2  2 XE ( X )   E  X  
2

 E ( X )  E ( X ) E ( X )  ( E X )2
2

 E ( X 2 )   E ( X )
2

La desviación estándar de una variable aleatoria es la raíz cuadrada de su varianza.

Para una distribución continua:

29
 
 2
 ( x   ) 2 f ( x ) dx


Eje. Encuentre la varianza de la población asociada al ejemplo del lanzamiento de dos monedas.
El valor esperado de x en este ejemplo se encontró 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) = ½

std. = 1/2 = 0.707

Eje. En un estudio sobre la movilidad de los ejecutivos en el área de compras, se encontró que la
distribución que se describe a continuación con suficiente aproximación a la distribución de probabilidad
de x, los números de compañías 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 desviación estándar 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 desviación estándar de la distribución es

 =  1.1144 = 1.055

La media  = 1.84 y la desviación estándar  = 1.055 se pueden utilizar junto con el teorema de
Tchebysheff para describir la distribución de probabilidad del número de compañías en las que un
ejecutivo actualmente empleado ha prestado sus servicios en el área de compras.

Eje. El gerente de una planta industrial planea adquirir una nueva máquina del tipo A o B. Si t
denota el número de horas de funcionamiento diario, y el número de reparaciones diarias X 1 que se
tienen que hacer a una máquina del tipo A es una variable aleatoria con una media y una varianza iguales
a 0.10t. La cantidad de reparaciones diarias X2 que requiere una máquina del tipo B constituye una
variable aleatoria con una media y una varianza iguales a 0.12t. El costo diario de operación de la
30
máquina tipo A es de C A (t )  10t  30 X 12 , el de la tipo B es de C B (t )  8t  30 X 22 . Suponga que las
reparaciones toman un mínimo de tiempo, y que cada noche las máquinas se alternan de tal manera que
funcionen como nuevas al comienzo del siguiente día ¿Cuál de ellas reduce al mínimo el costo diario
esperado si un día laboral consta de a) 10 horas y b) 20 horas?

El costo diario esperado para la máquina A es de:

 
E C A (t )  E 10t  30 X 12  10t  30 E X 12  
  
 10t  30 V ( X 1 )   E ( X 1 )  10t  30 0.1t  (0.1t ) 2
2

 13t  0.3t 2

De la misma manera:

 
E  C B (t )  E 8t  30 X 22  8t  30 E X 22 

 8t  30 V ( X 2 )   E ( X 2 )
2
  8t  300.12t  (0.12t ) 
2

 11 .6t  0.432t 2

Por lo tanto, para a) donde t = 10

E C A (10)  160 y E C B (10)  159.2

Para el inciso b) donde t = 20,

E  C A (20)  380 y E  CB (20)  404.8

En resumen, las máquinas tipo B son más económicas en periodos cortos debido a su reducido
costo de operación por hora. Sin embargo, en periodos largos son más económicas 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, desviación
estándar 3, y mediana 20. Con ayuda del teorema de Tchebyshev, válido para datos de muestras,
determinar un intervalo que contenga por lo menos el 75% de los salarios. ¿Qué interpretación 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 estándar de su promedio. Para k = 2,

1 – 1/k2 = 1 – ¼ = ¾

o 75%. Ahora bien, x = 22 y s = 3; y x  2s da como resultado 22  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
podría deducir que de los 100 originales hay muchos salarios, pero no más del 50%, en el intervalo de
16 a 20.

31
 Eje. Un proveedor de petróleo 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 continuación 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:

 0 x0
 x 0  x 1

f ( x)  
1 / 2 1 x  2

 0 x2

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.

 0 si x  0
 b
  xdx  b / 2 si 0  x  1
2
b
F (b)   f ( x)dx   b
1 (1 / 2)dx  1 / 2 (b  1)

si1  x  2
 1 si x  2


 1 / 2  (b  1) / 2  b / 2 1 b  2
F (b)  
1 b2

La gráfica de esta función es una línea 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 debería trabajar el torno. Supóngase que X tiene
una función de densidad de probabilidad dada por

32
 3x 2 0  x 1
f ( x)  
0 c.o. p

Calcular el promedio y la varianza de X.

 1
E ( x)  

xf ( x)dx   0
x(3 x 2 )dx  0.75

Así, en promedio, el torno se usa el 75% del tiempo.

 1 2
E( x2 )   x 2 f ( x)dx  x (3 x 2 ) dx   0.60
2
 0 5

Entonces V ( x)  E ( x 2 )   2  0.60  (0.75) 2  0.0375

Eje. La cantidad semanal Y invertida en sustancias químicas en una empresa tiene una media de
$445 y una varianza de $236. ¿Dentro de qué intervalo se debe esperar que queden los costos semanales
de productos químicos 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/k2 = 0.75; k=2

Así, el intervalo  - 2 a  + 2 contendrá por lo menos el 75% de la probabilidad. Este

intervalo está dado por 445 2 236 = 445  30.62.

Eje. La oficina meteorológica clasifica el tipo de cielo que es visible en relación con los grados de
nubosidad. Se usa una escala con 11 categorías: 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 clasificación se hace en una estación
meteorológica determinada en un día y hora determinados. Sea X la variable aleatoria que toma uno de
los 11 valores anteriores. Supongamos que la distribución de probabilidades de X es

po = p10 = 0.05;
p1 = p2 = p8 = p9 = 0.15
p3 = p4 = p5 = p6 = p7 = 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(X2) = 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(X2) – (E(X))2 = 35.6 – 25 = 10.6

33
 Eje. Supongamos que X es una variable aleatoria continua con fdp

1  x 1  x  0
f ( x)  
1  x 0  x 1

Debido a la simetría de la fdp, E(X) = 0. Más aún,

0 1
E ( X 2 )   x 2 (1  x ) dx   x 2 (1  x ) dx 1 / 6
1 0

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) = C2V(X)

3. Sean X1, X2, ..., Xn n variables aleatorias independientes. Entonces

V(X1 + X2 + ... + Xn) = V(X1) + V(X2) + .... + V(Xn)

4. Sea X una variable aleatoria con varianza finita. Luego para cualquier número real a,
V(X) = E[(X – a)2] – [E(X) – a]2

Demostración:

34
 V ( X  k )   ( xi  k ) 2 f ( xi )   X2  k
  xi f ( xi )  2k  xi f ( xi )  k 2  f ( xi )  (  X  k ) 2
2

  xi f ( xi )  2k X  k 2  (  X2  2k X  k 2 )
2

  xi f ( xi )   X2 V ( X )
V (kX )   ( kxi ) 2 f ( xi )   kX  k 2  xi f ( xi )  ( k X ) 2
2 2

 k 2  xi f ( xi )  k 2  X2  k 2
2
x i
2

f ( xi )   X2  k 2V ( X )
V ( X  Y )   ( xi  y j ) 2 h( xi , y j )   X2 Y
i, j

  xi 2 h( xi , y j )  2 xi y j h( xi , y j )   y j h( xi , y j )  (  X  Y ) 2
2

i, j i, j i, j

x f ( xi )  2 xi f ( xi ) y j g ( y j )   y j g ( y j )   X2  2  X Y  Y2
2
 i
2

i i j j

  xi f ( xi )     y j g ( y j )    V ( X )  V (Y )
2 2 2 2
X Y
i j

Para dos variables aleatorias X e Y no necesariamente independientes:

 2 ( X  Y )   2 ( X )   2 (Y )  2 cov( X , Y )

Se llama covarianza de dos variables aleatorias X e Y a la expresión

cov( X , Y )  E ( X   X )(Y  Y )
  ( xi   X )( y j   Y ) P ( xi , y j )
i, j

Otra forma de la covarianza, que se obtiene desarrollando

E ( X   X )(Y   Y )  E XY   X Y  Y X   x  Y  , es

cov( X , Y )  E ( XY )  E ( X ) E (Y )

De aquí se deduce que, en el caso de variables aleatorias dependientes

E ( XY )  E ( X ) E (Y )  cov( X , Y )

El término covarianza hace referencia a una variación conjunta de las variables que entran en
juego. Que dos variables varíen 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

cov( X , Y )  0

4.8 Transformación de variables.

35
 Suponer que se transforman las mediciones x1, x2, ..., xn, a otras mediciones y1, y2, ..., yn mediante

yi = a xi + b

Si x1, ..., xn tienen el promedio x y la variancia s2x entonces es fácil demostrar que y1, ..., yn tienen
promedio y y variancia s2y dados por

y =a x +b

y por

s2y = a2 s2x

Eje. Es importante para una estructura sencilla de un andamio de acero, estudiar el aumento de la
longitud de los miembros que trabajan a tensión bajo carga. Para una carga de 2,000 Kg., diez miembros
iguales que trabajan a tensión mostraron aumentos de longitud como sigue (mediciones en centímetros):

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 desviación estándar de esas mediciones.

(b) Suponer que las mediciones se hubieran tomados en metros, y no en centímetros. Determinar
el promedio y la desviación estándar de las mediciones correspondientes en metros.

El promedio es

x = 1/10 (2.5 + 2.2 + ... + 2.6) = 2.45

y la variancia es

 1  n 2 1  n  
2
 1  n
  ( xi  x )     xi    xi  
2 2
s x
 n  1  i 1  n  1   i 1 n  i 1  
1 1 2
  61.09   24.5   0.1183
9 10 
y
sx = 0.34

Si yi representa la medición correspondiente en metros, entonces

yi = 0.01xi
Se infiere que
10 10 10

 yi 
i 1
 0.01xi  0.01 xi
i 1 i 1

y  (0.01) x  0.01( 2.45)  0.0245

36
 2
2 1 1 10 21
10 10
s y    0.01xi  0.01x    (0.01) ( xi  x )  (0.01)  ( xi  x )2  (0.01)2 sx2
2 2

9 11 9 i 1 9 i 1
sy = (0.01)sx = (0.01)(0.34) = 0.0034.

4.9 Momentos de una variable aleatoria.

Los parámetros  y  son medidas numéricas descriptivas importantes que localizan el centro y
describen la dispersión relacionada con los valores de una variable aleatoria X. Sin embargo, no
proporcionan una representación única de la distribución X. Muchas distribuciones distintas poseen las
mismas medias y desviaciones estándar. Ahora analizaremos un conjunto de medias numéricas
descriptivas que (por lo menos en condiciones generales) determinan de forma única a p(x).

Se llaman momentos a las esperanzas de algunos tipos importantes de funciones. El nombre

viene debido a cierta analogía con los momentos en física, suponiendo que las cantidades de f(x) fuesen
masas discretas de puntos que actúan de manera perpendicular al eje X se ha introducido en
probabilidad y estadística el término momento.

Sea X una variable aleatoria y sea Y = g(X) otra variable aleatoria función de X. Se calcula la
esperanza o valor esperado de Y como

E (Y )  E  g ( X )   g ( xi ) P( xi ) si X es discreta
E (Y )  E  g ( X )  


f ( x ) f ( x ) dx si X es continua

Tiene especial interés el caso en que g(x) = xk, para k = 1, 2, 3, .....

El r-ésimo momento inicial (también llamado r-ésimo momento aleatorio alrededor del origen)
de la variable aleatoria X, representado por  r , es el valor esperado de Xr, es decir,  r  E X r , r  N. 
Evidentemente, el primer momento inicial de una variable aleatoria es su media o valor esperado, esto
es:  r  E  X    .

El r-ésimo momento central (o momento alrededor de la media) de una variable aleatoria X,

representado por r * , se define como sigue:

r *  E  X   
r

En particular  2  2 * .
Existe también el llamado r-ésimo momento absoluto, aunque es poco común, el cual es igual al r-
ésimo momento inicial de la variable aleatoria h(X) = |X|.

Los momentos centrales pueden expresare en términos de los momentos iniciales (o del origen)
mediante la siguiente relación

37
 r k
 r*   (1) k
    r  k , k  0,1,2,...
k 

Si el primer momento central existe, debe ser necesariamente cero 1*  0 ; por otra parte, el
segundo momento central de una variable aleatoria X se denomina varianza (si es que existe), y se
 
denota por V ( X )   2  E  X    2 . La raíz cuadrada no negativa de la varianza se llama desviación
estándar.

Es muy fácil probar que, tanto para una variable aleatoria discreta como para una continua, se
cumple la relación:

 2   2 *  2   2

esto es:


E  X  
2
 2
 
 E X 2 2

Lo anterior se generaliza como sigue:


E  X     E  X   3E  X   2
3 3 2 3

E  X      E  X   4 E  X   6  E  X   3
4 4 3 2 2 4

y así sucesivamente.

Una condición necesaria, pero no suficiente, para que la gráfica de una función de densidad de
probabilidad sea simétrica 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 gráfica de f(x) es simétrica con respecto a la media,
entonces 3*  0 , pero lo recíproco no siempre es verdad. Cuando la gráfica de f(x) no es simétrica con
respecto a la media, entonces se llama sesgada.

Si X es una variable aleatoria, entonces el sesgo (o asimetría) de X se denota por cualquiera de

los símbolos siguiente:  3   , 3

Y se define en términos del tercer momento central:

1 3*
3    E  X    3

3 3

Si  = 0, la gráfica de f(x) es perfectamente simétrica respecto de la media, si  es positiva, la gráfica

presenta una especie de cola alargada del lado derecho; mientras que si  es negativa, entonces la gráfica
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 medición, mientras
que el tercer momento central 3* no lo es.

En particular, 1 se llama tipificación de la variable X, 3 es el sesgo, 4 =  es el Kurtossis (o

exceso)

38
 1 4*
4    E  X    4

4 4

La magnitud  = 4 proporciona un indicador de qué tan “picuda” es la gráfica de la función de densidad

f(x). Mientras mayor sea la cantidad, tanto más picuda o pronunciada será la cresta en la gráfica de f(x).
Es pertinente señalar, sin embargo, que la Kurtossis de una distribución es poco usual, por considerarse
que la interpretación que se tiene de ella es vaga y de valor dudoso.

Eje. El diámetro (en centímetros) de unos balines metálicos para uso industrial, es una variable
aleatoria continua x, cuya función de densidad esta dada por:

2cx  cx 2  0.99c 0.9  x  1.1

f ( x)  
 0, c.o. p.

a) Obtenga el valor de la constante c.

b) La media.
c) Halle la varianza y la desviación estándar.
d) Mediana.
e) La moda.

a)
1.1

 c(2 x  x  0.99)dx  1
2

0.9
1.1
x3
c  (2 x  x 2  0.99)dx  1  c[ x 2   0.99 x ]10..19  1
0.9 3
(1.1)3 (0.9)3
c[(1.1) 2   0.99(12.1)  (0.9) 2   0.99(0.9)]  1
3 3
.0013333c  1
c  750
b)
1. 1
1.1 1. 1
 2 x3 x 4 0.99 x 2 
  c  x( 2 x  x  0.99) dx  c  ( 2 x  x  0.99 x )dx  750
2 2 3
  
0. 9 0.9  3 4 2  0. 9
 2(1.1)3 (1.1) 4 0.99(1.1) 2 2(0.9)3 (0.9) 4 0.99(0.9) 2 
 750       1
 3 4 2 3 4 2 
 1
c)
1.1
 2 x 4 x 5 0.99 x 3 
   x f ( x) dx    c  ( 2 x  x  0.99 x )dx    c 
2 2 2 3 4 2
 
2
 
2

 4 5 3  0.9
 2(1.1) 4 (1.1)5 0.99(1.1)3 2(0.9) 4 (0.9)5 0.99(0.9)3 
 750       1
 4 5 3 4 5 3 
 2  23

39
   23  0.04472
d)
x
x x
 t3 
me  c  ( 2 x  x 2  0.99) dx  c  ( 2t  t  0.99) dt  750t 2   0.99t ) 
0.9 0.9  3  0.9
igualamos  1 / 2

x3 97
x2   0.99 x  0
3 300
soluciones :
x1  0.8267
x2  1
x3  1.173

Con estos resultados podemos observar que x 1 y x3 no pueden ser considerados dado que se encuentran
fuera de los limites señalados y por lo tanto la solución es: me = 1

e)
f ( x )  c( 2 x  x 2  0.99)  0
f ´( x)  c[2  2 x ]  0
2  2x 
x 1
mo  1

Una gráfica de esta función y  1500 x  750 x 2  742.5 es:

grafica de y=1500x-750x2-742.5
8

4
y

0
0.9 0.95 1 1.05 1.1 1.15
x

Teorema de Chébyshev.

En el siglo XIX, el matemático ruso Pafnuty L. Chébyshev (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 estándar alrededor de la media

40
( k > 1). Aunque la garantía mínima propuesta por Chébyshev 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 distribución de probabilidad, ya sea discreta o continua, y generalmente es útil
cuando la distribución de probabilidad es desconocida.

El teorema de Tchebysheff. Dados un número k, y un conjunto de observaciones x 1, x2, ...., xn, al

menos (1 - 1/k2) de las observaciones caen dentro de k desviaciones estándar de la media. La
probabilidad de que cualquier variable aleatoria X tome un valor dentro de k desviaciones estándar de la
media es al menos 1 – 1/k2. Es decir.

1 1
P (   k  X    k ) 1  o P X    k  
k2 k2

Dem. Por la definición de varianza de X podemos escribir

 2  E ( X   ) 2 

 ( x   ) 2 f ( x) dx

  k   k 
 ( x   ) 2 f ( x) dx   ( x   ) 2 f ( x) dx   ( x   ) 2 f ( x )dx
   k   k
  k 
 ( x   ) 2 f ( x) dx   ( x   ) 2 f ( x )dx
   k

debido a que la segunda de las tres integrales es no negativa. Ahora bien, como x    k para

   x     k   x    

cualquier x    k
 x    k o x    k , tenemos que ( x   ) 2  k 2 2
 
 x    k  x  k   x    k 
en ambas integrales. Se sigue que
  k 
2  
k 2 2 f ( x) dx  
  k
k 2 2 f ( x ) dx

y que

  k  1

f ( x )dx  
  k
f ( x )dx 
k2

De aquí

  k 1
P(   k  X    k )   f ( x)dx 1  .
  k k2

El teorema de Tchebysheff se refiere a cualquier conjunto de observaciones, por lo tanto se

puede aplicar tanto a una muestra como a la población independientemente de que el histograma de
41
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 por lo común rebasa la
1
cota o límite inferior par la probabilidad, 1  2 , por una cantidad considerable.
k

Eje. La cantidad de clientes que llega cada día aun mostrador, X, observada por un periodo
prolongado tiene una media de 20 y una desviación estándar de 2. Se desconoce la distribución de
probabilidad ¿Qué se puede decir de la probabilidad de que, mañana, X esté entre 16 y 24?

Deseamos calcular P (16  X  24) , del teorema de Chebyshev, sabemos que, para cualquier
1
k  0 , P (   k  X    k ) 1  2 , Como   20 y   2 , se infiere que   k  16 y
k
  k  24 si k = 2. Por lo tanto,

1 3
P(16  X  24)  P    2   X     2    1  
22 4

En otras palabras, la cantidad total de clientes que llegará mañana estará entre 16 y 24 con una
probabilidad al menos de ¾.

Eje. La función de distribución acumulada exponencial es

0 si x  0
F ( x)   x
1 e si x  0

La función de distribución de probabilidades es f(x) = e-x, x  0. Así, para esta distribución


1  
0
xe  x dx  1

2   x 2e  x dx  2
0

3  0
x 3e  x dx  6

4  0
x 4e  x dx  24

Por consiguiente

V ( X )   2  12  1
 1
 4*   4  4 3 1  6  2 12  314
 24  (4)(6)(1)  6(2)(1)  3  9
 4  9.

Eje. Suponga que los editores de la revista Playboy desean aumentar sus suscriptores. Para ello,
envían cartas (o mensajes por e-mail) a un número aleatorio de personas, invitándolas a suscribirse con
ciertas ventajas. De las personas que reciben esa correspondencia, un gran número ni siquiera la leen y la
tiran a la basura, pero otros la leen y responden. Supongamos que la proporción de personas que

42
responden a la invitación (0 = 0%, 1 = 100%) es una variable aleatoria (continua) X, cuya función de
densidad de probabilidad está dada por:

 2( x  2)
 , si 0  x  1
f ( x)   5
 0, c.o. p

a) Verifique que, en efecto, f(x) es una función de densidad de probabilidad.

b) Encuentre la distribución 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 responderán a la invitación.
e) Determine la varianza y la desviación estándar de la variable aleatoria X.
f) Calcule el coeficiente de sesgo.
1
 2( x  2)
1 2  x2  21 

f ( x)dx  0 5 dx  5  2  2 x     2  1
52 
0
x
2(t  2) 2t  2
2  x2  x 2  4x
, x   0,1
x x
F ( x)  
f (t )dt  
0 5
dt  
5 2
 2t 

 
5 5
 2 x  
 5
0

F (0.6)  F (0.3)  0.552  .258  0.294

2 2
  E X  
 1 1
 xf ( x) dx   x( x  2)dx  5  ( x  2 x )dx
2
 5 0 0

1
2  x3  2 1  8
   x 2     1   53.3%
5 3  0
5 3  15

2
2 1 2  8 
VX  

  x 2 f ( x) dx   2   x ( x  2)dx  
2

 5 0
 15 

 x 
2 1 2 64 37
 3
 2x    0.08222
5 0 225 450

La desviación estándar es,

37
   0.286744
450

 
3

 x    3 f ( x)dx  2 0  x  8 

3*  E  X   
3 1
( x  2)dx
 5  15 
11

 0.003259;
3375
* 968 22 2
luego    3  33     0.13824
 50653 37 37

De antemano sabíamos que el sesgo debe ser negativo, ya que se trata de una línea recta con
pendiente positiva y, por tanto, la cola de la gráfica aparece pronunciada en el lado izquierdo.

43
 Eje. Un padre le da a su hijo una cantidad variable de dinero diario para sus gastos en la escuela.
Suponga que el señor deja el asunto al azar; en cada uno de tres papeles pequeños 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 mañana (sin reposición) y le dará la cantidad que sumen ese día para sus gastos en la
escuela. Si T es la variable aleatoria que representan el total de dinero que el niño se lleva cada día a la
escuela:

a) Halle la distribución de probabilidad de T en forma de una tabla.

b) Calcule la media o valor esperado de T.
c) Encuentre la varianza y la desviación estándar.
d) Haga el dibujo de un histograma que represente la distribución de probabilidad de T.
e) Averigüe qué tan útil puede ser la desigualdad de Chébyshev para estimar la probabilidad
mínima de que el niño se llevará más de $20, pero menos de $55. (Sugerencia: tome el
intervalo desde 25 hasta 52.333).

Es fácil 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 sólo 11 sumas distintas de dinero que el niño puede llevarse ello se debe a que hay tres sumas de
dinero ($35, $40, $50) que pueden obtenerse de dos maneras distintas.

Tenemos que calcular las probabilidades respectivas en esas 11 cantidades, usando la fórmula
para ensayos sin reposición. Por ejemplo, la probabilidad de que se lleve 35 pesos está dada por:

 3  5  7   3  5  7 
       
 0  3  1   1  0  3  2 1 5
   
15  15  39 13 39
   
4 4

44
 De esta manera encontramos, uno por uno, los valores de f(t) para cada uno de los 11 números
posibles de la variable aleatoria T, que representa el total de dinero que se lleva el niño cada día.

Por tanto, la distribución de probabilidad de la variable aleatoria T es la siguiente:

ti 20 25 30 35 40 45 50 55 60 65 70
pi 1/39 5/39 2/13 5/39 64/27 2/13 31/45 1/13 2/91 1/195 1/273
3 5

Podemos obtener la media o valor esperado de:

 1   5  2  5   64   2  31  1
  20   25   30   35   40   45   50   55 
 39   39   13   39   273   13   455   13 
 2  1   1  116
 60   65   70   38.6667
 91   195   273  3

Esto significa que, en promedio, el niño se lleva a la escuela aproximadamente $38.70.

La varianza es el segundo momento central de orden 2:
2 2 2 2
 116  1  116  5  116  2  116  5
 2   20     25     30     35   
 3  39  3  39  3  13  3  39
2 2 2 2
 116  64  116  2  116  31  116  1
 40     45     50     55   
 3  273  3  13  3  455  3  13
2 2 2
 116  2  116  1  116  1 6248
 60     65     70     99.1746
 3  91  3  195  3  273 63

Por consiguiente, la desviación estándar es:

6248
   9.958645  $10.
63

Una desviación estándar de casi $10 es considerable. ¿Qué significa? Significa que existe
bastante dispersión de los valores de T alrededor de la media, es decir, que las cantidades que el niño se
lleva en realidad a la escuela son bastante heterogéneas.

El histograma es.

45
 Barchart for Col_2
0.24

0.2

frequency
0.16

0.12

0.08

0.04

0
20 30 40 50 60 70
25 35 45 55 65

El teorema de Chébyshev proporciona la garantía de que para cualquier k > 1 ocurre que
1
P   k  X    k   1  2 . Empero, para variables aleatorias discretas, la desigualdad de Chébyshev
k
sólo es aplicable en casos excepcionales, porque deberíamos tener mucha suerte para que ambos   k
y   k estuviesen en el dominio de definición de X. En este caso, es fácil convencerse de que ningún
valor de k > 0 produce el efecto deseado, porque si hubiese números naturales n, m tales que   k  n
116 116 232
, y   k  m , necesariamente se llegaría a m   n  mn  , lo cual es imposible.
3 3 3
Además, la condición k > 1 nos obliga a tomar n < 28.67 y m > 48.67. Mediante el intervalo 25 < X <
52 1/3 como una aproximación del intervalo 20 < X < 55, entonces sí es posible emplear la desigualdad
de Chébyshev. Tenemos así dos ecuaciones de primer grado:

116 6248 116 6248 1 157

k  25; k  52 
3 63 3 63 3 3

Resolviendo cada una de estas ecuaciones, obtenemos, como era de esperarse, el mismo valor:

41 1562
k
2 7

lo cual significa que, en efecto, el intervalo tiene su centro en la media. Por tanto, la estimación mínima,
según el teorema de Chébyshev, es:

1 6248 5519
1 2
 1   0.4690
k 11767 11767

Para obtener el valor exacto, se calcula primero la distribución acumulada de probabilidad F(x) mediante
una tabla y se evalúa F(50) – F(25).

Eje. En la teoría de fiabilidad de los dispositivos automáticos, la fiabilidad de un elemento o de

un sistema se caracteriza por la llamada intensidad media de fallos (t), la cual representa una función
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), suponiendo que
hasta el momento t el elemento funcionaba normalmente. Conociendo la función (t), se puede hallar la
ley de distribución de la duración de servicio.

46
 Para hallar la ley de distribución de la duración 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(AB), y basándonos en el principio de
multiplicación de probabilidades, podemos escribir

P ( B )  P ( A) P ( B | A)

Designemos las funciones incógnitas de distribución y la densidad de probabilidad de la duración 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:

P( B )  P (t  T  t  dt )  f (t ) dt  F (t ) dt

La probabilidad del acontecimiento A se expresa por medio de la función de distribución de la duración

de servicio del elemento T.

P ( A)  P (T  t )  1  P (T  t )  1  F (t )

Por fin, la probabilidad condicional P(B|A) se expresa por la intensidad media de fallos del elemento
(t):

P ( B | A)   (t )dt

Sustituyendo las expresiones obtenidas, obtendremos después de dividir ambos miembros por dt, la
ecuación diferencial para la función de distribución F(t):

F (t )  1  F (t )  (t )

Dado que la duración de servicio del elemento no puede ser negativa, el acontecimiento T < 0 es
imposible y, por lo tanto F(0) = 0.

Integrando la ecuación anterior, con la condición inicial de que F(0) = 0, hallamos la función de
distribución de la duración de servicio del elemento:
t

F (t )  1  e 0
  ( t ) dt

De aquí, por derivación, hallamos la densidad de probabilidad de la duración de servicio del elemento:
t

f (t )   (t )e 0
  ( t ) dt

En el caso particular, de que la intensidad de fallos  (t )   sea constante, se tiene

F (t )  1  et f (t )  e  t

47
De este modo, siendo constante la intensidad de fallos , la duración de servicio de un elemento está
subordinada a la ley exponencial de distribución, lo que explica el gran papel que dicha ley desempeña
en la teoría de fiabilidad de los sistemas automáticos.

Eje. Para los mismos datos del ejemplo anterior, hallar la probabilidad condicional de que el
elemento falle en el intervalo de tiempo (t 1, t2) suponiendo que funcione bien hasta el momento t 1.

Examinemos dos acontecimientos: A (el funcionamiento normal del elemento hasta el momento
t1, y B (el fallo del elemento en el intervalo de tiempo (t 1, t2)). De

P ( B )  P (t1  T  t2 )  F (t2 )  F (t1 )

P ( A)  P (T  t1 )  1  P (T  t1 )  1  F (t1 )

Sustituyendo estas expresiones en P( B)  P( A) P( B | A) 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, t2) a condición de que hasta el momento t 1
haya funcionado bien:

P( A  B) P( B ) F (t2 )  F (t1 )
P( B | A)   
P ( A) P( A) 1  F (t1 )

Sustituyendo aquí F(t), obteniendo

t2
 t1  ( t ) dt
P ( B | A)  1  e

En el caso particular, en que la intensidad de fallos  es constante, se tiene

P ( B )  e   t1  e   t 2
y

P ( B | A)  1  e   (t 2  t1 )

Eje. En el problema de detección de la señal en los ruidos, la amplitud de la señal útil U es de

ordinario una magnitud aleatoria que puede tomar cualquier valor, tanto positivo como negativo. La
amplitud de la señal U es igual a cero cuando la señal no está presente y se recibe sólo ruido. Si, la
probabilidad de la presencia de la señal es igual a p, entonces, la probabilidad de la ausencia de la señal,
es decir, la probabilidad del valor cero de su amplitud es igual a q = 1- p. De este modo, la amplitud de
la señal U no es más que una magnitud aleatoria de tipo mixto con valores posibles que llenan
continuamente todo el eje numérico y con un valor posible cero exclusivo que tiene la probabilidad q. En
las figuras a y b se muestran los gráficos de la función de distribución F(u) y de la densidad de
probabilidad f(u) de la amplitud de la señal útil en el problema de detección.

48
 4.10 La función generadora de momentos.

La función generadora de momentos m(t) para una variable aleatoria X se define como
m(t )  E  etX  . Decimos que existe una función generadora de momentos para X si hay una constante
positiva b tal que m(t) es finita para t  b .

¿Por qué E  etX  se llama función generadora de momentos de X? : La expansión por series de
etx nos da

etx  1  tx 
 tx  2   tx  3  ....
2! 3!

Entonces, si suponemos que  k es finita para k = 1,2,3,…, obtenemos:


E  e    e p ( x)   1  tx 
tx tx  tx 
2

 tx 
3

 .. p ( x)
x x  2! 3! 
2 3
t t
  p ( x)   xp( x)   x 2 p ( x)   x 3 p ( x )  ...
x x 2! x 3! x
t2 t3
 1  t1  2  3  ...
2! 3!

Este razonamiento implica un intercambio de sumatorias que se justifica si existe m(t).

Así, E  etx  es una función de todos los momentos  k respecto al origen para k = 1,2, 3,…. En
tk
particular,  k es el coeficiente de .
k!

La función generadora de momentos tiene dos aplicaciones importantes. Primero, si pudiérarmos

calcular E  etx  , podríamos determinar cualquiera de los momentos de X.

Teorema. Si existe m(t), entonces, para cualquier entero positivo k,

d k m(t )
 m ( k ) (0)   k
dt k t 0

Dem. Como

49
 t2 t3
 
m(t )  E etx  1  t1 
2!
 2  3  ...
3!

Se deduce que

2t 3t 2
m (1) (t )  1  2  3  ...
2! 3!
2t 3t 2
m ( 2 ) (t )   2  3   4  ...
2 4!
..
2t 3t 2
m ( k ) (t )   k   k 1   k  2  ...
2! 3!

Si hacemos t = 0
m (1) (0)  1
m ( 2 ) ( 0)   2
.
m ( k ) ( 0)   k

Eje. Determine la función generadora de momentos m(t) para una variable aleatoria de Poisson
con media .

x e  
m(t )  E  etx  


 etx p( x) 
x
 etx
x 0 !

 e t x
e  e t   X

 
x 0 x!
 e  
X 0 x!
De

 e  t x


T
 e E
X 0 x!

Multiplicando y dividiendo entre ee ,

t


 e 
t x
e  e
t

m(t )  e e  e t

x0 x!

La cantidad dentro del signo de sumatoria es la función de probabilidad de una variable aleatoria de
Poisson con media et ., De ahí que:

 p( x)  1, m(t )  e   ee (1)  e  e 1

t t
y
x

Eje. Emplea la función generadora de momentos del ejemplo anterior para determinar la media y
la varianza de la variable aleatoria de Poisson.

50
 De
m (1) (t ) 
dt
e 
d   e t 1
 e   e  e t
t 1
  m(1) (0)  

d2
dt
 t
 d
m ( 2) (t )  2 e  e 1  e  e et  e  e  (et ) 2  e  e et
dt
t 1 t 1 t 1
 2  m( 2) (0)  2  

Pero  2  E (X 2 )   2  2   2  2    2   .

La segunda y principal aplicación de una función generadora de momentos consiste en demostrar

que una variable aleatoria posee una distribución de probabilidad particular p(x). Si m(t) existe para una
distribución de probabilidad p(x), entonces es única. Asimismo, si las funciones generadoras de
momentos de dos variables aleatorias X e Y son iguales (para toda t  b y para alguna b > 0), entonces
X e Y deben tener la misma distribución de probabilidades. De esto inferimos que si podemos reconocer
la función generadora de momentos de una variable aleatoria X que corresponde a una distribución
específica, entonces X debe poseer la misma distribución.

En resumen, una función generadora de momentos es un artificio matemático que a veces –no
siempre- proporciona una manera sencilla de determinar momentos relacionados con variables
aleatorias. Lo más 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 función generadora de momentos
t
m(t )  e3.2 ( e 1) ¿Cuál es la distribución de X?

Una función generadora de una variable aleatoria de Poisson tiene la forma m(t 9  e  e 1 . Así
t

que la función generadora de momentos de X es exactamente igual a la de Poisson con   3.2 . Puesto
que las funciones generadoras de momentos son únicas, X debe tener una distribución de Poisson con
media de 3.2.

Eje. Si X tiene una función continua de distribución de probabilidades

 1
 si a  x  b, a  b
f ( x)   b  a
 0 c.o

Entonces

M (t ) 
1
ba 
a
b
e tx dx 
1
t (b  a )
e tb  e ta 

Es una función diferenciable de t, para toda t, -<t<.

Para

51
 e x 0x
f ( x)   0 
0 c.o

Entonces

 
M (t )    etx  x dx  t
0  t

Esta función generadora de momentos sólo existe cuando t < .

4.11 Error Cuadrático medio y error absoluto medio de una predicción.

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 qué punto los valores observados en la práctica
concuerdan con las predicciones. Al hacer una predicción, se procura elegir un número d, de manera que
el valor esperado del cuadrado del error X – d sea el mínimo posible. Se toma el cuadrado para eliminar
los signos negativos; de lo contrario, algunas diferencias darían valores negativos y otros valores
positivos, cancelándose unas con otras. Esto conduce a lo siguiente.

Definición. Si x es una predicción teórica de la variable aleatoria X con media  y varianza 2,
 
entonces E  X  x  2  E  X 2   2 x  x 2 se denomina error cuadrático medio de la predicción x y se
abrevia ECM(x). Viene siendo el momento ordinario de segundo orden alrededor del punto x.

Fácilmente se determina que el valor mínimo de la función así definida ocurre para x = . La
demostración para el caso continuo, por ejemplo, sería tomando la derivada de esa función e igualando a
cero, en cuyo caso quedaría -2 + 2x = 0 x = . Como la segunda derivada es 2 > 0, se deduce que
ECM(x) alcanza su mínimo para x = , y ese valor mínimo es justamente ECM() = V(X) = 2. De aquí
el siguiente resultado importante.

Proposición. El error cuadrático medio (ECM) para una predicción x de la variable aleatoria X
alcanza siempre su mínimo 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 sería tomar los valores absolutos de las diferencias, en
lugar de sus cuadrados. De este modo, al hacer una predicción, también sería posible elegir el valor x =
d, de manera que el valor esperado de |X – d| fuese el mínimo. Esto conlleva a lo siguiente,

Definición. Para una predicción teórica x de una variable aleatoria X, el número E  | X  x | se

llama error absoluto medio de la predicción (EAM(x)).

Así como el ECM alcanza su mínimo para la media, se puede demostrar que el EAM alcanza su
mínimo para la mediana

Teorema. Si me es la mediana de la variable aleatoria X, entonces el error absoluto media

EAM(x) es una función que alcanza su valor mínimo sí y sólo sí x = me

52
 En efecto, suponga primeramente que d es una predicción del valor de X tal que d  me,
Entonces:

  E  | x  d |  E  | x  m |  f ( x)dx
E  | X  d |  E  | X  me | 

e


   d  m  f ( x )dx    d  m  2 x  f ( x )dx    m  d  f ( x) dx 
me d 
e e e
 me d

  d  m  f ( x)dx    m  d  f ( x) dx    me  d  f ( x)dx
me d 
 e e
 me d

  d  me   P ( X  me )  P ( X  me )

1
Sin embargo, por definición de mediana, P( X  m e )   P( X  m e ) , lo que implica que la parte
2
entre corchetes es no negativa. Además d  m e  0 , por hipótesis. Luego, E  | X  d |  E  | X  m e |  0 ,
esto es E  | X  d |  E  | X  m e | .

De manera análoga se procede para el caso en que d < me. De aquí que para el valor d = me el
error absoluto EAM ( d )  E  | X  d | es mínimo.

Ejemplos:

Eje. ¿Cuál es la probabilidad de que una v.a. X con distribución de Cauchy, es decir, con función
de densidad


f ( x)   1 1   x    
2 1

simétrica en torno a  = 0 tome valores en el intervalo (-1, 1]? ¿En el (-1, 1)?

La variable aleatoria X tiene densidad:

1 1
f ( x) 
x 1  x2

la probabilidad de que X  (-1, 1] se obtiene por tanto integrando dicha función de densidad entre los
límites correspondientes:

1 1 1
 1 1  x 2
P( 1  X  1)  dx

1

 tan 1 (1)  tan 1 (1) 

1
2


53
La probabilidad del intervalo (-1, 1) es la misma que la de (-1, 1], un punto tiene probabilidad cero en
cualquier distribución continua.

Eje. Se distribuye una unidad de probabilidad de modo uniforme en un círculo de radio r. ¿Cuál
es la función de distribución de la v.a. D = “distancia al centro” de un punto tomado al azar?

El círculo de radio r tiene un área total de r 2 , y la función de densidad dentro de él es por

tanto  1r 2 . La probabilidad correspondiente a cualquier porción del círculo será así (Area  1r 2 ).
La distribución buscada es entonces:

 0 si d  0
 2
f D ( d )  d / r 2 si 0  d  r
 1 si 1  d


Eje. Supongamos que el intervalo de tiempo en minutos entre sucesivas pasadas de autobuses
por una parada sigue una distribución exponencial (es decir, FX ( x)  1  e  x ) de parámetro  = 0.5. Si
un viajero llega en el momento justo en que un autobús abandona la parada, ¿cuál es la probabilidad de
que haya de esperar más de tres minutos? ¿Más 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 últimos cinco minutos
no ha pasado ningún autobús, ¿cuál es la probabilidad de que el segundo pasajero haya de esperar más
de tres minutos?

Sea T el intervalo de tiempo entre autobuses. Entonces,

P (T  t )  1  e 0.5t

Por consiguiente:

P (T  3)  1  P (T  3)  1  (1  e 0.5*3 )
 1  (1  e 1.5 )
 e 1.5  0.22313

y del mismo modo:

P (T  5)  e 0.5*5  e 2.5  0.08208

La probabilidad de que el segundo viajero haya de esperar todavía más de tres minutos sabiendo que han
pasado ya cinco desde que partió el último autobús es:

P (T  8  T  5)
P (T  8 | T  5) 
P (T  5)
P(T  8) e  0.5*8
   e  0.5*3  0.22313
P (T  5) e  0.5*5

54
El saber cuánto tiempo lleva sin pasar el autobús no aporta ninguna información acerca de lo que puede
todavía tardar en pasar. Esta es una propiedad de la distribución exponencial; se dice por eso que no
tiene memoria.

Eje. Sean X1, ..., X5 variables aleatorias generadas mediante el lanzamiento de cinco dados
perfectos. Sea X = max{X1, ..., X5}. ¿Cuál es la función de distribución de X? ¿Coincide con la de
cualquiera de las variables aleatorias X1, ..., X5 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, ..., X5 tomen valores entre 1 y x y
no todas tomen valores entre 1 y (x – 1). Por tanto,

P ( X  1) P  5
i 1
Xi  1  P   5
i 1
Xi  1 
5
1
    0.0001286
6

P ( X  2) P  5
i 1
Xi  2  P   5
i 1
Xi  2 
5 5
2 1
      0.003987
6 6

y análogamente se obtienen los restantes valores de la función de cuantía:

PX (3)  0.02713 PX (4)  0.10043 PX (5)  0.27019 Px (6)  0.59812

La función de distribución se obtiene sumando la de cuantía para cada Xi:

PX i (k )  1 / 6, (k  1,...,6),
y
x
FX i ( x )  P
k 1
Xi (k )

Eje. Una v.a. X sigue una distribución especificada así:

 0 si x  0
 0.1 si 0  x  1


FX ( x)   0.6 si 1  x  2
0.9 si 2  x  3


 1 si 3  x

Halle:
i) La función de cuantía de X.
ii) La probabilidad de que X tome valores en los siguientes intervalos:

(0,3], (1,2], (1,2), [2,3).

55
 iii) P X  (0,2] | X  1

Llamamos función de cuantía de una distribución discreta a:

Px ( x )  FX ( x)  FX ( x  )

es decir, PX(x) es el salto de la función de distribución en el punto x.

i) la función de cuantía es igual al salto de FX(x) en los puntos 0, 1, 2 y 3. Y de acuerdo con

la especificación de FX(x) tenemos que

Px (0)  0.1, Px (1)  0.5, PX (2)  0.3, PX (3)  0.1

ii)

P{(0,3]}  P 0  X  3  FX (3)  FX (0)  1  0.1  0.9

P (1,2]  P1  X  2  FX ( 2)  FX (1)  0.9  0.6  0.3

P (1,2)  P1  X 2
 P1  X  2  P X  2
 FX ( 2)  FX (1)  PX ( 2)  0.9  0.6  0.3  0

P[ 2,3)  P 2  X  3  P X  2  P X  3
 FX (3)  FX ( 2)  PX ( 2)  Px (3)
 1  0.9  0.3  0.1  0.3

iii)
P X  (1,2]
P X  (0,2] | X  1 
P X  1
F (2)  FX (1) 0.9  0.6 3
 X  
1  FX (1) 1  0.6 4

Eje. Dada una muestra aleatoria simple X1, ..., Xn procedente de una distribución con media  y
varianza  2 , hállese la media y varianza de X  ( X 1  ...  X n ) / n.

Tomando valor medio de X tenemos:

 X  ...  X n 
E( X )  E  1 
 n 
 E[ X 1 ] / n  ...  E[ X n ] / n
  / n  ...   / n


56
Análogamente, tomando varianzas:

 X  ...  X n 
V[X ]  V  1 
 n 
 V [ X 1 ] / n  ...  V [ X n ] / n 2
2

  2 / n 2  ...   2 / n 2
 2 /n

Eje. Una emisión de bonos a un año tiene un interés del 5%. Además, la cuarta parte de los
bonos, seleccionada por sorteo, recibe una prima del 25% de su valor nominal. ¿Cuál es el rendimiento
esperado de un bono? Si se hubiera de invertir una cantidad muy grande de dinero, ¿qué sería preferible:
invertir en los bonos indicados, o en otros al mismo plazo con un rendimiento del 11%? (se supone que
el riesgo, liquidez, y demás factores distintos de la rentabilidad son idénticos en ambos casos.)

Si llamamos X e Y a los rendimientos totales respectivos de ambos tipos de bonos (expresados

en %) tenemos que:

1
E[ X ]  1(0.05)  * 0.25  0.1125
4
E[Y ]  0.11

El primer bono es preferible si se invierte mucho dinero, es decir, se compra multitud de bonos.
Obsérvese que solo en este caso podremos comparar ambas opciones de inversión en términos de su
rendimiento medio. Si solo se puede comprar un bono de la primera clase, no tendría sentido pensar en
un rendimiento del 11.25%; obtendríamos el 5% o el 30%. Un inversor averso al riesgo preferirá el
segundo tipo de bono (con el que sabe que obtendrá un 11% seguro). Un inversor proclive al riesgo
preferirá 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 función de cuantía viene especificada mediante
la siguiente tabla:

 (m  c) con probabilid ad c 2 / 2

X  m con probabilid ad 1  c 2
 (m  c ) con probabilid ad c 2 / 2


Compruébese que para una variable aleatoria como X la desigualdad de Chebysheff es una igualdad.

La varianza de X se calcula. Por simetría, la media es m, y:

 c2   c2 
 2  E[( X  m) 2 ]  c 2    c 2    c 4
 2  2

La desigualdad de Chebysheff establece que:

57
 1
P| X  m | k  
k2

Substituyendo  por c2 y k por 1/c obtenemos:

 1 
P | X  m | c 2   c 2
 c 

Pero esta relación se verifica con igualdad, pues de la especificación de la distribución de X se deduce
que el lado izquierdo es precisamente c2. 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. Compruébese que la distribución de Cauchy


f ( x )   1 1  x 2  1
,   x  

carece de momentos.

Basta comprobar que:

 1 xk 
k  E[ X ]   x f ( x)dx  
k k
dx
   1  x2

diverge si k  1. Esto es fácil de ver ; si x > 1, 1 + x2 < 2x2 y por tanto:

1  xk 1  xk
   1  x 2 dx     2 x 2 dx
la integral del lado derecho se ve sin dificultad que diverge siempre que k  1.

Obsérvese que la carencia de media –y de todos los momentos de orden superior- se produce a
pesar de la forma simétrica en torno al origen de la función de densidad, lo que sugerirá  = 0.

Eje. Calcúlese la media y varianza de una v.a. con distribución exponencial de parámetro :

 0 si x  0
F ( x)    x
1  e si 0  x  
 > 0.

La función de densidad de X se obtiene derivando:

f ( x )  e  x , (0  x   )

58
 El cálculo directo de media y varianza es:

 1
 0
xe  x 

 1
2  0
( x   ) 2 e  x dx 
2

Eje. Considérese la distribución exponencial. ¿Coincide la media con la mediana?

La mediana  de una distribución continua F(x) es aquel valor que verifica:

1
P X     P X    
2

En el caso que nos ocupa, ha de suceder que:

1
F ( )  1  e   
2
1
 e   
2
1
   ln 
 2
ln 2
 


1
Como quiera que   y ln 2 = 0.6931, la mediana siempre será inferior a la media en el caso de una

distribución exponencial.

Eje. Muéstrese que la varianza es el mínimo momento de segundo orden (es decir,

 2  E X     E X  c
2 2

para cualquier otro c .)

E X  c  E X      c
2 2

 E  X     E    c   2 E  ( X   )(c   )
2 2

  2  (   c) 2  0
  2  (   c) 2

ya que

E  ( X   )(c   )  (c   ) E  X     0

De lo anterior se deduce, habida cuenta de que  c    2  0, que E  X  c  2  c 2 .

59
 Eje. Una variable aleatoria R toma el valor r con la probabilidad kr, r = 0, 1, 2, ..., l. Encontrar
k y P ( R  l  1) .

l
Sea P ( r )  k . r
Ahora bien  P(r )  k (1  
0
l 1
) /(1   )  1 . De donde

k  (1   ) /(1   l 1 ) y

l 1
1 l
P ( R  l  1)   P( r )   1  P( R  l )
0 1   l 1

Eje. Una variable aleatoria X, que toma valores en (0, a), tiene la función de distribución kx 2,
1
0<x<a. Encontrar la f.d.p. y P( X  a) .
2

Sea F(x) = kx2, F(a) = ka2 = 1 y, por tanto, k = 1/a2.

f ( x)  x 2 / a 2
a2
a 1
F    42 
 2 a 4
 1  1  3
P X  a   1  F  a  
 2  2  4

Eje. Una variable aleatoria X tiene la función de densidad de probabilidad f(x) = 2x, 0<x<1.
Encontrar el 25-ésimo percentil y la mediana de X.
x
Ahora F ( x)  0 2tdt  x 2 y F(x) = 0.25 da x = 0.5. De donde x0.25 = 0.5. F(x) = 0.5 da x0.5 =
0.5 .

Eje. Encontrar la tasa específica de falla por desgaste cuando f (t )  e  t , t  0.


1  F (t )  
t
e  t dt  e t . De donde r(t ) = .

Notar que r(t) es independiente de t cuando f (t )  e  t , . En un caso concreto esto significaría

que la variable aleatoria T corresponde a artículos que no “se desgastan”.

Eje. Una variable aleatoria T tiene la fdp f(t), t0. Su tasa específica de falla por desgaste r(t) = t.
Encontrar f(t) y P (T  t 0 ) .

60
 t 1 2
 r (u ) du 
2 2
Ahora t . De donde F (t )  1  e  t / 2 , de modo que f (t )  F ´(t )  te  t / 2 .
0 2

2
También P(T  t 0 )  F (t 0 )  1  e  t0 / 2

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-ésima operación es (1-p)p r-.1, de donde r = 1, 2, ... y 0 < p < 1. Hallar
P R  n | R  n  1 .

n2
P R  n  1  1   (1  p) p r 1  p n  2
r 1

De donde

(1  p ) p n 1
P R  n | R  n  1   (1  p) p
p n2

Notar que éste es un análogo discreto par los artículos que “no se desgastan”, para los que
f ( x)  e  x , x  0 .

Eje. Se ha diseñado un aparato para medir la resistencia de los sujetos. En términos 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 función de densidad de probabilidad e  s , s > 0,  > 0. Para una
tarea determinada, se requiere un hombre fuerte que tenga una resistencia de por lo menos s0 y cada uno
de los hombres seleccionados al azar se someterá 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

 ds  e  s0 . Para que el n-ésimo hombre sea el primer hombre fuerte, todos los (n-1) hombres
 s
e
s0

anteriores deben haber sido “no fuertes”. Ya que la probabilidad de que un hombre puesto a prueba al
azar no sea fuerte es 1  e  s0 , la probabilidad requerida es

1  e 
 s0 n 1
e  s0

Eje. El tiempo de falla de un sistema tiene la función de densidad de probabilidad f(t), t > 0. La
falla sólo puede detectarse inspeccionando el sistema en los tiempos x1, x2, x3, ..., xi, ... Estos tiempos de
inspección son tales que P[el sistema falle en (xi-1, xi)| el sistema haya funcionado en xi-1] = p, para i 0 1,
2, 3, ...; x0 = 0. Calcular el i-ésimo tiempo de inspección xi en términos de p. Demostrar que si la función
de tasa falla es monótona creciente, entonces los intervalos entre los tiempos sucesivos de inspección
forman una sucesión decreciente.

La condición sobre los tiempos de inspección xi significa que

61
 F ( xi 1 )  F ( xi )
 p, i  1,2,3,...
1  F ( xi )

de modo que F(xi+1) = p + qF(xi), donde q = 1- p. La substitución repetida da

F ( xi 1 )  p  pq  pq 2  ...  pq i 1  q i [ p  qF ( x0 )]
 1  q i 1 , para x0  0 da F ( x0 )  0

de donde se hallaría xi a partir de xi = F-1(1-qi).

Sea di = xi – xi-1 de manera que di > 0. Ahora se desea demostrar que d i >di+1, i = 1, 2, 3, .... Sea
S(t) = 1 – F(t) y r(t) = f(t)/S(t) una función monótona creciente. Ahora se tiene
xi xi  d i
 xi  d i
r (t )dt  xi
r (t )dt

Usando la substitución u = S(t) al integrar r(t), se obtiene

S ( xi  d i ) S ( xi )

S ( xi ) S ( xi  d i )

Si se resta una a ambos miembros de esta desigualdad se tiene como resultado

F ( xi  d i )  F ( xi ) F ( xi )  F ( xi 1 ) F ( xi 1 )  F ( xi )
  p
1  F ( xi ) 1  F ( xi 1 ) 1  F ( xi )

De donde F(xi + di) > F(xi+1), de modo que xi + di > xi+1; es decir, di > di+1.

Eje. La probabilidad condicional P(A|x) de un evento A, está 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 xi, i = 1, 2, 3, ... y P(X=xi) P(xi). Los
eventos Axi son mutuamente exclusivos, de modo que

P ( A)   P ( A  xi )   P ( A | xi ) P ( x i )
i i

Si X es continua con la función de densidad de probabilidad f(x), se tiene


P ( A)  
P ( A | x ) f ( x ) dx

62
 Eje. En un experimento, el número de pruebas, R, que se llevarán 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 útil,
r e  
dado que se llevaron a cabo r prueba, es . Calcular dicha probabilidad.
r!

Sea A el evento en que se logra el resultado socialmente útil, de manera que

P ( A | r )  r e   / r!

  e 


P ( A)  r
/ r!  (1   ) r 1
1


 e   e  (1 )  1 /(1   ) 
 e   
e 
 /(1   )

Eje. Hay que ajustar una máquina para que produzca un lote grande de piezas. Para un ajuste
dado, cada una de las piezas producidas por la máquina tiene una probabilidad constante p de salir
defectuosa; sin embargo, el proceso de ajuste es tal que esta probabilidad varía de ajuste a ajuste y puede
tomarse como una variable aleatoria con la función 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 artículo defectuoso como bueno. Si la proporción de piezas defectuosas en el lote
es p, entonces el inspector dejará pasar un artículo defectuoso como bueno con una probabilidad de
kp(1-p)2. En este momento la máquina se está ajustando para la producción; ¿qué pronóstico se puede
hacer sobre la proporción de piezas defectuosas que habrá en el lote después de que el inspector lo haya
revisado?

La proporción de piezas defectuosas en el lote es la proporción de piezas defectuosas que el

inspector ha dejado pasar como buenas. Como el lote es grande, tomamos esta proporción como la
probabilidad apropiada. Al suponer que A es el evento en que el inspector deja pasar un artículo
defectuoso, entonces P(A|p) = kp(1-p)2 y nos gustaría calcular P(A).
1 1
P ( A)  
0
P ( A | p ) f ( p )dp  k (m  1)  p (1  p ) m  2 dp
0

 k ( m  1) /( m  3)( m  4)

Eje. En la tabla se da la distribución de probabilidad de una variable aleatoria R. Calcular

E(R2+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

 R 2  2R  5
 r 2  2r 
E    P ( r )  3.01
 R  1  r 0  r  1 

Eje. Se lanza una moneda hasta lograr un águila. Pedro recibirá $2 r si la primera águila aparece
en el r-ésimo lanzamiento. Calcular la ganancia que espera Pedro. Al alterar las reglas Pedro recibirá $2 r
para r  20 pero recibirá $220 para r  21; calcular la ganancia que espera Pedro.

63
 r

Sea P(r) = P(primera águila en el r-ésimo lanzamiento). Por tanto, P (r )    y

1
2

 r
1
E ( ganancia)   2 r  
r 1 2

la cual es infinita. Con las reglas alteradas,

 r r
1 1
20
E ( ganancia)   2    2 20     21
r

r 1 2 21  2 

Es interesante notar que la esperanza de la ganancia de Pedro es pequeña, pues está limitada, a
pesar de que este límite es muy grande.

Eje. Un buen modelo para explicar que una característica de calidad de determinado producto
manufacturado varía de artículo a artículo 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 artículos
manufacturados se aprueban aquellos para los que X > l, donde 0<l<, y el resto se rechaza. El costo de
un artículo rechazado es $C1 = $(a + b) y la utilidad de un artículo aprobado es $(C2 – C1). El
parámetro  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<.  0
Kxdx  1 da K  2 / 2 . Ahora bien, la utilidad esperada S está dada
por

S   C 2  a  b   2 x / 2 dx  ( a  b)  2 x / 2 dx
l

l 0


 C 2 1  l 2 / 2  a  b 
dS/d = 0 da    a / 2C 2 l 2 
1 / 3
. Notar que d 2 S / d2  6C 2 / 4  0 , de modo que se ha encontrado un
máximo.

Eje. Una variable aleatoria R toma el valor r con probabilidad ar, r = 1, 2, ..., l. Hallar E(R) y
V(R).
l

 ar  al (l  1) / 2  1 da a  2 / l (l  1) . De aquí que
1

l
1
E ( R )   ar 2  al (l  1)(2l  1)  (2l  1) / 3
1 6
l
E ( R )   ar 3  al 2 (l  1) 2 / 4  l (l  1) / 2
2

64
de modo que

1 2
V ( R )  l (l  1) / 2  (2l  1) 2 / 9  (l  l  2)
18

Eje. Una variable aleatoria X tiene la función de densidad de probabilidad f ( x)  kx , 0<x<.
Encontrar E(X) y V(X).

Ahora 0
kx  dx  k  1 /(  1)  1 da k  (  1) /   1 . De aquí que


E( X )  0
k  1 dx   (  1) /(  2)

E( X 2 )  0
kx  2 dx  (  1) 2 /(  3)

de manera que

V ( X )  E ( X 2 )   E ( X )   2 (  1) /(  2) 2 (  3)
2

Eje. Una variable aleatoria X tiene la fdp f(x) = 1/2a, -a<x<a. Encontrar  r* y de aquí determinar
los coeficientes de asimetría y kurtosis.
a
a x r 1
  E( X )  ax / 2a dx  0 . De donde  r  E ( X )  , de modo que  r  0 si r es
r

2a( r  1) a

impar. Esta es una reflexión de la simetría de f(x). El coeficiente de asimetría es cero. Ahora bien,
a 2r
 1 , r = 1, 2, 3, ... De aquí que el coeficiente de kurtosis es  4 /  2  9 / 5
2
2 
2r

Eje. Una variable aleatoria X tiene la fdp, f ( x)  1 / 2a , donde –a<X<a. Encontrar la

probabilidad de que X  1.5 V ( X ) y comparar esto con la cota superior de Chebyshev.

Se tiene E(X) = 0 y V(X) = a2/3. Ahora bien,

 
P X  1.5a / 3  P X  0.866a 
 2 P  X  0.866a  a partir de la simetría
 0.134

La desigualdad de Chebyshev da


P X  1.5a / 
3  (1 / 1.15) 2  0.444

De donde esta cota superior es más bien amplia en relación con la probabilidad exacta calculada a partir
de un conocimiento completo de la función de densidad.

65
 Eje. El nivel de ruido X de cierto aparato electrónico, varía de aparato a aparato. Un modelo
2
adecuado para esta variación es decir que X es una variable aleatoria con la fdp f ( x)  2 xe  x , x > 0.
Si X > c, donde c es una constante especificada, se dice que el aparato es de calidad grado II; en caso
contrario, se dice que el aparato es de calidad grado I. Una máquina automática 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

 0 xc
 2
g ( x)   2 xe  x
1  F (c) , xc

x

2 2
Ahora F ( x )  2te t dt  1  e  x . Esto conduce a
0

P = P(aparato de grado II que tiene X > 1.5c)

 x2
  2 xe
=  g ( x ) dx   2
dx  e 1.25 c 2
1.5 c 1.5 c
e t

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

Ahora

1 c

2
1  2
2 x 2 e  x dx
1  e c 0

Esto da 
0
c 2
 2

2 x 2 c  x dx  1  e c 1 . De modo semejante, 


c
2 2
2 x 2 e  x dx  e c  2 , de manera que


 2 x 2 e  x dx  1  e  c   2  1 
2 2

0

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

E  X 2 | X  c    12  12 
1 c
 2x e
3  x2
2
dx
1  e c 0

Por tanto,
c

2 2
2 x 3 e  x dx  (1  e c )( 12  12 )
0

66
De modo semejante,


2 2
2 x 3 e  x dx  e  c ( 22   22 )
c

De donde
 c 
E ( X 2 )   2 x 3 e  x dx   2 x 3 e  x dx   2 x 3 e  x dx
2 2 2

0 0 c
2

  12  12  e c  22   12   22  12 
V ( X )  E ( X )    E ( X )    2  1e
2 2 2
 2
1
c 2
  2  1   e  2 c   2  1  2 
2

  12  e c
2
 2
2
2
  12  (1  e c )(  2  1 ) 2 
Nota: Suponer que el nivel de ruido X tiene una distribución 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,  12 y 2,  22 , la media ya la variancia de X las
proporciona

  p1  q 2
 2  p 12  q 22  pq( 1   2 ) 2

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 político finalmente seleccionados;
esto es y = 1, 2 o 3. Encuentre la distribución de probabilidad para y. ¿Cuál es la probabilidad de que
seleccionen por lo menos a dos de los tres miembros del partido político?

Y = numero de candidatos finalmente seleccionados de un mismo partido.

 5! 
C35     10
 3!2!
C23C12  3  2  6

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 función de densidad de probabilidad ce  x . Encuentre las

variables apropiadas de c, suponiendo 0 ≤ X < ∞. Encuentre la media y la varianza de la función de
densidad de probabilidad de X.

67
 
0
x e - x dx  1


0
x 2  e - x dx  2

1


La variable c se calcula considerando la probabilidad, como sigue c  e  x dx  1 , por lo tanto:

0

c 1

La media se determina por medio de la siguiente expresión:


  1*  x e  x dx
0

los cálculos realizados en MATHCAD arrojan un resultado para la expresión anterior de:
 1
La varianza es:

 2  1*  x 2  e  x dx
0

 1 2

Considere las tres funciones dadas a continuación. Determine cuales funciones son de
distribución (FDC).

Por definición, una función es FDC si cumple con lo siguiente:

1) f x ( x )  0 para toda x  en Rx
2)  f x  x  dx  1
Rx

3) f x (x ) es un tramo continuo
4) Fx ( x )  0 si x no esta en el rango Rx
a. Fx ( x)  1  ce  x 0<x<∞
d
1. f ( x)  1  ex
dx


2. f ( x)   1  e  x dx
0

3. Se observa en la grafica de la función la continuidad de f(x).

d d
1  e - x  exp(-x)
dx dx

0
e - x dx  1

68
 4. Para cualquier otro valor no incluido en el rango de R x   0  x   la función Fx vale cero.

e  x 0 x d -x
b) Gx  x    e   exp - x 
 0 x0 dx



0
- exp(-x)dx  -1

d x
1. f x  x   e
dx
La función no es una FDC, dado que no cumple con lo estipulado de que, f x ( x )  0 para 0  x   . Al
evaluar f(x) en el rango dado, siempre se obtendrán valores negativos.

2. f x ( x)    e  x dx
0

Al integrar la función en los limites especificados se obtiene un valor negativo (-1), por lo tanto no
cumple con lo estipulado de que :

f
Rx
x ( x) dx  1

En este caso la función no es de distribución continua.

e x   x   d x
H
c) x ( x )   e  exp(x)
0 x0 dx

0
-
e x dx  1

d x
1. f x  x   e
dx
Se tiene solo valores mayores o iguales a cero para esta función.

69
 0

e
x
2. f x ( x)  dx


Al evaluar la función 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 función la continuidad de f(x).

4. Para cualquier otro valor no incluido en el rango de R x   -   x  0 la función Fx vale

cero.

3-7 Se tiene una función de distribución de probabilidad discreta si X es una variable aleatoria
discreta, asociando un numero p x  xi   0  p x ( x  x) con cada resultado xi, en Rx para i = 1, 2, 3,
...,n,..., donde los números p x ( xi ) satisfacen.

1 p x  xi   0 para todo i

x
2 i 1
Px ( xi )  1

1 x0
 3
a) Px ( x)   2 x 1
3
 0 de otro modo


La función cumple con los dos aspectos anteriormente señalados, ya que la suma de las
probabilidades dan como resultado la unidad, así mismo, se tiene que la probabilidad individual de X, es
mayor que cero, por tanto se trata de una función de probabilidad discreta.
(1)

 1  1  x  1 5 x
     x  0,1,2,3,4,5
 x  3   3 

Px ( x)  
0 otro modo 70


 x 5- x
5
 2 1

x 0
combin(5, x)      
 3  3
1

(1) Según el punto 2 de la definición la suma de las probabilidades debe ser igual a la unidad, lo
cual queda demostrado.

La probabilidad individual de Xi es mayor que cero en cada caso, por tanto se trata de una
función de distribución de probabilidad discreta.

3-9 El gerente de un almacén 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

 e20 20 x
 x  0,1,2,3,....
 x!
f x ( x)  
0 otro modo



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 según la expresión:

Fx ( xi )  Px ( X  xi )   xP ( x)
X  xi
x

29
20 x
 xe -20 
x 1 x!
 0.978

se tiene entonces que Px ( X  xi )  0.978

3-11Considere la siguiente función de densidad de probabilidad:

kx 0 x2

f x  x   k ( 4  x ) 2 x4
0 otro caso

a) Encuentre el valor de k para el cuál f es una función de densidad de probabilidad.
b) Encuentre la media y la varianza de X .
c) Encuentre la función de distribución acumulativa.

71
 a) Como


Rx
f x ( x ) dx  1

c  f x ( x) dx  1
Rx

c*4 1
por lo tanto c es igual a 1
4
b) La media se determina por la siguiente expresión

  x

f x ( x ) dx

El cálculo de la media  se realiza por medio del MATHCAD, dando como resultado
2

La varianza se determina por la siguiente expresión


2   x

f x ( x ) dx

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

2
2 
3

c) La función de distribución acumulativa es:

Fx ( x)  0 para x  0
1
1 1 1
Fx ( x) 
40 x dx  x 2
8 0
para 0  x  1

2
1 1 2 1 2
Fx ( x) 
40 x dx  x 2
8 0

8
x para 0  x  2

1  1 2 1
2 4
1  1 1 1 
Fx ( x)    x dx   x(4  x)dx   x 2  4 x  x 2    4 x  x 2  6 para 2  x  4

40 2  8
0 4 2 2 2 4 2 
Fx ( x)  1 para x  1

3-13 La gerente de un taller de reparaciones no conoce la distribución de probabilidad del tiempo

que se requiere para completar un trabajo. Sin embargo, de acuerdo con el desempeño pasado, ella ha
podido estimar la media y la varianza como 14 días y 2 (días) 2, respectivamente. Encuentre un intervalo
en el intervalo en el que la probabilidad de que un trabajo se determine durante ese tiempo sea de 0.75.

72
 La desigualdad de Chebyshev parte del hecho, que se requiere de un conocimiento mínimo de la
distribución de X. Solo se debe conocer  y  2 , la siguiente expresión muestra el intervalo en el que
la probabilidad es 0.75,

1
Px    k  x    k   1 
k2
Para determinar el valor de K se toma en consideración el valor de la probabilidad 0.75, esto es:

1
1  0.75
k2
1
k 2
0.25

El intervalo será entonces:

   k

sustituyendo los valores de  ,  2 y k

14  2 2 ,14  2 2 
3-15 Una variable aleatoria discreta X tiene la función de probabilidad: px (x), donde

  1 x
k   x  0,1,2,3
p x ( x)    2 
0 otro caso

a) Determine k.
b) Encuentre la media y la varianza de X.
c) Encuentre la función de distribución acumulativa, Fx(x).

a) como

p x ( X  xi )  p
x  xi
x ( x)  1

k  p x ( x)  1
x  xi

k  p x ( x)  1
x  xi

73
 x
3
1 7 8
   
x 1  2  8 7
 5  .57142857142857142855

8  1   1  
x 2
8 3 1 11 6
 x           
7 x 1  2  7 7  2   2   7

8  3 2  1    11  8  1   1   1  
x 2 2 3
26
  x                  1
7  x 1  2    7  49 7  2   2   2  

8
por lo tanto k es igual a
7

b)
La media se determina por la siguiente expresión
   xi p x ( xi )
i

El cálculo de la media  se realiza por medio del MATHCAD, dando como resultado

11

7

La varianza se determina por la siguiente expresión

 2   x 2 i p x ( xi )
i

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

26
2 
49

c) La función de distribución acumulativa es:

Fx ( x )  0 para x  1
1
81
Fx ( x )     0.571 para 1  x  2
72
8  1   1  
1 2

Fx ( x )         0.857 para 2  x  3
7  2   2  

8  1   1  1 
1 2 3

Fx ( x )          1 para x  3
7  2   2   2  

3.17 El servicio postal requiere, en promedio, 2 días para entregar una carta en la ciudad. La
varianza se estima como 0.4(día)2. Si un ejecutivo desea que el 99 por ciento de sus cartas se entreguen
a tiempo, ¿con cuanta anticipación las debe depositar en el correo?

74
 Por la desigualdad de Chebyshev
La probabilidad de que cualquier variable aleatoria X asuma un valor dentro de k desviaciones
estándar de la media es al menos 1-1/k2.

1
1  0.99
k2
1
k   10
0.99  1
Px    k  x    k 

Los días requeridos para que las cartas se entreguen a tiempo son:
  k  2  10 0.4  8.32 dias

3-19 Demuestre que la función de probabilidad para la suma de los valores obtenidos al lanzar
dos dados puede escribirse como

 xi  1
 36 xi  2,3,...,6
Px ( xi )  
13  xi xi  7,8,...,12
 36
La función de probabilidad de la variable aleatoria X, se puede determinar por medio de la
expresión

Fx ( xi )  Px  X  xi    P ( x) x
x  xi

Por definición se tiene que la suma de las probabilidades de un evento es igual a uno, para
demostrar que la función de probabilidad dada es la suma de los valores obtenidos al lanzar dos dados,
se calculara con la ayuda del MATHCAD.

 P ( x)  1
x  xi
x

6 12
( x - 1) 5 (13 - x ) 7 5 7

x  2 36

12

x 7 36

12
 1
12 12

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:

2
( x - 1) 1

x  2 36

36
75
-Probabilidad de que al lanzar dos dados la suma de ellos de un siete es:
7
(13 - x ) 1
 x 7 36

6

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 función de densidad.

2x
 0 x3
f x ( x)   9
0 otro modo
a) Desarrolle la FDC para X.
b) Determine la media de la varianza de X.

a) Desarrollo de la FDC para X

Fx ( x )  0 para x  0
3
2x x2
Fx ( x )  
0
9
dx 
9
para 0  x  3

 3
2x x2
Fx ( x )   dx  1 para x  3

9 9 0

b)
La media se determina por la siguiente expresión

   x

f x ( x ) dx

3  x
0
x  2  dx  2
 9

 3 2  x  2 1
 0 x   2  9 dx   2  2
   

El cálculo de la media  se realiza por medio del MATHCAD, dando como resultado
2

76
La varianza se determina por la siguiente expresión

2  x  f x ( x ) dx
2



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

5.2 Identifique las variables aleatorias siguientes como discretas o continuas:

a. La duración de una bombilla eléctrica observada en un experimento
b. Las ventas brutas de un supermercado en un día determinado
c. El valor comercial de determinados bonos listados en la Bolsa en un día particular
d. El punto de fatiga, Kg. por cm2, de un cable de acero de 2 cm. de diámetro
e. La demanda diaria de energía eléctrica en una determinada ciudad

a. La duración de una bombilla es una función del tiempo por lo que siendo este continuo, este será
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 física esta es una medición continua hasta cierto rango o límite, por lo
que dentro de este rango se puede considerar como una variable continua.
e. La corriente también es una magnitud física, por lo que también es una variable continua

5.3 Suponga que un estudio ya realizado muestra que en determinado sector de una ciudad, sólo
el 20% de los clientes de un supermercado se toman la molestia de leer los precios unitarios de los
artículos antes de tomar la decisión de comprarlos. Si n=2 clientes entran a ese supermercado, calcule la
distribución de probabilidad de y, el número 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

E1 No leyó No leyó .8 x .8 = .64 0

E2 No leyó Leyó .8 x .2 = .16 1
E3 Leyó No leyó .2 x .8 = .16 1
E4 Leyó Leyó .2 x .2 = .04 2

Distribución de la Probabilidad
y Puntos Muestrales p (y)
0 E1 .64

77
 1 E2 • E 3 .32
2 E4 .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 número la probabilidad va disminuyendo, el número de clientes que leen los precios para hacer
una mejor compra es de 1.

Histograma de probabilidad de y:

P (y)

0.32

0.04

0 1 2 y

5.7 En la mayoría 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
número 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 fórmula 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 número de concurso en que se compite antes de ganar uno, si se compite dos veces,
quiere decir que ya perdió el primero y ganará el segundo concurso. Como los eventos son
independientes entonces:

p (2) = (0.4) (0.6) = 0.24

Si compite en y=3 concursos antes de ganar uno, su probabilidad es:

78
 P (3) = (0.4) (0.4) (0.6) = 0.096

Y así sucesivamente, tenemos que para y=n concursos antes de que gane el primero, la probabilidad es:

n-1
p (n) = (0.4) (0.6)

P (y)

0 1 2 3 y

5.8 Suponga que las ventas (y) de carburantes hechas por un determinado concesionario tienen
una distribución de probabilidad uniforme, como la mostrada en la figura 5.5. Debido a las limitaciones
físicas del equipo, la venta diaria no puede ser inferior a 10,000 litros o superior a 50,000 litros. Utilice
la información de la figura 5.5 para encontrar la probabilidad de que el concesionario venda las
siguientes cantidades en un día cualquiera.

a. Por lo menos 40,000 litros

b. Entre 20,000 y 30,000 litros

Como la distribución es uniforme. Tenemos que encontrar el valor de la función de distribución de

probabilidad.
50,000 50,000
p (10,000<y<50,000) = 
10,000
f(y) dy  10,000
kdy

50,000
= k y
10,000 = k (50,000 - 10,000)

= 40,000 k
= 1.

Por lo tanto. K = 1/40,000.

79
 50,000 50,000
Ahora p(40,000<y<50,000) = 40,000 k dy  ky
40,000

50,000 - 40,000 1
 
40,000 4
b.
30,000 30,000
p(20,000<y<30,000) = 20,000 k dy  ky
20,000

30,000 - 20,000 1
 
40,000 4

10,000 20,000 30,000 40,000 50,000

5.10 Suponga que y representa el número de fallas mecánicas diarias que ocurren en la planta
procesadora de alimentos.
Suponga además, que la distribución de probabilidad de y (que resultó d un análisis 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 gráfica de la distribución de probabilidad e identifique

con ella a μ.

El valor esperado es:

E (y) = y
y
p (yi)
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)=μ

0.35

P (y)

80
0.25

0.05

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 protección de 200,000.00 dólares en lo que se valúa un cosecha de trigo. Los
actuarios han sugerido que las posibilidades de destrucción por el temporal de la cosecha son 1 en 50.

Sea y la ganancia anual de la compañía 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 solución en el de determinar los valores que la ganancia y
puede tomar y después determinar p (y). Si el evento que cubre la póliza no ocurre en el año. La
compañía gana y=C dólares. Si el evento ocurre, la ganancia será negativa; esto es será una pérdida:
y=C 200,000.00 dólares. 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 dólares

Lo anterior quiere decir que si la compañía cobra una prima anual de 4,000 dólares, entonces su
ganancia promedio sobre un número grande de póliza similar será cero.

5.14 Ya que se ha visto como calcular la desviación estándar de una variante aleatoria,
reconsidere el ejercicio 5.10 que por conveniencia se escribe a continuación:

Sea y el número de faltas de máquina diarias que ocurren en una planta procesadora de alimentos, y
suponga que la tabla que sigue proporciona su distribución de probabilidad.

Y 0 1 2 3
P (y) .35 .35 .25 .05

81
 Encuentre el valor esperado y la varianza de y. construya una gráfica de la distribución de
probabilidad. ¿Cuál es la probabilidad de que y caiga a más de tres desviaciones estándar de su media?
¿Cuál será para más de dos desviaciones estándar?

E (y) = μ = y y
p (yi)
i

= 0 (0.35) + 1 (.35) + 2 (.25) + 3 (.05)

= 1.0.
б2 = E (y - μ)2 = y y
p(yi) - μ)2 p (yi)
i

=(0 - 1) (0.35) + (1 - 1) (0.35)

+ (2 - 1) (0.25) + (3 - 1) (0.05)
= 0.35 + 0.25 + 0.2
б2 = 0.8 ; б = 0.8944

P (y)
0.356

0.25

0.05

0 1 2 3 y

¿Cuál es la probabilidad de que y caiga a más de tres desviaciones estándar de su media?

Como la medida es: μ = 1, y

μ + 3 б = 1 + 3 ( 0.8944) = 3.6833

Por lo que: p (y>3.6833) = 0

Ya que esta fuera de nuestra tabla

¿Cuál será para más de dos desviaciones estándar?:

μ + 2 б = 1 + 2(0.8944) = 2.79

y
p (y>2.79) = 0.05

82
 5.20.- Simule el experimento descrito en el ejercicio 5.18 marcando 5 piezas de cartón o
monedas de manera que 3 representen a las acciones ordinarias y 2 a las preferentes. Póngalas en un
sombrero, agítelo y seleccione tres, anotando y. Regrese las piezas o monedas al sombrero y de nuevo
agítelo y extraiga otras tres, etc. Repita la selección y registro de y 100 veces. Construya un histograma
de frecuencias para esta muestra y compárela 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 ¿Cómo se compararía con el histograma de probabilidad?

y 0 1 2
P(y) 6 69 30

Y = Numero de años que dura de moda un vestido

4
 1   3   4   4  35
  E ( y )   yp ( y )  1   2   3   4    2.916
y 1  12   12   12   12  12
4
1  4
 2  E ( y   ) 2   ( y   ) 2 p( y )  (1  2.9167) 2    (4  2.9167) 2    0.9097
y 1  12   12 

5.23 Construya un histograma de probabilidad para y. Calcule  y encuentre la probabilidad de

que X caiga a no mas de dos desviaciones estándar (2  ) de la media  . ¿Esta esto de acuerdo con el
teorema de Tchibyshef? ¿Caracterizan  y  a p(x)?

  0.9535
2  1.9076
   2    2.916  1.908  1.008,4.824

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

Teorema de Tchebyshef
Al menos (1-1/4) = 3/4 caen dentro de 2 desviaciones estándar.
Como 11/12 de las observaciones caen dentro de 2 desviaciones estándar, el teorema de Tchebyshef
si_se cumple.

83
 5.24 Refiérase al y 1 2 3 ejercicio 5.18. Encuentre el valor esperado y la
p(y) 1/2 1/4 ¼
varianza de y. Se hizo la simulación del ejercicio 5.20, calcule de ahí y  ,
2
s para las 100 mediciones. Compare esos valores con el valor esperado y la varianza de y.
2
 1   6   3  12
E ( y )   yp ( y )  0   1   2    1.2
y 0  10   10   10  10
2
 1  6  3
 2  E  y       y    p ( y )  (0  1.2) 2    (1  1.2) 2    (2  1.2) 2    0.36
2 2

y 0  10   10   10 

5.25 Refiérase al ejercicio 5.24. Calcule  y encuentre la probabilidad de que y caiga a no mas
de 2  de  ¿Caracterizan  y  a p(y)? ¿Qué proporción de las 100 mediciones caen a no mas de 2
 de y?

 2   2  0.6
  1.2
   2   1.2  1.2   0,2.4
p   2   1
 1 
1   donde k  2
 k2 
 1  3 3
1  2 
 al menos de la muestra caen dentro, si se cumple el teorema de Tchebyshef f.
 2  4 4

No caracterizan, el 100% de las mediciones caen dentro.

5.27 Una agencia de suscripciones por correo maneja suscripciones por uno, dos y tres años con
probabilidades 1 , 1 , 1
2 4 4 respectivamente. Si por cada año de suscripción la agencia recibe un dólar
de comisión, ¿Cuál es la comisión esperada por suscripción?
3
1 1 1 7
E ( y )   yp( y )  1   2   3  
y 1  2 4 4 4
Se esperan 1.75 dólares de comisión por suscripción.

5.28 Un cliente potencial para una paliza de seguro contra incendio de 20,000.00 dólares tiene su
resistencia en una área que de acuerdo a la experiencia pasada puede tener un incendio que represente
una perdida total en un año determinado con probabilidad 0.001. Si se ignora todas las otras perdidas
parciales, ¿Qué prima anual se le debería de cobrar para que la compañía y el cliente salgan empatados?

Y = Perdida

y 1 0.5
p(y) 0.001 0.01

84
Póliza por 20,000
2
E ( y )   yp( y )  1(0.001)  0.5(0.01)  0.006
y 1

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
función de densidad.

0.5x 0X2

f ( x)  
0 otro caso


Calcule las siguientes probabilidades:

1
0.5 2 1 0.5
a) p ( x  1)   0.5 x dx  x   0.25
0
2 0 2
1.5
0.5 2 1.5
b) p (0.5  x  1.5)   0.5 x dx 
0.5
2
x
0.5
 0.5625  0.0625  0.5

2
0.5 2 2
c) p (1.5  x)   0.5 x dx 
1.5
2
x
1.5
 1  0.5625  0.4375

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.

0.75(1  x 2 ) -1  X  1

f ( x)  
0 otro caso

a) Trace la grafica de f(x).

85
b) Calcule P(X > 0)
1
1
 x3 
p ( x  0)   0.75(1  x )dx  0.75 x 
2
  0.5
0  3  0

c) Calcule P(0.5 < X < 0.5)

 
0.5 0.5
3
p (0.5  x  0.5)   0.75(1  x 2 ) dx  0.75 x  x  0.6875
3  0.5
 0.5

d) Calcule P(X > -0.25 o X > 0.25)

 
1 1
3
p ( x  0.25)   0.75(1  x 2 ) dx  0.75 x  x  0.3164
3 0.25
0.25

Un maestro universitario nunca termina su clase antes que suene la campana, y siempre termina
su clase a menos de 1min después 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

kx 2 0  x 1

f ( x)  
0 otro caso

a) Encuentre el valor de k; (Sugerencia: el área total bajo la grafica de ½ min. de f(x) es 1)

 1 1
kx 3 k
 f ( x) dx  1  kx dx   0  1 k  1
2

- 0
3 0
3

b) ¿Cuál es la probabilidad de que la clase termine a menos de ½ min. de que suene la campana?
c)
1

 
2 1
p x  1   3x 2 dx  x 3 2  0.125
2 0
0

86
 d) ¿Cuál es la probabilidad de que la clase continué entre 15 y 30 seg., después de que suene la
campana?
0.5
0.5
p(0.25  x  0.5)   3x dx  x 3  (0.5)3  (0.25) 3  0.125  0.015625  0.109375
2
0.25
0.25

e) ¿Cuál es la probabilidad de que la clase continué por lo menos 4 seg., después que suene la
campana?
1
p  x  0.67  
1
 3x dx  x 3  0.70459
2
0.66
0.66

760. Sea X una variable aleatoria discreta con distribución de probabilidad dad por la siguiente
tabla:

xi 2 3 4 5
pi 0. 0. 0. 0.11
2 4 3
a) Obtenga la función de distribución 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 función de distribución acumulada de la variable aleatoria discreta X dada por la
siguiente tabla:

x (-,- (- (3,5 (5, )

2] 2,3] ]
F(x) 0 0.4 0.5 1

Encuentre la función de densidad de f(x) si x toma sólo los valores –2, 3 y 5.

P(x = -2)= F(-2) – 0= 0.4 – 0= 0.4

87
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

xi -2 3 5
pi 0. 0. 0.5
4 1

762. Sea X una variable aleatoria discreta con una distribución dada por la siguiente tabla:

x -2 2 4
p 0. 0. 0.2
5 3

Calcule la media, mediana, varianza, y desviación estándar.

E ( x)  ( 2)(0.5)  ( 2)(0.3)  ( 4)(0.2)  0.4

Me  ( 2,2)

 x  
2
V ( x)  p ( x)  ( 2  0.4) 2 (0.5)  ( 2  0.4) 2 (0.3)  ( 4  0.4) 2 (0.2)  6.24
  V ( x)  2.5

763. Sea {Pn} la sucesión infinita de la forma pqk-1 , kN donde 0<p<1 y q=1- p
a)Verifique si la sucesión {PN} puede ser la función 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 distribución de probabilidad dada por la siguiente
tabla:

xi 0 1 2 5
pi 0. 0. 0. 0.2
1 4 3

Calcule el coeficiente de sesgo.

765. Calcule el coeficiente de sesgo para la siguiente distribución (ensayos sin reposición):

 k  N  k 
  
 x  n  x 
f ( x)  ;
N
 
n
para: x= 0, 1, ..... ,n;
n  N, x  k;
n-x  N-k

88
 3 npq(1  2 p)( N  n)( N  2n)( N  1) N  1
  
2 2 ( N  1)( N  2)npq( N  n) npq N  n

1  2 p N  2n N 1 k
 . . donde p  ;q  1 p
npq N  2 N n N

766. Sea X una variable aleatoria discreta con una distribución de probabilidad dada por la
siguiente tabla:

x -5 -2 0 1 3 8
p 0. 0. 0. 0. a 0.1
1 2 1 2

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)
 p( x)  1
= 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 función de distribución acumulada de la variable discreta X dada por la siguiente
tabla :

x (-,- (- (1,3 (3, )

2] 2,1] ]
F(x) 0 0.2 0.8 1

89
 Dado que x sólo toma los valores –2, 1 y 3. Encuentre la función 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. 0. 0.2
2 6

768. Exprese las siguientes probabilidades usando la función de distribución acumulada F(x).
a) P ( x  b)  F(b) – 0=F(b)
b) P ( x  b)  1 – F(b)
c) P (a  x  b)  F(b) – F(a)
d) P( a  x  b)  F(b) – F(a)
e) P (a  x  b)  F(b) – F(a)

769. Encuentre la función de densidad de la variable aleatoria discreta X, si se sabe que x1  x2 y

R=0.2, E(x)=3 V(x)=4.
x x1 x2
V ( x)  E ( x 2 )   2 p 0. a
4  9  2 2 a= 1 – 0.2= 0.8
 5 x x1 x2
p 0. 0.8
2

V ( x)    x    p( x)
2

4  ( x1  5 )2 (0.2)  ( x2  5 )2 (0.8)
2 2
4  0.2 x1  0.4 5 x1  1  0.8 x2  1.6 5 x2  4
2 2
0.2 x1  0.4 5 x1  0.8 x2  1.6 5 x2  1  0  1

E ( x )  0.2 x1  0.8 x2  3
15  x1  4 x2
x1  15  4 x2  2
sustituyendo

90
 2
0  0.2(15  4 x2 ) 2  0.4 5 (15  4 x2 )  0.8 x2  1.6 5 x2  1
2
4 x2  24 x2  46  6 5  0
2
4 x2  24 x2  32.58  0
x2  4
x2  2
sustituyendo
x1  15  4( 4)  1
x1  15  8  7

Dado que x2 debe ser mayor que x1

x1= -1; x2=4

x -1 4
p 0. 0.8
2

770. Encuentre los valores de k para los cuales asume valores positivos la función de densidad
siguiente:

 k  N  k 
  
 x  n  k 
f ( x)  x=0, ....... , n ; (n  N : x  k : n-x  N-k)
N
n

max {0, n + k - N} X  min {n, k}

771. En una urna hay x bolas blancas, x2 rojas, x3 negras, donde x1, x2 y x3 son las raíces de la
ecuación x 3  12 x 2  44 x  48  0 y x1 < x2 < x3. De la urna se sacan tres veces (con reposición) dos
bolas. Calcule el valor esperado de la variable aleatoria x, la cual representa el número de intentos en los
cuales aparecen bolas del mismo color.

Raíces:
x1=2 x 2 4 6
x2=4 p 1/ 1/ 1/2
x3=6 6 3

14
E(x)=2(1/6) + 4(1/3) + 6(1/2)= 1/3 + 4/3 + 3 =
3

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 número de bolas blancas extraídas ¿para
qué valor de n se cumple E(x)<1?

773. Sea X una variable aleatoria discreta cuya distribución de probabilidad es:

x 3 5 x3
p P1 0. 0.2
3

Calcule p1 y x3 si se sabe que E(x)=5.

 p( x)  p1  0.3  0.2  1
p1  1  0.5  0.5
E ( x )  3(0.5)  5(0.3)  x3 (0.2)  5
53
x3   10
0.2

774. Sea X una variable aleatoria discreta con la siguiente distribución de probabilidad:

xi x1 x2 3
pi 0. 0. P3
4 3

Calcule p3, x1 y x2, si se sabe que E(x)=1.9 y V(x)=0.69.

 p ( x )  0 .4  0 .3  p
3 1
p3  1  0.7  0.3

E ( x )  0.4 x1  0.3 x2  0.9  1.9

0.4 x1  0.3 x2  1; x1  2.5  0.75 x2

 x  
2
V ( x)  p( x)
( x1  1.9) (0.4)  ( x2  1.9) (0.3)  (3  1.9) 2 (0.3)  0.69
2 2

2 2
0.4 x1  1.52 x1  1.444  0.3 x2  1.14 x2  1.083  0.363  0.69
2 2
0.4 x1  1.52 x1  0.3 x2  1.14 x2  2.2  0
sustutuyendo

92
 2
0.4(2.5  0.75 x2 ) 2  1.52(2.5  0.75 x2 )  0.3 x2  1.14 x2  2.2  0
2 2
2.5  1.5 x2  0.225 x2  3.8  1.14 x2  0.3x2  1.14 x2  2.2  0
2
0.525 x2  1.5 x2  0.9  0
x2  2
6
x2 
7
xi 1 2 3
pi 0. 0. 0.3
sustituyendo 4 3
x1  2.5  0.75( 2)  1 xi 13/ 6/ 3
3  6  13 7 7
x1  2.5    pi 0.4 0.3 0.3
47 7

775. Sea X una v. a. Discreta con la distribución de probabilidad es:

Calcule E(X) y verifique que:
a)
E ( x)   xP ( x)  (3)(0.2) (1)(0.1)  (0)(0.4)  (1)(0.2)  (2)(0.1)  0.3
E (3 x  1)  [3( 3)  1](0.2)  [3( 1)  1](0.1)  [3(0)  1](0.4)  [3(1)  1](0.2)  [3( 2)  1](0.1)
 1.9
3E ( x )  1  3( 0.3)  1  1.9

b)
E ( 2 x  1)  [ 2( 3)  1](0.2)  [ 2( 1)  1](0.1)  [ 2(0)  1](0.4)  [ 2(1)  1](0.2)  [ 2( 2)  1](0.1)
 0 .4
2 E ( x )  1  2( 0.3)  1  0.4

c)
E ( x  2) 2  ( 3  2) 2 (0.2)  ( 1  2) 2 (0.1)  (0  2) 2 (0.4)  (1  2) 2 (0.2)  ( 2  2) 2 (0.1)  7.7
E ( x 2 )  [ E ( x )]2  ( 3) 2 (0.2)  ( 1) 2 (0.1)  (0) 2 (0.4)  (1) 2 (0.2)  ( 2) 2 (0.1)  ( 0.3) 2  2.01

779. En la lotería hay 12 boletos, entre los cuales cinco ganan. Se sacan seis boletos. ¿Cuál es el
dominio de la función f(x) = donde r es el valor esperado de la variable aleatoria X que
denota el número de boletos ganadores?

93
 log | x  r | 0
Do min io   2
| x  r | 0
C67C00 C57C15 C47C25 C37C35 C27C45 C17C55
E ( x)  r  0 * 12  1 * 12  2 * 12  3 * 12  4 * 12  5 * 12
C16 C16 C16 C16 C16 C16
105 700 1050 420 35 5
 0     
924 924 924 924 924 2
 3 7 
x    , U  , 
 2 2 

780. De un conjunto Z = se sacan, con reemplazo , cinco números. Sea X la

variable aleatoria que denota el número de valores negativos extraídos. ¿Cuál es la media de la variable
aleatoria X?

2x3  5x2  3x  0
z 3 2
3x  2x  5x
1
z   ,0, 3
2
781. Sea X una variable aleatoria con función de densidad.

a) Determine el valor de la constante a.

b) Calcule P(1< X < 2).
3 2
 2x 2x2 
f ( x)   a(3x  x ) 1 P(1  x  2)   
2
 dx
0
1 3 9 
3
 3ax 2 ax 3  2
 x 2 2 x3 
 2  3  1 13
 0    
3 27 1 27
27 a
 9a  1 P(1  x  2)  13
2 27
9a  2
2
a
9

782. Sea X una variable aleatoria con función de densidad:

94
 a) b)

a
f ( x) 

 a  x2
2
dx  1

x  asen
dx  a cos 
a 2  x 2  a cos 

a  d  1


a ( )  1
a
 x
asen 1    1
 a a
a a
asen 1    asen 1   1
a
   a 
     
a     1
 2  2 
1
a


a
dx
 a 
P
 2
 x  a 

 
a
a 2
 x 2


a
1 x
 sen 1

a a
2


 1
sen 1
(1) 

1
s en 1 


1
2




1
3
 a  1
P  x  a  
 2  3

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

a) Determine el valor de a.
b) Calcule F(x).

f ( x)   asenxdx  1
0

 a cos x0  1
 a ( 1)  z (1)  1
a  a 1
1
a
2

95
 0
 x

f ( x)   1  senxdx
2
 0
1

x

2
1 senxdx   1 cos x x
2 0
0

 1 cos x  1
2 2
0

f ( x)   1 (1  cos x)
2

1
784. Sea X una variable aleatoria con la siguiente fundón de distribución acumulativa:

a)
P (a  x  b)  F (b)  F (a )
P (1  x  2.5)  F ( 2.5)  F (1)
 (2.5  2) 2  0  0.25
P (1  x  2.5)  0.25

b)
P (2.5  x  3.5)  F (3.5)  F (2.5)
 1  ( 2.5  2) 2  0.75
P (2.5  x  3.5)  0.75

c)
2( x  2)
f ( x)  
0

785. Sea X una variable aleatoria con función de densidad:

96
 
 
 
E ( x)   0.5 xsenxdx  0.5 x cos x   cos xdx  0.5   cos   sen  0 cos 0  sen0  0.5( ) 
0  0  2
1

2 1 2 
 2
V ( x)   0.5 xsenxdx    x cos x  2  x cos xdx  
20 4 2 0  4
2
 
 0.5   2 cos   2sen  2 cos   2 cos 0 
4
 2

2
  V ( x)   2  0.683
4

786. Sea X una variable aleatoria con función de densidad:

a)
2
f ( x)   a (4 x  x 3 )dx  1
0
2
 x4 
a 2 x 2    1
 4 0
a(8  4)  1
1
a
4

b)
2
12 1  4 x3 x5  1  32 32  1  64 
E ( x)   x(4 x  x 3 )        
40 4 3 5 0 4  3 5  4  15 
16
E ( x) 
15
2
12 2 256 1  4 x 6  256 1  64  256 4 256 44
4 0
V ( x)  x ( 4 x  x 3
) dx   x     16     
225 4  6  0 225 4  6  225 3 225 225
44
  V ( x)   0.4422
225

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

Calcule la mediana de la variable X.

97
 P ( x  me )  1
2

 x  x dx  12
me
3
P( x  a) 
4
0
2 4
me m
  e  1
2 16 2
4 2
me  8me  8  0
me  1.126

788. Sea X una variable aleatoria con función de densidad.

a)
a ( x  2)(4  x )  a (  x 2  6 x  8)
4
f ( x )  a  (  x 2  6 x  8) dx  1
2
4
 x 3

a   3x 2  8 x  1
 3 2
4
a   1
3
3
a
4

b)
d 3
dx  4
 

 x2  6x  8   0

3 9
 x 0
2 2
mod a  x  3  mediana

789. Sea X una variable aleatoria con función de densidad:

98
 a)

f ( x )  k  e  x dx  


k  x
e  
0 1
0

k  k 0
 e  e 1
 
k
1

k 

b)
  
 1  1 1
E ( x )    xe  x dx   xe  x   e  x dx   xe x  e  x   e 0 
0 0   0  

837. Calcule el tercer momento inicial de la v.a. X con f. d. p. :

2
2 2
 x 7 3x 6 3x 5 x 4   209 
3  4 x ( x  1) dx  4 ( x  3x  3x  x )dx  4 
3 3 6 5
  4
  4
3

1 1 7 6 5 4 1  140 
209
3 
35

790. Sea X una variable aleatoria con función de densidad:

f (x )  7e-x para x≥0
0 para las demás x
Calcule P(0.15 < X < 0.6)
0.6 b
1
 7e dx   7 a
7 x
7e u du  e 7 x  0.0149  0.3449  0.33
0.15

791. Sea X una v.a. con función de densidad dada por:

ax2 para 0≤x<1
2
f(x) = a(2-x) para 1≤x<2
0 para las demás x
a) Determine el valor de la constante a.
b) Calcule los cuatro primeros momentos centrales de l variable aleatoria X.
c) Calcule la desviación típica y los coeficientes de sesgo y kurtosis.
1 2

 ax dx   a (2  x ) 2 dx  1
2
a)
0 1

2/3ª = 1; a = 2/3
1 2
3 3
b) α1 =
20 x 3 dx   x (2  x ) 2 dx  1
21

99
 1 2
3 3
α2 =
20 x 4 dx   x 2 (2  x) 2 dx  1.1
21
1 2
3 3
α3 =
20 x 5 dx   x 3 (2  x) 2 dx  1.3
21
1 2
3 3
α4 =  x dx   x (2  x) dx  1.628
6 4 2

20 21

μ1 = 0
μ2 = 1.1 – (1)2 = 0.1
μ3 = 1.3 – 3(1)(1.1) + 2(1)2 = 0
μ4 = 1.628 – 4(1)(1.3) + 6(1)2(1.1) – 3(1.628) = 0.028

c) Desviación típica σ = μ1/2 = 0.3162

Sesgo γ = μ 3/σ3 = 0
kurtosis k = μ 4/σ4

792. Sea X una variable aleatoria con función de densidad:

x para 0≤x<1
f(x) = 2-x para 1≤x<2
0 para las demás x
a) Calcule los cuatro primeros momentos centrales de la variable aleatoria X.
b) Calcule los coeficientes de sesgo y kurtosis.
1 2

 x dx   x(2  x)dx  1
2
a) α1 =
0 1
1 2

x dx   x 2 (2  x)dx  1.166
3
α2 =
0 1
1 2

x dx   x 3 ( 2  x)dx  1.5
4
α3 =
0 1
1 2

x dx   x 4 (2  x)dx  2.066
5
α4 =
0 1

μ1 = 0
μ2 = 1.166 – 1 = 0.166
μ3 = 1.5 – 3(1)(1.166) + 2(1) = 0.002
μ4 = 2.066 – 4(1)(1.5) + 6(1)(1.166) – 3(1) = 0.062

b) Sesgo γ=0
kurtosis k = -0.74

793. Sea X una variable aleatoria con función de densidad f(x)= λe-x para x E R.
a) Determine el valor de λ.
b) Calcule el coeficiente de kurtosis.

794. La función de densidad para una variable aleatoria X es:

100
 2  x2 
f(x) = x exp   para x>0
   
0 para las demás x
a) Determine la función de distribución acumulativa F(x).
b) Calcule la mediana.

a) F(x) = 0 para x≤0

x
2  t 
2
 x 2

  t exp   dt  1  exp 
0



para x>0

b) F(me) = 0.5,
 me 2  1
1  exp  
   2
 me 2  1
exp  
   2
me   ln 2

795. Demuestre que no existe la media para la distribución con la función de densidad dada por:
1 
f(x) = * 2 , donde λ>0
    x  2

1 xdx
Para λ=1, μ=0, se verifica si la integral
  1  x converge,

2

Pero  1 x
xdx
2

1
2

ln 1  x 2   
0   ; entonces E(x) no existe.
0

796. Sea X una variable aleatoria con función de densidad:

f(x) = xe-x para x≥0
0 para las demás x
a) Determine la función de distribución acumulativa.
b) Calcule P(x≥2).

a) F(x) = 0 para x≤0

1-e-x(1+x) para x>0

3
 xe
x
b) dx  
2 e2

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

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

101
 

a) k  senxdx  1 k=½
0


3
b) 1
 2 senxdx  0.25  0.50  0.25
0

c) 0 para x≤0
F(x) = ½(1-cosx) para 0<x≤π
1 para x> π

798. Sea X una v.a con función de densidad:

x para 0≤x<1
f(x) = 2-x para 1≤x<2
0 para las demás x
a) Calcule la función de distribución 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 x≤0
F(x) = 1/2x2 para 0<x≤1
2x – 1/2x2 – 1 para 1<x≤2
1 para x>2
2
1
b) P(1≤x<2) =  (2  x)dx  2 , entonces
1
0 2

P(A) = 1 -      
2 1 1 3
 0  2   2  4

799. En una ciudad, la temperatura medida en un día especial es una variable aleatoria T, cuya
f.d.p. está dada por f(t) = 1/2e-t.
a) Obtenga la función de distribución acumulativa F(x).
b) Calcule P(T<2).

.a) F(t) = 1/2et para t≤0

1 – 1/2e-t para t>0

b) P(T<2) = 1-e-2

800. La función de distribución acumulativa de la variable aleatoria X está dada por:

x
1  1 
 exp  2 t
2
F(x) = dt , obtenga la función de densidad.
2  

1  1 
f(x) = exp  x 2 
2  2 

102
 801. a) Calcule a, de manera que la función:
0 para x≤1
F(x) = 2(1 – 1/x) para 1<x≤a
1 para x>a
sea la función de distribución acumulativa de la variable aleatoria X.
b) Calcule P(-1≤X≤1.5).

802. Sea X una variable aleatoria con función de densidad:

f(x) = 3x2 para 0≤x≤1
0 para las demás x
Calcule la media y mediana de la variable aleatoria X.

803. Sea X una variable aleatoria con función de densidad:

f(x) = ¾(1-x2) para x≤1
0 para las demás x
Calcule la media, moda, mediana y el tercer momento central de la variable aleatoria X.

2 1
804. Sea X una variable aleatoria con función de densidad f(x) = ,
 e  ex
x

Calcule la moda y la mediana de la variable aleatoria X.

805. Calcule la moda y la mediana para la función de distribución de densidad:

ak (x - xo)a-1
[1 + k(x – xo)a]2 para xo < x<∞
f(x)=

0 para las demás x

donde a, k son constantes tales que k>0, a>1.

d ak (x - xo)a-1 =0 ; x =xo+[1/k(2a-1)]1/a.
dx [1 + k(x – xo)a]2

806. Calcule la moda, la mediana y la media para la f.d.p.:

103
 ¼ senx para 0<x<2π

f(x)=
0 para las demás x

d¼ senx =0 ; -1/4cosx=0 ; x=cos-10 ; x=90

dx

∫¼ senx =-2/4 cosx =1/2; cosx =-1; x=180

∫x¼ senx =1/4 ∫xsenx ; x=180

807. calcule la moda y el tercer momento inicial para la variable aleatoria X con función de
densidad:

exp (-1/X)
n!Xn+2 para x>0 para n =3,4,…
f(x)=

0 para las demás x.

d℮(-1/x) ; ℮x-2xn+2 =n + 2 ; x = 1
n!x(n+2) ℮x-1xn+1 n+2

808. Calcule la mediana, la media y la varianza para la variable aleatoria X con función de
densidad:

1
2X2 para x >1
f(x)=

0 para las demás x.

104
μ=∫x/2x2= ∫1/2x=[ ln2x]01= no existe

v(x)=∫x2/2x2 –μ2= no existe

∫ 1/2x2 =-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 demás x.

μ= ∫ x6x(1-x)=1/2

v(x)= ∫x26x(1-x)-(1/2)2=1/20

∫x36x(1-x) -3∫x6x(1-x)∫x26x(1-x)+2[∫x6x(1-x)]3 = Y= 0
(1/20)3

k= ∫x46x(1-x) -4∫x6x(1-x) ∫x26x(1-x) +6[∫x6x(1-x)]2∫x26x(1-x) -3[∫x6x(1-x)]4 =2.16

(1/20)4

810. Sea X1 una variable aleatoria con función de densidad:

1/6(x-2) para -2<x<0

f(x)= -1/12(x-4) para 0<x<4

0 para las demás x.

y X2 con la función de densidad:

1/12(x-2) para -2<x<2

g(x)= -1/6(x-4) para 2<x<4

0 para las demás 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:

¾(2x-x2) para 0<x<2

a) f(x)=

0 para las demás x.

μ=∫x¾(2x-x2)=1; v(x)= ∫x2 ¾(2x-x2)- μ2=1/5

k = ∫x4¾(2x-x2) -4∫x¾(2x-x2) ∫x2¾(2x-x2) +6[∫x¾(2x-x2)]2∫x2¾(2x-x2) -3[∫x¾(2x-x2)]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 distribución acumulada dad por:

0 para x<1

F(x)= (x-1)/2 para 1<x<3

1 para x>3

σ=v(x)2= ∫x2(x-1)/2 – [∫x(x-1)/2]2=3/9

σ=0.5773

Calcule la desviación típica de la variable X.

813. Exprese el tercer momento central de la variable aleatoria X por sus momentos iniciales.
μ3=E(x- μ)3=E(x3-3x2 μ+3x μ2- μ3)=E(x3)-3E(x2)E(μ)+2E(μ) 3=
μ3=α3-3α1α2+2α13

814. Exprese el tercer momento inicial de la variable aleatoria X por sus momentos centrales.
α3= μ3 + 3α1α2-2α13= μ3 + 3 μ 1(μ2 +μ12) -2 μ 13
α3= μ3 + 3 μ 1μ2 + μ 13

106
 815. Aplicando la propiedad de la media: E(x)= E(X-a) + a, calcule la media de la variable
aleatoria X cuya función de densidad es:

7(x-1)6 para 0<x<1

f(x)=
0 para las demás 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 función de distribución acumulada dada por:

1-exp(-1/3t) para t>0

F(t)=
0 para las demás t.

a) Calcule P(1<T<2).
P(1<T<2)=∫[ 1-exp(-1/3t)]= exp(-1/3)- exp(-2/3)

b) Obtenga la función de densidad de T.

1/3exp(-1/3t) para t>0

F(t)=
0 para las demás t.

c) Calcule E(T) y V(T).

E(T)=∫t[1-exp(-1/3t)]dt=3
V(T)=∫t2[1-exp(-1/3t)]-9=9

817. Sea X una variable aleatoria con función de densidad:

axe-4x2 para x>0

f(x)=
0 para las demás x.

a) Determine el valor de la constante a.

b) Calcule E(X) y V(X).

107
 818. Aplicando la formula μ3=α3-3 α1α2+2 α13, calcule el coeficiente de sesgo para la distribución
dad por la siguiente función de densidad:

1 xn-1 exp (-x/λ) para x>0

λn(n-1)!
f(x)=

0 para las demás x.

819. Calcule la moda y la media de la variable aleatoria X con función de densidad dada por:

(4 / π )x2exp(-x2) para x>0

f(x)=

0 para las demás x.

d(4 / √ π )x2exp(-x2) =0 ; x=1;moda=1

dx

E(x)=∫x(4 / √ π )x2exp(-x2)=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 número de águilas que salen.

a) Obtenga la distribución de probabilidad de la variable aleatoria x.

b) Determine la media y la varianza de x.

Para el inciso (a)

xi 0 1
pi 1/2 1/2

n
   XiPi  (0)(1 / 2)  (1)(1 / 2)  1 / 2 108
i 1
 La media

 2   ( Xi   ) 2 Pi  (0  1 / 2) 21 / 2  (1  1 / 2) 21 / 2  1 / 8  1 / 8  2 / 8  1 / 4 La varianza

751.- Considere una variable aleatoria x continua, cuya función 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 función de densidad de probabilidad.

b) Calcule la media y la varianza.
c) Obtenga la función de distribución acumulada F(X).
d) Determine la media.
e) Determine la moda.

 /4  /4
2 sen 2 x
  cos 2 xdx 
 /4
a) 2 cos 2 xdx  2 0  sen (2)( / 4)  sen (0)  1 por lo tanto es
0 0 2
una función de densidad

La media
u 1 1 1
   x 2 cos 2 xdx   x cos udu   cos udu   u cos udu   cos u  usenu  0 
 /4

2 2 2 2
b)  cos 2 x  2 xsen 2 x 0 / 4  1 / 2 cos 2( / 4)  2( / 4) sen 2( / 4)  cos(0)  1 / 2   / 4
 2

4
la varianza
  /4  /4  /4
u2
2   x f ( x)dx     x 2 cos 2 xdx   cos udu   2  1 / 4  u 2 cos udu   2
2 2 2

 0 0 4 0

 3

 1 / 4 2ucsu  (u 2  2) senu 0 
 /4

  2  1 / 4 4 x cos 2 x  (4 x 2  2) sen2 x 0 
 /4
 2 
4

c) La función de distribución acumulada esta dada por:

 0 para x0

f(x)= sen2 x para 0  x  /4
 1 para x  /4


109
 d) La media

sen2x= ½ sen /6 = ½

e) Para la moda

f(x) = 2cos2x
f´(x) = 0
f´(x) = (-2sen2x)(2) La única solución en el intervalo 0,/4 es X = 0

f´´(x) = -8cos2x
f´´(0) = -8<0 Por lo tanto f(x) es cóncava hacia abajo en x = 0 por lo que x = 0 es el valor máximo
dentro del intervalo:
De ahí que la moda es igual a 0.

752.- Halle la función de densidad de probabilidad f(x) de una variable aleatoria continúa X,
dado que su función de distribución acumulada esta dada por:


 0 para x0

F ( x )   senx para 0 x
 
 1 para x
 2


F ( x)   f ( x)dx


senx   f ( x)dx



senx  f ( x)dx
   f ( x)
dx dx
f ( x )  cos x

cos x 0 x
f ( x)  
 0 otro

753.- Sea x una variable aleatoria continua con función de densidad de probabilidad dada por:

x/2 para 0  x  2
f(X) =
0 en cualquier otro caso

110
Obtenga la media, varianza, desviación típica, moda y mediana de la variable aleatoria x.

2
x2 1 x3 x3 4
a)    dx   
2 2
0 0
0 2 2 3 6 3

2
x3 x4 2
b)    dx   2  
2 2
0
0
2 8 9

2
c)  
3

d) f(x) = x/2 mo = 2
f´(x) = x2/4 = 0

e)
x
t t2 x2
 2dt  
x
0 igualamos
0 4 4
me = x 2 1
 entonces
4 2
x 2

756.-Sea X una variable aleatoria discreta con distribución de probabilidad dad por la siguiente
tabla:

Xi -2 -1 0 4 6
Pi 1/8 1/8 1/2 3/16 1/16

Calcule la media, la varianza y desviación estándar para la variable x.

n
1 1 1  3 1 3
   xi pi  (2)   ( 1)   (0)   (4)   (6)  
i 1 8
  8
  2
  16
   16  4

2 2 2 2 2
 3 1  3 1  3 1  3  3   3  1 
   ( xi   ) pi   2        1       0       4       6    
2 2

 4 8  4 8  4 2  4   16   4   16 

85

16

85
   2.3048
16

111
 757.-Sea X una variable aleatoria discreta con distribución de probabilidad dad por la siguiente
tabla:

Xi -2 0 X3 12
Pi 1/2 1/4 P3 1/16

Si se sabe que E(x)=5/4, calcule X3 y P3

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 – ½ - ¼ -1/6 = 3/16

P3 = 3/16

n
5 1 1 3 1
   xi p i   (2)   (0)   ( x3 )   (12) 
i 1 4 2 4  16   16 
5  3 3
 1  x 3   
4  16  4
 3 5 3
x3    1
 16  4 4
 3 3
x3   
 16  2
3
x3  2
3
8
16

x3  8

758.- Sea X una variable aleatoria discreta con distribución de probabilidad dad por la siguiente
tabla:

Xi 1 X2 5 10 20
Pi 0.5 0.25 0.1 0.1 Pi

a) Calcular x2 y p5, si se sabe que E(x2)=37 y x1 < x2 < x3 < x4.

b) Calcule la media la varianza y desviación estándar para la variable X.

112
 a)
P ( x)  100% | 1
P ( x)  P (1)  P ( 2)  P (3)  P (4)  P (5)
1  0.5  0.25  0.1  0.1  P5
P5  1  0.5  0.25  0.1  0.1  0.05
P5  0.05

n
E ( x 2 )   xi2 p i
i 1

37  1 (0.5)  x 22 (0.25)  5 2 (0.1)  10 2 (0.1)  20 2 (0.05)

2

37  0.5  0.25x 22  2.5  10  20  0.25 x 22  33

37  33
x 22   16
0.25
x2  4

b)
n
   xi pi  1(0.5)  4(0.25)  5(0.1)  10(0.1)  20(0.05)  0.5  1  0.5  1  1  4
i 1

4

n
 2   ( x   ) 2 pi  E ( x 2 )   2  37  4 2  21
i 1

 2
 21

  21  4.5825

759.- En una lotería 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 distribución de probabilidad de la variable x.
b) Obtenga la función de distribución acumulada de la variable x.
c) Calcule la media, varianza y desviación estándar de la variable x.

200 Boletos
2………$1000
8………$500
10……..$200
12……..$100
60……..$10
108……$no ganan

a)
Xi 0 10 100 200 500 1000
113
 Pi 0.54 0.3 0.06 0.05 0.04 0.01

b)
 0 si x0
 0.5 si 0  x  10

 0.8 si 10  x  100

F ( x)   0.9 si 100  x  200
0.95 si 200  x  500

0.99 si 500  x  1000

 1 si x  1000

c)
n
   xi pi  (0)(0.54)  (10)(0.3)  (0.06)(100)  (0.05)(200)  (0.04)(200)  (0.01)(1000)  37
i 1

 2   ( xi   ) 2 pi  (0  37) 2 (0.54)  (10  37) 2 (0.3)  (100  37) 2 (0.06)  ( 200  37) 2 (0.05)
i

 (500  37) 2 (0.04)  (1000  37) 2 (0.01)  20318.24

  2  20318.2  142.542

760.- Sea X una variable aleatoria discreta con distribución de probabilidad dad por la siguiente
tabla:

Xi 2 3 4 5
P1 0.2 0.4 0.3 0.1

a) Obtenga la función de distribución 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
  0 x0
0.2 2 x3


F ( x)  0.6 3 x  4
0.9 4 x5


 1 5 x

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 distribución de proporcionalidad dada por la
siguiente tabla.

xi 0 1 2 5
pi 0.1 0.4 0.3 0.2

Calcule el coeficiente de sesgo.

solucion :
n
   ( xi p i )  (0)(0.1)  (1)(0.4)  (2)(0.3)  (5)(0.2)  2
i 1

 2   ( xi   ) 2 pi  (0  2) 2 (0.1)  (1  2) 2 (0.4)  ( 2  2) 2 (0.3)  (5  2) 2 (0.2)  2.6

i

  2.6  1.612

sesgo

3 
(x / 2  )3

 ((0  1  2  5) / 2)  2)  1.909
3

 3
(1.612) 3

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 número de bolas blancas extraídas. ¿Para que valor
de n se cumple E(x)  1?

Xi 0 1 2
Pi 2/9 (27n-5)/(18(3n-1)) (5n-3)/(6n(3n-1))

115
 2  27n  5   5n  3  27n  5 10n  6
  (0)   (1)   (2)   
9
   18(3n  1)   6 n (3n  1)  18(3n  1) 6 n(3n  1)
27n 2  5n  30n  18 27n 2  25n  18
 
18n(3n  1) 18n(3n  1)

57n  23
E ( x)  1
18(3n  1)
Para n = 1

822.- Según 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 función de densidad esta dada por.

1/24 (x-1)4 exp-(x-1) para x 1

f(X) =
0 para las demás x.


x
  24 ( x  1) e (1 x ) dx  6
4


x2
2   24 ( x  1) e (1 x ) dx   2  41  (6) 2  5
4

Nota: Para resolver estas integrales se utilizo el Matlab

840.- Dada la v.a continúa x con función de probabilidad

 senx
 2 si 0 x

f ( x)  
 0 otra parte


Halle µ y  2

116
    
xsex 1 1 1
   xf ( x)dx   dx   xsexdx   usenudu   senx  x cos x  0


 0
2 20 20 2


1
 sen   cos   sen0  0 cos 0  
2 2

  
1 2 1 2 2
2   x f ( x)dx    2 0
 
2 0

2 2 2
x senxdx u sendx

4 4


1
2
 
2 xsex  (2  x 2 cos x 0 
2 1
4
 
 2sen  (2   2 ) cos   2(0) sen0  ( 2  0) cos 0 
2
2
4

 2
 2
4

841.- Si la f.d.p de una v.a.c es:

c(4 x  x 3 ) si 0 x2

f ( x)  
 0 otro caso

Halle
a) El valor de c.
b)  y 

f ( x)  c (4 x  x 3 )
2
 x4   24 (0) 4 
c  (4 x  x 3 )dx  c 2 x 2    c  2( 2) 2
  2 ( 0) 2
   4c
 4 0  4 4 
igualamos
4c  1
1
c
4

b)
2
2 2
 4x 3 x 5  1  4( 2) 3 2 5  16
   xf ( x )dx  c  ( 4 x  x ) dx  c 2
   
4
   0.0666 
0 0  3 5 0 4  3 5 15
2 2 2
1 x6  1  4 2 6  16 
2
16  44
 2
 c  ( 4 x  x ) dx     x 4 
3 5
  
2
  ( 2)    
0
4 6  0 15  4 6  15  225
44
 
225

842.- Dada la variable aleatoria continua x, cuya f.d.p es f(x) =  exp2x-x2 ,   0, x E R.

Encuentre la moda sin necesidad de calcular el valor de la constante .

Para encontrar la moda derivamos la función de densidad e igualamos a cero para obtener así
abscisas críticas. Cualquier abscisa crítica pude ser evaluada en la segunda derivada ya que si resulta

117
un número negativo, abra un máximo y si es positivo abra un mínimo y por lo tanto el valor de X que
de un máximo es la moda.
2
f ´(x )  2 (1  x )e 2 x  x  0
2
(1  x)e 2 x  x  0
1 x  0
x 1

2 2
f ´´(x )  2e 2 x  x  4 (1  x )e 2 x  x
f ´´(1)  2e  4 (0)e  2e

mo  1

x
2
e
t 2
843.- Una función importante es la llamada función de error erf(x) = dt
 0

Esta función es impar, ya que erf(-x)=-erf(x).

Si x x   , erf ( x)tiemde   1, respectivamente . A demás es continua y erf(0)=0.

 esp( x)dx   e
 x2
Use esta información y haga dx  erf ( x), para calcular:
2


 exp( x
2
a) )dx

 )
 x2 
b) 

exp
 2 

dx


solución:

a)


e
 x2
dx  1.7724  


b)
 2
 x2
e

dx  2.506  2

NOTA: Para resolver estas integrales se utilizo el matlab

845.- Exprese erf( x ) mediante la integral de tipo   (t )dt. [sugerencia: haga t = t(u) = u2 en
0
x
2
e
u 2
la integral du ]
 0

Solución:

118
 x t( x) x x
2 2 e t 1 e t
 e du   0 t dt  0  (t )dt
2
u
erf ( x )  dt 
 0  t ( 0) 2 t 

e t
 (t ) 
t

 x2 
849.- Sea X una v.a. continua con f.d.p. f(x) = c exp.   
 2 
a) Determine el valor de la constante c.
b) Determine P (-a < X < a) en términos de la función erf.
3 2 
c) Exprese la f.d.a. F(x) en términos de la función erf, y obtenga entonces F (2) y F   , dado

 2 
que: erf  2  = 0.9545 y erf (1.5) = 0.9661 (correcto a cuatro dígitos decimales).

Para (a)

 x2  x2
 
 ce
0
2
dx  c  e
0
2
dx  c 2

1  c 2

1
c
2

Para (b)

a x2
1   a 
P (a  x  a) 
2 e
a
2
dx  erf 
 2


Para (c)

 t2 
x  
1  2  1 x 
F ( x) 
2 e

 
dt  
2
1  erf
2 
;

F ( 2) 
1
2

1  erf 
2  0.97725

119
 3 2  1
F    1  erf 1.5   0.98305

 2  2

c
850.- Considere la v.a.c. X, con f.d.p. f(x) = , x  R.
1 x2
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)

  
c dx 1 1  x  

1  x 2 dx  c 1  x 2  c 1 tan  1    c tan x
1
 
  c tan 1   c tan 1      c tan 1 

       
 c       c     c
 2  2  2 2

1  c

1
c


Para (b)
x

 
x x x
c dt 1 t
 c tan 1 x  c tan 1    
x
F ( x)   f (t )dt   dt  c   c  tan 1   c tan 1 t 
 1  t  1  t
2 2
 1 1  

    1  1  1 1
 c  tan 1 x      1
 tan x  2   2   tan x
  2  

Para (c)
    
  xf ( x)dx 
 c  xdx c 2 xdx c du c c
x 1  x 2 dx  c 1  x 2  2 1  x 2  2  u  2  Lnu   2 Ln 1  x
 2
   



u = 1 + x2
du = 2xdx

1
c
2
 2 c
2

 Ln1   2   Ln 1               
2
1
2
  
1
2
  

2


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

3
Halle el coeficiente de sesgo  = .
3
 1
1
 x 2 x3  1
 1 1   0 0  1 1
  E ( X )   xf ( x )dx  2  x(1  x )dx  2  ( x  x )dx  2     2         2   
2

 0 0 2 3 0  2 3   2 3   2 3
32 1
 2   2   0.3333
 6  6

   x  
 1
3  E  X    3  f ( x)dx    x  0.3333  21  x   dx   3  31  2  213
3 3

 0

1 1
 3   x 21  x dx  3(0.3333)  x 2 21  x dx  2 0.3333 3
3

0 0
1 1
 3  2   x  x dx  2 0.9999    x 2  x 3 dx  0.074051
3 4

0 0
1 1
x x  4
x x4 
5 3
 3  2    1.9998    0.0740518  0.5  0.4  0.6666  0.49995  0.0740518
 4 5 0 3 4 0

 3  0.0074018

 1 1
  V (X ) 
2
x
2 2 2 2
 
f ( x)dx     x 21  x dx   0.3333  2  x 2  x 3 dx   0.1111 
 0 0

1
 x3 x4 
 2
 2   0.1111  0.6666  0.5  0.1111  0.0555
3 4  0

  0.235584379
 3   0.235584379 3  0.013074932

3 0.0074018
    0.566106
 3
0.013074932

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

a
Si x a
a  x2
2

f(x) =

121
 0 si x a

Halle:
a) el valor de a.
a 
b) P   X  a 
2 

Para (a)

a a a a a
a dx du  u  x

a a2  x2
dx  a 
a a2  x2
 a
a a2  u2
 a  sen 1   a  sen 1 
 a  a  a  a
u=x
du = dx
a  a
 asen 1  asen 1     asen 1 1  asen 1   1  90a    90  a  90a  90a  180a
a  a
1  180a
1
a  0.005555
180

Para (b)

x x x x
a dt  t x 0 x
F(X)=  f (t )dt   dt  a   a  sen 1   asen 1  asen 1  asen 1
 0 a2  t 2 0 a2  t2  a 0 a a a
a
 
 
a  
a  a   1 
F  a   F    asen 1    asen 1  2   asen 1 1  asen 1    90a  30a  60a  60 
2 a a  2a   180 
 
1
1
  0.3333
3

853.- Sea X una v.a.c. con f.d.p. dada por:

x3
x Si 0  x  2
4
f(x) =
0 en otro caso

Halle la mediana (me).

1
F(X) =
2

122
 x
x
 s3 
x x
 4s  s 3  x
1  4s 2 s 4 
ds    4 s  s 3 ds  
1
F ( X )   f ( s)ds    s  ds      
 0
4  0
4  40 4 2 4 0

x
 4s 2 s 4  x 2 x 4 8x 2  x 4
     
 4 2  16  0 2 16 16

8x 2  x 4 1

16 2
1
8 x 2  x 4  16 
2
8x  x  8
2 4

x 4  8x 2  8  0
si w  x 2
w 2  8w  8  0

   8    8 2  41 8 8  32 8  216 8  4 2
w     42 2
21 2 2 2

Sustituyendo x 2 por w

x2  4  2 2
x   42 2
x1  4  2 2  2.6131
x2  4  2 2  1.0823

El valor que cae dentro del intervalo 0,2 es 1.0823= 4  2 2  x 2 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

123
 855.- Dado que E(X) = 2, E(Y) = 6, y suponiendo que Z = 3X + 4Y, halle E(Z).

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, X2 =
0 y X3 =1, con probabilidades de p 1, p2 y p3, respectivamente, y si se sabe además que E(X) = 0.1;
E(X2) = 0.9, encuentre los valores de p1, p2 y p3.

xi -1 0 1
pi p1 p2 P3

E(X) = μ = 0.1
E(X2) = σ2 = 0.9

(1) p1 + p2 + p3 = 1
(2) (-1)p1 + (0)p2 + (1)p3 = 0.1 = E(X)
(3) (-1)2p1 + (0)2p2 + (1)2p3 = 0.9 = E(X2)

t
 1 1 1 1   1 1 1 1  1 0  1  0.1 1 0  1  0.1
  R2  R1   R1  R2   R3  R1   R2  R3
  1 0 1 0.1  0 1 2 1.1  0 1 2 1.1   0 1 2 1.1   
 1 0 1 0.9  1 0 1 0.9   1 0 1 0.9   0 0 2 1 
       
1 0  1  0.1 R3 1 0  1  0.1 1 0 0 0.4 
  2   R1  R3  
 0 1 0 0.1   0 1 0 0.1   0 1 0 0.1 
 0 0 2 1   0 0 1 0.5   0 0 1 0.5 
     
 p1   0.4 
   
P   p 2    0.1 
 p   0.5 
 3  
entonces
p1  0.4, p 2  0.1, p3  0.5

857.-Una variable aleatoria discreta X tiene la siguiente distribución de probabilidad:

xi 4 6 x3
pi 0.5 0.3 p3

Si se sabe que E(X) = 8, halle x3 y p3.

124
 P x   100%  1
P ( x )  P 1  P  2   P  3
1  0.5  0.3  P  3
P 3  1  0.5  0.3
P 3  0.2

n
  E ( X )   xi pi
i 1

8  4 0.5  6(0.3)  x3 (0.2)

8  2  1.8  0.2 x3
0.2 x3  8  2  1.8  4.2

4.2
x3 
0.2

x3  21

858.- Sea X una variable aleatoria discreta con la siguiente distribución de probabilidad:

xi 1 2 3
pi p1 p2 p3

Si se sabe que E(X) = 2.3; E(X2) = 5.9, determine los valores de p1, p2 y p3.

(4) p1 + p2 + p3 = 1
(5) (1)p1 + (2)p2 + (3)p3 = 2.3 = E(X)
(6) (1)2p1 + (2)2p2 + (3)2p3 = 5.9 =E(X2)

125
 1 1 1 1   1 1 1 1   1 1 1 1  1 0  1  0.3 
  R2  R1   R3  R1   R1  R2  
1 2 3 2.3   0 1 2 1.3   0 1 2 1.3   0 1 2 1.3 
1 4 9 5.9  1 4 9 5.9   0 3 8 4. 9   0 3 8 4.9 
       
1 0  1  0.3   1 0  1  0.3   2 0 0 0.4  R1
R3 3 R2
  R2  R3   2 R1  R3   2
  0 1 2 1.3   0 1 0 0.3   0 1 0 0.3  
 0 0 2 1  0 0 2 1   0 0 2 1 
    
1 0 0 0.2  R3 1 0 0 0.2 
  2  
 0 1 0 0.3    0 1 0 0. 3 
 0 0 2 1  0 0 1 0. 5 
   
 p1   0.2 
   
P   p 2    0. 3 
 p   0. 5 
 3  
Entonces :
p1  0.2, p 2  0.3, p3  0.5

859.- Un lote de 10 potentes computadoras nuevas fue adquirido para los investigadores del
instituto de Astronomía de la UNAM. De esas maquinas, 7 son Silicón 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 número esperado de Power Mac en ese conjunto.

3
P (P.M.) = = Pi
10
n
 3 6 3
  E ( X )   xi pi  2   
i 1  10  10 5
3

5

860.- Si las variables aleatorias X1, X2,......X n toman solo valores positivos, son independientes
y además están igualmente distribuidas, demuestre que:

 Xi  1
E   ,  i  1,2,..., n 
 X 1  X 2  .... X n  n

Definimos las variables aleatorias Y1, Y2,…, Yn como sigue:

X1 X2 Xn
Y1  , Y2  ,...,Yn 
X 1  X 2  ...  X n X 1  X 2  ...  X n X 1  X 2  ...  X n

Las variables Xi (i = 1,…n) están igualmente distribuidas.

Se tiene que E (Y1) = E (Y2) =…=E (Yn)
Además:

126
 X 1  X 2  ...  X n
Y1  Y2  ...  Yn  1
X 1  X 2  ...  X n

Luego, E (Y1 +Y2 +…+ Yn) = E (1) = 1. Por consiguiente, E (Y1) + E (Y2) +…+ E (Yn) = nE (Yi) = 1,
1
es decir, E (Yi )  .
n

861.- Suponga que se tienen siete variables aleatorias X 1, X2,........ X7, las cuales solo toman
valores positivos, además de que son independientes y están igualmente distribuidas. Obtenga el valor
esperado de la variable aleatoria Z definida como sigue:

X1  X 2  X 3
Z
X 1  X 2  ...  X 7
donde
X 1  X 2   X 3  X 4  X 5  X 6  X 7   X i  0
para
Xi  2
tenemos
222 6 3
Z  
2  2  2  2  2  2  2 14 7
3
Z
7

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(X2) = 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: x1 y x2, cada uno
de ellos con idéntica probabilidad, encuentre la varianza de X.

xi 1 2
pi 1/2 1/2

127
 n
1 1 3
  E ( X )   xi p i  1     2     0.5  1.5 
i 1 2
  2
  2
 2  V ( X )    xi    pi
2

3
 2  1  1.5 1   2  1.5  2     0.5   0.5  2   0.25  0.5 
2 2 2 2

4
3
2 
4

864.- Suponga que X y Y son variables aleatorias, tales que E(X) = a, E (Y) = b, Var (X) =  12 ,
Var (Y) =  22 . Demuestre que Var (XY) =  12 22  b 2 12  a 2 22 .

Tenemos: Var (XY) = E [(XY)2] – [E (XY)]2. Pero, E [(XY)2] = E(X2) E (Y2). Puesto que X2 y Y2 son
variables aleatorias independientes, si X y Y lo son. Por otra parte, [E (XY)] 2 = [E(X) E (Y)]2 = a2 b2.

Además:

 12  E ( X 2 )  a 2 y  22  E (Y 2 )  b 2 .

De aquí que, E ( X 2 )  a 2   12 , E (Y 2 )  b 2   22 .

Así que finalmente, se obtiene:

Var ( XY )  (a 2   12 )(b 2   22 )  a 2 b 2   12 22  b 2 12  a 2 22

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 cuadrático
medio.

E [(X – c)2] = E [(X – μ + μ – c)2] = E [(X – μ)2 + 2(X – μ) (μ – c) + (μ – c)2] = E [(X –μ)2] + 2(μ –c)
E [(X – μ)] + (μ – c)2.

Sin embargo, E [(X – μ)] = 0. En consecuencia, queda probado que E [(X – c) 2] = E [(X – μ)2] + (μ –
c)2 = μ2 + (μ –c)2.

De aquí que μ 2 < E [(X –c)2]. Incidentalmente, si se hace c = 0, entonces se tiene una relación ya
conocida:

μ2´ = μ2 + μ2, esto es: Var (X) = E(X2) – [E(X)]2.

128
 866.- Una variable aleatoria X tiene media igual a 12 y varianza igual a 9. Estime el valor
mínimo con la desigualdad de Chebyshev, de P (3 < X < 21).

μ- kσ = 12 – 3k = 3
μ + kσ = 12 + 3k = 21

En ambos casos se obtiene k = 3. De aquí que,

1 8
P (μ – kσ < X < μ + kσ) = P (3 < X < 21) ≥ 1 - 
k2 9

867.- Una forma alternativa (y equivalente) del Teorema de Chébyshev establece que si k > 0,
2
entonces P (| X   | k )  1  2 . Dada una v. a. X en la que  2 ( x)  0.004 , use esta forma de la
k
desigualdad de Chébyshev para proporcionar una cota inferior de P (| X  E ( x) | 0.2)

Solución:

Datos del problema Desarrollo

2
P (| X  e( X ) | 0.2)  1 
X   2  0.004 (0.2) 2
2 2
Desigualdad P (| X   | k )  1  P (| X  e( X ) | 0.2)  1 
k2 (0.2) 2
k  0.2, P (| X  e( X ) | 0.2)
(0.004)
P (| X  e( X ) | 0.2)  1 
(0.04)

Su cota inferior es:  P( X  E ( x) | 0.2)  0.9

868.- Para cualquier k > 0, un< tercera forma alternativa (y también equivalente) de la
desigualdad de Chébyshev consiste en expresar la desigualdad:
2
P (| X   | k )  2
k
Esto es fácil de probar, toda vez que los conjuntos {x  R | X   | k} y {x  R | X   | k} forma una
partición de R y tienen, por tanto, probabilidades complementarias. Para una v. a. X cualquiera (discreta
o continua), use esta forma de la desigualdad de Chébyshev para estimar una cota inferior de la
probabilidad de que X se desvíe de su valor esperado en no menos de dos desviaciones estándar.

869.- Un complejo dispositivo electrónico de una sonda espacial, fabricada por los ingenieros de la
NASA, está 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 Chébyshev,
proporcione una cota inferior de la probabilidad de que el valor absoluto de la diferencia entre el número
de elementos que fallan y el promedio (esperanza matemática) de falla en el tiempo T sea de:

a) Menos de 2
129
 b) No menos de 2

Datos del problema Desarrollo

2
 n
a ) P ( X a  2)     p x q n  x
0  x
p  0.05
q  0.95
10  10 
P ( X a  2)   (0.05)1 * (0.95)10 1   (0.05) 2 * (0.95)10  2
n  10 1 2
Xa  2 P ( X a  2)  0.3898  0.5  0.8898
Xb  2 10
n
b) P ( X a  2)  1     p x q n  x
2  x

10  10 
P ( X a  2)  1   (0.05)1 * (0.95)10 1   (0.05) 2 * (0.95)10  2
1 2
P ( X a  2)  0.6102  0.5  0.11024
 P ( X a  2)  0.8898
Su cota inferior es:
P ( X b  2)  0.11024

870.- Una v. a. discreta X tiene la siguiente distribución de probabilidad:

xi 0.3 0.6
pi 0.2 0.8

Aplique la desigualdad de Chébyshev para dar una cota inferior de P (| X  E ( x) | 0.2)

Datos del problema Desarrollo

  E ( x)  0.3 * 0.2  0.6 * 0.8
  E ( x)  0.54
 2  (0.3  0.54) 2 (0.2)  (0.6  0.54) 2 (0.8)
 2  0.0144
2
P (| X  E ( x ) | 0.2)  1 
xi 0.3 0.6 k2
pi 0.2 0.8 0.0144
P (| X  0.54 | 0.2)  1 
0.04
P (| X  0.54 | 0.2)  1  0.36
P (| X  0.54 | 0.2)  0.64

Su cota inferior es:  P(| X  0.54 | 0.2)  0.64

871.- Suponga la v. a. discreta X tiene la siguiente distribución de probabilidad:

xi 0.1 0.4 0.6

pi 0.2 0.3 0.58
10
Proporcione una cota inferior de P (| X  E ( x) | ) , mediante la desigualdad de Chébyshev.
5

130
Datos del problema Desarrollo

  E ( x )  0.1 * 0.2  0.4 * 0.3  0.6 * 0.5

  E ( x )  0.44
10 2  2  (0.1  0.44) 2 (0.2)  (0.4  0.44) 2 (0.3)  (0.6  0.44) 2 (0.5)
P (| X  E ( x) | ) 1 2
5 k  2  0.0364
xi 0.1 0.4 0.6 10 0.0364
P (| X  0.44 | ) 1
pi 0.2 0.3 0.5 5 0.4
10
P (| X  0.44 | )  1  0.091
5
10
P (| X  0.44 | )  0.909
5
10
Su cota inferior es:  P(| X  0.44 | )  0.909
5

872.- Una v. a. continua X tiene la siguiente función de distribución acumulada:

 0 six  1

F ( x )  3 / 4( x  1) si  1  x  1 / 3
 1 six  1 / 3

Determinar P (0<X<1/3).

Datos del problema Desarrollo

P( X  1 / 3)  1
P( X  0)  (3 / 4((0)  1)  3 / 4
P(0  X  1 / 3)  1  3 / 4
P(0  X  1 / 3)  1 / 4

 0 six  1

F ( x )  3 / 4( x  1) si  1  x  1 / 3
 1 six  1 / 3

P (0  X  1 / 3)

Su probabilidad es:  P(0  X  1 / 3)  1 / 4

873.- Si la v. a. c. X tiene la f. d. a. F ( x )  1 / 2  1 /  * tg 1 ( x), X  R) (tomando el valor

principal de tg 1 ( x) ), determine P (0  X  1)

Desarrollo
Datos del problema

131
 Tomando solamente el valor principal de
tg 1 ( x) , para así obtener:

P ( X  1)  1 /  * tg 1 (1)  1 /  *  / 4  1 / 4
P ( X  0)  1 /  * tg 1 (0)  0
P (0  X  1)  1 / 4  0
P (0  X  1)  1 / 4

F ( x )  1 / 2  1 /  * tg 1 ( x ), X  R)
P (0  X  1)

Su probabilidad es:  P (0  X  1)  1 / 4

874.- La v. a. c. X tiene f. d. a. dada por:

 0 parax  2

F ( x)  1 / 2  1 /  * sen 1 ( x / 2) 2 x 2
 1 x2

Determine P(-1<X<1)

Datos del problema Desarrollo

P ( X  1)  1 / 2  1 /  * sen 1 ( 1 / 2)  1 / 3
P ( X  1)  1 / 2  1 /  * sen 1 (1 / 2)  2 / 3
P ( 1  X  1)  2 / 3  1 / 3
P ( 1  X  1)  1 / 3

 0 parax  2

F ( x)  1 / 2  1 /  * sen 1 ( x / 2) 2 x 2
 1 x2


P (1  X  1)

Su probabilidad es:  P (1  X  1)  1 / 3

875.- Una v. a. c. X tiene la siguiente f. d. a.:

 0 parax  2
1
F ( x)   x  1 2 x4
2
 1 x4
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

a ) P ( X  1 / 5)  0
b) P ( X  3)  1 / 2(3)  1
P( X  3)  0
c) P (3  X  4)  1  1 / 2
P(3  X  4)  1 / 2
d ) P(5  X  6)  1  1
 0 parax  2
1 P(5  X  6)  0
F ( x)   x  1 2 x4
2
 1 x4

P ( X  1 / 5)
P ( X  3)
P (3  X  4)
P (5  X  6)
 P ( X  1 / 5)  0
P ( X  3)  0
Su probabilidades son: P (3  X  4)  1 / 2
P (5  X  6)  0

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

4
f ( x)  x . Determine el valor constante de  .
e  e x

Datos del problema Desarrollo

4 
4
f ( x) 
e  e x
x e

x
 e x
dx  1


dx
De la definición de una f. d. p.
4 e

x
 e x
1


La evolución obtenida de la integral es:
 f ( x ) dx  1 4 [tg 1 (e x )]  
1

4 [ / 2]  1
Despejando  obtenemos:
1

2

133
 1
La constante es:  
2

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

csen2 x 0  x  /2
f ( x)  
 0 c.o. p.
Halle el valor de la constante c.

Datos del problema Desarrollo

csen 2 x 0  x  /2  /2
f ( x)  
 0 c.o. p.  csen2 xdx  1
0
 /2
De la definición de una f. d. p. c  sen2 xdx  1
0

La evolución obtenida de la integral es:
 f ( x ) dx  1
c
[ cos 2 x ]  / 20  1


2
c
[1  1]  1
2
Despejando c obtenemos:
c 1
La constante es:  c  1

878.- Una v. a. c. X tiene f. d. p. definida por:

ktg 1 x 0  x 1
f ( x)  
 0 c.o. p.
Determine el valor de la constante k.

Datos del problema Desarrollo

1

 ktg
1
ktg x1
0  x 1 xdx  1
f ( x)   0
 0 c.o. p. 1
k  tg 1 xdx  1
De la definición de una f. d. p. 0

La evolución obtenida de la integral es:


ln( x 2  1) 1
 f ( x ) dx  1 k [ xtg 1  ]0  1
 2
 ln(2)
k[  ] 1
4 2
Despejando k obtenemos:
  2 ln(2)
k  0.438825
4

134
 La constante es:  k  0.438825

789.- Una v. a. c. V tiene la siguiente f. d. p.:

 1
 si | v | c
  v2 
f (v)   k 1   2 
 c 
 0 c.o. p.
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 W  2mv 2 donde m > 0 es una constante, determine el valor esperado de la v. a. W.

Datos del problema Desarrollo

c
1 dv
a)  1
 1 k c  v2 
 si | v | c 1   2 
  v2  c 
f (v)   k 1   2 
 c  La evolución obtenida de la integral es:
 0 c.o. p. 1 1 
| c | *sen 1 (| | *v   cc  1
W  2mv 2 k c 
  
k c * sen 1 | 1 / c | *c  | c | *sen 1 | 1 / c | v 
De la definición de una f. d. p. Despejando k obtenemos:
k  c

c
 f ( x ) dx  1 v
 b)   E (v ) 
c
  v 2

dv
c 1   2 
c 
La evolución obtenida de la integral es:
  E (v ) 
1
c

| c | c 2  v 2  cc 
  E (v ) 
1
c
  
 | c | c2  c2   | c | c2  c2 
  E (v )  0
c
v2
c) 2  V (v) 
c
  v2 
dv
c 1   2 
c 
La evolución obtenida de la integral es:

135
  2  V (v ) 
c
2
 
(c 2 sen | 1 / c | v )  v c 2  v 2  cc

2  V (v ) 
c
2
  
(c 2 sen | 1 / c | c )  v c 2  c 2  (c 2 sen | 1 / c | c)  v c 2

c2
2  V (v ) 
2
v
1
c ) F (v )  
c  v2 
dv
c 1   2 
c 
La evolución obtenida de la integral es:
t
1  1 
c *  c  2 sen 1 | | *v  vc
2  c 
1  1  1  1 
c *  c  2 sen 1 | | *v   c *  c  2 sen 1 | | *  c 
2  c  2  c 
1 1 v
F (v )   sen 1  
2  c
Obtenemos que la f. p. a. es:
1 1 v
F (v)    sen 1   | v | c
2  c

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

La evolución obtenida de la integral es:

2
E (W )  mv 4 c
0
4
Obteniendo así que E(W) es:
1
E (W )  mc 4
2

La constante es:  k  c
La esperanza matemática es:    E (v)  0

136
 c2
La varianza es:   2  V (v) 
2
1 1 1  v 
La f. p .a. es: F (v)    sen   | v | c
2  c
c
La probabilidad es: P(0  V  )  1 / 6
2
1
La esperanza de W es: E (W )  mc 4
2

880.- Los profesores de una Universidad de México tienen dificultades en encontrar un sitio
desocupado para estacionar su automóvil dentro del campus, de modo que estacionan el auto en lugares
diferentes cada día. Suponga que para cierto profesor de probabilidad y estadística de ese campus, el
tiempo (en min.) que tarda en recorrer caminando la distancia desde donde le haya tocado dejar su
automóvil hasta su salón de clases, es una v. a. c. X con f. d. p. dada por:

 5120( x  1)
 para x 1
f ( x)   (4 x  3)6
 0 para x 1
Calcule (si existe):
a) El tiempo esperado en llegar a su salón de clases desde donde haya dejado su automóvil
b) La moda
c) La media
d) Desviación estándar
e) Dibuje un croquis aproximado de la grafica de f(x), donde x se mide en min.

Datos del problema Desarrollo

 5120( x  1)

5120( x  1)

f ( x)   (4 x  3)6
para x  1a ) E ( x)  x
1
( 4 x  3) 6
dx

 0 para x  La
1 evolución obtenida de la integral es:
 8(160 x 2  180 x  27) 
E ( x)  1
Ecuaciones que utilizaremos: 3( 4 x  3) 5
E ( x )  18.667 min

E( X )   x* f ( x) dx d  5120( x  1) 
b)  


dx  ( 4 x  3) 6 
V ( X )   ( x 2 * f ( x) dx)  E ( x 2 ) De la cual obtenemos:

 5120(20 x  21)
x
1 0
me   f (t ) dt  (4 x  3) 7
2

 5120( 20 x)  5120( 21)  0
d
mo   f ( x)   0 107520
dx x
102400
m o  1.05
x
1
c) me   f (t )dt  2


137
 De la evaluación se obtiene:
x
5120(t  1)
F ( x)   dt
1
(4t  3) 6
16( 20 x  19)
F ( x )  16 
(4 x  3)5
x
16(20t  19) 1
me   16  dt 
1
(4t  3) 5
2
8(10 x  9) 56 1
me   16 x  
3(4 x  3) 4
3 2
Obtenemos los ceros de la ecuación anterior
obteniendo:
me  1.12284

5120( x  1)
V ( x)  x
2
d) dx
1
( 4 x  3) 6
La evolución obtenida de la integral es:
 (1920x 3  2720 x 2  1020x  153) 
V ( x)  1
3(4 x  3) 5
V ( x)  22.33 min  18.667 min
  1.9139
e) El croquis de f(x)

La esperanza es: E ( x)  18.667 min

La moda es: m o  1.05
La media es: me  1.12284
La desviación estándar es:   4.72582

881.- Con referencia al probl. 880, calcule:

a) La f. d. a. F(x)
b) La probabilidad de que el profesor tarda más de 2 min. en llegar a su salón de clases, desde el
sitio donde haya dejado su automóvil.
c) La probabilidad de que tarde más de 2 min. pero menos de 3, en llegar a su salón de clases desde
el punto donde haya estacionado su automóvil

Datos del problema Desarrollo

138
  5120( x  1)
x
5120( x  1)
 para x  1a ) F ( x)   dx
f ( x)   (4 x  3) 6 1
(4 x  3)6
 0 para x La
1 evolución obtenida de la integral es:
16(20 x  19) x
F ( x)  16  1
De la definición de una f. d. p. (4 x  3) 5
 16(20 x  19)
16  x 1
x
para
F ( x)   f (t ) dt F ( x)   (4 x  3) 5


 0 para x 1
P ( X  2)
P (2  X  3) 16(20(2)  19)
b) P ( X  2)  16 
(4(2)  3) 5
P ( X  2)  15.8925
 16( 20(3)  19)   16( 20(2)  19) 
c) P ( 2  X  3)  16    16 
 ( 4(3)  3)  
5
( 4( 2)  3)5 
P ( 2  X  3)  15.9889  15.8925
P ( 2  X  3)  0.09642
 16(20 x  19)
16  para x 1
La f. d. a. es: F ( x)   (4 x  3)5
 0 para x 1
La probabilidad es: P( X  2)  15.8925
La probabilidad es: P (2  X  3)  0.09642

882.-Sea X la v. a. c. con f. a. p. dada por:

1
2 0  x 1

F ( x)   1 2.5  x  3
0 c.o. p.


Determine la mediana o mediana de X, si es que hay

Datos del problema Desarrollo

1 x
1
0  x 1
2

F ( x)   1
2
dt 
2
F ( x)   1 2.5  x  3 0

0 c.o. p. x 1
 me  
 2 2

x
1
De la definición de una f. d. p. F ( x)  1dt  2
2.5

x 1
1 me  x  2.5 
me  

f (t )dt 
2
2

Obtenemos los cero de la ec. Obtenida

139
 anteriormente:

me  1
me  3

Existen una infinidad de medias, solo se expresan algunas de las que existen entre
estos intervalos que existen entre x  [1,2.5] es adecuada para ser me de X

3 t 1 t
883.- Si X es una v. a. c. con función generatriz de momento  (t )  e  e , para
4 4
t  8  , ) , determine el valor esperado y la varianza de X

Datos del problema Desarrollo

3 t 1 t
 (t )  e  e
4 4 d 1  3 t 1 t 
1,   e  e  t 0
dt1  4 4 
Forma general para obtener los 3 1 
momentos normales de X: 1,   et  e  t  t  0
 4 4 
dr
 r,  r M x (t ) t  0 3 1
dt 1,  
4 4
1
1,  E ( x) 
2
d 2  3 t 1 t 
 2,   e  e  t 0
dt 2  4 4 
3 1 
 2,   et  e  t  t  0
4 4 
3 1
 2,  
4 4
 2,  V ( x)   2,   1, 
2

2
1
 2,  V ( x)  1   
2
3
 2,  V ( x) 
4
1
La esperanza es: 1,  E ( x) 
2
3
La varianzaza es:  2,  V ( x ) 
4

884.- Si la media, varianza y función generatriz de momentos de una v. a. X están dadas,

respectivamente, por  ,  2 , 1 (t ) , para t  (, ), y si Y es otra v. a. cuya función generatriz de

140
momentos está dada por  2 (t )  e c ( 1 1) ,    t   , donde c es una constante positiva, exprese la
media y la varianza de Y en términos de la media y la varianza de X.

Datos del problema Desarrollo

 1, (t )    2 (t )  e c (  1)
 1,, (t )   2 1,  M x (t ) t 0

1,  e 
d 1 c (  1)
 t 0
 2 (t )  e c ( 1 1) dt 1
1,  c
Forma general para obtener los  1,(t )  1,
momentos normales de X:
r
 1,(t )  c
d
 r,  r M x (t ) t  0  2 (t )  e c (  1)
dt
 2,  M x (t ) t  0

 2, 
dt 2
e
d 2 c (  1)
 t 0

 2,  c 2
 .,1(t )  c 2 2  (c ) 2
 .,1(t )  c 2 ( 2   2 )

La esperanza es:  1,(t )  c

La varianzaza es:  .,1(t )  c 2 ( 2   2 )

887.- Si la v. a. c. X tiene f. d. p. dada por :

cx 2 e  bx 0 x

f ( x)  
 0 x0


donde b es un parámetro positivo:

a) Encuentre el valor de la constante c

b) Calcule P(0<X<1/b)

Datos del problema Desarrollo


cx 2e  bx 0 x
f ( x)   cx e  bx dx  1
2
 a)
f ( x)   0
 0 x0 La evolución obtenida de la integral es:


De la definición de una f. d. p.

141
 
 c(b 2 x 2  2bx  2)e  bx 
 f ( x ) dx  1
0 1
 b3
 
x
F ( x)   f (t ) dt  c ( 2)e 0
0 1

b3
P ( 0  X  1 / b)
b3
c
2
 3
b
b) F ( x)   x 2e  bx dx
0
2
 (2ebx  b 2 x 2  2bx  2)e  bx
 0 x
F ( x)   2

 0 x0
P (0  X  1 / b)  0.080301

b3
La constante c es: c 
2
La probabilidad es: P (0  X  1 / b)  0.080301

Eje. Supóngase 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 número de unidades de
aceite pedidas al fabricante durante cada año. (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,

1
 2x4
f ( x)   2

0 cualquier otro valor

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 año determinado) produce una pérdida de $100, ya
que una unidad no utilizada tendrá que ser descartada. Suponiendo que el fabricante debe decidir pocos
meses antes del comienzo de cada año cuánto producirá, y que decide fabricar Y unidades (Y no es una
variable aleatoria, está especificada por el fabricante) Sea Z la utilidad por año. Aquí Z es evidentemente
una variable aleatoria puesto que es una función de la variable aleatoria X. Específicamente, Z = H(X)
en donde

300Y si X  Y ,
H (X ) 
300 X  ( 100)(Y  X ), si X  Y .

A fin de obtener E(Z), tenemos de


E (Z )   H ( x ) f ( x )dx


1 4

2  H ( x )dx
2

142
Para evaluar esta integral debemos considerar tres casos; Y < 2, 2  Y  4 , y Y > 4. Con la ayuda de la
figura y después de algunas simplificaciones obtenemos:

 1 4 1
 2 2 300YdX  2 300YX |2 300Y si Y  2
4


E ( Z )   100Y 2  700Y  400 si 2  Y  4
 1 4 1
 2 2 4

 2 2 (300 X  100Y  100 X )dX  2 150 X  100YX  50 X 2 1200  100Y si Y  4


La pregunta siguiente es de interés, ¿Cómo elegiría el fabricante el valor de Y a fin de maximizar

la utilidad esperada? Podemos responder fácilmente esta pregunta al poner simplemente dE(Z)/dY = 0.
Esto produce Y = 3.5

143