Beruflich Dokumente
Kultur Dokumente
4.1 Introducción.
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.
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.
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)}
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.
(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.
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 )
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. 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.
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
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
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
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.
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 )
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.
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.
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
P ( x 6) F (6) 0.612793968
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
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
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.
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
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
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
0 x0
1/ 8 0 x 1
F ( x) 4 / 8 1 x 2
7 / 8 2 x3
1 x3
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:
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
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
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:
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.
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.
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):
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.
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 x0
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
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
F ( x ) p( x j )
j
Tal como está definida, se trata de una función no decreciente que verifica:
17
lím F ( x) 1 lím F ( x) 0
x 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 x0
1/ 4 0 x 1
F ( x)
3 / 4 1 x 2
1 x2
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.
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
2 x 0 x 1
f ( x)
0 c.o. p
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
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 x0
F ( x) x
1 e x 0
e x x0
f ( x)
0 cualquier otro valor
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
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,
1
x x j f ( x j ) j x j ( f / n )
n j
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.
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.
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
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
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.
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 )
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 x2
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.
100 X 0 X 1
g(X )
140 X 1 X 2
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.
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
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?
25
…. …. ….
10 9 19
10 10 20
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?
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
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 )
236
1 2 2
2 48
1 3 3
2 5 10
1 4 4
3 1 3
1 5 5
326
23 6
3 4 12
24 8
3 5 15
2 5 10
4 1 4
3 4 12
4 28
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.
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.
V ( X ) 2 E xi xi P ( xi )
2 2
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
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.
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
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
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
= 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?
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 300.12t (0.12t )
2
11 .6t 0.432t 2
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
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 x0
x 0 x 1
f ( x)
1 / 2 1 x 2
0 x2
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 b2
La gráfica de esta función es una línea continua, aun cuando f(b) tenga dos discontinuidades.
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
1 2
E( x2 ) x 2 f ( x)dx x (3 x 2 ) dx 0.60
2
0 5
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
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
33
Eje. Supongamos que X es una variable aleatoria continua con fdp
1 x 1 x 0
f ( x)
1 x 0 x 1
1. Si C es una constante,
V(X + C) = V(X)
2. Si C es una constante,
V(CX) = C2V(X)
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
2 ( X Y ) 2 ( X ) 2 (Y ) 2 cov( X , Y )
cov( X , Y ) E ( X X )(Y Y )
( xi X )( y j Y ) P ( xi , y j )
i, j
cov( X , Y ) E ( XY ) E ( X ) E (Y )
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.
cov( X , Y ) 0
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
El promedio es
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
yi = 0.01xi
Se infiere que
10 10 10
yi
i 1
0.01xi 0.01 xi
i 1 i 1
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 11 9 i 1 9 i 1
sy = (0.01)sx = (0.01)(0.34) = 0.0034.
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).
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
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 .
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
E X E X 3E 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.
1 3*
3 E X 3
3 3
38
1 4*
4 E X 4
4 4
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:
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 23
39
23 0.04472
d)
x
x x
t3
me c ( 2 x x 2 0.99) dx c ( 2t t 0.99) dt 750t 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
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.
1 1
P ( k X k ) 1 o P X k
k2 k2
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
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.
0 si x 0
F ( x) x
1 e si x 0
Por consiguiente
V ( X ) 2 12 1
1
4* 4 4 3 1 6 2 12 314
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
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
VX
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
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:
$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.
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
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
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 mn , 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:
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).
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(AB), y basándonos en el principio de
multiplicación de probabilidades, podemos escribir
P ( B ) P ( A) P ( B | A)
P( B ) P (t T t dt ) f (t ) dt F (t ) dt
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
F (t ) 1 et 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( A B) P( B ) F (t2 ) F (t1 )
P( B | A)
P ( A) P( A) 1 F (t1 )
P ( B ) e t1 e t 2
y
P ( B | A) 1 e (t 2 t1 )
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!
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 t1 2 3 ...
2! 3!
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!
d k m(t )
m ( k ) (0) k
dt k t 0
Dem. Como
49
t2 t3
m(t ) E etx 1 t1
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!
e
t x
e e
t
m(t ) e e e t
x0 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:
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 .
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.
1
si a x b, a b
f ( x) b a
0 c.o
Entonces
M (t )
1
ba
a
b
e tx dx
1
t (b a )
e tb e ta
Para
51
e x 0x
f ( x) 0
0 c.o
Entonces
M (t ) etx x dx t
0 t
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,
Así como el ECM alcanza su mínimo para la media, se puede demostrar que el EAM alcanza su
mínimo para la mediana
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)?
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?
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?
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
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
PX i (k ) 1 / 6, (k 1,...,6),
y
x
FX i ( x ) P
k 1
Xi (k )
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:
55
iii) P X (0,2] | X 1
Px ( x ) FX ( x) FX ( x )
ii)
P (1,2) P1 X 2
P1 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.
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.)
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.
c2 c2
2 E[( X m) 2 ] c 2 c 2 c 4
2 2
57
1
P| X m | k
k2
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.
f ( x ) 1 1 x 2 1
, x
carece de momentos.
1 xk
k E[ X ] x f ( x)dx
k k
dx
1 x2
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.
f ( x ) e x , (0 x )
58
El cálculo directo de media y varianza es:
1
0
xe x
1
2 0
( x ) 2 e x dx
2
1
P X P X
2
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
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
59
Eje. Una variable aleatoria R toma el valor r con la probabilidad kr, 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
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 .
1 F (t )
t
e t dt e t . De donde r(t ) = .
Eje. Una variable aleatoria T tiene la fdp f(t), t0. 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 .
n2
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 n2
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.
61
F ( xi 1 ) F ( xi )
p, i 1,2,3,...
1 F ( xi )
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
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
S ( xi d i ) S ( xi )
S ( xi ) S ( xi d i )
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 Axi son mutuamente exclusivos, de modo que
P ( A) P ( A xi ) P ( A | xi ) P ( x i )
i i
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!
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?
k ( m 1) /( m 3)( m 4)
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
r
1
E ( ganancia) 2 r
r 1 2
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 / d2 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
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 xc
2
g ( x) 2 xe x
1 F (c) , xc
x
2 2
Ahora F ( x ) 2te t dt 1 e x . Esto conduce a
0
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
p1 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?
5!
C35 10
3!2!
C23C12 3 2 6
y 1 2 3
p(y) 3/10 6/10 1/10
67
0
x e - x dx 1
0
x 2 e - x dx 2
1
c 1
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).
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 ex
dx
2. f ( x) 1 e x dx
0
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 x0 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
e x x d x
H
c) x ( x ) e exp(x)
0 x0 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.
3-7 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 x0
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
e20 20 x
x 0,1,2,3,....
x!
f x ( x)
0 otro modo
Fx ( xi ) Px ( X xi ) xP ( x)
X xi
x
29
20 x
xe -20
x 1 x!
0.978
kx 0 x2
f x x k ( 4 x ) 2 x4
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
El calculo de la varianza 2 al igual que la media se realiza por medio del mismo programa obteniendo
como resultado:
2
2
3
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
40 2 8
0 4 2 2 2 4 2
Fx ( x) 1 para x 1
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
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
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
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:
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.
2x
0 x3
f x ( x) 9
0 otro modo
a) Desarrolle la FDC para X.
b) Determine la media de la varianza de 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
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
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
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:
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.
50,000
= k y
10,000 = k (50,000 - 10,000)
= 40,000 k
= 1.
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
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
E (y) = y
y
p (yi)
i
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-
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
P (y)
0.356
0.25
0.05
0 1 2 3 y
μ + 3 б = 1 + 3 ( 0.8944) = 3.6833
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
0.9535
2 1.9076
2 2.916 1.908 1.008,4.824
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
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
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 0X2
f ( x)
0 otro caso
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
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
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 0x<2
F(x)= 0.6 2x<3
0.9 3x<4
1 4x<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:
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
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 , kN 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
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<x1
0.6 1<x3
0.9 3<x8
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 :
89
Dado que x sólo toma los valores –2, 1 y 3. Encuentre la función de densidad x.
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)
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
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
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
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
53
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
p ( x ) 0 .4 0 .3 p
3 1
p3 1 0.7 0.3
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
47 7
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
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.
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
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
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 2sen 2 cos 2 cos 0
4
2
2
V ( x) 2 0.683
4
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
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
b)
d 3
dx 4
x2 6x 8 0
3 9
x 0
2 2
mod a x 3 mediana
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
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
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.
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.
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
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
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).
b) P(T<2) = 1-e-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).
2 1
804. Sea X una variable aleatoria con función de densidad f(x) = ,
e ex
x
ak (x - xo)a-1
[1 + k(x – xo)a]2 para xo < x<∞
f(x)=
d ak (x - xo)a-1 =0 ; x =xo+[1/k(2a-1)]1/a.
dx [1 + k(x – xo)a]2
103
¼ senx para 0<x<2π
f(x)=
0 para las demás x
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)=
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)=
104
μ=∫x/2x2= ∫1/2x=[ ln2x]01= no existe
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
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:
0 para x<1
1 para x>3
σ=0.5773
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:
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:
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)
F(t)=
0 para las demás t.
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:
819. Calcule la moda y la media de la variable aleatoria X con función de densidad dada por:
E(x)=∫x(4 / √ π )x2exp(-x2)=2/√n
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.
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:
/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
0 para x0
f(x)= sen2 x para 0 x /4
1 para x /4
109
d) La media
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 x0
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
2 2 2 2 2
3 1 3 1 3 1 3 3 3 1
( xi ) pi 2 1 0 4 6
2 2
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
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
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
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 x0
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
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)
114
0 x0
0.2 2 x3
F ( x) 0.6 3 x 4
0.9 4 x5
1 5 x
b)
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
solucion :
n
( xi p i ) (0)(0.1) (1)(0.4) (2)(0.3) (5)(0.2) 2
i 1
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.
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
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
2sen (2 2 ) cos 2(0) sen0 ( 2 0) cos 0
2
2
4
2
2
4
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
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 ) 2e 2 x x 4 (1 x )e 2 x x
f ´´(1) 2e 4 (0)e 2e
mo 1
x
2
e
t 2
843.- Una función importante es la llamada función de error erf(x) = dt
0
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
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
Ln1 2 Ln 1
2
1
2
1
2
2
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
32 1
2 2 0.3333
6 6
x
1
3 E X 3 f ( x)dx x 0.3333 21 x dx 3 31 2 213
3 3
0
1 1
3 x 21 x dx 3(0.3333) x 2 21 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 21 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
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
x3
x Si 0 x 2
4
f(x) =
0 en otro caso
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 41 8 8 32 8 216 8 4 2
w 42 2
21 2 2 2
Sustituyendo x 2 por w
x2 4 2 2
x 42 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).
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
xi 4 6 x3
pi 0.5 0.3 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
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
X1 X2 Xn
Y1 , Y2 ,...,Yn
X 1 X 2 ... X n X 1 X 2 ... X n X 1 X 2 ... X n
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
222 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 .
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:
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
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:
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
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
xi 0.3 0.6
pi 0.2 0.8
130
Datos del problema Desarrollo
0 six 1
F ( x ) 3 / 4( x 1) si 1 x 1 / 3
1 six 1 / 3
Determinar P (0<X<1/3).
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)
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
0 parax 2
F ( x) 1 / 2 1 / * sen 1 ( x / 2) 2 x 2
1 x2
Determine P(-1<X<1)
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 x2
P (1 X 1)
0 parax 2
1
F ( x) x 1 2 x4
2
1 x4
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
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 x4
2
1 x4
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
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
csen2 x 0 x /2
f ( x)
0 c.o. p.
Halle el valor de la constante c.
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
ktg
1
ktg x1
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
134
La constante es: k 0.438825
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.
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 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.
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)
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
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
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
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
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
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.
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 )
cx 2 e bx 0 x
f ( x)
0 x0
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 x0
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
2x4
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 .
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
143