Manual Estocastica1

UNIVERSIDAD DE LOS ANDES
FACULTAD DE INGENIERIA
ESCUELA DE SISTEMAS
DEPARTAMENTO DE INVESTIGACION DE OPERACIONES
Manual de Ejercicios: ESTOCASTICA

1
Por: Karla Patricia Ramrez Araujo
Mayo de 2009
A mi familia, que siempre me ha dado mas

de lo que he sonado.

Indice
general
0.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1. Estadstica Descriptiva
1
3
1.1. Histogramas y Polgonos de Frecuencia . . . . . . . . . . . . . . . . . . .
1.2. Medidas Descriptivas Numericas . . . . . . . . . . . . . . . . . . . . . . . 16

1.3. Introduccion al Muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.3.1. Muestreo Simple Aleatorio . . . . . . . . . . . . . . . . . . . . . . 38
1.3.2. Muestreo Sistematico . . . . . . . . . . . . . . . . . . . . . . . . . 44
1.3.3. Muestreo por Conglomerados . . . . . . . . . . . . . . . . . . . . 45
1.3.4. Muestreo Estratificado . . . . . . . . . . . . . . . . . . . . . . . . 47
1.4. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2. Teora de la Probabilidad
54
2.1. Teora de Conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

2.2. Teora de Probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.3. Teora Combinatoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
2.3.1. Principio de Multiplicidad . . . . . . . . . . . . . . . . . . . . . . 68
2.3.2. Principio de la Suma . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.3.3. Permutaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
2.3.4. Combinaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.4. Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
2.5. Independencia de eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
INDICE GENERAL
ii
2.6. Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

3. Variable Aleatoria Unidimensional
91
3.1. Distribucion de Probabilidad de una Variable Aleatoria Discreta . . . . . . 91

3.2. Distribucion de Probabilidad de una Variable Aleatoria Continua . . . . . . 99
3.3. Distribucion de la Funcion de una Variable Aleatoria . . . . . . . . . . . . 111
3.4. Valores Esperados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
3.5. Momentos de una Ley de Probabilidad . . . . . . . . . . . . . . . . . . . . 138
4. Distribuciones Clasicas Discretas y Continuas
145
4.1. Distribuciones Clasicas Discretas . . . . . . . . . . . . . . . . . . . . . . . 146

4.1.1. Distribucion Binomial . . . . . . . . . . . . . . . . . . . . . . . . 146
4.1.2. Distribucion de Poisson . . . . . . . . . . . . . . . . . . . . . . . 153
4.1.3. Distribucion Geometrica . . . . . . . . . . . . . . . . . . . . . . . 160
4.1.4. Distribucion de Pascal o Binomial Negativa . . . . . . . . . . . . . 162
4.1.5. Distribucion Hipergeometrica . . . . . . . . . . . . . . . . . . . . 165
4.1.6. Distribucion Multinomial . . . . . . . . . . . . . . . . . . . . . . . 168
4.2. Distribuciones Clasicas Continuas . . . . . . . . . . . . . . . . . . . . . . 170
4.2.1. Distribucion Uniforme . . . . . . . . . . . . . . . . . . . . . . . . 170
4.2.2. Distribucion Exponencial . . . . . . . . . . . . . . . . . . . . . . . 180
4.2.3. Distribucion Normal . . . . . . . . . . . . . . . . . . . . . . . . . 184
5. El Teorema del Lmite Central
208
5.1. La Desigualdad de Chebyshev . . . . . . . . . . . . . . . . . . . . . . . . 208

5.2. Teorema del Lmite Central . . . . . . . . . . . . . . . . . . . . . . . . . . 213
5.3. Teorema de Moivre-Laplace . . . . . . . . . . . . . . . . . . . . . . . . . 221
INDICE GENERAL
iii
6. Vector Aleatorio
227
6.1. Variable Aleatoria Bi-dimensional . . . . . . . . . . . . . . . . . . . . . . 227

6.2. Distribuciones Marginales . . . . . . . . . . . . . . . . . . . . . . . . . . 243
6.3. Distribuciones Condicionales . . . . . . . . . . . . . . . . . . . . . . . . . 250
6.4. Variables Aleatorias Independientes . . . . . . . . . . . . . . . . . . . . . 257
6.5. Momentos de Variables Aleatorias Bidimensionales . . . . . . . . . . . . . 259
6.6. La Covarianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
6.7. Coeficiente de Correlacion . . . . . . . . . . . . . . . . . . . . . . . . . . 267
6.8. Distribucion de la funcion de dos variables aleatorias . . . . . . . . . . . . 270
Bibliografa
283
0.1. Introduccion
Dentro del programa curricular de la carrera de Ingeniera de Sistemas de la Universidad
de Los Andes, esta contemplado estudiar el a rea de Estocastica con el fin de poder analizar,
representar, evaluar y controlar sistemas ya sean naturales o artificiales.
Si bien cuando se habla de estocastica automaticamente se relaciona con todo lo concerniente al azar, esta es una teora estadstica que estudia los procesos cuya evolucion
es completamente aleatoria, y de all se desprenden leyes, modelos y tecnicas de representacion de los fenomenos aleatorios del mundo.
El presente manual tiene como finalidad ser una gua de apoyo para los estudiantes de
Estocastica 1, para las tres opciones de la carrera, aqu encontrara una serie de ejercicios
completamente resueltos y algunos propuestos.
El manual esta dividido en seis captulos segun el programa de la materia de Estocastica
1, de la siguiente manera:
En el Captulo 1, estudiaremos una parte de la Estadstica Descriptiva, los ejercicios
estan enfocados en recoleccion, representacion y analisis de datos cualitativos y cuantitativos.
En el Captulo 2, se comienza a dar las nociones de Probabilidades, la cual es el componente principal de la materia. Se estudiara las propiedades y principios basicos de la
probabilidad.
En el Captulo 3, se analizaran las variables aleatorias unidimensionales, como tambien
sus distribuciones de probabilidad y sus propiedades.
Una vez estudiadas las distribuciones de probabilidad de las variables aleatorias, en el
INDICE GENERAL
Captulo 4 se presentaran algunas distribuciones que por sus atributos, ya se les consideran
clasicas y que se adaptan a la mayora de los fenomenos aleatorios del mundo.
En el Captulo 5, hablaremos de algunos Teoremas Lmites que son fundamentales en
el estudio probabilstico y estadstico en la ciencia moderna.
Por u ltimo, en el Captulo 6 se estudiaran las variables aleatorias bidimensionales, su
distribucion de probabilidad y sus relaciones entre s.
Es importante aclarar que este manual esta basado en la solucion de varios problemas
formulados por el Profesor Oswaldo Ramrez de la Escuela de Ingeniera de Sistemas,
del Profesor Armas del Departamento de Estadstica y de algunos otros autores. Ademas
esta basado en algunos problemas de la autora del manual.
Captulo 1
Estadstica Descriptiva
La Estadstica Descriptiva es un a rea de la Estadstica que se encarga de los metodos
de recoleccion, organizacion, descripcion y presentacion de datos que son tomados de un
fenomeno bajo estudio; e sta representacion puede ser en forma de cuadros o en forma de
graficos, como tambien pueden ser presentados de forma numerica (Armas, 2002).
Las aplicaciones de la estadstica descriptiva dentro de la Ingeniera de Sistemas abarca
varios campos, alguno de ellos son: el control estadstico de la calidad, teora de colas,
diseno de encuestas, diseno de sistemas dinamicos, modelado y simulacion de sistemas y
en la toma de decisiones, entre otros.
En este captulo se presenta una introduccion a la estadstica descriptiva, donde estudiaremos la representacion tabular y grafica de los datos por medio de las tablas de distribucion de frecuencia, histogramas y polgonos de frecuencia; seguidamente estudiaremos la representacion numerica, la cual se realizara por medio de las medidas numericas
de tendencia central y de dispersion. Por u ltimo estudiaremos algunos metodos de muestreo
aleatorio de datos.
CAPITULO 1. ESTADISTICA DESCRIPTIVA
1.1. Histogramas y Polgonos de Frecuencia

Un Histograma es un diagrama de barras que se encuentran juntas, su objetivo es el
de representar graficamente una variable. La altura de cada una de las barras representa la
frecuencia de los valores bajo estudio, es decir, senala el numero de veces que se repite un
valor o una caracterstica especfica en una serie de datos.
Para construir un histograma se coloca en el eje de las abscisas el valor cualitativo
o cuantitativo que se desea representar, y en el eje de las ordenadas va la frecuencia del
mismo en el conjunto de datos.
Otra forma de representacion grafica de los datos se hace por medio del Polgono de
Frecuencia, el cual consiste en unir por medio de una lnea, los puntos medios de la parte
superior de cada una de las barras del histograma con el eje de las abscisas.
EJERCICIOS
1. Suponga que en la ciudad de Merida un hotel tiene 25 habitaciones, y todas se encuentran ocupadas para cierta fecha de temporada alta. El numero de personas alojadas por habitacion se muestra en la Tabla 1.1.
1
2
4
1
3
4
6
5
2
4
3
2
3
2
5
1
2
2
2
2
5
2
1
1
3
Tabla 1.1: Numero de personas por habitacion
Elabore el histograma de la cantidad de personas alojadas por habitacion en el hotel.

Solucion:
Para construir el histograma es recomendable ordenar los datos en la distribucion de

frecuencia.
Una Distribucion de Frecuencias es una ordenacion tabular que contiene:
El numero de personas alojadas por habitacion.
La frecuencia absoluta, que es el numero de veces que aparece la cantidad de
personas alojadas por habitacion en el conjunto.
Y por u ltimo frecuencia acumulada, que es el numero de veces que aparece la
cantidad de personas alojadas mas la frecuencia acumulada anterior.
A partir de esto tenemos la distribucion de frecuencia del ejercicio en la Tabla 1.2.
No de
personas
1
2
3
4
5
6
Frecuencia Abosulta
( fi )
5
9
4
3
3
1
Frecuencia Acumulada
(Fi )
5
14
18
21
24
25
Tabla 1.2: Distribucion de Frecuencia
La sumatoria de la frecuencia absoluta y el u ltimo valor de la frecuencia acumulada,

deben ser iguales al numero total de datos que se tenga en la muestra, para este
ejemplo son iguales a 25.
Para elaborar el histograma, se debe colocar en el eje de las abscisas el numero de
personas alquiladas por habitacion (es decir: 1, 2, 3, 4, 5 y 6) y en el eje de las
ordenadas la frecuencia absoluta ( fi ) (segunda columna de la Tabla 1.2), como se
muestra en la Figura 1.1.
Tambien se puede representa el histograma con la Frecuencia Acumulada (Ver Figura
1.2).
Frecuencia Absoluta (fi)
1
0
Nmero de persona por habitacin
Figura 1.1: Histograma con la fi
Frecuencia Acumulada (Fi)
25
20
15
10
Nmero de persona por habitacin
Figura 1.2: Histograma con la Fi
2. En un estudio realizado en una escuela de primaria, se recolectaron los pesos en

kilogramos de 30 ninos escogidos al azar, con edad comprendida entre los 9 y 11
anos, los resultado se muestran en la Tabla 1.3.
28,3
30,3
28,2
30,7
28,2
31,7
27,6
26,0
29,8
29,7
30,3
27,6
28,6
28,9
29,2
30,0
28,7
30,8
31,3
30,2
30,7
29,4
30,7
27,2
27,3
26,4
29,7
29,3
26,9
30,3
Tabla 1.3: Peso de 30 ninos entre 9 y 11 anos
Elabore la Distribucion de Frecuencia con intervalos de clases que contenga: Marca de la Clase, Frecuencia Absoluta, Frecuencia Acumulada, Frecuencia Relativa y
Frecuencia Relativa Acumulada.
Dibuje el Histograma y Polgono de Frecuencia.
Solucion:
Para construir la Distribucion de Frecuencia, organizaremos los datos en 6 intervalos.
Para calcular la amplitud de la clase utilizaremos la siguiente formula1 :
Valor Maximo - Valor Mnimo
k
Ci =
Donde:
Ci = Amplitud de la clase
k = Numero de clases
Si por el contrario se tiene es la amplitud de las clases y se desea conocer es el numero

de intervalos que se tendran en la distribucion, se puede usar la misma formula, solo
que despejando el valor de k:
k=
1
Valor Maximo - Valor Mnimo

Ci
Esta ecuacion es recomendada por el Profesor Armas en su publicacion Estadstica Sencilla Descriptivade la Escuela de Estadstica de la ULA
El mayor valor de la serie de datos es 31,3 kilogramos y el menor valor es 26,0

kilogramos, al sustituir tenemos:
Ci =
31,3 26,0
= 0,88333 1
6
Por lo tanto, la amplitud de los intervalos es de 1 kilogramo. Tambien existen casos

donde se hace necesario establecer diferentes amplitudes para las clases.
Al observar los datos podemos establecer como lmite inferior del primer intervalo el
valor de 26 kilogramos, a partir de este valor se construye los 6 intervalos sumando
1 unidad a cada uno, quedando como se muestra en la Tabla 1.4.
Intervalo
[26 - 27)
[27 - 28)
[28 - 29)
[29 - 30)
[30 - 31)
[31 - 32)
Tabla 1.4: Intervalos resultantes
Como se observa en la tabla, se recomienda que los intervalos sean semi-abiertos,

es decir, el intervalo debe contener el lmite inferior y no debe contener el lmite
superior.
La marca de la clase es el punto medio de la misma y se calcula de la siguiente
manera:
mi =
LIi LS i
2
La frecuencia absoluta ( fi ) de esta distribucion sera el numero de veces que se repiten

los numeros contenidos en ese intervalo.
La frecuencia relativa ( f r) se obtiene dividiendo la frecuencia absoluta entre el
numero total de observaciones (n = 30), siendo e sta la proporcion de datos con-
tenidos en la clase.
f ri =
k
X
fi
n
f ri = 1
i=1
Por u ltimo, la frecuencia relativa acumulada (Fri ) se obtiene dividiendo la correspondiente frecuencia acumulada (Fi ) entre el numero total de datos. Este valor representa
la proporcion de datos que son menores que el lmite superior de la clase i.
Fri =
Fi
n
De esta forma, la distribucion de frecuencia para la informacion de los pesos de los

30 ninos se muestra en la Tabla 1.5.
Peso
en Kg
(Xi )
[26 - 27)
[27 - 28)
[28 - 29)
[29 - 30)
[30 - 31)
[31 - 32)
Marca de
la Clase
(mi )
26.5
27.5
28.5
29.5
30.5
31.5
Frecuencia
Absoluta
( fi )
3
4
6
6
8
3
Frecuencia
Acumulada
(Fi )
3
7
13
19
27
30
Frecuencia
Relativa
( f ri )
0.100
0.133
0.200
0.200
0.267
0.100
Frecuencia
Relativa
Acum. (Fri )
0.100
0.233
0.433
0.633
0.900
1.000
Para dibujar el histograma con la frecuencia divida por clases, se elabora de igual
manera solo que los lmites del intervalo son los extremos de la barra y la marca de
la clase sera entonces el centro de la misma.
Ahora, para el polgono de frecuencia se crea una clase ficticia anterior a la primera
clase, con su misma amplitud, y una clase ficticia al final; la primera clase ficticia
sera entonces [25 26) y su marca es 25,5; la u ltima clase ficticia sera [32 33) y su
marca es 32,5.
10
Aclaramos que como dichas clases no exiten en el problema original, la altura de las
barras son iguales a cero.
Una vez hecho esto, prolongamos la lnea hasta las dos marcas ficticias, cerrando
as el polgono de frecuencia como se observa en la Figura 1.3 .
7
6
5
4
3
2
1
0
25.5
26.5
27.5
28.5
29.5
30.5
31.5
32.5
Pesos (Kilogramos)
Figura 1.3: Histograma y Polgono de Frecuencia con la fi
Es importante resaltar que cuando todas las clases de la distribucion de frecuencia

tienen la misma amplitud (como es este caso), se cumple que el a rea total de todas
las barras es exactamente igual al a rea del polgono de frecuencia.
Por otra parte, los histogramas tambien se pueden elaborar con otras frecuencias, por
ejemplo con la acumulada, con la relativa, con la relativa acumulada, etc.
Ahora bien, veamos como quedara el histograma con la frecuencia relativa ( f r) de
este ejemplo; es interesante resaltar que graficamente el histograma es igual al anterior, solo cambia la escala del eje de las orfenadas.
11
Frecuencia Relativa (Fr)
0.25
0.2
0.15
0.1
0.05
26.5
27.5
28.5
29.5
30.5
31.5
Pesos (Kilogramos)
Figura 1.4: Histograma con la Fr
3. Se realizo una encuesta a un grupo de 40 hombres de la Facultad de Ingeniera donde

se les pregunto por su grupo sanguneo. Se obtuvieron los resultados mostrados en la
Tabla 1.6.
A
O
O
A
B
O
O
B
O
A
O
O
A
B
A
O
A
A
O
A
O
A
O
O
O
O
A
O
O
B
O
A
A
O
O
A
O
O
O
A
Tabla 1.6: Informacion de los 40 hombres
Elabore:
a) La distribucion de frecuencia de los 40 datos.
b) Un histograma con la frecuencia relativa.
c) Un histograma con la frecuencia relativa acumulada.
Solucion:
12
Dentro del conjunto de datos se tienen solo 3 grupos sanguneos A, B y O. Estos

datos son de tipo cualitativo y a pesar de esto tambien se pueden representar en forma
tabular y en forma grafica.
a) La distribucion de frecuencia del problema la podemos ver en la Tabla 1.7.
Grupo
Sanguneo
Frecuencia
Absoluta
( fi )
14
4
22
A
B
O
Frecuencia
Acumulada
(Fi )
14
18
40
Frecuencia
Relativa
( f ri )
0.35
0.10
0.55
Frecuencia
Relativa
Acum. (Fri )
0.35
0.45
1.00
b) El histograma con la frecuencia relativa se observa en la Figura 1.5.
Frecuencia Relativa (fr)
0.5
0.4
0.3
0.2
0.1
Grupo Sanguneo
Figura 1.5: Histograma con la f r
c) El histograma con la frecuencia relativa acumulada se observa en la Figura 1.6.
13
Frecuencia Relativa Acumulada (Fr)
0.8
0.6
0.4
0.2
Grupo Sanguneo
Figura 1.6: Histograma: Frecuencia Relativa Acumulada
4. La Tabla 1.8 es la distribucion de frecuencia de las calificaciones del primer examen

de Estocastica 1.
Notas
No de Estudiantes
9
1
10
2
12
1
13
2
14
2
15
2
16
1
17
7
18
2
19
6
20
4
Represente los datos en un histograma y en un polgono de frecuencia, utilizando la

frecuencia absoluta.
Solucion:
Para este ejercicio ya la tabla de la distribucion de frecuencia esta dada en el
planteamiento del problema; sin embargo observamos en la tabla que no se encuentra
la columna con la calificacion de 11 puntos, ni la cantidad de alumnos de la misma,
por lo tanto se asume automaticamente que la cantidad de alumnos con esa calificacion es igual a cero.
14
Estos valores tambien deben representarse en el histograma y en el polgono, para

esto la altura de la barra correspondiente al valor 11 es cero, y el polgono baja hasta
cortar el eje de las abcsisas.
El histograma y el polgono con la frecuencia absoluta la podemos observar en la
Figura 1.7.
10
11
12
13
14
15
16
17
18
19
20
21
Calificacin
Figura 1.7: Histograma y Polgono de Frecuencia con la fi
5. En el centro de la ciudad de Merida se llevo a cabo un experimento, el cual consiste

en registrar el numero de accidentes de transito que ocurrian diariamente en la temporada alta, esto se realizo durante un periodo de 40 das. La informacion obtenida
se refleja en la Tabla 1.92 .
Obtenga el histograma y el polgono de frecuencia acumulada (Ojiva).
2
Los datos del numero de accidentes diarios para este ejercicio no son reales

2
1
0
4
2
1
2
0
0
0
3
2
1
2
1
6
3
3
2
1
2
1
0
1
15
3
0
4
4
4
6
1
2
2
2
1
2
2
0
3
4
Tabla 1.9: Accidentes de transito por da
Solucion:
Si observamos los datos, el numero de accidentes diarios oscilan entre 0 y 6 accidentes, como son pocos valores dejamos los datos individuales.
La Distribucion de Frecuencia del problema con la fi y la Fi la podemos ver en la
Tabla 1.10.
Numero
de
Accidentes
0
1
2
3
4
5
6
Frecuencia Absoluta
( fi )
7
9
12
5
5
0
2
(Fi )
7
16
28
33
38
38
40
La Ojiva es un grafico curvilneo que se utiliza para representar las frecuencias acumuladas, se dibuja de forma similar que el polgono de frecuencia, solo que no se
crea una clase ficticia al final (Ver Figura 1.8).
Si se desea se puede colocar en el eje de las ordenadas la frecuencia relativa acumulada (Fri ) multiplicada por 100 y de esta manera se obtiene la ojiva porcentual.
16
40
35
30
25
20
15
10
Nmero de accidentes diarios
Figura 1.8: Histograma y Ojiva
1.2. Medidas Descriptivas Numericas

Las medidas descriptivas son indicadores numericos que proporcionan una idea sobre
las caractersticas y atributos relevantes de una serie de datos, como por ejemplo: el valor
promedio de los datos, el valor que ocupa la posicion central, el valor que mas se repite,
as como tambien el grado de dispersion entre los mismos y alrededor del valor central.
Estas medidas se clasifican en dos tipos:
Medidas de Tendencia Central: Son los valores centrales o promedios de la coleccion de datos. Los mas conocidos y que estudiaremos en este manual son: la media
aritmetica, la mediana y la moda.
Medidas de Dispersion Absoluta: Son los valores que miden la variabilidad de los
datos con respecto a un valor central especfico, es decir, a las medidas de tendencia
17
central. Las mas conocidas son la varianza y la desviacion estandar.
EJERCICIOS
1. El gerente de una pequena empresa tiene a su cargo 13 empleados. Cuatro de ellos

ganan Bs. F 7344 al ano, seis ganan Bs. F 12000 y tres ganan Bs. F 14400. El sueldo
anual del gerente de la empresa es de Bs. F 19200.
a) Hallar la media y la mediana de los sueldos de las 14 personas de la empresa.
b) Hallar la media y la mediana de los sueldos si el gerente decide incrementar su
sueldo anual a Bs. F 31200.
Solucion:
a) La Media Aritmetica de un conjunto de datos denotada por X, se define como
la suma de todos los valores dividida entre el numero total de ellos.
x1 + x2 + ... + xn
X=
=
n
Pn
i=1
Xi
Ordenamos los datos de los sueldos en una distribucion de frecuencias (ver

Tabla 1.11).
Sueldos Anuales
(Bs.F)
7344
12000
14400
19200
Frecuencia Absoluta
( fi )
4
6
3
1
(Fi )
4
10
13
14

Una vez ordenados calculamos la media, esta se calcula de la siguiente manera:
Pk
fi Xi
X = i=1
Pk
i=1 fi
18
Sustituimos los valores y tenemos:

X=
4 7344 + 6 12000 + 3 14400 + 1 19200

= 11698,29
4+6+3+1
En promedio, el sueldo anual de las 14 personas que trabajan en la empresa es

de Bs. F 11698,29.
e es el valor que ocupa la
La Mediana de una serie de datos, denotada por X,
posicion central de los datos, una vez que han sido ordenados de forma creciente
o decreciente.
Se calcula de la siguiente manera:
#
"
(n
+
1)
si n es impar
Termino
2
e=
X
Termino(n/2) + Termino (n/2 + 1) si n es par

2
Para calcular la mediana de este ejercicio, primero buscamos el valor de n y vemos que tenemos 14 datos, por lo que n es par, utilizamos la segunda ecuacion:
e = Termino(14/2) + Termino(14/2 + 1) = Termino(7) + Termino(8)
X
2
2
e = 12000 + 12000 = 12000
X
2
El 50 % de los sueldos de los empleados esta por debajo de los Bs. F 12000.
b) Si el gerente de la empresa se aumenta el sueldo a Bs. F 31200 tenemos una
nueva distribucion de frecuencia (ver Tabla 1.12).
Sueldos Anuales
(Bs.F)
7344
12000
14400
31200
Frecuencia Absoluta
( fi )
4
6
3
1
(Fi )
4
10
13
14
Tabla 1.12: Distribucion de Frecuencia con el aumento de sueldo
19
Como uno de los sueldos cambio debemos calcular una nueva media aritmetica:
X=
4 7344 + 6 12000 + 3 14400 + 1 31200

= 12555,43
4+6+3+1
En nuevo promedio del sueldo anual de las 14 personas que trabajan en la empresa es de Bs. F 12.555,43 aumento es un 7,33 %.
La nueva mediana de los datos es:
X
2
2
e = 12000 + 12000 = 12000
X
2
Observamos que la mediana no es afectada por el incremento del sueldo del gerente
como lo es la media aritmetica, esto es debido a que la media se ve afectada por la
magnitud de los valores y en cambio la mediana se ve afectada por la cantidad de los
datos alrededor de ella.
2. Demostrar las propiedades de la media aritmetica.
Solucion:
Para demostrar las propiedades, utilizaremos los datos de una encuesta realizada a un
grupo de 80 estudiantes preguntandole su peso corporal en kilogramos.
43
45
45
45
48
48
48
48
49
50
50
50
50
50
51
51
51
51
52
52
52
52
53
53
54
54
54
55
55
55
55
55
55
55
56
56
57
57
57
57
58
58
58
59
59
60
60
61
61
61
62
62
64
65
65
66
66
67
68
68
68
69
69
70
72
72
75
75
75
76
76
78
79
80
80
80
84
84
85
85
Tabla 1.13: Peso (en kilogramos) de 80 estudiantes
Propiedad 1: La suma de las diferencias de cada uno de los datos con respecto a su
media es igual a cero.
n
X
i=1

Xi X = 0
20
Calculamos la media:
P80
i=1
X=
Xi
80
4854
= 60, 675
80
La media de los pesos es de 60,675 kilogramos.

Segun la propiedad la sumatoria de las diferencias de cada uno de los datos con
respecto a 60,75 es cero:
80
X
(Xi 60, 675) = 0
i=1
Propiedad 2: La suma de las diferencias de cada uno de los datos con respecto a su
media elevada al cuadrado es mnima.
n
X
(Xi X)2
es un valor mnimo
i=1
Tenemos:
80
X
(Xi 60, 675)2 = 9851,55
i=1
Si deseamos comprobar esta propiedad podemos restarle al conjunto de datos otro

numero diferente de la media y debe dar como resultado un numero mayor que
9581,55. Veamos con dos valores: 58 y 62.
80
X
(Xi 58)2 = 10154
i=1
80
X
(Xi 62)2 = 9722
i=1
Ambos son mayores que 9581,5.

Propiedad 3: Si todos los datos son iguales a un mismo valor k, entonces la media es
igual a k.
X=
3+3+3+3+3+3+3+3
=3
8
21
Propiedad 4: Si a cada uno de los datos se les suma un mismo numero real k, se
obtiene X1 + k, X2 + k, . . . , Xn + k, entonces la nueva media sera X + k:
Considere el siguiente conjunto de datos:
5, 6, 8, 4, 6, 8, 9, 5, 6
La media es:
X=
5+6+8+4+6+8+9+5+6
= 6,333
9
Si al mismo conjunto de datos le sumamos la constante k = 3, obtenemos el nuevo

conjunto:
8, 9, 11, 7, 9, 11, 12, 8, 9
Y la nueva media aritmetica sera:
X=
8 + 9 + 11 + 7 + 9 + 11 + 12 + 8 + 9
= 9,333
9
O que es lo mismo:
X N = X + k = 6,333 + 3 = 9,333
Propiedad 5: Si a cada uno de los datos se les multiplica por un mismo numero real
k, se genera un nuevo conjunto de datos X1 k, X2 k, . . ., Xn k, entonces la nueva media
sera kX
Considere los datos anteriores, si multiplicamos el conjunto de datos por k = 0,1
obtenemos:
0,5; 0,6; 0,8; 0,4; 0,6; 0,8; 0,9; 0,5; 0,6
La nueva media aritmetica sera entonces:
XN =
0,5 + 0,6 + 0,8 + 0,4 + 0,6 + 0,8 + 0,9 + 0,5 + 0,6

= 0,6333
9
22
O que es lo mismo:
X N = X k = 6,333 0,1 = 0,6333
Propiedad 6: Si se tienen k diferentes grupos de datos de diferentes tamanos n1 , n2 ,
. . ., nk , con medias X 1 , X 2 , . . ., X k , respectivamente, entonces la media de todos esos
datos juntos es:
X=
n1 X 1 + n2 X 2 + ... + nk X k
n1 + n2 + ... + nk
Para demostrar estos datos utilizaremos 3 conjuntos de datos:

S 1 = {5, 6, 8, 5, 4, 3, 9, 7}
X=
5+6+5+8+4+3+9+7
= 5,875
8
S 2 = {12, 10, 9, 15, 8}

X=
12 + 10 + 9 + 15 + 8
= 10,8
5
S 3 = {54, 60, 50, 52, 58, 65, 57}

X=
54 + 60 + 50 + 52 + 58 + 65 + 57
= 56,571
7
Si calculamos la media aritmetica de la forma tradicional tendramos que hacer los

calculos de la siguiente manera:
X=
5 + 6 + 5 + 8 + 4 + 3 + 9 + 7 + 12 + 10 + 9 + 15 + 8 + 54 + 60 + 50 + 52 + 58 + 65 + 57
20
X = 24,85
Ahora bien, con la propiedad podemos calcularlo directamente con la formula:
X=
n1 X 1 + n2 X 2 + n3 X 3
n1 + n2 + n3
X=
23
8 5,875 + 5 10,8 + 7 56,571

= 24,85
8+5+7
Observamos que ambas medias aritmeticas dieron como resultado 24,85.

3. Considere la distribucion de frecuencia correspondiente al nivel de hemoglobina, en
gr/100ml, de 40 personas que aparece en la Tabla 1.14.
Nivel de
Hemoglobina
(gr/100 ml)
[11.5 - 12.5)
[12.5 - 13.5)
[13.5 - 14.5)
[14.5 - 15.5)
[15.5 - 16.5)
[16.5 - 17.5)
[17.5 - 18.5)
Marca de la
Clase
(mi )
12
13
14
15
16
17
18
Frecuencia
Absoluta
( fi )
2
1
6
16
9
5
1
mi f i
24
13
84
240
144
85
18
Frecuencia
Acumulada
(Fi )
2
3
9
25
34
39
40
Calcular la media aritmetica, la mediana y la moda.

Solucion:
Calculamos la media aritmetica:
P7
mi fi 24 + 13 + 84 + 240 + 144 + 85 + 18
X = i=1
=
= 15,2
P7
40
i=1 fi
El promedio del nivel de hemoglobina de los 40 pacientes es de 15,2 gr/100ml.
Como los valores estan agrupados, para calcular la mediana se siguen los siguientes
pasos:
Primero se consigue la clase medianal, la cual es la clase que contenga el valor n/2
en la frecuencia acumulada:
n 40
=
= 20
2
2
24
Clase Medianal: [14.5 - 15.5)

Luego utilizamos la siguiente formula:
e = LI +
X
n
2
Fam
Cm
fm
Donde:
LI = Lmite inferior de la clase medianal
n = Numero total de datos
Fam = Frecuencia acumulada de la clase anterior a la clase medianal
fm = Frecuencia absoluta de la clase medianal
Cm = Amplitud de la clase medianal
Entonces tenemos que:
e = 14,5 +
X
40
2
9
1 = 15,1875
16
Aproximadamente el 50 % de las personas de ese grupo tienen la hemoglobina por

encima de los 15,1875 gr/100ml.
La Moda (Mo) de una serie de datos es el valor que mas se repite, es decir, el que
aparece con mayor frecuencia.
En este ejemplo, dado que se tiene clases en intervalos, la clase modal sera la que
tiene mayor frecuencia absoluta y la moda sera entonces la marca de la clase:
Clase modal: [14,5 - 15,5)
Mo = 15
Para este grupo de personas, lo mas comun es conseguir un valor de hemoglobina de
15 gr/100ml.
e y la moda (Mo) de la distribucion de frecuen4. Calcular la media (X), la mediana (X)
cias correspondiente al numero de materias inscritas en un grupo de 100 estudiantes
en cierto semestre.
Numero
de
Materias
1
2
3
4
5
6
Frencuencia
Absoluta
15
16
30
25
9
5
25
Frecuencia
Acumulada
15
31
61
86
95
100
Solucion:
Calculamos la media aritmetica:
X=
1 15 + 2 16 + 3 30 + 4 25 + 5 9 + 6 5
= 3,12
100
El promedio de materias inscritas por alumnos en el semestre es de 3,12 materias.

Calculamos la mediana:
X
2
2
e= 3+3 =3
X
2
El 50 % de los alumnos inscribieron menos de 3 materias en el semestre.
Calculamos la moda:
Mo = 3
Lo mas comun para ese grupo de 100 estudiantes es que inscribieran 3 materias para
el semestre.
5. Hallar la media, la mediana, la varianza y la desviacion estandar de los siguientes
datos:
5, 4, 7, 8, 3, 5, 8, 10, 6, 7
26
Solucion:
X=
5 + 4 + 7 + 8 + 3 + 5 + 8 + 10 + 6 + 7
= 6,3
10
Para calcular la mediana ordenamos los datos de forma ascendente:

3, 4, 5, 5, 6, 7, 7, 8, 8, 10
X
2
2
e = 6 + 7 = 6,5
X
2
La varianza, es una medida numerica de dispersion e indica el promedio de los
desvos, elevada al cuadrado, de cada uno de los valores con respecto a la media.
La varianza poblacional se puede calcular mediante la ecuacion3 :
Pn
2
X)2
N1
i=1 (Xi
La varianza muestral, que constituye una estimacion de la varianza poblacional:

Pn
2
S =
X)2
n1
i=1 (Xi
Para el ejemplo tenemos que:

2 =
(3 6,3)2 + (4 6,3)2 + 2(5 6,3)2 + (6 6,3)2 + 2(7 6,3)2 + 2(8 6,3)2 + (10 6,3)2
10 1
2 =
3
Donde N es el tamano de la poblacion
40,1
= 4,4556
9
27
Como la varianza viene dada en unidades al cuadrado, para obtener el valor numerico
de la variacion promedio utilizamos la Desviacion Estandar, la cual es la raz cuadrada de la varianza:
=
S =
S2
O si se trata de la muestral:
Para este ejercicio tenemos:

=
p
2 = 4,456 = 2,1108
Esto significa que en promedio, todos los valores estan alejados de su promedio con
una distancia de 2,1108.
6. En cierto poblado merideno, 20 estudiantes presentaron la prueba de la OPSU. Las
calificaciones obtenidas por este grupo se muestran en la Tabla 1.16. Clasifique las
notas en 4 clases. Hallar la media, la mediana, la varianza y la desviacion estandar.
74
75
80
75
65
60
85
74
95
75
72
63
76
78
72
87
93
90
84
70
Tabla 1.16: Notas
Solucion:
La distribucion de frecuencia la podemos ver en la Tabla 1.17.
P4
X=
i=1 mi fi
P4
i=1 fi
195 + 750 + 390 + 285

= 78,5
20
La nota promedio de los 20 estudiantes en la prueba de la OPSU es de 78,5 puntos.

n 20
=
= 10
2
2

Notas
(Puntos)
[60 - 70)
[70 - 80)
[80 - 90)
[90 - 100)
Marca de la
Clase
(mi )
65
75
85
95
28
Frecuencia
Absoluta
( fi )
3
10
4
3
Frecuencia
Acumulada
(Fi )
3
13
17
20
mi fi
195
750
390
285
Clase medianal: [70 - 80)

20
2 3
e = 70 +
10 = 77
X
10
Aproximadamente el 50 % de los 20 alumnos sacaron mas de 77 puntos en la prueba
de la OPSU.
Dado que los datos estan agrupados, calculamos la varianza utilizando la siguiente
ecuacion:
P
2
S =
fi Xi2 ( Pfi Xfii )

P
( Fi ) 1
2
124900 (1570)
20
2
S =
= 87,10
20 1
La varianza o promedio de las desviaciones de los datos con respecto a su media
elevada al cuadrado es igual a 87,10 puntos2 .
Calculamos la desviacion estandar:
S =
S2 =
87,10 = 9,33
Aproximadamente la variacion promedio de las notas con respecto a la media (78,5

puntos) es de 9,33 puntos.
29
7. Demostrar cada una de las propiedades de la varianza y de la desviacion estandar.

Solucion:
Propiedad 1: La varianza y la desviacion estandar son no negativas, es decir 2 0
y 0.
La varianza siempre va a dar un numero positivo, ya que se trata de la suma de las
diferencias entre los valores y su media, elevados al cuadrado, y en tal sentido la
desviacion estandar tambien ya que es la raz cuadrada no negativa de la varianza.
Propiedad 2: Si cada uno de los datos X1 , X2 , . . ., Xn es igual a una constante k,
entonces la varianza 2 y la desviacion estandar son iguales a cero.
Para demostrar esta propiedad utilizamos el siguiente conjunto de datos:
50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50
X = 50
P12
2
50)2
=0
12 1
i=1 (50
Si bien sabemos que la varianza es el promedio de los desvo de los datos con respecto
a su media elevada al cuadrado, si todos los datos son iguales, no existe tal desvo,
en tal sentido la varianza y la desviacion estandar son cero.
Propiedad 3: Si a cada uno de los datos originales se le suma un mismo numero real k,
(positivo o negativo), entonces la nueva coleccion de datos tienen la misma varianza
y desviacion estandar que los datos originales.
Para demostrar esta propiedad tenemos el siguiente conjunto de datos:
5, 6, 8, 4, 6, 8, 9, 5, 6
X=
5+6+8+4+6+8+9+5+6
= 6,3
9
2 =
30
(5 6,3)2 + (6 6,3)2 + (8 6,3)2 + (4 6,3)2 + (6 6,3)2 + (8 6,3)2 + (9 6,3)2 + (5 6,3)2 + (6 6,3)2

91
2 = 2,75
p
= 2 = 2,75 = 1,6583
Si le sumamos la constante k = 3, obtenemos el nuevo conjunto:
8, 9, 11, 7, 9, 11, 12, 8, 9
La nueva media aritmetica sera:
X=
2 =
8 + 9 + 11 + 7 + 9 + 11 + 12 + 8 + 9
= 9,3
9
(8 9,3)2 + (9 9,3)2 + (11 9,3)2 + (7 9,3)2 + (9 9,3)2 + (11 9,3)2 + (12 9,3)2 + (8 9,3)2 + (9 9,3)2
91
2 = 2,75
p
= S 2 = 2,75 = 1,6583
De esta manera se demuestra que si se suma una misma constante a todos los datos
la varianza y la desviacion estandar son la misma, esto es debido a que al sumar o
restar un mismo numero lo que se hace es desplazar los datos a la izquierda o a la
derecha, pero la distancia entre ellos sigue siendo la misma.
Propiedad 4: Si cada uno de los datos originales se multiplica por un mismo numero
real k, la varianza y la desviacion estandar de los nuevos datos vienen dados por
k2 2 y |k| , respectivamente.
Si consideramos los datos de la propiedad anterior y tomamos k = 10, tenemos que:
50, 60, 80, 40, 60, 80, 90, 50, 60
X=
31
50 + 60 + 80 + 40 + 60 + 80 + 90 + 50 + 60
= 63,33
9
P9
(Xi 63,333)2
2
= i=1
= 275
91
= 2 = 275 = 16,583
O que es lo mismo:
2N = k2 2 = (10)2 + (2,75) = 275
N = |k| = |10| (1,6583) = 16,583
8. Se mide la estatura, en metros, a diez mujeres y se obtienen los siguientes datos:
1.62
1.68
1.56
1.66
1.62
1.55
1.69
1.6
1.59
1.63
Tabla 1.18: Estatura en metros
Determine la media, la varianza y la desviacion estandar.

Solucion:
X=
1,62 + 1,68 + 1,56 + 1,66 + 1,62 + 1,55 + 1,69 + 1,6 + 1,59 + 1,63
= 1,62
10
El promedio de la estatura de las diez mujeres del grupo es de 1,62 metros.

Calculamos la varianza y la desviacion estandar:
P10
(Xi 1,62)2
2
= 0,0022 metros2
S = i=1
10 1
p
S = S 2 = 0,0022 = 0,0471 metros
La distancia promedio de las estaturas con respecto a la media (1,62 metros) es de
0,0471 metros.
32
Posteriormente a la evaluacion, se detecto que el instrumento de medicion tena una

falla que consista en aumentar la estatura de las mujeres en 3 centmetros; entonces
cuales son los valores reales de la media, varianza y desviacion estandar?
X N = X 0,03 = 1,59 metros
S 2N = S 2 = 0,0022 metros2
S N = S = 0,0471 metros
9. Se sabe que el sueldo mensual promedio de los trabajadores de una empresa es de Bs.
F 654 y que la varianza y desviacion estandar de los sueldos son de 16900 (Bs. F)2
y 130 Bs. F respectivamente. Si hay un aumento del 8 % en los sueldos, cual es el
nuevo sueldo mensual promedio y cual es la nueva varianza y la nueva desviacion
estandar?
En general, si el sueldo mensual promedio es X y la varianza S 2 y hay un aumento en
los sueldos del k %, cual es el nuevo sueldo promedio y cual es la nueva varianza?
Solucion:
Si el aumento es del 8 % entonces es de Bs. F 52,32, en tal sentido la nueva media
sera:
X N = 654 + 52,32 = 706,32 Bs. F
La nueva varianza y desviacion estandar seguiran siendo las mismas antes del aumento del 8 %:
S 2N = S 2 = 16900 (Bs. F)2
S N = S = 130 Bs. F
En general, para un aumento del k % tenemos que:
!
k
XN = X +
X
100
33
S 2N = S 2
SN = S
10. Una investigacion realizada en una fabrica sobre los costos de 4 tipos de productos,
arrojo como resultados que la fabrica gastaba en costos fijos un promedio de 100 Bs.
F por unidad, con una desviacion estandar de 20 Bs. F.
Si se produce un aumento del 100 % de los costos fijos. Cuanto sera el gasto promedio por unidad? y cual sera la varianza?
Solucion:
Si se aumenta los costos fijos en un 100 % quiere decir que ahora cada unidad gasta
el doble de lo que gastaba originalmente, por medio de las propiedades de la media
aritmetica tenemos que la nueva media es:
X N = 2 X = 2 100 = 200
Entonces el costo fijo por unidad es de 200 Bs. F.
Con respecto a la varianza tenemos que:
S 2 = (20)2 = 400 (Bs. F)2
Por propiedades, la varianza despues del aumento sera entonces:
S 2N = k2 S 2 = (2)2 (400) = 1600 (Bs. F)2
11. Las ventas diarias de una tienda durante 30 das, se presentan en la Distribucion de
Frecuencia de la Tabla 1.19.
a) Construir el histograma, polgono de frecuencias, ojiva y ojiva porcentual.
b) Calcular la media, la moda, la varianza y la desviacion estandar de los datos.
c) Determinar entre cuales cantidades de Bs. F estuvieron las ventas por lo menos
el 60 % de los das.
34
d) Determinar aproximadamente el numero de das que se vendieron mas de 98

Bs. F.
Ventas
(Bs. F)
[60 - 70)
[70 - 80)
[80 - 90)
[90 - 100)
[100 - 110)
Numero
de das
3
5
6
6
10
Marca de la
Clase (mi )
65
75
85
95
105
Frecuencia
Acumulada (Fi )
3
8
14
20
30
Fri 100
10
26.7
46.7
66.7
100
Solucion:
a) Graficamos y obtenemos el histograma y polgono de frecuencia con la frecuencia absoluta en la Figura 1.9.
10
9
8
7
6
5
4
3
2
1
0
55
65
75
85
95
105
115
Ventas (Bs. F)
Figura 1.9: Histograma y Polgono de Frecuencia
La Ojiva la podemos ver en la Figura 1.10 y la Ojiva Porcentual en la Figura

1.11.
35
30
25
20
15
10
0
55
65
75
85
95
105
Ventas (Bs. F)
Figura 1.10: Ojiva
Frecuencia Relativa Acumulada * 100
100
90
80
70
60
50
40
30
20
10
0
55
65
75
85
95
105
Ventas (Bs. F)
Figura 1.11: Ojiva Porcentual

b) Calculamos la media:
X=
3 65 + 5 75 + 6 85 + 6 95 + 10 105
= 90
3 + 5 + 6 + 6 + 10
El promedio de las ventas diarias de la tienda es de Bs. F 90, para la muestra de

30 das.
36
Calculamos la moda:
Clase modal: [100-110)
Mo = 105 Bs. F
El monto de las ventas mas comun de la tienda es de 105 Bs. F.
Calculamos la varianza:
P
2
P
fi Xi2 ( Pfi Xfii )
248580 7290000
30
2
P
S =
=
= 191,3793
( fi ) 1
30 1
S =
p
S 2 = 191,3793 = 13,8339
El promedio de los desvos de las ventas con respecto a la media de 90 Bs. F,

es de 13,8339 Bs. F.
c) Para determinar entre cuales cantidades (en Bs. F) estuvo el 60 % de los das,
utilizamos la grafica de la ojiva porcentual (Figura 1.12).
Frecuencia Relativa Acumulada * 100
100
90
80
70
60
50
40
30
20
10
0
55
65
75
85
95
Ventas (Bs. F)
Figura 1.12: Ojiva Porcentual
105
37
En el eje de las ordenadas, se busca el valor de 60 %, seguidamente se prolonga

una recta horizontal hasta la curva de la ojiva y luego se prolonga una recta
vertical hasta el eje de las abscisas, de esta manera encontramos el valor en Bs.
F en que esta el 60 %.
d) Para calcular el numero de das que se vendieron mas de 98 Bs. F utilizamos una
relacion de triangulos, tomamos una seccion de la ojiva y se obtiene el triangulo
de la Figura 1.13.
30
28
26
24
M
22
20
A
95
96
97
98
99
100
101
102
103
104
105
Figura 1.13: Relacion de triangulos
AP
AB
PQ
BC
M 20
98 95
=
105 95 30 20
Despejamos a M y tenemos:
M = 23
30 27 = 7 das
Aproximadamente 7 das se vendieron mas de 98 Bs. F.
106
38
1.3. Introduccion al Muestreo

El muestreo es una tecnica de la Estadstica que se encarga de seleccionar una muestra
de una poblacion cualquiera, en esta seccion del captulo haremos una breve introduccion
al muestreo probabilstico.
Existen dos tipos de muestreo:
Muestreo Probabilstico: en este tipo de muestreo, se conoce de antemano la probabilidad asociada a cada muestra posible.
Muestreo No Probabilstico: puede ser: intencional, erratico, por comodidad, a conveniencia economica o administrativa y a juicio del investigador.
Dentro del Muestreo Probabilstico existen varios tipos de muestreo, en esta seccion
veremos en que consisten algunos de ellos, junto con algunos ejericios.
1.3.1. Muestreo Simple Aleatorio

Una muestra aleatoria simple es la que resulta de aplicar un metodo por el cual todas las
muestras posibles de un determinado tamano tenga la misma probabilidad de ser elegidos.
Los elementos podran ser seleccionados de dos formas: con o sin reemplazo.
Muestreo con reemplazo: en el muestreo con reemplazo cada objeto elgido se devuelve
a la poblacion antes de escoger el siguiente. Se permite las repeticiones.
Muestreo sin reemplazo: en el muestreo aleatorio sin reemplazo de poblaciones finitas
o muestreo irrestricto aleatorio, el objeto que se escoge no se devuelve a la poblacion antes
de que el siguiente objeto sea escogido.
39
EJERCICIOS
1. Una poblacion esta conformada por el siguiente conjunto S = {4, 7, 10}, siendo un
espacio equiprobable. Las muestras aleatorias de tamano 2 son elegidas con reemplazo.
a) Calcular la media poblacional y la desvacion estandar .
b) Hallar la distribucion de muestreo para la media muestral.
c) Calcular la media X y la desviacion X de X y comparlas con y .
Solucion:
a) Un espacio equiprobable significa que todos los elementos de S tienen la misma
probabilidad de ser seleccionados, para este caso cada uno tiene una probabilidad de 13 .
Calculamos la media poblacional:
=
3
X
Xi P(xi ) = 4
i=1
1
1
1
+ 7 + 10 = 7
3
3
3
La media del conjunto S es 7.

v
t 3
X
=
(Xi )2 P(xi )
i=1
r
=
(4 7)2
1
1
1
+ (7 7)2 + (10 7)2
3
3
3
= 2,4495
b) Calculamos las medias muestrales, para ello primero seleccionamos las posibles
muestras y calculamos su media muestral, ver Tabla 1.20.
La Distribucion de la media muestral la podemos ver en la Tabla 1.21.

Muestra
{4,4}
{4,7}
{4,10}
{7,4}
{7,7}
{7,10}
{10,4}
{10,7}
{10,10}
40
X=
X1 +X2
2
4
5,5
7
5,5
7
8,5
7
8,5
10
Tabla 1.20: Medias muestrales con reemplazo

X
4
5.5
7
8.5
10
P(X)
1/9
2/9
3/9
2/9
1/9
Tabla 1.21: Distribucion muestral con reemplazo
c) Calculamos la media y desviacion estandar muestral.

X = E(X) =
5
X
X P(X)
i=1
X = 4
1
2
3
2
1
+ 5,5 + 7 + 8,5 + 10 = 7
9
9
9
9
9
La media muestral es igual a 7.
v
t
5
X
(X X )2 P(X)
i=1
r
=
(4 7)2
2
3
2
1
1
+ (5,5 7)2 + (7 7)2 + (8,5 7)2 + (10 7)2
9
9
9
9
9
= 1,7321
41
Realizamos la comparacion de la poblacional y con la muestral. Para el caso en

que el muestreo es aleatorio simple con reemplazo, se debe cumplir que:
= X
X =
n
= X = 7
2,449
X = = 1,732
2
2. Las muestras aleatorias de tamano 2 se obtienen sin reemplazo de la poblacion S =
{4, 7, 10}, siendo un espacio equiprobable.
a) Calcular la media poblacional y la desvacion estandar .
b) Hallar la distribucion de muestreo para la media muestral.
c) Calcular la media X y la desviacion X de X y comparlas con y .
Solucion:
a) Para este ejemplo, la media y desviacion estandar poblacional son iguales a las
del ejercicio anterior.
=4
r
=
(4 7)2
1
1
1
+ 7 + 10 = 7
3
3
3
1
1
1
+ (7 7)2 + (10 7)2 = 2,4495
3
3
3
b) Calculamos las medias muestrales, repetimos el procedimiento de calcular las

posibles muestras, sin reemplazo, y su media muestral, el resultado lo podemos
observar en la Tabla 1.22, y la Distribucion de la media muestral se muestra en
la Tabla 1.23.

Muestra
{4,7}
{4,10}
{7,4}
{7,10}
{10,4}
{10,7}
42
2
X = X1 +X
2
5,5
7
5,5
8,5
7
8,5
Tabla 1.22: Medias muestrales sin reemplazo

X
5.5
7
8.5
P(X)
2/9
3/9
2/9
Tabla 1.23: Distribucion muestral sin reemplazo
c) Calculamos la media y desviacion estandar muestral.

X = 5,5
r
=
(5,5 7)2
2
2
2
+ 7 + 8,5 = 7
6
6
6
2
2
2
+ (7 7)2 + (8,5 7)2 = 1,2247
6
6
6
Para el caso en que el muestreo aleatorio simple es sin reemplazo, se debe

cumplir que:
= X
r
Nn
X =
N1
n
= X = 7
r
2,449
32
X =
= 1,224
31
2
3. Cuantos comites de 6 personas se pueden formar de un grupo de 30 personas, de los
cuales 10 son profesores y 20 son estudiantes de Sistemas? cual sera la composicion
mas probable, solo alumnos, solo profesores o 3 alumnos y 3 profesores?
43
Solucion:
Para conocer la cantidad de comites de 6 personas que se pueden formar de un total
de 30 personas, utilizaremos Combinatoria, ya que el muestreo es sin reemplazo y
no importa el orden en que son seleccionados los miembros.
Por lo tanto tenemos que:
Comite de seis personas:
!
30
= 593775
6
Se pueden formar 593775 combinaciones distintas de comites de 6 personas.

Solo alumnos:
!
20
= 38760
6
Se pueden formar 38760 combinaciones distintas de comites con 6 alumnos de

los 20.
Solo profesores:
!
10
= 210
6
Se pueden formar 210 combinaciones distintas de comites con 6 profesores de

los 10 disponibles.
Tres alumnos y tres profesores:
! !
20 10
= 136800
3 3
Se pueden formar 136800 combinaciones distintas de comites conformados por
3 profesores y tres alumnos.
Segun los calculos, es mas probable que el comite este conformado por 3 profesores
y 3 alumnos que si fuera solo conformado por alumnos o profesores.
4. Una variable aleatoria poblacional X tiene una media poblacional igual a 25 y
desviacion estandar poblacional igual a 4 cuales son la media y la desviacion
44
estandar de la media muestral X para variables aleatorias de tamano 6 obtenidas con

reemplazo y sin reemplazo, si el tamano de la poblacion es 100?
Solucion:
Con reemplazo: = 25
=4
X = = 25
X = = = 1,6330
n
6
Sin reemplazo: = 25
=4
N = 100
X = = 25
r
r
Nn
4
100 6
X =
=
= 1,5912
N1
100 1
n
6
1.3.2. Muestreo Sistematico

Este tipo de muestreo se utiliza cuando la poblacion es de gran tamano o se extiende en
el tiempo, y consiste en ir seleccionando cada observacion usando un sistema o una regla.
Para utilizarlo, primero se ordenan las unidades de la poblacion, luego se divide la
poblacion en n grupos iguales de tamano k, de tal forma que:
k=
N
n
Siendo k el periodo que se utiliza para dividir la poblacion en n grupos.

Luego se selecciona un numero al azar del primer grupo (de 1 a k) y luego se selecciona
sucesivamente los elementos que ocupen la misma posicion.
EJERCICIOS
45
1. Sean las unidades U(i) = i con i = 1, 2, ..., N, y N = 12. Por medio del muestreo
sistematico seleccione una muestra de tamano 4.
Solucion:
k=
N 12
=
= 3 periodos
n
4
Escogemos un numero aleatorio de 1 a k, es decir, de 1 a 3, y seleccionamos el

numero 2.
Grupo 2
Grupo 1
z }| {
4 5 6
z }| {
1 2 3
Grupo 3
Grupo 4
z }| { z }| {
7 8 9 10 11 12
U(2) = 2
U(2+k) = U(2+3) = U(5) = 5
U(2+2k) = U(2+23) = U(8) = 8
U(2+3k) = U(2+33) = U(11) = 11
2. Se desea obtener una muestra de 10 suscriptores telefonicos en una poblacion de
1000 habitantes. Realice la recoleccion por medio del muestreo sistematico.
Solucion:
k=
N 1000
=
= 100 periodos
n
10
El numero aleatorio de 1 a 100 que escogemos es el numero 44, entonces tenemos

que los suscriptores seleccionados segun su numero de inscripcion son:
44, 144, 244, 344, 444, 544, 644, 744, 844 y 944
1.3.3. Muestreo por Conglomerados

Cuando la poblacion se encuentra dividida de manera natural en grupos, y se suponen
que estos grupos tienen todos la misma variabilidad de la poblacion, puede seleccionarse
46
solo algunos de esos grupos o conglomerados para realizar el estudio, y dentro de cada
conglomerado, se selecciona al azar una muestra de sus individuos.
EJERCICIOS
1. Se desea realizar una encuesta a los duenos de restaurantes. Como zona de estudio se
toma el centro de la ciudad, la cual posee 7 calles. Si en total hay 55 restaurantes en
la zona, como se realizara el muestro por medio del muestreo por conglomerados?
Solucion:
La zona de estudio se divide en 7 conglomerados que son las 7 calles, luego por
medio del muestreo aleatorio simple se seleccionan 4 calles:
S = {1, 4, 5, 7}
Luego de escoger las calles se procede a realizar las encuentas a la totalidad de restaurantes que se encuentran en las calles mencionadas.
2. Se quiere estudiar el tiempo que los estudiantes de secundaria de todos los liceos
de la ciudad de Merida dedican a navegar por Internet, y se desea seleccionar una
muestra de trescientos estudiantes.
Solucion:
Primero seleccionamos al azar unas cuantas parroquias de la ciudad de Merida (conglomerado = parroquias).
Dentro de cada parroquia seleccionamos al azar algunos liceos de secundaria (conglomerados = liceos).
Ahora dentro de cada liceo seleccionamos al azar algunas secciones de clases (conglomerados = secciones de clases).
Ya dentro de las secciones seleccionadas, y a partir de la lista de clases, seleccionamos una muestra (por medio del muestreo aleatorio simple sin reemplazo) de
estudiantes.
47
Por u ltimo, unimos las muestras obtenidas en cada seccion de clases, y de esta manera
obtenemos la muestra global.
1.3.4. Muestreo Estratificado

Una muestra aleatoria estratificada es la obtenida mediante la division de la poblacion
en subpoblaciones denominadas estratos, en la cual, dentro de cada estrato se selecciona en
forma independiente una muestra aleatoria simple sin reemplazo.
La media poblacional esta dada por la siguiente ecuacion
L
1X
=
Ni yi
N
y la muestral del i-esimo estrato se muestre en la formula:

X =
n
X
Yi j
j=1
ni
La varianza poblacional y muestral son:

L
!
!
1 X 2 Ni ni S i2
2
= 2
N
N i=1 i
Ni
ni
P
S i2 =
Donde:
N = Tamano de la muestra
L = Numero de estratos
Yi2j
P
( Yi j )2
ni
ni 1
48
Ni = Tamano del i-esimo estrato i = 1, 2, . . . , L

ni = Tamano de la muestra
EJERCICIOS
1. La produccion de lechoza por a rbol en cierta region estan mostrados en la Tabla 1.24.
Los a rboles de las tres u ltimas filas son mas jovenes que los otros. Estime la cosecha
media de la poblacion por a rbol, basado en muestras estratificadas de tamano 6 para
el estrato de las primeras 5 filas y de tamano 2 de el estrato de las u ltimas 3 filas.
7
5
4
6
6
6
5
4
8
4
7
4
3
3
3
5
5
4
8
6
9
4
3
4
6
7
10
4
9
3
4
3
6
6
8
8
7
5
5
3
10
6
4
7
8
2
4
4
7
3
6
9
11
4
3
3
6
8
6
8
9
3
4
6
Tabla 1.24: Produccion de lechoza por a rbol
Solucion:
Tenemos que:
El tamano poblacional del estrato 1 es N1 = 40, y el tamano poblacional del estrato 2
es N2 = 24; los tamanos muestrales de los estratos 1 y 2 son 6 y 2, respectivamente.
Para seleccionar los 6 y 2 a rboles necesarios, utilizamos el muestreo aleatorio simple
sin reemplazo, lo que nos da:
Estrato 1 = {11, 3, 9, 10, 8, 7 }
Estrato 2 = {6, 2 }
La media muestral de los estratos 1 y 2 son:
X1 =
11 + 3 + 9 + 10 + 8 + 7
=8
6
X2 =
49
6+2
=4
2
Por lo tanto tenemos que la media poblacional de produccion de lechozas por a rbol
es:
=
L
1X
40
24
Ni yi =
8+
4 = 6,5
N
64
64
1.4. Ejercicios Propuestos

1. Dada la siguiente distribucion de frecuencia para la variable edad (en anos) de cierta
poblacion, construya el histograma de frecuencia relativa.
Edad (Anos)
[0 - 4)
[4 - 9)
[9 - 14)
[14 - 19)
[19 - 24)
[24 - 29)
[29 - 34)
[34 - 39)
[39 - 44)
[44 - 49)
[49 - 54)
[54 - 59)
[59 - 64)
64 y mas
Frecuencia Absoluta
12
12
12
10
10
8
8
6
5
3
4
3
2
5
2. La duena de una pequena fabrica de dulces andinos, quiere saber como se comportan
las ventas diarias durante algunos meses de temporada alta (Julio, Agosto y Septiembre).
Para lograr esto, ella tomo nota de las ventas diarias duranete esos meses y obtuvo
los siguientes datos:

Ventas (Bs. F)
[75 - 85)
[85 - 95)
[95 - 105)
[105 - 115)
[115 - 125)
[125 - 135)
[135 - 145)
[145 - 155)
50
Frecuencia Absoluta
7
6
10
22
12
8
12
15
a) Elabore el histograma y polgono de frecuencia.

b) Calcule la media aritmetica, moda, varianza y desviacion estandar.
c) Que porcentaje de las ventas estuvieron por debajo de 125 Bs. F?
d) Que tipo de muestreo le recomendara a la duena para conocer el comportamiento de las ventas en un ano?
3. Dado el Histograma de la Figura 1.14.
20
18
16
14
12
10
8
6
4
2
0
12 13 14 15 16 17 18 19 20 21 22 23 24 25
Temperatura en C
51
a) Calcule la media y la desviacion estandar.

b) Que porcentaje de das la temperatura estuvo entre 18.5 y 20.5o C?
4. Dada las edades de 100 personas censadas en cierta poblacion en la Tabla 1.27.
0
22
23
26
75
51
16
18
1
1
1
28
5
14
15
9
3
24
11
44
40
47
24
35
32
8
14
65
57
8
71
2
11
9
24
21
14
19
31
30
30
0
5
61
28
54
56
53
6
25
16
17
44
3
5
25
59
13
64
29
7
32
7
20
50
18
16
21
43
13
19
22
35
33
12
15
89
39
35
26
41
10
48
10
14
32
2
37
7
4
0
4
6
39
85
20
3
30
5
20
Tabla 1.27: 100 edades
a) Construya la distribucion de frecuencia con las siguientes caractersticas:

i. 15 intervalos.
ii. Marca de la clase.
iii. Frecuencia absoluta.
iv. Frecuencia relativa.
v. Frecuencia acumulada.
vi. Frecuencia relativa acumulada.
b) Calcular la media y desviacion estandar, que significa estos valores?
c) Que porcentaje de personas son menores de edad?
d) Que proporcion de personas son de la tercera edad (de 65 anos en adelante)?
5. El siguiente histograma indica el numero de personas que tienen cierta cantidad de
hijos.
52
90
80
70
60
50
40
30
20
10
0
10
Nmero de hijos
a) Que porcentaje de personas tienen mas de 7 hijos?

b) Calcule la media de las personas que tienen 5 o mas hijos.
c) Grafique la Ojiva.
6. La siguiente distribucion de frecuencias muestra los espesores (en pulgadas) de recipientes de acero, hallar la media aritmetica, la mediana, la moda y la desviacion
estandar.
Espesor (pulgadas)
[0.307 - 0.310)
[0.310 - 0.314)
[0.314 - 0.318)
[0.318 - 0.322)
[0.322 - 0.326)
[0.326 - 0.330)
Frecuencia Absoluta
3
5
5
22
14
1
53
7. Calcule la varianza a partir de los siguientes datos:

138,2
110,0
159,6
189,9
188,4
195,8
101,4
140,7
186,3
113,8
124,5
104,5
103,2
116,4
121,9
101,7
128,5
134,3
155,3
135,7
137,1
135,5
191,0
146,6
142,6
130,3
197,5
180,6
199,1
125,6
Tabla 1.29: Datos
8. Suponga que se quiere obtener una lista de 12 estudiantes entre los 1400 de cierta
facultad utilizando muestreo sistematico. Seleccione la muestra.
9. Una poblacion esta conformada por el conjunto S = {3, 4, 6, 7, 9}, siendo un espacio
equiprobable. Se toman muestras aleatorias de tamano 2 sin reemplazo, determine:
a) La media y desviacion estandar poblacional.
b) La distribucion muestral para la media muestral.
c) Calcular la media y la desviacion estandar muestral y compararlas con la poblacional.
Captulo 2
Teora de la Probabilidad
La Teora de probabilidad son leyes matematicas que modelan la aleatoriedad; en este
captulo estudiaremos las nociones basicas de la probabilidad, sus axiomas, sus teoremas,
probabilidad condicional e independiencia.
2.1. Teora de Conjuntos

Antes de comenzar con la teora de probabilidad, es conveniente realizar un breve repaso de la Teora de Conjuntos con una serie de ejercicios que nos ayudara a comprender los
temas posteriores.
La Teora de Conjuntos es una parte de las matematicas que estudia los conjuntos;
dichos conjuntos son colecciones de objetos, entes o cantidades.
EJERCICIOS
1. Se lanza un dado y una moneda (ambos son correctos) al mismo tiempo y escribimos
el resultado.
54
CAPITULO 2. TEORIA DE LA PROBABILIDAD
55
a) Exprese el espacio muestral.

b) Exprese explcitamente los siguientes sucesos:
A = {que salga un numero par y sello}
B = {que salga un numero primo y cara}
C = {que salga un numero impar}
c) Expresar explcitamente los siguientes sucesos:
i) A o B ocurren.
ii) B y C ocurren.
iii) Solo ocurra A.
Solucion:
a) El espacio muestral del lanzamiento de una moneda y un dado es:
S = {C1, C2, C3, C4, C5, C6, S 1, S 2, S 3, S 4, S 5, S 6}
b) Para esta parte del problema establecemos los puntos muestrales de cada uno
de los eventos, de la siguiente manera:
A = {que salga un numero par y sello}
A = {S 2, S 4, S 6}
B = {que salga un numero primo y cara}
B = {C2, C3, C5}
C = {que salga un numero impar}
C = {C1, C3, C5, S 1, S 3, S 5}
c) Para esta parte definimos los sucesos conformados por la union, complemento
o interseccion entre los eventos:
A o B ocurran:
A B = {S 2, S 4, S 6, C2, C3, C5}
B y C ocurran:
B C = {C3, C5}
Solo ocurra A:
ABcC c = {S 2, S 4, S 6}
56
2. Sean los sucesos A, B y C, experimentos aleatorios. Exprese las siguientes proposiciones verbales en notacion de conjuntos.
a) Exactamente uno de los 3 ocurre.
b) Al menos dos ocurren.
c) No ocurre mas de 2 sucesos juntos.
d) Exactamente dos ocurren
Solucion:
Para realizar la notacion en conjunto hacemos uso de las intersecciones, uniones y
complementos de los eventos1 .
a) Exactamente uno de los 3 ocurre:
(ABcC c ) (Ac BC c ) (Ac BcC)
b) Al menos uno ocurre:
A BC
c) No ocurre mas de 2 sucesos juntos:
[(ABcC c ) (Ac BC c ) (Ac BcC)] [(ABC c ) (ABcC) (Ac BC)]
d) Exactamente dos ocurren:
(ABC c ) (ABcC) (Ac BC)
3. Sean los sucesos A y B. Hallar una expresion y dibujar un Diagrama de Venn para
los dos sucesos:
Que ocurra A pero no B;
Que ocurra B;
Que ocurra A y B;
Ninguno de los 2.
Solucion:
1
Debemos aclarar que las expresiones desarrolladas para este ejemplo y los siguientes no son las unicas existentes, el estudiante debe tratar de desarrollar otras expresiones que representen estas proposiciones
verbales.
57
Los Diagramas de Venn se utilizan para representar conjuntos y las relaciones entre ellos, estos son de gran utilidad al momento de representar la ocurrencia de los
sucesos, ya que de una forma visual facilitan la compresion de la teora de conjuntos.
Para este ejercicio realizamos el diagrama de la siguiente manera: los dos eventos
se representan por medio de elipses dentro de una caja que representa el espacio
muestral S , una vez representados se rellena de color verde (para este ejemplo) el
suceso solicitado.
Ocurra A pero no B:
A Bc
Ocurra B:
B
Ocurre A y B:
AB
58
Ninguno de los 2:
(A B)c
4. Se lanzan dos dados al mismo tiempo y se anotan los resultados. Hallar el numero de
elementos de cada uno de los siguientes sucesos.
a) A = {los dos numeros son iguales}
b) B = {la suma es 8 o mas}
c) C = {sale 1 en el segundo dado}
Solucion:
El espacio muestral (S ) del lanzamiento de dos dados simultaneamente esta mostrado
en la Figura 2.1.
Segundo dado
7
6
(1,6)
(2,6)
(3,6)
(4,6)
(5,6)
(6,6)
(1,5)
(2,5)
(3,5)
(4,5)
(5,5)
(6,5)
(1,4)
(2,4)
(3,4)
(4,4)
(5,4)
(6,4)
(1,3)
(2,3)
(3,3)
(4,3)
(5,3)
(6,3)
(1,2)
(2,2)
(3,2)
(4,2)
(5,2)
(6,2)
(1,1)
(2,1)
(3,1)
(4,1)
(5,1)
(6,1)
3
4
Primer dado
Figura 2.1: Espacio Muestral del lanzamiento de 2 dados
59
A partir de este espacio muestral se crean los elementos que pertenecen a cada suceso
pedido, por lo tanto tenemos:
a) Definimos el suceso A:
A = {los dos numeros son iguales}
A = {(1, 1), (2, 2), (3, 3), (4, 4), (5, 5)}
b) Definimos el suceso B:
B = {la suma es 8 o mas}
B = {(2, 6), (3, 5), (3, 6), (4, 4), (4, 5), (4, 6), (5, 3), (5, 4), (5, 5), (5, 6), (6, 2), (6, 3)}
{(6, 4), (6, 5), (6, 6)}
c) Definimos el suceso C:
C = {sale 1 en el segundo dado}
C = {(1, 1), (2, 1), (3, 1), (4, 1), (5, 1), (6, 1)}
5. Un ingeniero contrato a un grupo de estudiantes para realizar una encuesta entre 1000
suscriptores de un periodico, preguntando por su estado civil, sexo, y nivel educativo.
Los alumnos entregaron los siguientes resultados:
312 hombres
470 casados
525 bachilleres
42 hombres bachilleres
147 bachilleres casados
86 hombres casados
25 bachilles hombres casados
El ingeniero reviso los resultados y lo devolvio a los estudiantes diciendoles que ellos
haban inventado los datos, pues no eran consistentes. Se equivoco el ingeniero?.
Solucion:
Para sacar conclusiones sobre el informe, se utiliza el Diagrama de Venn. Definimos
los siguientes sucesos:
Hombre = H
Casados = C
60
Bachilleres = B
Para identificar los eventos y la cantidad de elementos que tiene que cada uno, se
comienza por el evento donde ocurren los 3 sucesos es decir, bachilleres hombres y
casados, los cuales son 25; a partir de aca se rellena los espacio donde ocurren dos
eventos, por ejemplo, el evento hombre-bachiller tiene 42 elementos, si le restamos
los 25 que estan en los 3 eventos nos queda entonces 17, y asi sucesivamente con el
resto de los eventos; el diagrama queda como muestra la Figura 2.2.
H
209
61
17
25
C
262
122
61
Figura 2.2: Diagrama de Venn
Si sumamos todos los elementos de los eventos y sus combinaciones da un total de

1057 personas, si en teora se encuestaron a 1000 personas, esto quiere decir que el
ingeniero tena razon y los estudiantes inventaron los datos.
6. Compruebe las leyes de Morgan: Si {An } para n 1 en cualquier sucesion de conjuntos, entonces:
a) (An )c = (Acn )
b) (An )c = (Acn )
61
Solucion:
Establecemos los eventos A y B para demostrar las leyes y su respectivo diagrama
de Venn lo podemos observar en la Figura 2.3.
A = {100, 200}
B = {200, 300}
100
200
300
400
1
(A B) = 400
(Ac Bc ) = 400
1
(A B)c =
100 + 300 + 400 = 800
(Ac Bc ) =
(300 + 400) (100 + 400)
= 800
62
2.2. Teora de Probabilidad

Como se dijo al principio de este captulo, la teora de probabilidad es el modelo
matematico de un fenomeno aleatorio.
Las probabilidades son numeros que reflejan la posibilidad de ocurrencia de hechos o
sucesos bajo ciertas condiciones.
La probabilidad se usa ampliamente en en la ciencia, planificacion estrategica, control
de procesos y la filosofa, esto con el fin de sacar conclusiones sobre la ocurrencia de
algunos sucesos.
EJERCICIOS
1. Supongamos que se elige aleatoriamente a un estudiante de entre 80, de los cuales se

sabe que 30 estudian Estocastica 1, 20 estudian programacion 3 y 10 estudian ambas
asignaturas. Hallar la probabilidad p de que el alumno este estudiando Estocastica 1
o Programacion 3.
Solucion:
muestra = n = 80 estudiantes
Estocastica 1 (E) = 30 alumnos
Programacion 3 (P) = 20 alumnos
Probabilidad de que el alumno estudie Estocastica 1:
P(E) =
# Estudiantes de Estocastica 1 30
=
Total de Estudiantes
80
Probabilidad de que el alumno estudie Programacion 3:

P(P) =
# Estudiantes de Programacion 3 20
=
80
63
Probabilidad de que el alumno estudie Estocastica 1 y Programacion 3:

P(E P) =
# Estudiantes de Estocastica 1 y Programacion 3 10

=
80
Entonces tenemos que la probabilidad de que el estudiante estudie Estocastica 1 o

Programacion 3 es de:
P(E P) = P(E) + P(P) P(E P) =
30 20 10
+
= 0,5
80 80 80
2. Tres caballos A, B y C estan en una carrera; A tiene el doble de posibilidades de ganar

que B y B tiene el doble de posibilidades que C. Hallar las respectivas probabilidades
de ganar de cada caballo.
Solucion:
El caballo que tiene menos posibilidades de ganar es el caballo C, a este le asignamos
una probabilidad p cualquiera:
P(C) = p
Si B tiene el doble de posibilidad de ganar que C, entonces tenemos:
P(B) = 2P(C) = 2p
Y por u ltimo, si A tiene el doble de posibilidades de ganar que B, tenemos:
P(A) = 2P(B) = 4p
Si la probabilidad del suceso seguro es 1, entonces tenemos que el suceso seguro
gana alguno de los caballos es igual a 1:
P(A) + P(B) + P(C) = 1
4p + 2p + p = 1
p=
1
7
Sustituimos el valor de p en las probabilidades y tenemos que:

P(A) =
4
7
P(B) =
2
7
P(C) =
1
7
64
3. Suponga que A y B son 2 sucesos para los cuales P(A) = X; P(B) = Y y P(AB) = Z.
Exprese las siguientes probabilidades en terminos de X, Y y Z.
a) P(Ac Bc )
b) P(Ac B)
c) P(Ac B)
d) P(Ac Bc )
Solucion:
Sabemos que: P(A) = X
P(B) = Y
P(A B) = Z.
Utilizamos el Diagrama de Venn:

a) P(Ac Bc ):
(Ac Bc ) = (A B)c
P(Ac Bc ) = P(A B)c
P(Ac Bc ) = 1 P(A B)
P(Ac Bc ) = 1 Z
b) P(Ac B):
A
c
P(A B) = P(B) P(A B)

P(Ac B) = Y Z
65
c) P(Ac B):
P(Ac B) = P(Ac ) + P(A B)

P(Ac B) = 1P(A)+P(AB)
P(Ac B) = 1 X + Z
d) P(Ac Bc ):
(Ac Bc ) = (A B)c
P(Ac Bc ) = P(A B)c
P(Ac Bc ) = 1 P(A)
P(B) + P(A B)
P(Ac Bc ) = 1 X Y + Z
4. A, B y C son tres sucesos tales que P(A) = P(B) = P(C) =
1
;
4
P(A B) =
1
,
8
P(A B) = P(C B) = 0. Calcule la probabilidad de que al menos uno de los 3

sucesos A, B o C ocurra.
Solucion:
La probabilidad de que ocurra A o B o C se puede calcular por medio del siguiente
Teorema:
P(A B C) = P(A) + P(B) + P(C) P(AB) P(AC) P(BC) P(ABC)
Dibujamos el Diagrama de Venn de este caso para conocer los valores de las probabilidades:
66
A
B
1/8
1/4
1/8
1/8
C
Sustituimos y tenemos:
P(A B C) =
1 1 1 1
1
5
+ + + 0 00=
4 4 4 4
8
8
5. Un minorista vende solamente dos marcas de televisores y segun sus registros de

ventas, ambos tienen la misma demanda. Cuatro clientes entran uno tras otro a la
tienda para comprar un televisor. El minorista se interesa en las preferencias de sus
clientes.
a) Establezca las posibilidades con respecto a la distribucion de las preferencias
entre los cuatro clientes (es decir, obtenga el espacio muestral).
b) Asigne las probabilidades a los puntos muestrales.
c) Sea A el evento de que los cuatro clientes prefieren una misma marca de televisor. Encuentre P(A).
Solucion:
a) Designamos las siguientes nomenclaturas:
Marca 1 = 1 y Marca 2 = 2
2 2 2 2 = 24 = 16 puntos muestrales
67
S = {1111, 1112, 1121, 1211, 2111, 1122, 2211, 2121, 1212, 1221, 2112, 1222,
2122, 2212, 2221, 2222}
b) P(cada punto muestral) =
1
16
c) A = {los cuatros clientes prefieren el mismo equipo}

P(A) = P(1111 o 2222) =
1
16
1
16
1
8
6. Demostrar que si A y B son sucesos independientes, entonces Ac y Bc tambien son

sucesos independientes.
Solucion:
Si Ac y Bc son sucesos independientes, entonces se debe cumplir que:
P(Ac Bc ) = P(Ac ) P(Bc )
Tenemos por la Ley de Morgan: (A B)c = Ac Bc :
P(A B)c = P(Ac Bc )
P(Ac Bc ) = 1 P(A B)
P(Ac Bc ) = 1 [P(A) + P(B) P(A B)]
P(Ac Bc ) = 1 P(A) P(B) + P(A B)
P(Ac Bc ) = 1 P(A) + P(B) P(A) P(B)
P(Ac Bc ) = 1 P(B) P(A) [1 P(B)]
P(Ac Bc ) = P(Bc ) P(A) P(Bc )
P(Ac Bc ) = P(Bc ) [1 P(A)]
P(Ac Bc ) = P(Bc ) P(Ac )
Por lo tanto queda demostrado que Ac y Bc son independientes.
68
2.3. Teora Combinatoria

Esta teora es aplicable cuando enumerar los puntos muestrales directamente no es posible ni practico, es mayormente usada para resuelve problemas que aparecen al estudiar,
cuantificar y formar conjuntos.
Esta teora maneja dos principios de conteo: el principio de multiplicidad y el principio
de la suma.
2.3.1. Principio de Multiplicidad

Si un suceso puede ocurrir de n1 maneras diferentes, un segundo suceso de n2 maneras
diferentes, un tercero de n3 maneras, etc., el suceso compuesto por los sucesos 1, 2, 3,...,
puede ocurrir de n1 n2 n3 ... maneras diferentes.
EJERCICIOS
1. Un equipo de baseball esta compuesto por 9 jugadores. De cuantas maneras puede

elegirse un presidente, un secretario y un capitan para el equipo?
Solucion:
Para este caso importar el orden en que son seleccionados los nombres de los jugadores, ya que el primero seleccionado sera el presidente, el segundo seleccionado
sera el secretario y por u ltimo el tercero sera capitan, por lo tanto tenemos que:
n1 n2 n3 maneras diferentes de escoger presidente, secretario y capitan
9 * 8 * 7 = 504 maneras
Se puede escoger de 504 maneras diferentes, los tres representantes del equipo de
baseball.
69
2. Un examen consta de 5 preguntas del tipo verdadero o falso. De cuantas maneras

diferentes puede contestarse el examen?
Solucion:
Son 5 preguntas y cada una tiene dos posibles soluciones, tenemos entonces:
2 2 2 2 2 = 32 posibles soluciones
3. Cuantos numeros de 3 cifras distintas se pueden formar con las 9 cifras significativas
del sistema decimal?
Solucion:
Para este caso importa y ademas dice que son cifras distintas, significa que no pueden
repetirse, por lo que usamos el principio de la multiplicidad:
9 8 7 = 504
Se pueden formar 504 numeros.
2.3.2. Principio de la Suma

Suponga un suceso 1 que puede ocurrir de n1 maneras diferentes y otro suceso 2 que
puede ocurrir de n2 maneras diferentes. Si no es posible que los 2 sucesos ocurran simultaneamente, habra n1 + n2 formas de ocurrir el suceso 1 o 2.
EJERCICIOS
1. Suponga que se puede viajar un da a 2 sitios, a la montana o a la playa. A la montana

se puede ir de 3 maneras: a pie, en teleferico o en vehculo; y a la playa se puede ir
de 4 maneras: en vehculo, en bus, en moto o en bibicleta. cuantas formas de viajar
hay para ese da?
Solucion:
70
maneras de ir a la montana + maneras de ir a la playa

n1 + n2 = 3 + 4 = 7 maneras
Se puede puede viajar ese da de 7 maneras diferentes.
2.3.3. Permutaciones
Consideremos n objetos diferentes, una permutacion de los n elementos es cualquier
arreglo diferente que se puede obtener de ellos intercambiando su orden.
nPn = n (n 1) (n 2) . . . (2) (1) = n!
Ahora bien, si se quiere ordenar k de los n objetos en lnea, se tiene que hay n maneras
de escoger el primnero, n 1 maneras de escoger el segundo,. . ., y finalmente n k + 1
maneras de escoger el k-esimo; por lo tanto el numero de arreglos es:
nPk = n (n 1) (n 2) . . . (n k + 1) =
n!
(n k)!
EJERCICIOS
1. Sean las letras A, B, C, D y E. Queremos saber cuantos posibles permutaciones de 3

letras pueden formarse.
Solucion:
n = numero de letras = 5
k = numero de letras a formar = 3
nPk =
n!
5!
= 5 P3 =
= 60
(n k)!
(5 3)!
Se pueden realizar 60 permutaciones de 3 letras con las 5 letras disponibles.
71
2. Con los siguiente smbolos griegos: cuantas permutaciones se puede formar?

Solucion:
En este caso no todos los elementos son diferentes entre s, para ello utilizamos la
siguiente formula:
n!
n1 ! n2 ! ... nk !
n = 12 :
n1 = 2
n2 = 3
n3 = 3
n4 = 1
n5 = 1
n6 = 2
12!
= 3326400 permutaciones
2! 3! 3! 1! 1! 2!
3. Cuantas secuencias pueden obtenerse al lanzar 20 veces una moneda, que tengan 6
caras y 14 sellos?
Solucion:
En este caso tambien tenemos repeticiones, por lo tanto tenemos:
20!
= 38760
6! 14!
Existen 38760 secuencias con 6 caras y 14 sellos.
72
2.3.4. Combinaciones
Se define como combinacion de tamana k a todo subconjunto de k elementos que
pueden formarse de un conjunto de n elementos diferentes. Para este caso no se tomara en
cuenta el orden de los elementos.
El numero de subconjuntos de k elementos, escogidos de un conjunto de n elementos
se calcula de la siguiente manera:
!
n
n!
=
k
k!(n k)!
EJERCICIOS
1. En un salon de clases hay 25 estudiantes y se desea seleccionar una comision de 5

personas para organizar cierto evento. Cuantas comisiones se pueden formar?
Solucion:
Para este caso no importa el orden en que son seleccionados los estudiantes que
conformaran la comision, por lo tanto tenemos:
!
25
= 53130 combinaciones
5
Se pueden formar 53130 comisiones de 5 alumnos diferentes entre los 25 disponibles.
2. Cual sera la combinacion mas probable de una comision de 4 miembros escogidos
al azar entre 22 mujeres y 18 hombres?
Solucion:
Debemos probar todas las combinaciones posibles:
Conformado por 4 mujeres:
!
22
= 7315 comisiones
4
73
Conformado por 3 mujeres y 1 hombre:

!
!
18
22
= 27720 comisiones
3
1
Conformado por 2 mujeres y 2 hombres:
!
!
22
18
= 35343 comisiones
2
2
Conformado por 1 mujer y 3 hombres:
!
!
22
18
= 17952 comisiones
1
3
Conformado por 4 hombres:
!
18
= 3060 comisiones
4
Segun los resultados obtenidos, es mas probable formar una comision de 2 mujeres
y 2 hombres.
2.4. Probabilidad Condicional

Se le llama probabilidad condicional a la probabilidad de que ocurra un evento
cualquiera, dado que ya ha ocurrido otro evento previamente.
Definicion:
Sean los eventos A y B pertenecientes al espacio muestral S y tal que P(B) > 0. La
probabilidad condicional del suceso A, cuando ha ocurrido el suceso B es:
P(A/B) =
EJERCICIOS
P(A B)
P(B)
74
1. Se arroja un par de dados y se suman los numeros que aparecen. Si se sabe que la
suma de ambos numeros fue 6, cual es la probabilidad de que un dado haya caido
en 2?
Solucion:
El espacio muestral (S ) esta conformado por 36 elementos, que son los resultados
del lanzamiento de dos dados. Ahora definimos los sucesos:
A = un dado cayo por 2.
A = {(1,2),(2,1),(2,2),(2,3),(3,2),(2,4),(4,2),(2,5),(5,2),(2,6),(6,2)}
P(A) =
11
36
B = la suma fue 6.
B = {(1,5),(5,1),(3,3),(2,4),(4,2)}
P(B) =
5
36
Definimos el conjunto donde los elementos de B forman parte de A:

A B = la suma es 6 y uno de los dados es 2.
A B = {(2,4),(4,2)}
P(A B) =
2
36
Calculamos la probabilidad condicional:

P(A B)
P(A/B) =
=
P(B)
2
36
5
36
2
5
2. En una caja hay 2 bolas azules y 3 bolas rojas. Se va a sacar al azar una bola, la cual
sera dejada fuera de la caja. Despues se sacara al azar otra bola de la caja. Calcular:
a) P(A R)
b) P(A A)
c) P(R A)
d) P(R R)
75
Solucion:
A = {la bola es azul}
R = {la bola es roja}
Podemos utilizar los diagramas de a rbol para este problema, el cual lo podemos ver
en la Figura 2.5.
1/4
3/4
A
2/5
2 azules
3 rojas
3/5
2/4
R
2/4
Figura 2.5: Diagrama de Arbol
Utilizando el diagrama de a rbol tenemos las siguientes probabilidades:

P(1era fue A) = P(A) =
2
5
P(1era fue R) = P(R) =
3
5
P(A dado que la 1era fue A) = P(A/A) =
3
4
2
fue R) = P(A/R) =
4
2
fue R) = P(R/R) =
4
P(R dado que la 1era fue A) = P(R/A) =

P(A dado que la 1era
P(R dado que la 1era
Buscamos las probabilidades pedidas:
1
4
76
a) P(A R):
P(A R) = P(A) P(R/A) =
2 3
6
=
5 4 20
P(A A) = P(A) P(A/A) =
2 1
2
=
5 4 20
P(R A) = P(R) P(A/R) =
3 2
6
=
5 4 20
P(R R) = P(R) P(R/R) =
3 2
6
=
5 4 20
b) P(A A):
c) P(R A):
d) P(R R):
3. Una encuesta entre los consumidores en una comunidad particular mostro que el
10 % quedaron inconformes con los trabajos de plomera efectuado en sus casas. La
mitad de las quejas se referan al plomero A. Encuentre las siguientes probabilidades
si el plomero A realiza el 40 % de los trabajos de plomera en la ciudad:
a) De que el consumidor reciba un trabajo de plomera que no le satisfaga dado
que se trata del plomero A.
b) De que el consumidor reciba un trabajo de plomera satisfactorio, dado que se
trata del plomero A.
Solucion:
Definimos los siguientes eventos y sus probabilidades:
I = Inconformes P(I) = 0,10
I c = Satisfechos P(I c ) = 0,90
A = El plomero A realiza el trabajo P(A) = 0,40
Ac = El plomero A no realiza el trabajo P(Ac ) = 0,60
0,10
P(I A) = 2 = 0.05
a) El consumidor reciba un trabajo de plomera que no le satisfaga:
P(I/A) =
P(I A) 0,05
=
= 0,125
P(A)
0,4
77
La probabilidad de que un cliente no este satisfecho con el trabajo hecho dado

que lo realizo el plomero A es del 12,5 %.
b) El consumidor reciba un trabajo de plomera satisfactorio:
P(I c /A) =
P(I c A) 0,35
=
= 0,875
P(A)
0,4
Por el contrario, la probabilidad de que un cliente si este satisfecho con el trabajo hecho, dado que lo realizo el plomero A es del 87,5 %.
4. En la Facultad de Ingeniera el 25 % de los alumnos retiro Calculo 10, el 15 % Sistemas de Representaciones 10 y el 10 % retiro ambas. Se elige un alumno al azar.
a) Si el alumno retiro Sistemas de Representaciones 10, cual es la probabilidad
de que retiro Calculo 10?
b) Si retiro Calculo 10, cual es la probabilidad de que retiro Sistemas de Representaciones 10?
c) Cual es la probabilidad de que retiro Calculo o Sistemas de Representaciones?
d) Cual es la probabilidad de que el alumno no hubiera retirado ninguna?
Solucion:
C = {Retiro de Calculo 10}
P(C) = 0,25
S = {Retiro de Sistemas de Representaciones 10}
P(S ) = 0,15
C S = {Retiro Calculo y Sistemas de Representaciones}
P(C S ) = 0,10
a) La probabilidad de que retiro Calculo 10, dado que retiro Sistemas de Representaciones es:
P(C/S ) =
P(C S ) 0,10
=
= 0,6667
P(Q)
0,15
78
b) La probabilidad de que retiro Sistema de Representaciones 10, dado que retiro

Calculo 10 es:
P(S /C) =
P(Q C) 0,10
=
= 0,4
P(C)
0,25
c) La probabilidad de que retiro Calculo o Sistema de Representaciones es:

P(C S ) = P(C) + P(S ) P(C S ) = 0,25 + 0,15 0,10 = 0,3
d) La probabilidad de que el alumno no hubiera retirado ninguna es:
P(C S )c = 1 P(C S ) = 1 0,3 = 0,7
5. Sean X, Y y Z tres monedas de una caja. Suponga que X es una moneda correcta, Y
es una moneda con 2 caras y Z esta hecha de tal forma de que la probabilidad de que
salga cara es 13 . Se escoge una moneda al azar.
a) Hallar la probabilidad de que salga cara.
b) Si sale cara, hallar la probabilidad de que sea de la moneda no trucada X.
c) Si sale sello, hallar la probabilidad de que sea la moneda Z.
Solucion:
1/2
1/2
X
1/3
1/3
1/3
1/3
Z
2/3
79
a) La probabilidad de que salga cara es:

P(C) =
1 1 1
1 1 11
+ 1+ =
3 2 3
3 3 18
b) La probabilidad de que sea la moneda X dado que salio cara es:

P(X C)
P(X/C) =
=
P(C)
1
3
11
18
1
2
3
11
c) La probabilidad de que sea la moneda Z dado que salio sello es:

1
22
P(Z S )
4
3
P(Z/S ) =
=
=
11
P(S )
1 18 7
6. Se tienen tres cajas: I = tiene 2 bolas blancas y 4 rojas

II = tiene 8 bolas blancas y 4 rojas
III = tiene 1 bola blanca y 3 rojas
Se saca una bola al azar de cada caja. Si se sabe que 2 de esas bolas fueron blancas,
Cual es la probabilidad de que la bola sacada de la caja II haya sido blanca?
Solucion:
2 blancas
4 rojas
8 blancas
4 rojas
1 blanca
3 rojas
II
III
P(B) = 2/6
P(R) = 4/6
P(B) = 8/12
P(R) = 4/12
P(B) = 1/4
P(R) = 3/4
Figura 2.7: Distribucion de las bolas en las cajas
Definimos el espacio muestral S y los eventos:
80
S = {BBB, BBR, BRB, RBB, BRR, RBR, RRB, RRR}

A = {2 bolas son blancas} A = {BBR, BRB, RBB}
B = {la bola sacada de II sea blanca} B = {BBB, BBR, RBB, RBR}
A B = {2 bolas blancas y la bola de la caja II es blanca} A B = {BBR, RBB}
Calculamos las probabilidades:
P(A) = P(BBR) o P(BRB) o P(RBB)
P(A) =
2 8 3 2 4 1 4 8 1 11
+
+
=
6 12 4 6 12 4 6 12 4 36
P(A B) = P(BBR) o P(RBB)

P(A B) =
5
2 8 3 4 8 1
+
=
6 12 4 6 12 4 18
P(B/A) =
P(A B)
5/18
10
=
=
P(B)
11/36 11
La probabilidad de que la bola de la segunda caja sea blanca dado que se sabe que
salieron dos blancas es del 90,90 %.
2.5. Independencia de eventos

Los sucesos A y B de un espacio muestral S , son independientes si la ocurrencia de uno
de ellos no influye o afecta la ocurrencia del otro.
A y B son independientes si y solo si:
P(A B) = P(A) P(B) ; siendo P(A) > 0 ; P(B) > 0
81
A partir de la definicion podemos decir que:

P(A/B) =
AB
= P(A)
P(B)
Esto es debido a que, no importa que previamente ocurriera B, su ocurrencia no afecta

en nada la probabilida de ocurrencia de A.
Tambien se cumple de forma viceversa:
P(B/A) =
AB
= P(B)
P(A)
Tambien se puede comprobar la independencia para mas de dos sucesos, por ejemplo,
tres sucesos son independiente si se cumplen todas las condiciones siguientes:
P(A B) = P(A) P(B)
P(A C) = P(A) P(C)
P(B C) = P(B) P(C)
P(A B C) = P(A) P(B) P(C)
EJERCICIOS
1. En una caja hay 2 bolas azules y 3 bolas rojas. Se va a sacar 1 bola al azar, la cual
sera metida nuevamente a la caja antes de sacar una segunda bola de la caja. Calcular:
a) P(A R).
b) P(A A).
c) P(R A).
d) P(R R).
Solucion:
Desarrollamos el diagrama de a rbol del problema:
82
2/5
A
3/5
R
2/5
2 azules
3 rojas
2/5
3/5
R
3/5
R
a) P(A R):
6
2 3
=
5 5 25
2 3
6
P(A R) = P(A) P(R) = =
5 5 25
P(A R) = P(A) P(R/A) =
b) P(A A):
4
2 2
=
5 5 25
2 2
4
P(A A) = P(A) P(A) = =
5 5 25
P(A A) = P(A) P(A/A) =
c) P(R A):
P(R A) = P(R) P(A) =
3 2
6
=
5 5 25
P(R R) = P(R) P(R) =
9
3 3
=
5 5 25
d) P(R R):
2. Dado el circuito de la Figura 2.9. La probabilidad de cerrar los capacitores 1,2,3 y 4

es p. Si todos los capacitores funcionan independientemente, cual es la probabilidad
que pase corriente de A a B?
83
Figura 2.9: Circuito
Solucion:
Definimos los eventos:
C = {pase corriente por 1 y 2 }
D = {pase corriente por 3 y 4 }
Por lo tanto tenemos:
P(C D) = P(C) + P(D) P(C D)
P(C D) = P(1 2) + P(3 4) P(1 2 3 4)
P(C D) = P(1) P(2) + P(3) P(4) P(1) P(2) P(3) P(4)
P(C D) = p p + p p p p p p = 2p2 p4
2.6. Teorema de Bayes

Ahora bien, en esta seccion introduciremos un nuevo concepto que es el Teorema de
Bayes, este teorema es el resultado que da la distribucion de probabilidad condicional de
84
un suceso Bi dado A (P(Bi /A)), en terminos de la distribucion de probabilidad condicional

de A dado Bi (es decir, lo contrario a lo pedido P(A/Bi )) y la distribucion de probabilidad
total de A (P(A)).
P(Bi /A) =
P(A Bi )
P(Bi )P(A/Bi )
=
P(A)
P(B1 )P(A/B1 ) + P(B2 )P(A/B2 ) + . . .
EJERICICIOS
1. Con respecto al Ejercicio 5 de la seccion anterior, resuelva los tems b) y c) por medio
del Teorema de Bayes.
Solucion:
P(X/C) =
P(X) P(C/X)
=
P(X) P(C/X) + P(Y) P(C/Y) + P(Z) P(C/Z)
P(X/C) =
P(Z/S ) =
1
2
12 + 1 + 13
1
3
3
11
P(Z) P(S /Z)

=
P(X) P(S /X) + P(Y) P(S /Y) + P(Z) P(S /Z)
P(Z/S ) =
1
3
1
3
1
3
1
3
1
3
1
3
2
3
12 + 0 + 13
2
3
4
7
Observamos que los resultados son exactamente iguales a los obtenidos anteriormente por meido de probabilidad condicional.
2. Una empresa de manufactura emplea 3 planes analticos para el diseno y desarrollo de
un producto especfico. Por razones de costos, los 3 planes se utilizan en momentos
diferentes, de hecho, los planes 1, 2 y 3 se utilizan respectivamente, para el 30, 20 y
50 % de los productos. La tasa de defectuosos es diferente para los 3 procedimientos,
es decir:
P(D/P1 ) = 0,01
P(D/P2) = 0,03
P(D/P3) = 0,02
85
Si se observa un producto al azar y esta defectuoso cual fue el plan que se uso con
mayor probabilidad y fue el responsable?
Solucion:
Para resolver este problema debemos calcular la probabilidad de que dado que el
producto esta defectuoso, cual fue el plan responsable, para ello calculamos las tres
probabilidades condicionales:
P(P1 /D) =
P(P1 ) P(D/P1 )
P(P1 ) P(D/P1 ) + P(P2 ) P(D/P2 ) + P(P3 ) P(D/P3 )
P(P1 /D) =
P(P2 /D) =
P(P2 ) P(D/P2 )
P(P2 /D) =
P(P3 /D) =
0,003
= 0,1579
0,019
0,06
= 0,3158
0,019
P(P3 ) P(D/P3 )
P(P3 /D) =
0,01
= 0,5263
0,019
Segun estos resultados, el Plan 3 debera ser el responsable ya que su probabilidad

de ser utilizado fue del 52,63 %.
3. Se tienen dos cajas, una caja I contiene 2 bolas blancas y tres bolas negras y una caja
II contiene 4 bolas blancas y tres negras. Se saca una bola al azar de la caja I y sin
verla se coloca en la caja II. A continuacion se saca una bola de II y resulta ser negra.
Cual es la probabilidad de que la bola pasada de la caja I a la II fuese blanca?
Solucion:
Definimos los sucesos:
86
A = {la bola pasada de I a II es blanca}

B = {la bola pasada de I a II es negra}
C = {la bola sacada de II es negra}
Por Bayes tenemos:
P(A/C) =
P(A) P(C/A)
P(B) P(C/B) + P(A) P(C/A)
P(A/C) =
3
5
2
5
4
8
3
8
2
5
3
8
1
3
La probabilidad de que la bola pasada de I a II, dado que se sabe que la bola sacada
posteriormente de II es negro, es del 33,33 %.
4. En una tienda trabajan 3 cajeras: Mara, Ana y Gabriela. Mara atiende el 40 % de
los clientes, Ana el 35 % y Gabriela el 25 %.
Cuando atiende Mara hay un 2 % de probabilidad de que cobre mal, cuando lo hace
Ana hay un 1 % y si cobra Gabriela hay un 3 % de probabilidad de que se equivoque.
Un cliente se quejo diciendo que le cobraron mal.
Cual es la probabilidad de que lo atendiera Gabriela?
Solucion:
Definimos los eventos y el diagrama de a rbol del problema (Figura 2.10):
C = {se realizo un mal cobro}
M = {fue atendido por Mara}
A = {fue atendido por Ana}
G = {fue atendido por Gabriela}
Utilizando el Teorema de Bayes:
P(G/C) =
P(G) P(C/G)
P(M) P(C/M) + P(A) P(C/A) + P(G) P(C/G)
P(G/C) =
0,25 0,03
= 0,3947
0,4 0,02 + 0,35 0,01 + 0,25 0,03
P(C/M) = 0,02
87
M
C
0,4
P(C/A) = 0,01
0,35
A
C
0,25
P(C/G) = 0,03
G
C
La probabilidad de que el cliente fuera atendido por Gabriela dado que le cobraron
mal, es del 39,47 %.

1. Dado el conjunto A = {a, b, c}, liste todos los posibles subconjuntos de A.
2. Una fabrica produce cierto artculo, y diariamente se realiza un experimento que
consiste en examinar cada uno de los artculos producidos (uno tras otro) para verificar su calidad. Una vez examinado, los artculos se dividen en dos, BUENOS o
DEFECTUOSOS. El experimento termina cuando se encuentra el primer artculo
defectuoso. Determine el espacio muestral.
3. Un experimento aleatorio consiste en registrar la nota en Estocastica 1 de cierto alum-
88
no.
a) Cual es el espacio muestral?
b) Defina los siguiente sucesos:
A = {el alumno tiene por lo menos quince puntos}
B = {el alumno es reprobado en el examen}
C = {el alumno tiene como maximo 16 puntos}
4. Considere el espacio muestral S = {cobre, sodio, nitrogeno, potasio, uranio, oxgeno,
zinc}, y los eventos:
A = {cobre, sodio, zinc}
B = {sodio, nitrogeno, potasio}
C = {oxgeno}
Liste los elementos y dibuje el diagrama de Venn de los conjuntos que corresponden
a los siguientes eventos:
a) Ac
b) (A Bc ) C c
c) (Ac Bc ) (Ac C)
5. Una caja contiene A bolas numeradas del 1 a A. Designe N como el numero de
bolas de cierto color, donde N A. Sea una muestra de tamano n extrada con o
sin reemplazo (en cuyo caso n A). Encuentre la probabilidad de que la muestra
contenga exactamente k bolas de ese color para cada caso.
6. Cual es la probabilidad de sacar dos bolas azules de una caja que contiene 15 bolas
blancas y 12 azules, sin reemplazar la bola extrada?
7. Una bolsa contiene 12 bolas blancas y 8 negras. Si se sacan dos bolas al azar. Cual
es la probabilidad de que sean del mismo color?
8. Un inspector visita 6 maquinas diferentes durante el da. A fin de impedir que los
operadores sepan cuando inspecionara, vara el orden de las visitas. De cuantas
89
maneras lo puede hacer?. Si de 6 maquinas puede visitar solamente 3, de cuantas

maneras lo puede hacer?
9. La Escuela de Sistemas cuenta con 37 profesores, de cuantas maneras podemos
escoger un Director y 3 Representantes Profesorales?
10. Cuantos diptongos posibles se pueden encontrar en la literatura castellana, con vocales diferentes?
11. La probabilidad de que un artculo provenga de una fabrica A es de 0,3; y la probabilidad de que provenga de otra fabrica B es de 0,7. Se sabe que la fabrica A produce
4 por mil artculos defectuosos y la B produce 8 por mil.
a) Se observa un artculo y se ve que esta defectuoso. Cual es la probabilidad de
que provenga de la fabrica B?
b) Se pide un artculo a una de las dos fabricas, elegida al azar. Cual es la probabilidad de que este defectuoso?
c) Se piden 5 artculos a la fabrica A. Cual es la probabilidad de que haya alguno
defectuoso?
12. Hay una extrana enfermedad que solo afecta a 1 de cada 500 personas. Se dispone de
una prueba para detectarla. Un resultado correcto positivo (un paciente que realmente
tiene la enfermedad) ocurre 95 % de las veces; en tanto un resultado positivo falso (un
paciente que no tiene la enfermedad) ocurre 1 % de las veces. Si se somete a prueba
una persona elegida al azar, y el resultado es positivo, cual es la probabilidad de que
la persona tenga la enfermedad?
13. Una compana constructora emplea a 2 ingenieros de ventas. El ingeniero 1 hace el
trabajo de estimar costos en 70 % de las cotizaciones solicitadas en la empresa. El
ingeniero 2 lo hace para el 30 % de tales cotizaciones. Se sabe que la tasa de error
para el ingeniero 1 es tal que 0.02 es la probabilidad de un error en el trabajo; del
90
ingeniero 2 es de 0.04. Suponga que llega una solicitud de cotizacion y ocurre un

error grave al estimar los costos. que ingeniero supondra usted que hizo el trabajo?
14. En una bolsa A hay 2 bolas amarillas y 4 rojas. En una bolsa B hay 5 amarillas y 3
rojas. Se extrae una bola de A y se introduce en B sin verla. Luego se saca una bola
de B. Calcular:
a) La probabilidad de que haya pasado bola roja de A a B, si la bola extrada de B
es amarilla.
b) La probabilidad de que haya pasado bola amarilla de A a B, si la bola extrada
de B es amarilla.
15. Sea S = {a; b; c; d} un espacio muestral con los eventos elementales equiprobables.
Los eventos A = {a; b}, B = {a; c} y C = {a; d} son independientes?
Captulo 3
Variable Aleatoria Unidimensional
Una Variable Aleatoria de un espacio muestral S es la regla que asigna un valor numeri siempre es denotada con letras mayusculas.
co a cada resultado de S . Esta
Las variables aleatorias pueden ser discretas o continuas.
Una variable aleatoria es discreta si su conjunto de valores posibles es un conjunto
discreto, es decir, toma un numero finito de valores numerables.
Una variable aleatoria continua toma un valor infinito de valores no numerables, es
decir, su conjunto de posibles valores es todo un intervalo de numeros.
3.1. Distribucion de Probabilidad de una Variable Aleatoria Discreta

Una Distribucion de Probabilidades es el modelo que describe los resultados de un
experimento con las respectivas probabilidades que se espera ver.
91
CAPITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL
92
Para construir la distribucion de probabilidad de una variable aleatoria discreta tenemos

que, la probabilidad de que X tome el valor x, es decir P(X = x), se define como la suma
de las probabilidades de todos los puntos muestrales de S que tiene asignado el valor X.
EJERCICIOS
1. Suponga que se lanza una moneda 2 veces, y el espacio muestral es S = { CC, CS,
SC, SS}. Siendo X el numero de caras que pueden salir. Encuentre la distribucion de
probabilidad correspondiente a la variable aleatoria X.
Solucion:
Lo primero que debemos hacer es asociar los puntos muestrales de S a numeros,
siendo X el numero de caras que pueden salir:
Punto muestral
X
CC
2
CS
1
SC
1
SS
0
Tabla 3.1: Asignacion de valores a X
Calculamos la probabilidad para cada valor que puede tomar X:

P(CC) =
1 1 1
=
2 2 4
1 1 1
=
2 2 4
1 1 1
P(S C) = =
2 2 4
1 1 1
P(S S ) = =
2 2 4
P(CS ) =
P(X = 2) =
1
4
1
4
1
P(X = 1) =
4
1
P(X = 0) =
4
P(X = 1) =
Con estos datos construimos la distribucion de probabilidad, la cual esta conformada por la variable aleatoria discreta X y su respectiva probabilidad, ya calculadas
previamente:

X
p(x)
1
4
2
4
1
4
93
Tabla 3.2: Distribucion de probabilidad
2. Un supervisor de una fabrica tiene 3 hombres y 3 mujeres trabajando para e l. Desea

elegir 2 trabajadores para una labor especial y decide seleccionar al azar para no
introducir ningun sesgo en su seleccion. Sea X el numero de mujeres en su seleccion.
Encuentre la distribucion de probabilidad para X.
Solucion:
Asignamos a cada suceso un valor numerico:
Ninguna mujer X = 0
Una mujer X = 1
Dos mujeres X = 2
Calculamos las probabilidades para cada uno de los valores de X:
! !
3 3
0 2
3
! =
P(X = 0) =
15
6
2
! !
3 3
1 1
9
! =
P(X = 1) =
15
6
2
! !
3 3
2 0
3
! =
P(X = 2) =
15
6
2

X
p(x)
0
0,2
1
0,6
94
2
0,2
3. En el caso de lanzar 3 monedas y registrar el numero de caras que aparecen. Calcular:

a) P(2 < X 3)
b) P(2 X 3)
c) P(2 < X < 3)
d) P(2 X < 3)
Solucion:
El espacio muestral del experimento aleatorio: lanzamiento de 3 monedas y su distribucion se probabilidad se muestran a continuacion en la Tabla 3.4. Ademas se
muestra la funcion de distribucion del problema (F(x)), la cual es la acumulada de la
distribucion de probabilidad (p(x)).
S = {CCC, CCS , CS C, S CC, CS S , S CS , S CC, S S S }
X
p(x)
F(x)
1
8
1
8
3
8
4
8
3
8
7
8
1
8
Tabla 3.4: Distribucion de Probabilidad y Funcion de Distribucion
a) P(2 < X 3):

P(2 < X 3) = P(X 3) P(X 2)
P(2 < X 3) = F(3) F(2)
P(2 < X 3) = 1
7 1
=
8 8
95
b) P(2 X 3):
P(2 X 3) = F(3) F(2) + p(2)
P(2 X 3) = 1
7 3 1
+ =
8 8 2
c) P(2 < X < 3):

P(2 < X < 3) = F(3) F(2) p(3)
P(2 < X < 3) = 1
7 1
=0
8 8
d) P(2 X < 3):

P(2 X < 3) = F(3) F(2) + p(2) p(3)
P(2 X < 3) = 1
7 3 1 3
+ =
8 8 8 8
4. La funcion de distribucion de una variable aleatoria X esta definido as:

F(x) = 0
si X < 2
F(x) =
1
2
si 2 X < 0
F(x) =
3
4
si 0 X < 2
F(x) = 1
si X 2
Calcule:
a) P(X 2)
b) P(X < 0)
c) P(0 < X 2)
d) P(1 X 2)
Solucion:
Graficamos la distribucion de probabilidad (Figura 3.1) y la funcion de distribucion
(Figura 3.2):
96
p(x)
0.8
0.6
0.4
0.2
Figura 3.1: Distribucion de Probabilidad
F(x)
1.0
0.75
0.5
Figura 3.2: Funcion de Distribucion
a) P(X 2) = 1
3
b) P(X < 0) = 4
3 1
c) P(0 < X 2) = F(2) F(0) = 1 - 4 = 4
3
1
d) P(1 X 2) = F(2) F(1) + p(1) = 1 4 + 0 = 4
97
5. Suponga que se va a lanzar un par de dados balanceados y la variable aleatoria X

denota la suma de los puntos.
a) Obtenga la distribucion de probabilidad para X.
b) Encuentre la funcion de distribucion F(x) para la variable aleatoria X.
c) Elabore una grafica de esta funcion.
Solucion:
a) Describimos el espacio muestral en la Tabla 3.5:
Par
(1,1)
(1,2)
(1,3)
(1,4)
(1,5)
(1,6)
P
2
3
4
5
6
7
Par
(2,1)
(2,2)
(2,3)
(2,4)
(2,5)
(2,6)
P
3
4
5
6
7
8
Par
(3,1)
(3,2)
(3,3)
(3,4)
(3,5)
(3,6)
P
4
5
6
7
8
9
Par
(4,1)
(4,2)
(4,3)
(4,4)
(4,5)
(4,6)
Par
(5,1)
(5,2)
(5,3)
(5,4)
(5,5)
(5,6)
5
6
7
8
9
10
P
6
7
8
9
10
11
Par
(6,1)
(6,2)
(6,3)
(6,4)
(6,5)
(6,6)
P
7
8
9
10
11
12
Tabla 3.5: Puntos muestrales
Por lo tanto tenemos la distribucion de probabilidad en la Tabla 3.6:

X
f (x)
10
11
12
1
36
2
36
3
36
4
36
5
36
6
36
5
36
4
36
3
36
2
36
1
36
Tabla 3.6: Distribucion de Probabilidad
98
b) La funcion de distribucion F(x) se muestra a continuacion:
0
para X < 2
para 2 X < 3
36
para 3 X < 4
36
para 4 X < 6
36
10
para 5 X < 6
36
15
36 para 6 X < 7
F(x) =
21
para 7 X < 8
36
26
para 8 X < 9
36
30
para 9 X < 10
36
33
para 10 X < 11
36
35
para 11 X < 12
36
1
para X 12
c) La grafica de la funcion de distribucion (F(x)) se muestra en la Figura 3.3:
1
0.9
0.8
0.7
F(x)
0.6
0.5
0.4
0.3
0.2
0.1
0
10
11
12
99
3.2. Distribucion de Probabilidad de una Variable Aleatoria Continua

En el caso de una variable aleatoria continua X, la distribucion de probabilidad es la
integral de la funcion de densidad.
EJERCICIOS
1. Sea X una variable aleatoria continua con la funcion de densidad de probabilidad

dada por:
3x si 0 X 1
f (x) =
0
en cualquier otro punto
Encontrar F(x) y graficar f (x) y F(x).

Solucion:
Graficamos la funcion de probabilidad f (x) (Figura 3.4):
f(x)

Calculamos F(x):
100
F(x) =
f (t)dt
3t2 dt = x3
F(x) =
0
Por lo tanto podemos observar la funcion de distribucion junto con su grafica a continuacion:
x si 0 < X < 1
F(x) =
1 si X 1
F(x)
2. Dada la funcion de probabilidad:
cx si 0 < X < 3
f (x) =
0
a) Encuentre la constante c.
b) Calcule P(1 < X < 3).
c) Encuentre la funcion de distribucion.
Solucion:

a) Sabemos que:
101
F(x) =
f (x)dx = 1

Z
F(x) =
ct2 dt = 1
Integramos la distribucion de probabilidad f (x) e igualamos a 1, se despeja c y

tenemos que:
c=
1
9
Sustituimos en la distribucion de probabilidad y obtenemos:

2
9 si 0 < X < 3
f (x) =
0 en cualquier otro punto

b) Utilizando la distribucion de probabilidad calculamos P(1 < X < 3):
Z 2 2
x
7
P(1 < X < 3) =
dx =
27
1 9
c) La funcion de distribucion se debe calcular segun los intervalos en que
esta definida, de la siguiente manera:
Para ( ; 0):
f (x) = 0
F(x) = 0
Para [0 ; 3):
x2
f (x) =
9
Z x 2
x3
x3
t
F(x) = F(0) +
dt = 0 +
=
27 27
0 9
Para [3 ; ):
f (x) = 0
Z x
F(x) = F(3) +
0dt = 1
3
102
Por lo tanto tenemos que la funcion de distribucion es la siguiente:
0 si X < 0
x3
F(x) =
si 0 X < 3
27
1 si X 3
3. La vida de cierto dispositivo electronico, medida en unidades de 1000 horas, esta dada por la ley:
f (x) = ex
paraX > 0
El costo de producir el dispositivo es 5 UM y el precio de venta es 15 UM. El vendedor promete devolver el dinero si el dispositivo dura funcionando menos de 600
horas.
Sea G la ganancia obtenida por el fabricante cuando vende un dispositivo. Obtenga
la distribucion de G.
Solucion:
Si el dispositivo dura menos de 600 horas la ganancia sera entonces de -5,
definimos a la variable X:
X=
600 horas
= 0,6
1000 horas
Y su probabilidad sera entonces de:

Z
0,6
P(X < 0,6) =
ex dx = 0,45
Si el dispositivo dura mas de 600 horas la ganancia sera entonces de 10 y su

probabilidad sera entonces de:
P(X 0,6) = 1 P(X < 0,6) = 1 0,45 = 0,55
La distribucion de probabilidad de G se observa en la Tabla 3.7:

G
P(G)
-5
0.45
103
10
0.55
Tabla 3.7: Distribucion de probabilidad de la Ganancia
4. Sea X una variable aleatoria continua con la siguientes distribucion
6 + k si 0 X 3
f (x) =
0
por otra parte
a) Evaluar k.
b) Hallar P(1 X 2).
Solucion:
a) Otra manera de calcular el valor de k, diferente al caso anterior, es por medio de
a reas, en la Figura 3.6 observamos la grafica de la distribucion de probabilidad
y se trata de un trapecio, el a rea de total de ese trapecio debe ser igual a 1.
f(x)
k + 0.5
bm
k
bn
El a rea del trapecio es:

A=
(bm + bn) h
=1
2
104
Sustituimos y despejamos a k:
( 12 + k + k) 3
1
=1k=
2
12
Por lo tanto tenemos que la distribucion es la siguiente:
x
1
6 + 12 si 0 X 3
f (x) =
0
por otra parte
b) P(1 X 2):
Z
P(1 X 2) =
f (x)dx =
1
!
1
x
1
+
dx =
6 12
3
5. La variable aleatoria continua X esta distribuida as:
ax
0X1
a
1<X2
f (x) =
ax + 3a
2<X3
0
cualquier otro valor
a) Encuentre el valor de la constante a.
b) Determine F(x) y grafiquela. Grafique tambien f (x).
c) Si se hacen 3 observaciones independientes de la variable X, cual es la probabilidad de que exactamente una de ellas sea mayor que 1,5?
Solucion:
a) Calculamos el valor de la constante a igualando a uno, ya que es el a rea total
bajo la curva:
Z
(ax)dx +
0
(a)dx +
(ax + 3a)dx = 1
a=
1
2

2
f (x) =
2 +
0X1
1<X2
3
2
2<X3
cualquier otro valor
b) Calculamos la funcion de distribucion (F(x)):

Para (; 0):
f (x) = 0
F(x) = 0
Para [0 ; 1]:
f (x) =
x
2
Z
F(x) = F(0) +
f (t)dt
0
x
F(x) = 0 +
0
F(x) =
x2
4
f (x) =
1
2
Z
t
dt
2
Para (1 ; 2]:
F(x) = F(1) +
f (t)dt
1
Z x
(1)2
1
F(x) =
+
dt
4
1 2
x 1
F(x) =
2 4
Para (2 ; 3]:
x 3
f (x) = +
2 2
Z x
F(x) = F(2) +
f (t)dt
2
105
106
! Z x
!
1 2 1
t 3
F(x) =
+
+
+ dt
4 2 2
2 2
2
F(x) =
x2 3x 5
+
4
2
4
Para (3 ; +):
f (x) = 0
Z
F(x) = F(3) +
f (t)dt
F(x) =
(3)2 3 3 5
+
4
2
4
F(x) = 1
Por lo tanto tenemos que la funcion de distribucion es:
0
X<0
x2
0X1
x
F(x) =
14
1<X2
x4 + 3x2 45 2 < X 3
1
X>3
c) Calculamos la probabilidad de que una observacion sea mayor que 1,5:
!
Z 3
Z 2 !
Z 3
1
x 3
P(X > 1,5) =
f (x)dx =
dx +
+ dx
2 2
1,5
1,5 2
2
P(X > 1,5) =
1
2
Definimos los siguientes sucesos:

M = mayor que 1,5
m = menor que 1,5
P(exactamente 1 sea mayor que 1,5) = P(Mmm) + P(mMm) + P(mmM)
2
P(exactamente 1 sea mayor que 1,5) = 3 12 21 = 38
Por lo tanto la probabilidad de que de tres muestras una sea mayor que 1,5 es
del 37,5 %.
107
6. El diametro X de cierto cable electrico, es una variable aleatoria continua con densidad f (x) = kx(1 x) para 0 X 1.
a) Obtenga el valor de k.
b) Obtenga F(x).
c) Determine el valor de b tal que P(X < b) = 2P(X > b).
d) Calcule P(X <
1
2
1
3
< X < 23 ).
Solucion:
a) Calculamos el valor de k:
Z
kx(1 x)dx = 1
0
k=6
Por lo tanto tenemos que la funcion de probabilidad es:
f (x) = 6x(1 x)
0X1
b) Calculamos la funcion de distribucion:

Para (; 0):
f (x) = 0
F(x) = 0
Para [0 ; 1]:
f (x) = 6x(1 x)
Z x
F(x) = F(0) +
f (t)dt
0
F(x) = 0 + 6
(x x2 )dt
F(x) = 3x2 2x3
108
Para (1 ; +):
f (x) = 0
Z
F(x) = F(1) +
f (t)dt
F(x) = 3(1)2 2(1)3 = 1

Por lo tanto tenemos que la funcion de distribucion es:
0
X<0
2
F(x) =
3x 2x3 0 X 1
1
X>1
c) P(X < b) = 2P(X > b):
P(X < b) = 2P(X > b)
P(X < b) = 2(1 P(X < b))
P(X < b) = 2 2P(X < b)
3P(X < b) = 2
P(X < b) =
Z
P(X < b) =
2
3
6(x x2 )dx =
2b3 + 3b2
2
3
2
=0
3
Calculamos las raices del polinomio cubico:
b1 = 0,4169
3
2
2b + 3b =
b2 = 0,613
b3 = 1,3039
Como X esta definida en el intervalo (0; 1), el valor de b debe estar en ese
intervalo, por lo que podemos concluir que b = 0,613.

d) Calculamos P(X <
1
2
1
3
109
< X < 23 )
! R 1/2 6(x x2 )dx

2
1 1
1/3
P X < < X <
= R 2/3
= 0,4999
2 3
3
6(x x2 )dx
1/3
7. La variable aleatoria X esta distribuida como indica la Figura 3.7.
f(x)
X
1
Obtenga f (x) y F(x), y cual es la probabilidad de que X sea mayor que 0,5?
Solucion:
Se calcula la distribucion de probabilidad de la variable a partir de la figura, sabemos
que el a rea total de la figura, en este caso el a rea del triangulo, debe ser igual a 1, de
esta manera se calcula la altura del mismo:
base altura
=1
Area
Total =
2
3h
2
= 1 h =
2
3
Una vez obtenida la altura del triangulo se procede a calcular las ecuaciones de las
rectas:

Para (-1;0]:
f (x) =
2X
3
2
3
Para (0;2):
f (x) = X3 +
2
3
Por lo tanto tenemos la distribucion de probabilidad es:
2x
2
3 + 3 1 < X 0
f (x) =
x + 2 0 < X < 2
3
Calculamos la funcion de distribucion (F(x)):

Para ( ; -1];
f (x) = 0
F(x) = 0
Para (-1 ; 0]:
2x 2
+
f (x) =
3
3
!
Z x
2
2
x2 2
1
F(x) = F(1) +
t + dt =
+ x+
3
3 3
3
1 3
Para (0 ; 2):
x 2
f (x) = +
3 3
!
Z x
2
2
x2 2x 1
F(x) = F(0) +
t + dt = +
+
3
3
6
3
3
0
Para [2 ; +):
f (x) = 0
F(x) = F(2) = 1
110
111
x2
2x
1
3 + 3 +3
F(x) =
x6 + 2x3 +
X 1
1 < X 0
1
3
0<X<2
X2
Calculamos la probabilidad P(X > 0,5):

Z
P(X > 0,5) =

0,5
!
x 2
+ dx = 0,3750
3 3
3.3. Distribucion de la Funcion de una Variable Aleatoria

Caso Discreto:
1. La variable aleatoria X esta distribuida como muestra en la Tabla 3.8

X
p(x)
-3
-2
-1
1
16
2
16
3
16
4
16
3
16
2
16
1
16
Tabla 3.8: Distribucion de probabilidad de X
Hallar la distribucion de Y = X 2 1
Solucion:
Se sustituye el valor de X en Y; y se obtiene:
Y(3) = 8
Y(1) = 0
Y(2) = 3
Y(2) = 3
Y(1) = 0
Y(3) = 8
Y(0) = -1

P(Y = 1) = P(X = 0) =
112
4
16
P(Y = 0) = P(X = 1) + P(X = 1) =
3
16
3
16
6
16
P(Y = 3) = P(X = 2) + P(X = 2) =
2
16
2
16
4
16
P(Y = 8) = P(X = 3) + P(X = 3) =
1
16
1
16
2
16
Por lo tanto tenemos que la distribucion de probabilidad de Y es:

Y
g(y)
-1
4
16
6
16
4
16
2
16
Tabla 3.9: Distribucion de probabilidad de Y
2. Una variable aleatoria discreta obedece la siguiente ley:

X
p(x)
-1
1
3
1
2
1
6
Como estan distribuidas las siguientes variables?

a) Y = 3X + 1
b) Z = X 2
Solucion:
a) Para Y = 3X + 1:
Y(1) = -2
Y(0) = 1
Y(1) = 4
P(Y = 2) = P(X = 1) =
P(Y = 1) = P(X = 0) = 12
P(Y = 4) = P(X = 1) = 16
1
3
b) Para Z = X 2 :
Z(1) = 1
Z(0) = 0
Z(1) = 1
P(Z = 2) = P(X = 1) =
P(Z = 0) = P(X = 0) = 12
P(Z = 1) = P(X = 1) = 16
1
3

Y
g(y)
-2
1
3
1
2
1
6
113
Tabla 3.11: Distribucion de probabilidad de Y

Z
p(z)
1
2
1
2
Tabla 3.12: Distribucion de probabilidad de Z

Caso Continuo:
Para el caso de variables aleatorias continuas se utiliza el siguiente Teorema:
Sea X una variable aleatoria continua con funcion de densidad f (x) para a < X < b.
Sea Y = h(x) una funcion continua y monotona de X.
La variable aleatoria Y estara distribuida:
g(y) = f [w(y)] |w0 (y)|
donde w(y) = Y 1 .
La variacion de Y sera < Y < donde y se obtienen calculando h(a) y h(b)
3. La variable aleatoria X esta distribuida f (x) = 2x para 0 < X < 1 y cero para otros
valores de X. Hallar la distribucion de Y = 8x2
Solucion:
Calculamos w(y) y w0 (y):
w(y) = Y
y 13
1 y 3
w (y) =
24 8
Sustituimos en la ecuacion:
g(y) = f [w(y)] |w0 (y)|
g(y) = 2
y 13
8
1 y 3
24 8
114
Calculamos los lmites de variacion de Y:

= h(a) = Y(0) = 0
= h(b) = Y(1) = 8
Por lo tanto tenemos que la distribucion de probabilidad de Y = 8x2 es:
1
1 y 3
12 8
g(y) =
0<Y<8
para otro valor de Y
4. Un proceso para refinar azucar pura produce diariamente hasta una tonelada de
azucar, pero la produccion real (X), es una variable aleatoria debido a descomposturas de la maquinaria y otros retrasos. Suponga que X tiene una distribucion de
probabilidad dada por:
0X1
2x
f (x) =

Obtenga la funcion de utilidad U, en cientos de Bs. F si la compana recibe 300 Bs.
F por cada tonelada de azucar, pero tambien tiene un gasto fijo diario de 100 Bs. F.
Obtenga la distribucion de probabilidad y la funcion de distribucion de la utilidad
diaria.
Solucion:
La ecuacion de utilidad en cientos de de Bs. F es:
U = 3X 1
Calculamos w(u) y w0 (u):
w(u) = U 1 =
U +1
3
w0 (u) =
g(u) = f [w(u)] |w0 (u)|
1
3

!
u+1 1 2
g(u) = 2
= (u + 1)
3
3 9
Los lmites de variacion de U son:
= h(a) = U(0) = 1
= h(b) = U(1) = 2
Por lo tanto tenemos que la distribucion de probabilidad de la utilidad es:
1 U 2
9 (u + 1)
g(u) =
0
para otro valor de U
Calculamos la funcion de distribucion:
Para ( ; -1):
g(u) = 0
G(u) = 0
Para [-1 ; 2]:
2
g(u) = (u + 1)
9
Z u
2
1
G(u) = G(1) +
(t + 1)dt = (u2 + 2u + 1)
9
1 9
Para (2 ; +):
g(u) = 0
G(u) = G(2) = 1
0
U < 1
1 2
G(u) =
(u + 2u + 1) 1 U 2
1
U>2
115
116
5. La variable aleatoria X esta distribuida f (x) = ex para X > 0. Encuentre la densidad

de Y = 2X + 2.
Solucion:
w(y) = Y 1 =
y2
2
w0 (y) =
1
2
g(y) = f [w(y)] |w0 (y)|
y2 1
g(y) = e 2
2
Calculamos los lmites de variacion de Y:
= h(a) = Y(0) = 2
Tenemos que la distribucion de probabilidad de Y es:
2y
Y>2
2e 2
g(y) =
0
para otro valor de Y
6. La distribucion de probabilidad de X esta dado por f (x) = 5(1 x)4 para 0 < X < 1.
Compruebe que si Y = F(x), su distribucion sera uniforme en el intervalo unitario,
es decir, que g(y) = 1 para Y perteneciente al intervalo (0;1).
Solucion:
Calculamos Y:
Y = F(x) =
5(1 t)4 dt = 1 (1 x)5
w(y) = Y
= 1 (1 y)
1
5
(1 y) 5
w (y) =
5
0
117
g(y) = f [w(y)] |w0 (y)|
h
i4
(1 y) 5
g(y) = 5 1 (1 (1 y) )
=1
5
1
5
Por lo tanto comprobamos que g(y) = 1 para Y perteneciente al intervalo (0;1).

7. La variable aleatoria X esta distribuida f (x) = 1/15 para 5 < X < 10.
Si Y = 3X 2 , encuentre la densidad de Y.
Solucion:
Graficamos f (x) y se obtiene la Figura 3.8, y la grafica de Y la podemos ver en la
Figura ??.
f(x)
1/15
10
Figura 3.8: Distribucion de Probabilidad de X
Segun el Teorema presentado en esta seccion, la funcion Y debe ser monotona, para
este caso y como observamos en la Figura 3.9 se trata de una parabola, por tal motivo
se debe dividir la curva en dos secciones, una parte decrediente y la otra creciente,
por tal motivo se debe trabajar con dos w(y), segun los valors de X.
118
Y
300
75
10
Figura 3.9: Y = 3X 2
Y = h1 (x) = 3X 2 para 5 < X < 0

1
w1 (y) = 3y 2
1
w01 (y) = 16 3y 2
Y = h2 (x) = 3X 2 para 0 < X < 10
1
w2 (y) = 3y 2
1
w02 (y) = 16 3y 2
Calculamos g(y) segun el valor de Y.
Para Y [0;75] si X (-5;0] o (0;5]:
g(y) = f [w1 (y)] |w01 (y)| + f [w2 (y)] |w02 (y)|

1
1
1
1 1 y 2 1 1 y 2
1 y 2

g(y) =
+
=

15 6 3 15 6 3 45 3
Para Y (75;300) si X (5;10):
g(y) = f [w2 (y)] |w02 (y)|

1
1
1 1 y 2
1 y 2
g(y) =

=
15 6 3 90 3
119
Por lo tanto tenemos que la distribucion de probabilidad de Y es:
g(y) =
1
45
1
90
y 12
3
0 Y 75
75 < Y < 300
y 12
8. La variable aleatoria X esta distribuida como indica la Figura 3.10. Encuentre la

densidad de Y = 2X 2 .
f(x)
0.5
0.5
Figura 3.10: Distribucion de Probabilidad de X
Solucion:
Para calcular la distribucion de Y se necesita primero f (x), para ello se calcula las
ecuaciones que rigen cierta distribucion a partir de la Figura ??.
Para calcular las ecuaciones se necesita la altura del triangulo; sabemos que el a rea
total bajo la curva (para este ejercicio un triangulo) debe ser igual a 1, por lo que
tenemos:
Area
del triangulo = 1
base altura 2 h
=
=1
2
2
h=1
120
Por lo tanto tenemos que la distribucion de probabilidad de X es:
x + 1 1 < X 0
f (x) =
x + 1 0 < X < 1
Graficamos Y = 2X 2 (Figura 3.11) y observamos que no es monotona, por lo que
dividimos la funcion en dos partes:
Y
2
0.5
0.5
Figura 3.11: Y = 2X 2
Calculamos w(y) y w0 (y).

Y = h1 (x) = 2X 2 para 1 < X < 0
1
w1 (y) = 2y 2
1
w01 (y) = 14 2y 2
Y = h2 (x) = 2X 2 para 0 < X < 1
1
w2 (y) = 2y 2
1
w02 (y) = 14 2y 2
Calculamos g(y):
Para Y [0;75] si X (-5;0] o (0;5]:
121
g(y) = f [w1 (y)] |w01 (y)| + f [w2 (y)] |w02 (y)|

!
! 1
1
y 12
y 12
1 y 2
1 y 2
+ 1
+ 1
g(y) =
+

4 2
2
4 2
2
1
1 1 y 2
g(y) = +
2 2 2
Tenemos que la distribucion de probabilidad de Y es:
1
1 y 2
2 2
g(y) =
1
2
0Y2
9. La variable aleatoria X esta distribuida f (x) =
1
2
para 1 < X < 1. Encuentre y
dibuje la distribucion de probabilidad de Y = e x y de Z = 2X 2 + 1.

Solucion:
a) Para Y = e x :
La grafica de f (x) la podemos ver en la Figura 3.12 y la grafica de Y en la Figura
3.13:
f(x)
0.5
0.5
0.5
Figura 3.12: Distribucion de probabilidad de X
0.5
0.5
Figura 3.13: Y = e x
w(y) = ln Y
w0 (y) =
1
y

g(y) = f (w(y)) |w0 (y)|

1 1
1
g(y) = =
2 y
2y
Los lmites de variacion de Y son:
= Y(1) = e1
= Y(1) = e1
Por lo tanto tenemos que la distribucion de probabilidad g(y) es:
e1 < Y < e
2y
g(y) =

La grafica de g(y) la podemos ver en la Figura 3.14
122
123
g(y)
1.4
1.2
1
0.8
0.6
0.4
0.2
0
0.3
0.6
0.9
1.2
1.5
1.8
2.1
2.4
2.7
Figura 3.14: Distribucion de probabilidad de Y

b) Para Z = 2X 2 + 1:
La grafica de f (x) es la misma mostrada en la Figura 3.12, ahora graficamos Z
(Figura 3.15):
0.5
0.5
Figura 3.15: Z = 2X 2 + 1
Ahora calculamos w(z) y w0 (z):
124
Para Z = h1 (x) = 2X 2 + 1 para 1 < X < 0:

12
w1 (z) = z1
2
1
1 z1 2
0
w1 (z) = 4 2
Para Z = h2 (x) = 2X 2 + 1 para 0 < X < 1:
12
w2 (z) = z1
2
1
1 z1 2
0
w2 (z) = 4 2
g(z) = f (w1 (y)) |w01 (y)| + f (w2 (y)) |w02 (y)|

! 12
! 12
! 1

1 1 z 1 1 1 z 1 1 z 1 2
+
=
g(z) =
2 4 2
2 4 2
4 2
Por lo tanto tenemos la distribucion de probabilidad g(z) y su grafica son:
1
1 z1 2
1<Z<3
4 2
g(z) =
0
g(z)
0.5
0.5
1.5
2.5
Figura 3.16: Distribucion de probabilidad de Z
10. Dada la distribucion de probabilidad f (x) = 2x para 0 < X < 1. Encuentre la densidad de Y = (3X 1)2 .
125
Solucion:
f(x)
Graficamos f (x) (Figura 3.17) y Y (Figura 3.18).
1.5
0.5
0.5
3.5
3
2.5
2
1.5
1
0.5
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
Figura 3.18: Y = (3X 1)2

Para Y = h1 (x) = (3X 1)2 para 0 < X < 13 :
w1 (y) =
y+1
3
w01 (y) = 16 (y) 2
0.9

Para Y = h2 (x) = (3X 1)2 para
w2 (y) =
1
3
126
< X < 12 :
y+1
3
1
w02 (y) = 16 (y) 2

Caculamos la distribucion de probabilidad:
i
i
Para Y (0;1) si X 0; 13 o 31 ; 22 :
g(y) = f [w1 (y)] |w01 (y)| + f [w2 (y)] |w02 (y)|
!
!

y + 1 1 1
y + 1 1 1
g(y) = 2
(y) 2 + 2
(y) 2
3
6
3
6
g(y) =
Para Y [1;4) si X
2
;1
3
9 y

:
g(y) = f [w2 (y)] |w02 (y)|

!

y + 1 1 1
g(y) = 2
(y) 2
3
6
1
(y) 2 + 1
g(y) =
9
Por lo tanto tenemos que la distribucion de probabilidad g(y) es:
g(y) =
2
9 y
12
(y)
0<Y<1
+1
1Y<4
11. Supongase que el radio de una esfera es una variable aleatoria con distribucion f (r) =
6r(1 r) para 0 < r < 1. Diga como se distribuyen el volumen y la superficie de la
esfera.
Solucion:
127
a) Volumen de la esfera:
La grafica de la distribucion de probabilidad ( f (r) = 6r(1 r)) la podemos
observar en la Figura 3.19, ademas tenemos que la ecuacion del volumen de la
esfera y su grafica (Figura 3.20) son:
V=
4r3
3
1.4
1.2
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
Figura 3.19: Distribucion de probabilidad del radio
4
3.5
3
2.5
2
1.5
1
0.5
0
0.2
0.4
0.6
0.8
Figura 3.20: Volumen

Calculamos w(v) y w0 (v):
3V
w(v) =
4
g(v) = 6
! 13
128
1 3V
w (v) =
4 4
0
! 23
g(v) = f [w(v)] |w0 (v)|

!1
! 1
! 2
3V 3
3V 3 1 3 3
1

4
4 4 4
! 1
3 3V 3
g(v) =
1
4 4
Por lo tanto tenemos que la densidad del volumen de la esfera es:
g(v) =
3
4
1
3
3V
4

1
0<V<
4
3
b) Superficie de la esfera:
La ecuacion del a rea de la esfera y su grafica (Figura 3.21) son:
a = 4r2
12
10
8
6
4
2
0
0.2
0.4
0.6
Figura 3.21: Area
0.8
129
Calculamos w(a) y w0 (a):

a 12
w(a) =
4
1 a 2
w (a) =
8 4
g(a) = f [w(a)] |w0 (a)|

" 1
a 12 !# 1 a 21
a 2

g(a) = 6
1

8 4
4
4
a 12 !
3
1
g(a) =
4
4
Por lo tanto tenemos que la funcion de densidad del a rea de la esfera es:

12
a
3
0 < A < 4
4 1 4
g(a) =
0
12. La variable aleatoria continua X esta distribuida como indica la Figura 3.22. Compruebe que si:
Y = F(x),
entonces
g(y) = 1
para
0<Y<1
f(x)
Solucion:
130
Calculamos la altura del triangulo, igualando el a rea del triangulo a 1:

base altura
=1
2
>
h=1
Por lo tanto la funcion de densidad de X es:

f (x) =
1
X1
2
Calculamos la funcion de distribucion (F(x)) que sera Y:

!
Z x
1
1
Y = F(x) =
t 1 dt = (x 2)2
2
4
2
w(y) = 2 y + 2
1
w0 (y) = (y) 2
Calculamos g(y):
g(y) = f [w(y)] |w0 (y)|
#
"

1
1
2 y + 2 1 (y) 2 = 1
g(y) =
2
Buscamos los lmites de variacion de y:
= h(2) = 0
= h(4) = 1
g(y) = 1
para 0 < Y < 1
3.4. Valores Esperados

La Esperanza Matematica (E(x)) de una variable aleatoria X da un valor que es representativo o promedio de los valores de X, y se define como:
131
a. Sea X una variable aleatoria discreta distribuida p(x). El valor esperado de X es:
E(x) =
xp(x)
b. Sea X una variable aleatoria continua con densidad f (x). El valor esperado de X es:
Z
E(x) =
x f (x)dx
EJERCICIOS
1. Se tiran 2 dados. Sea X el mayor de los numero que aparecen, es decir, X(a, b) =
max(a, b); y sea Y la suma de los numeros que salen, es decir, Y(a, b) = a + b.
Calcular E(x) y E(y).
Solucion:
a) Calculamos E(x):
El espacio muestral para el caso en que X(a, b) = max(a, b) se muestra en las
Tablas 3.13 y 3.14:
1
2
3
4
5
6
1
1
2
3
4
5
6
2
2
2
3
4
5
6
3
3
3
3
4
5
6
4
4
4
4
4
5
6
5
5
5
5
5
5
6
6
6
6
6
6
6
6
Tabla 3.13: Mayor numero en el lanzamiento de dos dados
Numero
Frecuencia
1
1
2
3
3
5
4
7
Tabla 3.14: Frecuencia
5
9
6
11
E(x) = 1
132
1
3
5
7
9
11
+2
+3
+4
+5
+6
= 4,472
36
36
36
36
36
36
Se espera que el maximo valor obtenido en el lanzamiento de dos dados sea

4,472.
b) Calculamos E(y):
El espacio muestral de Y(a, b) = a + b se muestra en las Tablas 3.15 y 3.16:
1
2
3
4
5
6
1
2
3
4
5
6
7
2
3
4
5
6
7
8
3 4
4 5
5 6
6 7
7 8
8 9
9 10
5
6
7
8
9
10
11
6
7
8
9
10
11
12
Tabla 3.15: Suma de los numeros en el lanzamiento de dos dados
Numero
Frecuencia
2
1
3
2
4
3
5
4
6
5
7
6
8
5
9
4
10
3
11
2
12
1
Tabla 3.16: Frecuencia
E(y) = 2
1
2
3
4
5
6
5
4
3
2
1
+3 +4 +5 +6 +7 +8 +9 +10 +11 +12
36
36
36
36
36
36
36
36
36
36
36
E(y) = 7
Se esperar que al lanzar dos dados la suma sea 7.
2. Se lanza un dado equilibrado. Si sale el 2, 3 o 5, el jugador gana ese numero en Bs.
F , pero si sale el 1, 4 o 6, pierde ese numero en Bs. F. Calcule el valor esperado del
juego.
Solucion:

X
p(x)
-1
-4
-6
1
6
1
6
1
6
1
6
1
6
1
6
133
Establecemos la distribucion de probabilidad para X = ganancia del jugador, en la

Tabla 3.17
E(x) = 1
1
1
1
1
1
1
1
+2 +3 4 +5 6 =
6
6
6
6
6
6
6
Como la esperanza es negativa, se espera que el jugador pierda dinero en ese juego.
3. Si X esta distribuida f (x) = 2X para 0 < X < 1, encuentre la esperanza de Y = 3X.
Solucion:
Z
E(x) =
x f (x)dx
2
3
0
2
E(y) = E(3X) = 3E(x) = 3 = 2
3
E(x) =
(X 2X)dx =
4. La funcion de densidad de una variable aleatoria X esta dada por:
0<X<2
2
f (x) =

Calcular E(x) y E(3x2 2x).
Solucion:
Calculamos E(x) :
E(x) =
0
4
x
x dx =
2
3
Calculamos E(3x2 2x):

Z
E(3x 2x) =
0
10
x
(3x2 2x) dx =
2
3
134
5. Una rifa vende 1000 tickets y ofrece los siguientes premios: 4 primeros premios de
200000 Bs. F; 10 segundos premios de 100000 Bs. F y 20 terceros premios de 10000
Bs. F. Una persona que compra un ticket, cuanto debe pagar por el si se considera
que este es un juego justo?
Solucion:
Denotamos el precio del ticket con X y establecemos la distribucion de probabilidad
de la ganancia en la Tabla 3.18:
g
p(g)
200000 X
100000 X
10000 X
4
1000
10
1000
20
1000
966
1000
Tabla 3.18: Distribucion de probabilidad de la ganancia
Para que el juego sea justo la esperanza de la ganancia debe ser igual a cero, esto es
debido a que no debe existir ningun sesgo ni para los vendedores de la rifa, ni para
que los que la compran, por lo tanto tenemos que:
E(g) = 0
10
20
4
+ (100000 X)
+ (10000 X)
=0
1000
1000
1000
4X
10X
20X 966X
800
+ 1000
+ 200
=0
1000
1000
1000 1000
E(g) = (200000 X)
Despejamos a X y tenemos que:

X = 2000
Para que el juego sea justo, la persona debe pagar 2000 Bs. F por el ticket.
6. En una caja hay a bolas blancas y b bolas negras. Se saca al azar una bola de la caja
cual es el numero esperado de bolas blancas que quedan en la caja?
Solucion:
Definimos la varible alatoria X como el numero de bolas blancas que quedan en la
caja, y su distribucion de probabilidad se representa en la Tabla 3.19:

X
p(x)
a1
b
a+b
a
a+b
135
E(x) = a
b
a
+ (a 1)
a+b
a+b
E(x) =
a2 + ab a
a+b
7. Un blanco circular esta dividido en 3 zonas concentricas de radios 1, 2 y 3, como

se muestra en la Figura 3.23. Si al lanzar un dardo contra el blanco usted pega en la
zona i (i = 1,2,3), obtendra esa misma cantidad en Bs. F.
1
2
3
Figura 3.23: Circulos concentricos
Si usted realiza un disparo en forma aleatoria, cual es su ganancia esperada?

Solucion:
La ganancia del juego segun la zona es que acierte se puede establecer de la siguiente
manera:
Cae en la Zona 1 = 1 Bs. F
136

Calculamos la probabilidades de las ganancias basandonos en el a rea de las zonas:
P(cae zona 1) =
A(zona 1) A(zona 2)
P(cae zona 2) =
A(total)
A(zona 2) A(zona 1)
A(total)
A(zona 3)
P(cae zona 3) =
A(total)
(3)2 (2)2 5
=
(3)2
9
(2)2 3
=
(3)2
9
1
=
(3)2 9
Entonces tenemos que la distribucion de probabilidad de la ganancia se muestra en

la Tabla 3.20:
G
p(g)
5
9
3
9
1
9
Tabla 3.20: Distribucion de probabilidad de G
E(g) = 1
5
3
1 14
+2 +3 =
9
9
9
9
Se espera que con ese juego, la persona gane 1,556 Bs. F.

8. El fabricante de cierto componente electronico sabe que la duracion de su producto
(medida en unidades de 1000 horas), es una variable aleatoria cuya distribucion es:
f (x) = 2e2X
paraX > 0
El costo de fabricacion es de Bs. F 20 y el precio de venta es de Bs. F 50. El fabricante

garantiza al comprador que si el artculo le dura funcionando menos de h horas, le
dovolvera el dinero.
137
Si el fabricante quiere ganarle en promedio 10 Bs. F a cada artculo que venda, cual
debera ser el valor de h?
Solucion:
Graficamos la funcion f (x)
f(x)
La probabilidad de que el componente electronico dure menos de h horas y mas de h

horas son:
P(X h) =
2e2X dx = 1 e2h
P(X > h) = 1 P(X h) = 1 (1 e2h ) = e2h

Por lo tanto la distribucion de probabilidad de la ganancia (g) es:
g
p(g)
-20
1 e2h
30
e2h
Tabla 3.21: Distribucion de probabilidad de g
Si el fabricante quiere ganarle en promedio 10 Bs. F a cada artculo entonces:

E(g) = 10
138
E(g) = 20(1 e2h ) + 30(e2h ) = 10

h = 0,2554
Si la variable viene expresada en miles de horas, entonces el vendedor debe ofertar
sus productos con un h = 255, 4 horas.
3.5. Momentos de una Ley de Probabilidad

Los momentos de una distribucion de probabilidad son los valores esperados de las
potencias de la variable que tiene esa distribucion.
EJERCICIOS
1. Sea X una variable aleatoria con distribucion f (x). El momento r-esimo Mr de X se

define por:
Mr = E(xr ) =
Xir f (xi )
Hallar los 5 primeros momentos de X, si X tiene la siguiente distribucion:

X
f (x)
-2
1
2
1
4
1
4
Solucion:
Momento 1: Media
M1 = E(x) =
M1 = (2)
xi f (xi )
1
1
1
+ (1) + (3) = 0
2
4
4
139
Momento 2: Varianza
M2 = E(x2 ) =
xi2 f (xi )
1
1
1
+ (1)2 + (3)2 = 4,5
2
4
4
M2 = (2)2
Momento 3:
M3 = E(x3 ) =
M3 = (2)3
xi3 f (xi )
1
1
1
+ (1)3 + (3)3 = 3
2
4
4
Momento 4:
M4 = E(x4 ) =
M4 = (2)4
xi4 f (xi )
1
1
1
+ (1)4 + (3)4 = 28,5
2
4
4
Momento 5:
M5 = E(x5 ) =
M5 = (2)5
xi5 f (xi )
1
1
1
+ (1)5 + (3)5 = 45
2
4
4
2. Una variable aleatoria continua X tiene densidad:
2X
X>0
2e
f (x) =
0
X0
Encuentre la media, la varianza y la desviacion estandar.
Solucion:
Para calcular la Media de una variable aleatoria continua, debemos calcular el primer
momento, es decir, E(x):
Z
E(x) =
x f (x)dx =
x2e2X dx =
1
2
La Varianza es igual al segundo momento menos el primer momento elevado al

cuadrado:
V(x) = E(x2 ) [E(x)]2
E(x ) =
x2 2e2X dx =
140
1
2
" #2
1
1
1
V(x) =
=
2
2
4
Como sabemos la Desviacion Estandar, es la raz cubica de la varianza:
r
p
1 1
= V(x) =
=
4 2
3. Sea X una variable aleatoria cuya funcion de densidad es:
x
0X1
f (x) =
2x 1< X 2
0
en otro caso
Encontrar la Media y la Varianza.
Solucion:
Z
E(x) =
x dx +
x(2 x)dx = 1
Z
E(x ) =
x dx +
0
x2 (2 x)dx =
V(x) = E(x2 ) [E(x)]2 =
7
1
1=
6
6
4. Demuestre que:
E[(x )2 ] = E(x2 ) [E(x)]2
7
6
141
Solucion:
E[(x )2 ] = E(x2 2x + 2 )
= E(x2 ) 2E(x) + 2
= E(x2 ) 22 + 2
= E(x2 ) 2
= E(x2 ) [E(x)]2
5. La variable aleatoria X esta distribuida como muestra la Figura 3.25. Obtenga la
media y la varianza de X.
f(x)
Solucion:
Calculamos la ecuacion de f (x) siendo la altura h =
1
2
(segun el a rea total bajo la
curva):
x 3
f (x) = +
8 8
; para 1 < X < 3
!
x 3
1
E(x) =
x + dx =
8 8
3
1
Z
142
!
x 3
E(x ) =
x + dx = 1
8 8
1
Z
1
V(x) = 1
3
!2
=
8
9

1. Suponga una caja que contiene 10 bolas rojas y 5 bolas blancas. Retiramos al azar 3
bolas sin reemplazo. Defina X como el numero de bolas rojas. Obtenga la distribucion
de probabilidad y la funcion de distribucion de X.
2. La funcion de distribucion F(x) de una variable aleatoria X viene dada por:
0
X < 1
1 2
F(x) =
+ 3 (x + 1)2 1 X 0
1
X>0
Obtenga las siguientes probabilidades:

a) P X > 13
b) P(|X| 1)
3. El tiempo T (en minutos) que realiza cierta maquina un proceso cualquiera, es una
variable aleatoria con la siguiente distribucion de probabilidad:
T
p(t)
1
10
1
10
3
10
2
10
2
10
1
10
Tabla 3.23: Distribucion de probabilidad de T
a) Calcule el tiempo medio de proceso y su desviacion estandar.
143
b) Por cada unidad procesada por la maquina, la empresa gana 4 Bs. F fijo y si
se procesa una unidad en menos de 6 minutos gana 1 Bs. F por cada minuto
ahorrado.
Encuentre la distribucion de la variable aleatoria G (cantidad ganada por
unidad) y su esperanza.
4. Determine el valor de c de modo que cada una de las siguientes funciones sirva como
distribucion de probabilidad de la variable aleatoria discreta X.
a) p(x) = c(x2 + 4) para X = 0, 1, 2, 3
3
b) p(x) = c 2x 3x
para X = 0, 1, 2
Calcule F(x) para a) y b) y grafique.
5. La variable aleatoria X esta distribuida f (x) = X + 2 para 2 < X < 5. Si Y = 2X 2 ,
encuentre la densidad de Y.
6. Suponga que una empresa de procesamiento de datos esta tan especializada que algunos tienen dificultades para obtener utilidades en el primer ano. La distribucion de
probabilidad que caracteriza la proporcion X que obtiene utilidades esta dada por:
4
3
0X1
kx (1 x)
f (x) =
0
en otro punto
a) Cual es el valor de k que hace que f (x) sea valida?
b) Encuentre la probabilidad de que al menos el 50 % de las empresas tenga utilidades durante el primer ano.
c) Encuentre la probabilidad de que como maximo el 20 % de las empresas no
tenga utilidades durante el primer ano.
7. Considere la variable aleatoria X con distribucion de probabilidad:
f (x) =
1
1
ln(2) x
para 25 X 50
144
Calcule la funcion de distribucion y la varianza.

8. Suponga que X esta distribuida:
f (x) = x2
para
2<X<1
Determine la distribucion de probabilidad de: Y = 4 2x2

9. Las maquinas tejedoras en una fabrica de elastico usan un rayo laser para detectar los
hilos rotos. Cuando se rompe un hilo, es necesario detener la maquina y el tecnico
debe localizar y reparar el hilo roto. Suponga que la distribucion de probabilidad de
X (numero de veces que se detiene en cada da una maquina especfica), esta dada
por:
6 2|x 3|
20
4 |x 3|
f (x) =
20
f (x) =
para x = 1, 2, 3, 4, 5
para x = 0 o 6
a) Calcule la distribucion de probabilidad y la funcion de distribucion de X.

b) Si X < 0, cual es el valor de F(x)?
c) Si X > 6, cual es el valor de F(x)?
Captulo 4
Distribuciones Clasicas Discretas y
Continuas
Como se dijo en el captulo anterior, la distribucion de probabilidad f (x) es la funcion
que asigna a cada evento de X una probabilidad.
En tal sentido, en el mundo existen varias distribuciones de probabilidad que son ampliamente conocidas y utilizadas, es por esto que se les denomina Distribuciones Clasicas,
y su objetivo principal es construir un modelo simplificado de la realidad (donde exista
incertidumbre), que servira como ayuda en la toma de decisiones.
En este captulo se estudiaran las distribuciones de variables aleatorias discretas, tales
como: La Distribucion Binomial, la Poisson, la Pascal, la Geometrica, la Hipergeometrica
y la Multinomial.
Dentro de las continuas principales veremos: la Distribucion Uniforme, la Exponencial
y la Normal.
145

CAPITULO 4. DISTRIBUCIONES CLASICAS
DISCRETAS Y CONTINUAS
146
4.1. Distribuciones Clasicas Discretas

4.1.1. Distribucion Binomial
El Experimento Binomial se basa en la repeticion sucesiva de un mismo experimento de
Bernoulli, independientes todos entre si, y que solo tiene dos posibles resultados: EXITO
o FRACASO.
La distribucion se denota por: X B(n; p), donde la variable aleatoria X representa el
numero de e xitos en n ensayos de un experimento binomial.
La distribucion de probabilidad esta dada por:
!
n x
P(X = x) =
p (1 p)nx
x
con
x = 0, 1, 2, . . .
Las propiedades de la Distribucion Binomial son:
Media o numero esperado de e xitos:

=n p
Varianza:
2 = n p (1 p)
2 = n p q
Desviacion Estandar:
= n pq
En la Figura 4.1 se muestra graficamente varias distribuciones binomiales, para un n fijo

y varias probabilidades de e xito (p), y observamos que la funcion se hace mas simetrica a
medida que se incremente p de 0 a 0,5 y se decremente cuando p se mueve de 0,5 a 1.

147
0.4
p(x)
n = 15 ; p = 0.1
0.2
12
15
x
0.2
p(x)
n = 15 ; p = 0.5
0.1
12
15
x
0.4
p(x)
n = 15 ; p = 0.9
0.2
12
15
Figura 4.1: Distribucion Binomial
EJERCICIOS
1. Cual es la probabilidad de obtener exactamente 2 caras en 6 lanzamientos de una

moneda balanceada? y cual es la probabilidad de obtener exactamente 3 caras?
Solucion:

148
Definimos los parametros y las variables:
n = 6
X B(6; 0,5)
x = 2
p = 12
!
6
P(X = 2) =
(0,5)2 (0,5)4 = 0,2343
2
La probabilidad de obtener exactamente 2 caras en 6 lanzamientos es del 23,43 %.
!
6
P(X = 3) =
(0,5)3 (0,5)3 = 0,3125
3
La probabilidad de obtener exactamente 3 caras es del 31,25 %.
2. Al lanzar un dado, se gana si sale el 1. Si se lanza el dado 5 veces. cual es la
probabilidad de obtener 3 unos?
Solucion:
n = 5
X B 5;
x = 3
p = 1
6
5
P(X = 3) =
3
1
6
!3
5
6
!2
= 0,0322
3. En un juego de lanzamiento de dardos, la probabilidad de que Pedro de en el blanco

es p = 14 . Si tira 6 veces, hallar la probabilidad de que de en el blanco:
a) Exactamente 2 veces.
b) Mas de 4 veces.
c) Al menos 1 vez.
Solucion:

149
a) Exactamente 2 veces:
n = 6
X B 6;
x = 2
p = 4
! !2 !4
3
6 1
= 0,2966
P(X = 2) =
4
2 4
b) Mas de 4 veces:
X B 6;
x = 5, 6
p = 4
n = 6
P(X > 4) = P(X = 5) + P(X = 6)

! !6 0 !
! !5 !
3
6 1
3
6 1
+
= 0,0046
P(X > 4) =
4
6 4
4
5 4
c) Al menos 1 vez:
X B 6;
x = 1, 2, 3, 4, 5, 6
p = 4
n = 6
P(X 1) = 1 P(X < 1) = 1 P(X = 0)

! !0 !6
6 1
3
P(X 1) = 1
= 0,820
0 4
4
4. La probabilidad de que Luis de en el blanco es de p = 34 . Si tira 100 veces, hallar el
numero esperado de veces que dara en el blanco y la desviacion estandar .
Solucion:
n = 100
3
X B 100;
3
4
p =
4

= n p = 100
3
= 75
4
Se espera que de 75 veces en el blanco.

=
r
n pq=
100
31
= 4,33
44
5. De 200 familias con 4 hijos cada una, cuantos esperara encontrar:

a) Con al menos 1 nino
b) Con 2 ninos
c) 1 o 2 ninas
d) No ninas
Solucion:
a) Con al menos 1 nino:
Definimos la variable aleatoria binomial X = sea nino
n = 4
X B 4;
x = 1, 2, 3, 4
p = 1
2
P(X 1) = 1 P(X < 1) = 1 P(X = 0)

! !0 !4
4 1
1
= 0,9375
P(X 1) = 1
0 2
2
= 2000 0,9375 = 1875

Se espera encontrar 1875 familias con al menos 1 nino de los 4 hijos.
150

b) Con 2 ninos:
n = 4
X B 4;
x = 2
p = 2
4
P(X = 2) =
2
1
2
!2
1
2
!2
= 0,375
= 2000 0,375 = 750

Se espera encontrar 750 familias que tengan exactamente 2 ninos.
c) 1 o 2 ninas:
X B 4;
x = 2, 3
p = 2
n = 4
P(2 X 3) = P(X = 2) + P(X = 3)

! !2 !2
! !3 !
4 1
1
4 1
1
P(2 X 3) =
+
= 0,625
2 2
2
3 2
2
= 2000 0,625 = 1250

Se espera encontrar 1250 familias con 1 o 2 ninas.
d) No ninas:
n = 4
X B 4;
x = 4
p = 1
2
! !4 !0
4 1
1
P(X = 4) =
= 0,0625
4 2
2
151

152
= 2000 0,0625 = 125

Se espera encontrar 125 familias con todos sus hijos varones.
6. Sea X una variable Binomial con p = 0,4 y n = 20. Encuentre el mayor valor de b tal
que P(X > b) > 0,2 y P(X > b) > 0,8.
Solucion:
Para P(X > b) > 0,2:
P(X > b) > 0,2
1 P(X b) > 0,2
P(X b) > 0,2 1
P(X b) > 0,8
P(X b) < 0,8
Con b = 9:
F(9) = 0,7553
Con b = 10:
F(10) = 0,8725
Por lo tanto b = 9, ya que se cumple que sea menor que 0,8.
Para P(X > b) > 0,8:
P(X > b) > 0,8
1 P(X b) > 0,8
P(X b) > 0,8 1
P(X b) > 0,2
P(X b) < 0,2

153
Con b = 5:
F(9) = 0,1256
Con b = 6:
F(10) = 0,25
Por lo tanto b = 5, ya que se cumple que sea menor que 0,2.
4.1.2. Distribucion de Poisson

La Distribucion de Poisson es la distribucion de probabilidad de una variable aleatoria
X que representa el numero de veces que ocurre un evento en una unidad de tiempo, a rea,
volumen, etcetera. Se representa por X P() y viene dada por:
P(X = x) =
e x
x!
para x = 0, 1, 2, . . . y > 0
Las propiedades de la Distribucion de Poisson son:
Media:
E(x) =
Varianza1 :
V(x) =
La Distribucion de Poisson puede derivarse como una forma lmite de la Distribucion

Binomial. Es decir, en la distribucion binomial, si n es grande mientras que p es cercana a
cero, el evento recibe el nombre de evento raro. En tal sentido, se considera un evento raro
si n 50, mientras que np es menor que 5; por lo que la Binomial se aproxima bastante a
la Distibucion de Poisson.
En la Figura 4.2 se observa la distribucion de poisson para diferentes valores de :
1
Esta distribucion es la u nica donde su media es igual a su varianza

p(x)
0.4
154
P(2)
0.2
10
15
10
15
10
15
p(x)
0.2
P(8)
0.1
5
X
p(x)
0.1
P(16)
0.05
5
X
Figura 4.2: Distribucion de Poisson
EJERCICIOS
1. A la caja de un supermercado llegan en promedio 2 clientes por minuto. Calcular la
probabilidad de que:
a) No lleguen clientes en un minuto.
b) Llegue mas de un cliente en un minuto.
c) Lleguen 5 clientes en 2 minutos.

155
Solucion:
a) No lleguen clientes en un minuto:
Definimos los parametros:
X = numero de clientes que llegan a la caja en un minuto.
= numero de ocurrencias del fenomeno poissoniano por unidad de tiempo.
x = 0
X P(2)
= 2
P(X = 0) =
e2 (2)0
= 0,1353
0!
La probabilidad de que no lleguen clientes en un minuto es del 13,53 %.

b) Llegue mas de un cliente en un minuto:
x = 2, 3, 4, . . .
X P(2)
= 2
P(X > 1) = 1 P(X 1) = 1 P(X = 0) P(X = 1)

P(X > 1) =
e2 (2)0 e2 (2)1
+
= 0,594
0!
1!
c) Lleguen 5 clientes en 2 minutos:

Definimos el nuevo para un tiempo de 2 minutos:
=22=4
e4 (4)5
P(X = 5) =
= 0,1563
5!
2. En una fabrica de calzado se producen 7 accidentes en 35 das de trabajo. Si esta
situacion se mantiene, calcular la probabilidad de que:
a) En un da cualquiera no se produzcan accidentes.

156
b) Se produzcan 2 accidentes en 3 das de trabajo.

c) Se produzcan como maximo 3 accidentes en 7 das de trabajo.
Solucion:
a) En un da cualquiera no se produzcan accidentes:
Calculamos :
7 accidentes
= 0,2 accid / da
35 das
= 1 0,2 = 0,2
X P(0,2)
Buscamos en la tabla de la Distribucion de Poisson y obtenemos la probabilidad:
P(X = 0) = 0,8187
b) Se produzcan 2 accidentes en 3 das de trabajo:
= 3 0,2 = 0,6
X P(0,6)
Buscamos en la tabla:
P(X = 2) = 0,0988
c) Se produzcan como maximo 3 accidentes en 7 das de trabajo:
= 7 0,2 = 1,4
X P(1,4)
Buscamos en la tabla de la Distribucion de Poisson:
P(X 3) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3)
P(X 3) = 0,2466 + 0,3452 + 0,2417 + 0,1128 = 0,9463

157
3. Un libro de 520 paginas contiene 390 errores tipograficos. Suponiendo que el numero
de errores por pagina es una variable de Poisson, encuentre la probabilidad de que 4
paginas seleccionadas al azar esten libres de errores.
Solucion:
Definimos la variable aleatoria X:
X = numero de errores por pagina
390 errores
= 0,75 errores / pag.
520 paginas
= 4 0,75 = 3
X P(3)
P(X = 0) =
e3 (3)0
= 0,0498
0!
4. Un libro de 200 paginas contiene 30 errores de imprenta. Si suponemos que el

numero de errores por pagina es una variable de Poisson.
Cual es la probabilidad de que por lo menos una pagina contenga mas de 2 errores?
Solucion:
Primero calculamos la probabilidad de que por lo menos una pagina contenga mas
de 2 errores:
P(1 pagina tenga 2 o menos errores) = P(X = 0) + P(X = 1) + P(X = 2)
P(1 pag. tenga 2 o menos errores) =
e0,15 (0,15)0 e0,15 (0,15) e0,15 (0,15)2

+
+
0!
1!
2!
P(1 pag. tenga 2 o menos errores) = 0,99949714
P(todas las pags. contiene 2 o menos errores) = (0,99949714)200 = 0,90429712
P(todas las pags. contienen mas de 2 errores) = 1 0,90429712 = 0,09570288

158
5. El 10 % de las herramientas producidas en cierto proceso de fabricacion son defectuosas. Encuentre a probabilidad de que en una muestra de 10 herramientas, seleccionadas al azar, exactamente 2 sean defectuosas usando:
a) La Distribucion Binomial
b) La aproximacion de Poisson a la Binomial
Solucion:
a) Por la Binomial:
n = 10
X B(10; 0,1)
x = 2
p = 0,1
!
10
P(X = 2) =
(0,1)2 (0,9)8 = 0,1937
2
b) Por Poisson:
X P(1)
= 10 0,1 = 1
= n p
P(X = 2) = 0,1839
Si observamos los dos resultados, la aproximacion no es lo suficientemente
buena, esto es debido a que no se cumple la regla de que n 50.
6. Si la probabilidad de que una persona tenga una mala reaccion a la inyeccion de un
determinado suero es 0,001, determine la probabilidad de que de cada 2000 individuos:
a) Exactamente 3 tengan una mala reaccion.
b) Mas de 2 individuos tengan una reaccion mala.

Solucion:
159
n = 2000
X B(2000; 0,001)
p = 0,001
= n p
X P(2)
= 2
a) Exactamente 3:
P(X = 3) = 0,1804
b) Mas de 2:
P(X > 2) = 1 P(X 2) = 1 0,6767 = 0,3233
7. Una compana de seguros encuentra que el 0.005 % de la poblacion fallece cada ano
de cierto tipo de accidente. Cual es la probabilidad de que tengan que pagar a mas
de 3 de los 10000 asegurados contra tal riesgo en un ano dado?
Solucion:
X = Numero de asegurados a pagar
X B(10000; 0,00005)
x = 4, 5, 6, . . .
p = 0,00005
n = 10000
X P(0,5)
= 10000 0,00005 = 0,5

= n p
P(X > 3) = 1 P(X 3) = 1 0,9982 = 0,0018

0,0018
556 anos.
1
556
Aproximadamente hay que pagarle el seguro a mas de 3 personas cada

160
4.1.3. Distribucion Geometrica

La Distribucion Geometrica proporciona la probabilidad de realizar x experimentos de
Bernoulli independientes, con probabilidad de e xito (p) constante, a fin de obtener el primer
e xito.
La distribucion se denota X G(p) y viene dada por:
P(X = x) = p(1 p) x1
con
x = 1, 2, 3, . . .
Las propiedades de la Distribucion Geometrica:
Media:
=
1
p
Varianza:
2 =
(1p)
p
Propiedad de no memoria:
P(X = s + t/ X > s) = P(X = t)
EJERCICIOS
1. Se sabe que 5 de cada 100 carros que circulan en una ciudad, presentan fallas que
ocasionan contaminacion del aire. Si se seleccionan carros aleatoriamente uno tras
otro, cual es la probabilidad de que el decimo carro revisado sea el que presente este
tipo de falla?
Solucion:
p = 0,05
X G(0,05)
x = 10

161
P(X = 10) = (0,05)(0,95)9 = 0,0315

2. Supongamos que la probabilidad de que un cohete alcance un objetivo es p = 0,2 y
el cohete se dispara repetidamente hasta alcanzar el objetivo.
a) Encuentre el numero esperado E(x) de cohetes que seran disparados.
b) Encuentre la probabilidad p de que 4 o mas cohetes seran requeridos para alcanzar finalmente el objetivo.
Solucion:
a) Numero esperado de cohetes que seran disparados: p = 0,2
= E(x) =
1
1
=
=5
p 0,2
Se espera disparar 5 cohetes.

b) Probabilidad de que 4 o mas cohetes seran requeridos para alcanzar finalmente
el objetivo:
P(X 4) = 1 P(X < 4) = 1 [P(X = 1) + P(X = 2) + P(X = 3)] = 0,512
3. Cada vez que Juan lanza la pelota de basquetboll desde el tiro libre, tiene una probabilidad 0,40 de encestarla, cual es la probabilidad de que tenga que lanzarla mas de
3 veces para encestarla por primera vez?
Solucion:
X G(0,4)
x = 4, 5, ...
p = 0,4
P(X > 3) = 1 P(X 3) = 1 [P(X = 1) + P(X = 2) + P(X = 3)] = 0,216

162
4. Encuentre la probabilidad de que en 5 lanzamientos sucesivos de un dado balanceado,

aparezca un 3 por primera vez en el quinto lanzamiento.
Solucion:

X G 16
1
P(X = 5) =
6
5
6
!4
= 0,0804
5. Sabemos que la probabilidad de lanzar un dado 8 veces para sacar el 4 por primera
vez es de (5/ 6)7 (1/ 6). Si el dado ya se lanzo 4 veces y no ha salido el 4, cual es la
probabilidad de tener que lanzar el dado otras 8 veces mas para sacar el 4 por primera
vez?
Solucion:
Segun la propiedad de no memoria de la distribucion geometrica:
!7 !
5
1
P(X = 12/ X > 4) = P(X = 8) =
6
6
Para demostrar esta propiedad tenemos:
P(X = s + t/ X > s) = P(X = t)
P(X = 4 + 8/ X > 4) = P(X = 8)
P(X = 12/ X > 4) = P(X = 8)
!7 !
5
1
(1/ 6)(5/ 6)11
=
4
(5/ 6)
6
6
!7 !
!7 !
5
1
5
1
=
6
6
6
6
4.1.4. Distribucion de Pascal o Binomial Negativa

Esta distribucion representa el numero de veces que debe repetirse un experimento para
obtener r e xitos; esta se denota por X BN(r; p) y su distribucion de probabilidad viene

dada por:
!
x 1 r xr
P(X = x) =
pq
r1
163
para x = r, r + 1, r + 2, . . .
Media:
r
E(x) = p
Varianza:
rq
2 = 2
p
Observamos que cuando r = 1 en la Distribucion de Pascal, se trata en si de la distribucion del numero de ensayos de Bernoulli hasta que ocurre el primer e xito y como sabemos
esta distribucion es la Geometrica.
EJERCICIOS
1. Cual es la probabilidad de que haya que lanzar 5 veces un dado para obtener 2
cuatros?
Solucion:
p = 1/ 6
X BN 2,
x = 5
r = 2
51
P(X = 5) =
21
1
6
!2
5
6
!52
= 0,0643
2. En un caso de partculas raras en un fluido, suponga que la probabilidad de hallar

partculas en una muestra de un mililitro es 0,5. El experimento de muestreo se repite
hasta hallar cuatro muestras con partculas en suspension, cuantas muestras se espera necesario observar?
Solucion:

E(x) =
164
r
4
=
=8
p 0,5
Se esperar que sean 8 muestras.

3. En un examen en el que se van haciendo preguntas sucesivas, para aprobar hay que
contestar correctamente a 10 preguntas. Suponiendo que el alumno sepa el 80 % de
las respuestas, cual es la probabilidad de que apruebe en las 12 primeras preguntas?
Solucion:
p = 0,8
X BN(10, 0,8)
x = 12
r = 10
!
12 1
P(X = 12) =
(0,8)10 (0,2)1210 = 0,2362
10 1
4. En una poblacion las personas que padecen fobia son hombres en un 51 %. Suponiendo que se extraen aleatoriamente individuos de la poblacion con reemplazo, Cual es
la probabilidad de que, antes de que se haya obtenido una cantidad igual a 10 hombres, se hayan extraido exactamente 10 mujeres?
Solucion:
p = 0,51
X BN(10; 0,51)
x = 20
r = 10
!
20 1
P(X = 20) =
(0,51)10 (0,49)2010 = 0,0877
10 1

165
4.1.5. Distribucion Hipergeometrica

Esta distribucion se refiere a un espacio muestral donde hay elementos de 2 tipos posibles. Indica la probabilidad de tener un numero de objetos X de uno de los tipos, al sacar
una muestra de tamano n, de un total de N objetos, de los cuales r son del tipo requerido.
X H(N; r; n)
r Nr
P(X = x) =
nx
N
para x = 0, 1, 2, . . .
Las propiedades de esta distribucion son:

Media:
E(x) = np
r
p= N
Varianza:
Nn
2 = npq N1
EJERCICIOS
1. Una fabrica de pequenos motores, los empaca en cajas de 50. Antes de ser aceptados,
un inspector elige 5 motores al azar y los examina. Si todos estan perfectos, acepta la
caja, de lo contrario examina todos los motores de la misma. Suponga que en una caja
hay 3 motores defectuosos. Cual es la probabilidad de que haya que inspeccionar
todos los motores de la caja?
Solucion:
= 5
X H(50; 3; 5)
= 3
= 1, 2, 3
N = 50
n
r
x

166
P(X 1) = 1 P(X < 1) = 1 P(X = 0)

3503
P(X 1) = 1
50
50
= 0,2760
2. Una clase con 10 estudiantes tiene 6 hombres. Supongamos que se ha seleccionado

una muestra aleatoria de 5 estudiantes. Encuentre la probabilidad de que exactamente
3 hombres sean seleccionados.
Solucion:
N = 10
n = 5
X H(10; 6; 5)
r = 6
x = 3
6106
P(X = 3) =
53
10
= 0,4762
3. Entre 12 hombres que solicitan un trabajo, 9 de ellos, sus esposas trabajan. Si se

seleccionan aleatoriamente a 2 de los solicitantes para una consideracion adicional,
cuales son las probabilidades de que:
a) La esposa de ninguno trabaje.
b) Solo la esposa de uno trabaje.
c) Las esposas de ambos trabaje.
Solucion:
Se define la variable aleatoria, sea X el numero de hombres cuyas esposas trabajan
N = 12
X H(12; 9; 2)
n = 2
r = 9

167
a) La esposa de ninguno trabaja: (X = 0)

9129
P(X = 0) =
20
12
= 0,0455
b) Solo la esposa de uno trabaja: (X = 1)

9129
P(X = 1) =
21
12
= 0,4091
c) Las esposas de ambos trabajan: (X = 2)

9129
P(X = 2) =
22
12
= 0,5455
4. Un inspector de aduanas decide revisar 3 de 16 embarques provenientes de Madrid

por va aerea. Si la seleccion es aleatoria y 5 de los embarques contienen contrabando
encuentre las probabilidades de que el inspector de aduanas:
a) No encuentre ningun embarque con contrabando.
b) Encuentre 1 con contrabando.
c) Encuentre 2 con contrabando.
d) Encuentre 3 con contrabando.
Solucion:
Sea X el numero de embarques con contrabando
N = 16
X H(16; 5; 3)
n = 3
r = 5
a) No encuentre ningun embarque con contrabando:
5165
P(X = 0) =
30
16
3
= 0,2946

168
b) Encuentre 1 con contrabando:

5165
P(X = 1) =
31
16
= 0,4911
c) Encuentre 2 con contrabando:

5165
P(X = 2) =
32
16
= 0,1964
d) Encuentre 3 con contrabando:

5165
P(X = 3) =
33
16
= 0,0179
4.1.6. Distribucion Multinomial

Esta distribucon es una extension de la Binomial, ya que se consideran k posibles resultados.
Los k resultados pueden ser llamados 1, 2, . . ., k.
P(X1 = n1 ; X2 = n2 ; . . . ; Xk = nk ) =
n!
Pn1 Pn22 . . . Pnk k
n1 ! n2 ! . . . nk ! 1
El numero esperado de veces del suceso es:

E(x1 ) = np1
E(x2 ) = np2
..
.
E(xk ) = npk
EJERCICIOS

169
1. Se lanza un dado 18 veces, cual es la probabilidad de que cada uno de los 6 numeros
haya salido 3 veces?
Solucion:
18!
1
P(x1 = 3; x2 = 3; . . . ; x5 = 3; x6 = 3) =
3!3!3!3!3!3! 6
!3
1
6
!3
1
6
!3
1
6
!3
1
6
!3
1
6
!3
= 0,0013
2. El 80 % de los artculos que fabrica una maquina resultan ser de primera calidad, el
15 % de calidad aceptable, y el 5 % resulta ser defectuosos. Si de la produccion de
un da cualquiera, sacamos 20 artculos de esta maquina, cual es la probabilidad de
que se obtengan 2 defectuosos, uno aceptable y 17 de primera calidad?
Solucion:
Definimos las variables y sus probabilidades:
X1 = primera calidad ; p1 = 0,8
X2 = calidad aceptable ; p2 = 0,15
X3 = defectuoso ; p3 = 0,05
P(x1 = 17; x2 = 1; x3 = 2) =
20!
(0,8)17 (0,15)1 (0,05)2 = 0,089
17!1!2!
3. Una caja contiene 5 bolas rojas, 4 bolas blancas y 3 bolas azules. Se seleccionan
al azar una bola de la caja, se anota su color y se devuelve a la caja. Encuentre la
probabilidad de que de 6 bolas seleccionadas de esta manera, 3 sean rojas, 2 sean
blancas y 1 sea azul.
Solucion:
X1 = bolas rojas ; p1 =
5
12
X2 = bolas blancas ; p2 =
X3 = bolas azules ; p3 =
4
12
3
12

6!
5
P(x1 = 3; x2 = 2; x3 = 1) =
3!2!1! 12
!3
4
12
!2
170
!
3
= 0,1207
12
4. Encuentre la probabilidad de no obtener, 1, 2 o 3 en 4 lanzamientos de un dado

balanceado.
Solucion:
X1 = 1 ; p1 =
1
6
X2 = 2 ; p2 =
1
6
X3 = 3 ; p3 =
1
6
x4 = 4, 5, 6 ; p4 =
3
6
1
4!
P(x1 = 0; x2 = 0; x3 = 0; x4 = 4) =
0!0!0!4! 6
!0
1
6
!0
1
6
!0
3
6
!4
= 0,0625
4.2. Distribuciones Clasicas Continuas

4.2.1. Distribucion Uniforme
Esta funcion tambien es conocida como la Distribucion Rectangular, y se dice que una
variable aleatoria X esta distribuida uniformemente en a X b, si su distribucion de
probabilidad f (x) es:
aXb
ba
f (x) =
0
de otra manera
Su grafica se muestra en la Figura 4.3.

171
f(x)
Figura 4.3: Distribucion de Probabilidad de la Distribucion Uniforme
Para valores diferentes de a y b se obtienen diferentes distribuciones, por lo que estos

son los parametros de la Distribucion y se denota: X U(a; b)
Su funcion de distribucion F(x) esta dada por:
0
X<a
xa
F(x) =
aX<b
ba
1
Xb
F(x)
Figura 4.4: Funcion de Distribucion de la Distribucion Uniforme

172
Las propiedades de la Distribucion Uniforme son:

Media:
(a+b)
= 2
Varianza: 2
(a+b)
2 = 12
EJERCICIOS
1. Sea X una variable aleatoria con distribucion de probabilidad U(2; 4). Especificar y
graficar su funcion de densidad, y calcular su media, su varianza y P(X > 3,2).
Solucion:
Graficamos la distribucion de probabilidad (Figura 4.5):
F(x)
La funcion de densidad para el intervalo (2;4) sera entonces:

f (x) =
Entonces tenemos:
1
1
=
42 2
2X4
2
f (x) =
0 de otra manera

173
Calculamos la media y la varianza:

=
(2 + 4)
=3
2
2 =
(4 2)2 1
=
12
3
Calculamos la probabilidad P(X > 3,2):

Z
P(X > 3,2) =

3,2
1
dx = 0,4
2
2. Si un paracadista cae en un sitio aleatorio de la lnea recta entre los marcadores

A y B, encuentre la probabilidad de que este mas cerca de A que de B. Calcule la
probabilidad de que la distancia con repecto a A sea mas de 3 veces la distancia con
repecto a B.
Solucion:
Observamos en la recta que si se desea calcular la probabilidad de que el paracadista
caiga mas cerca de A, entonces debemos calcular la probabilidad de que caiga en la
zona de color rojo.
A+B
2
A+B
2
P(mas cerca de A) =
A
1
1
dx =
BA
2
Ahora bien, la siguiente probabilidad a calcular es la mostrada en la recta:
3 veces

174
Buscamos la relacion entre A, B y C: CB = 3AC

B C = 3(C A)
4C = B + 3A
C=
B C = 3C 3A
B+3A
4
B+3A
4
P=
A
1
1
dx =
BA
4
3. Una barra de 50 centmetros de longitud puede partirse por cualquier punto en forma
aleatoria. Cual es la probabilidad de que se parta a menos de 5 cm de cualquiera de
los extremos?
Solucion:
Dibujamos la barra de 50 cm y definimos los puntos de corte: Buscamos la distribu-
3 veces
cion de probabilidad y luego la probabilidad pedida:

f (x) =
1
1
1
=
=
b a 50 0 50
para 0 X 50
P(a X c) o P(d X b) = P(a X c) + P(d X b)

Z 5
Z 50
1
1
1
=
dx +
dx =
5
0 50
45 50
4. El tiempo de viaje (ida y vuelta) de lo camiones que transportan concreto hacia una
obra de construccion en una carretera, esta distribuido uniformemente en un intervalo
de 50 a 70 minutos. Cual es la probabilidad de que la duracion del viaje sea mayor
a 65 minutos si se sabe que la duracion del viaje es mayor a 55 minutos? Hallar la
media y la varianza de los tiempos de viaje.

175
Solucion:
Dibujamos la distribucion de probabilidad para este ejercicio y calculamos la funcion:
f(x)
45
50
f (x) =
55
60
1
1
=
70 50 20
65
70
75
para 50 X 70
Calculamos la probabilidad pedida:

R 70
P(X > 65/X > 55) = R6570
1
dx
20
1
dx
55 20
1
3
Calculamos la media y la varianza:

E(x) =
V(x) =
a + b 50 + 70
=
= 60 minutos
2
2
(b a)2 (70 50)2

=
= 3,333 minutos2
12
12
5. Supongamos que X esta distribuida uniformemente en el intervalo (a; a), donde

a > 0. Determine a de manera que se cumplan las condiciones siguientes:
a) P(X > 1) =
1
3

b) P(X > 1) =
1
2
c) P(|X| < 1) = P(|X| > 1)

d) P X < 12 = 0,7
Solucion:
f (x) =
1
1
=
a (a) 2a
para a < X < a
a) P(X > 1) = 13 :
f(x)
1/3
X
a
a
a
1
P(X > 1) =
3

x a 1
=
2a 1 3
a
1
1
1
dx =
2a
3
a1 1
=
2a
3
a=3
b) P(X > 1) = 12 :
1
P(X > 1) =
2
=
1
1
1
dx =
2a
2
176

177
f(x)
1/2
X
a

x a 1
=
2a 1 2
a1 1
=
2a
2
a
a
2a 2 , 2a
No existe un a tal que la P(X > 1) sea igual a 12 .

c) P(|X| < 1) = P(|X| > 1):
Para resolver esta parte, partimos de la definicion del valor absoluto, por lo tanto
tenemos:
x si x < 0
|x| =
x si x 0
Para P(|X| < 1): (Ver Figura 4.6)
x < 1 = x > 1
|x| < 1 =
x<1
Para P(|X| > 1): (Ver Figura 4.7)
x > 1 = x < 1
|x| > 1 =
x>1

f(x)
X
a
Figura 4.6: Para P(|X| < 1)
f(x)
X
a
Figura 4.7: Para P(|X| > 1)

1
1
P(|X| < 1) = P(|X| > 1)

Z 1
Z a
1
1
1
dx =
dx +
dx
2a
a 2a
1 2a

x 1
x a
x 1
=
+

2a 1 2a a 2a 1
178

179
a=2

d) P X < 12 = 0,7:
f(x)
0.7
X
a
!
1
P X<
= 0,7
2

x 0,5
= 0,7
2a a
0.5
0,5
=
a
0,5 + a
= 0,7
2a
1
dx = 0,7
2a
=
a = 1,25
6. Demuestre que la media y la varianza de la distribucion uniforme estan dadas respectivamente por:
a) = (a + b)/2
b) 2 = (b a)2 /12
Solucion:
a) = (a + b)/2
Sabemos que la media de una distribucion de probabilidad debe ser igual a la
esperanza matematica, por lo tanto tenemos:
Z
E(x) =
a
b
x2
1
a+b
dx =
x
=
ba
2(b a) a
2

180
b) 2 = (b a)2 /12
Tenemos que la varianza es V(x) = E(x2 ) [E(x)]2 :
Z
E(x ) =
a
b
1
x3
b2 + ab + a2
x
dx =
=

ba
3(b a) a
3
2
"
#2
b2 + ab + a2
a+b
(b a)2
V(x) =
=
3
2
12
4.2.2. Distribucion Exponencial

Se dice que una variable aleatoria continua X tiene una distribucion exponencial con
parametro , si su funcion de densidad es:
f (x) = ex
para X > 0
La variable aleatoria se denota por: X EXP(). Y su funcion de distribucion F(x) es:

Z x
F(x) =
et dt = 1 ex para X > 0
0
Las propiedades de la Distribucion Exponencial son:
Media:
= 1/
Varianza2 :
2 = 1/ 2
No memoria:
P(X > s + t/ X > s) = P(X > t)
2
Esta distribucion es la u nica en que su desviacion estandar es igual a su media

181
Es importante senalar que existe una relacion entre la Distribucion Exponencial y la

Poisson. Sabemos que la Distribucion de Poisson considera el numero de ocurrencias de
un evento con parametro , entonces la distribucion del intervalo entre las ocurrencias es
exponencial con parametro .
EJERCICIOS
1. Supongamos que la duracion de X (en das) de cierto componenete C es exponencial,

donde = 1/ 120. Encuentre la probabilidad de que el componente C dure:
a) Menos de 60 das.
b) Mas de 240 das.
Solucion:
a) Menos de 60 das:
P(X < x) = F(x) = 1 ex
60
P(X < 60) = F(60) = 1 e 120 = 0,3935

b) Mas de 240 das:
240
P(X > 240) = 1 P(X 240) = 1 F(240) = e 120 = 0,1353

2. Verifique con un ejemplo numerico la propiedad de no memoria de la distribucion
exponencial f (x) = 3e3x para X > 0.
Solucion:
P(X > s + t/ X > s) = P(X > t)
P(X > 2/ X > 1) = P(X > 1)
P(X > 2) P(X > 1)
= P(X > 1)
P(X > 1)

182
P(X > 2)
= P(X > 1)
P(X > 1)
e6
= e3 = e3 = e3
3
e
3. Considere el componente C del ejercicio numero 1. Si C aun esta trabajando despues
de 100 das, encuentre la probabilidad de que este dure mas de 340 das.
Solucion:
Utilizamos la propiedad de no memoria:
P(X > s + t/ X > s) = P(X > t)
P(X > 340/ X > 100) = P(X > 240) = 1 P(X 240)
P(X > 340/ X > 100) = 0,1353
4. La duracion en horas de cierto dispositivo electronico puede ser modelada por la
distribucion exponencial con un promedio de 100 horas. El vendedor da al comprador
la siguiente garanta: si el dispositivo que compra le dura menos de 20 horas, le
devolvera el dinero. El costo de fabricacion de cada dispositivo es de 100 y el precio
de venta es 200.
a) Obtenga la ganancia esperada.
b) Si el vendedor quiere incrementar la ganancia esperada en un 20 % modificando
la garantia como quedara esta entonces?
Solucion:
Tenemos que:
= 100
= 0,01
a) Ganancia Esperada (E(G)):
La ganancia puede tomar 2 valores, ver Tabla 4.1:

G
P(G)
-100
P(X < 20)
183
100
P(X 20)
Tabla 4.1: Distribucion de probabilidad de la Ganancia

Calculamos las probabilidades:
P(X < 20) = F(20) = 1 e0,0120 = 0,1813
P(X 20) = 0,8187
Por lo tanto tenemos que la esperanza es:
E(G) = 100 0,1813 + 100 0,8187 = 63,74
Se espera que el vendedor tenga una ganancia de 63,74 UM.
b) Nueva garantia:
Si el vendedor desea aumentar la ganancia en un 20 %, entonces tenemos que
la nueva ganancia es de: 63,74 + 0,2*63,74 = 76,488 UM.
Definimos a x como la nueva garanta (en das), y la nueva distribucion de
probabilidad de la ganancia sera entonces:
G
P(G)
P(G)
-100
P(X < x)
1 e0,01x
100
P(X x)
e0,01x
Tabla 4.2: Distribucion de probabilidad de la nueva ganancia
Tenemos entonces:
E(G) = 100 (1 e0,01x ) + 100 e0,01x = 76,488
Despejamos a x y tenemos:
x = 12,51
Esto quiere decir que la nueva garanta debe ser de 12,51 das para aumentar la
ganancia en un 20 %.

184
4.2.3. Distribucion Normal

Una variable aleatoria continua X, que puede asumir todos los valores entre e ,
se dice que esta distribuida normalmente si su densidad se expresa as:
1
1 x 2
f (x) =
e 2 ( )
2
La Normal depende de dos parametros, la media (que es el centro de la misma) y
la varianza , y se denota por: X N(; 2 ). La normal es simetrica con respecto a la
media y la desviacion estandar actua como un coeficiente de elasticidad; entre mas grande
es la desviacion, mas abierta es la distribucion. En la Figura 4.8 podemos observar como se
traslada la curva de la Distribucion Normal cuando se vara la media (la desviacion estandar
se mantiene en 1).
Desviacin = 1
Media = 0
Media = 2
Media = 2
Figura 4.8: Distribucion Normal
En la Figura 4.9 se observa como la curva se abre a medida que aumenta la desviacion
estandar, esto confirma como este parametro cumple su funcion como un coeficiente de

185
elasticidad.
Desviacin = 0.5
Desviacin = 1
Desviacin = 2
La funcion de distribucion es:

1
F(x) = P(X x) =
2
t 2
e 2 ( ) dt
1
Distribucion Normal estandarizada

Toda Distribucion Normal puede ser llevada a la distribucion normal estandarizada mediante la siguiente transformacion:
Z=
Se observa que Z tambien es una variable aleatoria distribuida normalmente con = 0

y = 1, es decir, Z N(0; 1).

186
El calculo de la probabilidad:
Z
P(a X b) =
2
Se convierte en:
P(a X b) =
2
e 2 (
1
x 2
) dx
(b)/
Z2
e 2 dx
(a)/
!
a
b
P(a X b) =
La probabilidad de los valores de la variable estandarizada ((a )/ y (b )/), son

encontrados en la tabla de la distribucion normal estandarizada; es importante acotar que
la probabilidad dada en la tabla es la probabilidad acumulada.
Z
0.4
34.1%
34.1%
13.6%
13.6%
2.15%
2.15%
2
EJERCICIOS
1. Supongamos que la estatura (en centmetros) de los hombres de la Facultad de Ingeniera esta distribuida en forma normal con media = 172,72 cm y desviacion

187
estandar = 6,35 cm. Encuentre el porcentaje de hombres que estan entre 167,64 y
180,34 centmetros.
Solucion:
Como dice el enunciado del ejercicio, la variable aleatoria X esta distribuida como
una normal:
X N(172,72; 40,3225)
Se desea encontrar:
P(167,64 X 180,34)
Estandarizamos la variable aleatoria X, restandole su media y dividiendo entre la
desviacion estandar:
167,64 172,72 X 180,34 172,72
P(167,64 X 180,34) = P
6,35
6,35
P(167,64 X 180,34) = P(0,8 Z 1,2)

P(167,64 X 180,34) = (1,2) (0,8)
Buscamos en la tabla estadistica de la distribucion normal estandarizada los valores
1.2 y -0.8 y tenemos que sus respectivas probabilidades, y la probabilidad buscada
es:
P(167,64 X 180,34) = 0,8849 0,2119 = 0,673
Graficamente el calculo que se esta realizando es el siguiente:
Observamos en la Figura 4.10 que la probabilidad buscada (area sombreada) se encuentra entre los valores -0.8 y 1.2, dado que la probabilidad propocionada por la
tabla estadstica es la probabilidad acumulada, el calculo de la probabilidad de ese
intervalo se realiza restandole a la probabilidad (1,2) la de (0,8), lo que quiere decir que aproximadamente el 67,3 % de los estudiantes hombres de la facultad tienen
una estatura entre 167,64 y 180,34 centmetros.

188
0.2119
0.8
1.2
0.8849
Figura 4.10: Distribucion Normal Estandarizada
2. El peso en kilogramos de cierto grupo de personas es una variable aleatoria normal

con media 72 kilogramos y desviacion estandar 8 Kg. Si en el grupo hay 2400 personas, cuantos se espera que pesen mas de 85 Kg.?
Solucion
X = peso en kilogramos de las personas.
X N(72; 64)
Dado que se pide cuantas personas superan los 85 kilogramos en el grupo, primero se
debe calcular la probabilidad de que una persona pese mas de 85 kilogramos siendo
la media 72 kilogramos, para ello realizamos el siguiente calculo:
P(X > 85)
Estandarizamos la variable y obtenemos:
!
X 85 72
P(X > 85) = P
>
= P(Z > 1,625)

189
Como se ha mencionado anteriormente, la probabilidad dada en la tabla es acumulada

y en este caso lo que se desea calcular es el extremo derecho de la curva (ver Figura
4.11).
g(z)
1,625
Para este caso le restamos al a rea total de la curva (igual a 1) la probabilidad acumulada hasta 1,625, de esta manera obtenemos la probabilidad pedida; entonces tenemos
que:
P(Z > 1,625) = 1 P(Z 1,625)
Ahora bien, dado que el valor de la variable estandarizada 1,625, no se encuentra
en la tabla, pero si se encuentra los valores 1,62 y 1,63, lo mas recomendable es
interpolar para hallar dicha probabilidad, para ello se asume que el segmento de la
curva tomado entre 1,62 y 1,63 es tan pequeno que se toma como una recta y por lo
tanto podemos utilizar la siguiente ecuacion, que no es mas que la ecuacion de una
recta:
f (x) = Y0 +
Y1 Y0
(X X0 )
X1 X0
Definiendo las valores de las X y las Y tenemos:

X0 = 1,62
X = 1,625
X1 = 1,63
190
Y0 = 0,9474
Y
Y1 = 0,9484
Sustituimos en la ecuacion de la recta y tenemos:

!
0,9484 0,9474
f (1,625) = 0,9474 +
(1,625 1,62) = 0,9479
1,63 1,62
Y = 0,9479
P(Z > 1,625) = 1 0,9479 = 0,0521
La probabilidad de que una persona pese mas de 85 kilogramos es de 0,0521; ahora
bien, cuantas personas del grupo se espera que tengan esa condicion?
0,0521 2400 = 125,04
Se espera que 125 personas de ese grupo pesen mas de 85 kilogramos.
Como se dijo en un principio de esta seccion, la curva de la distribucion normal es
simetrica con respecto a su media, esta propiedad nos permite facilitar los calculos
de probabilidad utilizando la simetra.
En la Figura 4.12 podemos observar que el a rea donde Z > 1,625 es exactamente
igual al a rea donde Z < 1,625, lo que quiere decir que, la probabilidad P(Z >
1,625) es exactamente igual a la probabilidad P(Z 1,625), por lo que simplemente
buscamos directamente en la tabla de la normal estadarizada la probabilidad P(Z <
1,625).

P(Z > 1.625)
P(Z < 1.625)
1.625
191
1.625
3. Una empresa metalmecanica produce rodamientos con diametros que tienen una distribucion normal con una media de 3,0005 y una desviacion estandar de 0,001.
Las especificaciones requieren que los diametros esten en el intervalo 30,002. Se
rechazan los rodamientos con diametros que quedan fuera del intervalo y deben volverse a maquinar. Con la maquinaria actual, que fraccion de la produccion total
sera rechazada?
Solucion:
X = diametro en centmetros de los rodamientos
X N(3, 0005; 0,000001)
Tenemos que:
P(rechazados) = 1 P(aprobados)
P(aprobados) = P(2,998 X 3,002)
3,002 3,0005
2,998 3,0005
Z
P(aprobados) = P
0,001
0,001

192
P(aprobados) = P(2,5 Z 1,5) = 0,9332 0,0062 = 0,927
Rechazados
2.5
Aprobados
92.7%
Rechazados
1.5
En la Figura 4.13 se puede observar el intervalo con las especificaciones en que los
rodamientos son aceptados (color rojo) y a los lados la proporcion que es rechazada,
es decir, tenemos que aproximadamente un 92,7 % de la produccion es aceptada, y
por lo tanto le restamos a la unidad esta probabilidad y obtenemos que un 7,3 %
sera rechazada aproximadamente.
4. Se observo durante un perodo que la cantidad semanal gastada en el mantenimiento
y en las repaciones en cierta fabrica tiene aproximadamente una distribucion normal
con una media de 400 Bs. F y una desviacion estandar de 20 Bs. F. Si el presupuesto
para la proxima semana es de Bs. F 450, cual es la probabilidad de que los costos reales sean mayores que la cantidad presupuestada? de cuanto tendra que ser
el presupuesto para reparaciones semanales y mantenimiento, para que la cantidad
presupuestada solamente se rebasara con una probabilidad de 0,1?
Solucion:
X = presupuesto semanal en Bs. F

193
X N(400; 400)
P(X > 450) = 1 P(X 450)
!
450 400
P(X > 450) = 1
= 1 (2,5)
20
P(X > 450) = 1 0,9938 = 0,0062
La probabilidad de que los costos reales se sobrepasen de 450 Bs. F para esa semana
es de 0,0062.
Ahora bien, si se desea saber de cuanto debera ser el presupuesto (valor de X),
planteamos el siguiente caso:
!
X X 400
P
= 0,1
20
!
X 400
P Z
= 0,1
20
!
X 400
1P Z
= 0,1
20
!
X 400
P Z
= 0,9
20
Buscamos una probabilidad igual a 0,9 en la tabla de la normal estandarizada para
saber que a valor de Z pertenece esa probabilidad.
La probabilidad exacta de 0,9 no aparece en la tabla, debemos interpolar.
f (x) = Y0 +
Y1 Y0
(X X0 )
X1 X0
Definiendo los valores de las X y las Y tenemos:

X0 = 0,8997
X = 0,9
X1 = 0,9015
Y0 = 1,28
Y
Y1 = 1,29

194

!
1,29 1,28
f (0,9) = 1,28 +
(0,9 0,8997) = 1,2817
0,9015 0,8997
Por lo tanto tenemos que el valor de Z con probabilidad igual a 0,9 es 1,2817, si
igualamos la variable X estandarizada a este valor obtenemos:
Z
X
X 400
= Z
20
Despejamos a X y obtenemos X 425, 633, esto quiere decir que el presupuesto

semanal debe ser mayor de 425,633 Bs. F para que el presupuesto se sobrepase en
un 10 %.
5. Los alambres que se utilizan en cierta computadora deben tener una resistencia entre
0,12 y 0,14 ohms. Las resistencias reales de los alambres producidos por la compana
A tienen una distribucion de probabilidad normal con una media de 0,13 ohms y una
desviacion estandar de 0,005 ohms.
a) Cual es la probabilidad de que un alambre seleccionado al azar de la produccion de la compana A satisfaga las especificaciones?
b) Si se utilizan cuatro de estos alambres en el sistema y los seleccionan de la
compana A, cual es probabilidad de que los 4 alambres satisfagan las necesidades?
Solucion:
X = resistencia del alambre medida en ohms.
X N(0,13; 0,000025)
a) Probabilidad de que un alambre satisfaga las especificaciones:
0,12 0,13
0,14 0,13
P(0,12 X 0,14) = P
Z
0,005
0,005
P(2 Z 2) = (2) (2) = 0,9772 0,0228

195
P(2 Z 2) = 0,9544
La probabilidad de que un alambre satisfaga las especificaciones con respecto
a la resistencia es del 95,44 %.
b) Probabilidad de que 4 alambres satisfagan las necesidades:
P(4 satisfagan las especificaciones) = (0,6544)4 = 0,8297
La probabilidad de que 4 alambres seleccionados al azar de la compana A y
que satisfagan las especificaciones del 82,97 %.
6. Una variable aleatoria X obedece la distribucion normal estandarizada. Demuestre
que:
a) P(|X| < k) = 2(k) 1
b) P(|X| > k) = 2(1 (k))
Solucion:
a) P(|X| < k) = 2(k) 1:
Desarrollamos la primera parte de la igualdad, es decir, P(|X| < k).
Segun la definicion del valor absoluto tenemos:
x < k = x > k
|x| < k =
x<k
A partir de esto tenemos que:
P(|X| < k) = P(k < X < k)
Si observamos la Figura 4.14, el a rea sombreada representa el a rea del intervalo
(k ; k), recordemos que la variable aleatoria X ya esta estandarizada, por lo
que podemos trabajarla directamente.

1.625
K
1.625
K
Figura 4.14: Distribucion Normal e intervalo (k ; k)
P(|X| < k) = (k) (k)

Por simetra de la curva normal, podemos realizar el siguiente cambio:
P(|X| < k) = (k) [1 (k)]
P(|X| < k) = (k) 1 + (k)] = 2(k) 1
Por lo tanto queda demostrado que:
P(|X| < k) = 2(k) 1
b) P(|X| > k) = 2(1 (k)):
Desarrollamos la primera parte de la igualdad, P(|X| > k):
x > k = x < k
|x| > k =
x>k
A partir de esto tenemos que:
P(|X| > k) = P( < X < k) + P(k < X < +)
196

1.625
K
197
1.625
K
Figura 4.15: Distribucion Normal para P(|X| > k)

En la Figura 4.15, se presentan las a reas de los intervalos (; k) y (k; +).
P(|X| > k) = (k) + [1 (k)]
P(|X| > k) = (k) + 1 (k)
P(|X| > k) = 1 (k) + 1 (k) = 2(1 (k))
Por lo tanto queda demostra que:
P(|X| > k) = 2(1 (k))
7. El peso en libras de las personas de cierta poblacion obedece a la ley normal (; 2 ).
Supongamos que P(X 160) =
1
2
y que P(X < 140) = 14 .
a) Encuentre los valores de y .

b) Encuentre la probabilidad de que una persona tomada al azar pese mas de 200
libras.
c) De todas las personas de esta poblacion que pesan por lo menos 200 libras,
que porcentaje pesara mas de 220 libras?

198
Solucion:
a) Media y desviacion estandar:
Se sabe que la distribucion normal es simetrica con respecto a su media, por lo
tanto la probabilidad de que un valor sea menor o igual a su media es exactamente igual a 0.5; dentro de los datos dados tenemos que P(X 160) = 12 , por
lo tanto = 160.
Para calcular la desviacion estandar utilizamos la P(X < 140) = 14 .
!
X 140 160
1
P
<
=
4
Dado que en la tabla de la distribucion normal estandarizada no se encuentra la
probabilidad exacta de 0.25, interpolamos.
Definiendo los valores de las X y las Y tenemos:
X0 = 0,2514 Y0 = 0,67
X = 0,25
Y
X1 = 0,2483 Y1 = 0,68

!
0,68 + 0,67
f (0,25) = 0,67 +
(0,25 0,2514) = 0,6745
0,2483 0,2514
Z=
140 160
140 160
= 0,6745 =
Despejamos la desviacion estandar y encontramos que = 29,65, por lo tanto:

X N(160; 879, 1225)
b) La probabilidad de que una persona pese mas de 200 libras es:
!
200 160
P(X > 200) = P Z >
29,65

199
P(X > 200) = P(Z > 1,35) = P(Z < 1,35) = 0,0885
La probabilidad de que una persona tomada al azar pese mas de 200 libras es
del 8,85 %.
c) El porcentaje de personas que pesara mas de 220 libras dado que se sabe que
pesan mas de 200 libras es:
P(X > 220/ X > 200) =
P(X > 220/ X > 200) =
P(X > 220)

P(X > 200)
P(Z > 2,02) P(Z < 2,02)

=
= 0,2452
P(X > 1,35) P(X < 1,35)
El 24,52 % de las personas (de la poblacion que pesa mas de 200 libras), pesa
mas 220 libras.
8. Una variable aleatoria es normal con media y desviacion estandar = 21 . Encuentre
la constante c tal que P(|X | < c) = 0,9.
Solucion:
P(|X | < c) = 0,9
P(c < X < c) = 0,9 = P(c + < X < c + )
P(X < c + ) P(X < c + ) = 0,9
!
!
c+
c +
P Z<
P Z <
= 0,9
0,5
0,5
(2c) (2c) = 0,9
(2c) [1 (2c)] = 0,9
(2c) = 0,95
El valor de Z correspondiente a una probabilidad igual a 0,95, es Z = 1, 645; por lo
tanto tenemos que:
2c = 1,645 = c = 0,8225

200
9. Si X es Normal (0, 2 ), Encuentre E(|x |).

Solucion:
E(|x |) =
|x | f (x)dx
E(|x |) =
|x |
e 2 (
1
x 2
) dx
Utilizando la definicion de valor absoluto; segun el a rea en que esta definida la duncion, X puede tomar valores negativos si X < 0 y valores positivos si X 0, por lo
tanto tenemos:
Z
E(|x |) =
x
e
12 ( x
)
dx +
x
0
e 2 (
1
x 2
) dx
Realizamos un cambio de variable:

u=
1 x
2
du =
x
dx
2
Tenemos entonces:
Z
E(|x |) =
eu du +
2
eu du
2
2
E(|x |) =
2
10. Supongamos que la vida en horas de 2 dispositivos electronicos similares D1 y D2
tienen distribuciones N(40;36) y N(45;9) respectivamente. Si se requiere uno de los
2 dispositivos para una operacion que tarda 45 horas, cual de los 2 dispositivos es
preferible? Si se requiere para una operacion de 48 horas, cual es preferible?
Solucion:
Para saber cual de los dos dispositivos es mas confiable en una operacion que tarda 45
horas calculamos la probabilidad de que cada uno de ellos dure mas de ese perodo.
Para el dispositivo D1 :
P(X > 45) = P(Z > 0,83)

201
P(X > 45) = P(Z < 0,83) = 0,2033

P(X > 45) = P(Z > 0) = 0,5
Es preferible el dispositivo D2 porque tiene mayor probabilidad de durar mas de 45
horas.
Ahora bien, cual de los dos sera mejor para una de 48 horas, la logica nos dice que
seguira siendo el dispositivo D2 , veamos:
P(X > 48) = P(Z > 1,33)
P(X > 45) = P(Z < 1,33) = 0,0918
P(X > 48) = P(Z > 1)
P(X > 48) = P(Z < 1) = 0,1587
Observamos que el dispositivo D1 tan solo tiene una probabilidad del 9 % de funcionar por ese tiempo, y el dispositivo D2 tiene una probabilidad del 15,87 %, por lo
tanto es mejor D2 .
11. Si X es Normal (; 2 ) y Y = e x , encuentre la distribucion de Y.
Solucion:
Recordemos del Captulo 3, que para calcular la distribucion de probabilidad de una
variablea aleatoria a partir de la distribucion de probabilidad de otra variable aleatoria
continua utilizabamos el teorema:
g(y) = f [w(y) ] |w0(y) |
Ahora bien tenemos:

f (x) = 1
2
202
x 2
12
e
Y = ex
w(y) = ln(y)
w0(y) = 1/ y
1
g(y) =
e
2
12
ln(y) 2
1
y
para Y > 0
12. La temperatura de cierto objeto medida en grados Farenheit, es una variable

N(98,6;2). Demuestre que la temperatura de dicho objeto, medida en grados centgrados, tambien esta distribuida normalmente. Encuentre y .
Solucion:
Definimos las variables aleatorias:
X = grados farenheit N(98,6;2)
Y = grados centgrados
La distribucion de probabilidad de X es:
1
1
2
f (x) = e 4 (x98,6)
2 2
Buscamos la distribucion de Y:
Y = 59 (X 32)
w(y) = 95 y + 32
w0(y) =
9
5
Tenemos entoces:
2
9
1
1 9
g(y) = e 4 ( 5 y+3298,6)
5
2 2
9
1 81
2
g(y) = e 2 ( 50 (y37) )
2 50

203
Calculamos E(y):
!
5
160
5
160
E(y) = E x
= E(x)
= 37
9
9
9
9
Calculamos V(y):
!
!2
5
5
160
50
V(y) = V x
=
V(x) =
9
9
9
81
13. Suponga que X N(0; 25). Calcule P(1 < x2 < 4).
Solucion:
|x | > 1 = (; 1) (1; )
P(1 < x2 < 4) = P(1 < |x| < 2) =
|x | < 2 = (2; 2)
En la Figura 4.16 podemos observar el a rea de la probabilidad deseada, es decir, el
a rea que conforman las dos intersecciones.

P(1 < x2 < 4) = P(2 < x < 1) + P(1 < x < 2)

204
Por simetra tenemos que:

P(2 < x < 1) = P(1 < x < 2)
Por lo tanto:
P(1 < x2 < 4) = 2P(1 < x < 2)
Estandarizando tenemos:
P(1 < x2 < 4) = 2(P(0,2 < Z < 0,4)) = 2(0,6554 0,5793) = 0,1522

1. En un proceso de manufacturacion que produce gran cantidad de artculos, se sabe
que en promedio 2 % de ellos son defectuosos. Los artculos se empacan en cajas
de 10, y se requiere saber, cual es la probabilidad de que no haya ningun artculo
defectuoso en cada caja?
2. Verifique si los siguientes datos se ajustan bien a una distribucion normal:
2,51 2,29
3,73 2,98
2,31
2
2,07 3,1
2,69 2,6
2,31
1,08
2,35
2,32
2,19 2,09
2,25 2,1
1,76 2,91
2,59 2,42
2,48
3,3
1,84
2,04
2,65 2,5 2,48 2,27 2,26 2,86

3,15 2,27 2,23 2,61 2,11 5,7
2,09 2,78 2,32 2,59 1,87 2,59
2,13 1,98 2,02 2,18 2,26 2,1
3. Un lote de tamano N = 30 contiene 4 unidades defectuosas. Cual es la probabilidad de que una muestra de 5 unidades seleccionadas al azar contenga exactamente
una unidad defectuosa? Cual es la probabilidad de que contega 3 o mas unidades
defectuosas?

205
4. Se estima que el 58 % de una poblacion prefiere la marca A de mayonesa. Cual es

la probabilidad, al entrevistar a un grupo de consumidores, de que se tenga que entrevistar a exactamente 4 personas, para encontrar el primer consumidor que prefiera
la marca A? Al menos 5 pesonas?
5. Un joven estudiante compro 3 celulares a un costo total de 750 Bs. F y piensa venderlos en 450 Bs. F cada uno (suponga que todos tienen un mismo costo); para poder
venderlos ofrece una oferta de que si la primera carga de la batera dura menos de
1 hora le devolvera el dinero. Si la duracion de las bateras se distribuyen como una
exponencial con las siguientes propiedades:
Nokia 7088. Promedio duracion de la batera: 2,5 horas
Kyocera E1000. Promedio duracion de la batera: 3,67 horas
Motorola L7. Promedio duracion de la batera: 196 minutos
Cual celular le dejara mayor ganancia?
Cuanto es la ganancia esperada del estudiante?
6. Una maquina realiza cortes de manera automatica de ciertas tiras metalicas con media
= 40,2 cm y una desviacion estandar de = 0,05 cm. La medida o ptima de tales
tiras debe ser de 40 cm con una tolerancia de 0,5 cm. Suponiendo que se trata
de una distribucion normal, estime el porcentaje de las tiras que cumplen con las
especificaciones.
7. Un libro tiene 500 paginas en las que podran ocurrir errores tipograficos. Suponga
que hay exactamente 10 de estos errores localizados aleatoriamente en esas paginas.
Cual es la probabilidad de que una seleccion aleatoria del 10 % de las paginas del
libro no contenga errores? Cual es la probabilidad de que 60 paginas seleccionadas
al azar, contenga al menos dos errores?
8. Si X esta distribuida uniformemente en el intervalo (0, b). Determine de que manera
se cumple las siguientes condiciones:

206
a) P(X > 1,5) = 14 .

b) P(|X| > 1,5) = P(|X| < 1,5).
9. Las precipitaciones anuales en la ciudad de Merida es una variable aleatoria distribuida N(1700; 400) medida en milmetros. Cuantos milmetros de lluvia son excedidos
anualmente alrededor del 5 % de las veces?
10. Un estudio demostro que la duracion promedio de cierta marca de lamparas es de 450
das con una varianza de 10000 das2 y que esta duracion se distribuye normalmente.
El vendedor de las lamparas vende en cierta ciudad 1000 lamparas al mes y garantiza
al comprador que si su lampara falla antes de k das, le sera cambiada por una nueva.
El vendedor no quisiera tener que cambiar mas de 15 lamparas por mes. Cual debera ser el valor de k?
11. Un distribuidor de software desea obtener retroalimentacion de los clientes acerca
de su mas reciente paquete. Han adquirido el producto 3000 clientes, suponga que
600 de ellos estan insatisfechos. Se realiza un muestreo aleatorio e interrogatorio de
20 clientes acerca del paquete. Sea X el numero de clientes muestreados que estan
insatisfechos
a) Calcule la distribucion de probabilidad de X.
b) Entre y 2 .
c) Calcule P(X 3).
12. Un estudiante viaja todos los das de su casa a la facultad. El tiempo promedio para
un viaje solo de ida es de 24 minutos, con una desviacion estandar de 3,8 minutos.
Suponga que la distribucion de los tiempos de viaje esta distribuida normalmente.
a) Cual es la probabilidad de que un viaje tome al menos media hora?
b) Si tiene clases a las 9:00 a.m. y e l sale diario de su casa a las 8:45 a.m. que porcentaje de las veces llegara tarde a clases?

207
c) Encuentre la probabilidad de que 2 de los siguientes 3 viajes, tome al menos

media hora.
13. Suponga que X tiene una distribucion uniforme en el intervalo (0;1).
a) Encuentre F(x).
b) Demuestre qe P(a X a+b), para a 0, b 0, a+b 1, depende solamente
del valor de b.
14. Un sistema de alarma para detectar rapidamente aviones consta de 4 unidades de
radar identicas que trabajan independientemente. Suponga que cada una tiene una
probabilidad de 0,95 de detectar un avion. Sea X el numero unidades del sistema que
no detecta un avion. Puede decirse que X se distribuye como una binomial?
15. Se supone que el 45 % de los aspirantes para cierto trabajo tienen un entrenamiento avanzado en programacion. Los aspirantes on entrevistados, uno tra otro, y son
seleccionados al azar del total de aspirantes. Determine la probabilidad de que se
encuentre el primer aspirante con un entrenamiento avanzado en programacion en la
quinta entrevista.
16. Se forma una empresa de exploracion petrolera con suficiente capital para financiar
10 exploraciones. La probabilidad de que una exploracion en particular sea exitosa
es de 0,12. Supongase que las exploraciones son independientes. Encuentre la media
y la varianza del numero de exploraciones exitosas.
Captulo 5
El Teorema del Lmite Central
5.1. La Desigualdad de Chebyshev

Sea X una variable aleatoria con media y desviacion estandar y distribuida de
cualquier manera. Entonces, para cualquier numero positivo k mayor que 1, la probabilidad
de que un valor de X pertenezca al intervalo: [ k; + k], es al menos: 1 1/ k2 ,
es decir, la proporcion mnima de los valores que se encuentran dentro de k desviaciones
estandares es:
P( k X + k) 1
1
k2
EJERCICIOS:
1. Supongamos que X es una variable aleatoria de media = 75 y desviacion estandar

= 5.
a) Que conclusiones podemos obtener sobre X de la desigualdad de Chebyshev
para k = 2 y k = 3?
b) Estimar la probabilidad de que X este entre 75-20=55 u 75+20=95.
208
CAPITULO 5. EL TEOREMA DEL LIMITE CENTRAL
209
c) Determinar un intervalo [a; b] sobre la media para que la probabilidad de que X

pertenezca al mismo sea al menos del 9 %
Solucion:
a) Para k = 2:
P(75 2 5 X 75 + 2 5) 1
1
22
P(65 X 85) 0,75

La probabilidad de que los valores de X este entre 65 y 85 es como mnimo del
75 %.
Para k = 3:
P(75 3 5 X 75 + 3 5) 1
P(60 X 90)
1
32
8
9
La probabilidad de que los valores de X este entre 60 y 90 es de al menos del

88,8 %.
Si observamos la probabilidad de que este entre 60 y 90 es mayor que la que
este entre 65 y 85, esto tiene sentido, ya que a medida que aumente el intervalo,
aumenta la seguridad y por ende la probabilidad.
b) Probabilidad de que X este entre 75-20=55 u 75+20=95:
Tenemos que k = 75 - 20 = 75 - 4*5
Si sabemos que = 5, entonces para este caso k = 4.
P(55 X 95) 1
P(55 X 95)
1
42
15
16
La probabilidad de que los valores de X este entre 55 y 95 es como mnimo del

93,75 %.
210
c) P(a X b) 0,09:
Tenemos que:
1
1
= 0,09
k2
k = 1,05
a = 75 1,05 5 = 69,75
b = 75 + 1,05 5 = 80, 75
Por lo tanto:
P(69,75 X 80,75) 0,09
2. Supongamos que una variable aleatoria X tiene como media = 25 y desviacion
estandar = 2. Usar la desigualdad de Chebyshev para calcular:
a) P(X 35)
b) P(X 20)
Solucion:
a) P(X 35)
+ k = 35
25 + k2 = 35
k=5
P(X 35) = P(25 5 2 X 25 + 5 2) 1

P(X 35) = P(15 X 35)
1
52
24
25
La probabilidad de que tome valores menores que 35 es de al menos 96 %.

b) P(X 20)
k = 20
25 k2 = 20
k = 2,5
P(X 20) = P(25 2,5 2 X 25 + 2,5 2) 1
1
2,52
P(X 20) = P(12,5 X 37,5) 0,84

La probabilidad de que tome valores mayores que 20 es de al menos el 84 %.
211
3. Sea X una variable aleatoria con media = 40 y desviacion estandar = 5. Usar la

desigualdad de Chebyshev para hallar un valor b para que P(40 b X 40 + b)
0,95
Solucion:
1
1
= 0,95
k2
b=k
k = 4,47
b = 5 4,47 = 22,36
4. Sea X una variable aleatoria con media = 80 y desviacion estandar desconocida.

Usar la desigualdad de Chebyshev para hallar un valor para que la P(75 X
85) 0,9
Solucion:
1
1
= 0,9
k2
k = 3,16
75 = k
75 = 80 3,06
= 1,58
85 = + k
85 = 80 + 3,06
= 1,58
5. Para la distribucion f (x) = 0,2e0,2x para X > 0. Calcular la probabilidad de que la

variable se aleje mas de 2 veces la desviacion estandar.
Solucion:
f (x) = 0,2e0,2x es una exponencial con parametro = 0,2, por lo que su media y
desviacion estandar es igual a 1/ , es decir, = = 5.
2 = 5 2 5 = 5
+ 2 = 5 + 2 5 = 15
P(X < 5 o X > 15) = 1 P(5 X 15)
212
!
1
1
P(X < 5 o X > 15) = 1 1 2 =
2
4
La probabilidad de que la variable se aleje mas de 2 es como maximo del 25 %.
6. La casa de la moneda de Venezuela produce monedas de 20 centimos con un diametro
promedio de 0,5 pulgadas y una desviacion estandar de 0,01 pulgadas. Encuentre un
lmite inferior para el numero de monedas de un lote de 400 con un diamtero entre
0,48 y 0,52 pulgadas, utilizando el Teorema de Chebyshev.
Solucion:
Debemos calcular la probabilidad de que una moneda este entre el rando de 0,48 y
0,52 pulgadas, es decir, calculamos la P(0,48 X 0,52)
k = 0,48
k=2
P(0,48 X 0,52) 1
1
22
P(0,48 X 0,52) 0,75

La probabilidad de que una moneda este entre esas especificaciones es del al menos
del 75 %, ahora bien, si multiplicamos por el total de monedas tenemos:
400 0,75 = 300
Por lo tanto tenemo que se deben encontrar como mnimo, 300 monedas con diametros entre 0,48 y 0,52 pulgadas.
213
5.2. Teorema del Lmite Central

El Teorema del Lmite Central (TLC) muestra como la suma de variables aleatorias independientes, tomados de una misma poblacion, no importa cual, tiende a estar distribuida
normalmente si el numero de sumandos es lo suficientemente grande y tendra media n y
varianza n2 .
Definicion:
Sean X1 , X2 , . . . , Xn , variables aleatorias independientes pertenecientes a la misma distribucion, con media y varianza 2
Si n tiende a , la variable Z = X1 + X2 + ... + Xn tiende a una N(n; n2 )
Es importante acotar que mientras mas grande sea el valor de n, mejor sera la aproximacion, por esto adoptaremos que el teorema se puede usar cuando n 30.
Un ejemplo clasico donde podemos observar como una distribucion discreta puede
aproximarse a una distribucion normal cuando n crece, es a traves del lanzamiento de dados, para este caso veremos como la distribucion de probabilidad del lanzamiento de n
dados tiende a formar una campana.
Veamos el ejemplo con n = 1, 2, 3, 4 y 5 dados.
214
Se lanza un dado (n = 1) y su distribucion de probabilidad la podemos observar en la

Tabla 5.1:
X
p(x)
1
6
1
6
1
6
1
6
1
6
1
6
Tabla 5.1: Lanzamiento de un dado
Observamos que todos los valores de X tienen la misma probabilidad, la distribucion

de probabilidad p(x) la podemos ver en la Figura 5.1.
p(x)
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
Figura 5.1: Lanzamiento de un dado
215
Se lanzan 2 dados (n = 2) y se suman los numeros, la distribucion de probabilidad se

ve en la Tabla 5.2 y en la Figura 5.2:
X
p(x)
10
11
12
1
36
2
36
3
36
4
36
5
36
6
36
5
36
4
36
3
36
2
36
1
36
Tabla 5.2: Lanzamiento de dos dados
p(x)
0.18
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
10
11
Figura 5.2: Lanzamiento de dos dados
12
216
Ahora se lanzan tres dados (n = 3), su distribucion de probabilidad se ve en la Tabla 5.3

y en la Figura 5.3:
X
p(x)
X
p(x)
10
1
216
3
216
6
216
10
216
15
216
21
216
25
216
27
216
11
12
13
14
15
16
17
18
27
216
25
216
21
216
15
216
10
216
6
216
3
216
1
216
Tabla 5.3: Lanzamiento de tres dados
p(x)
0.12
0.1
0.08
0.06
0.04
0.02
10 11 12 13 14 15 16 17 18
Figura 5.3: Lanzamiento de tres dado
Observamos que la grafica de la distribucion de probabilidad cambio, ahora tiende a ser

una campana.
217
Lanzamos cuatro dados (n = 4). Tabla 5.4 y Figura 5.4:
X
p(x)
10
1
1296
4
1296
10
216
20
1296
35
1296
56
1296
80
1296
X
p(x)
11
12
13
14
15
16
17
104
1296
125
1296
140
1296
146
1296
140
1296
125
1296
104
216
18
19
20
21
22
23
24
80
216
56
216
35
216
20
1296
10
1296
4
1296
1
1296
X
p(x)
Tabla 5.4: Lanzamiento de cuatro dados
p(x)
0.1
0.08
0.06
0.04
0.02
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Figura 5.4: Lanzamiento de cuatro dado
218
Lanzamos cinco dados (n = 5). Observe la Tabla 5.5 y la Figura 5.5:

X
p(x)
10
11
12
13
1
7776
5
7776
15
7776
35
7776
70
7776
126
7776
205
7776
305
7776
420
7776
X
p(x)
14
15
16
17
18
19
20
21
22
540
7776
651
7776
735
7776
780
7776
780
7776
735
7776
651
7776
540
7776
420
7776
X
p(x)
23
24
25
26
27
28
29
30
305
7776
205
7776
126
7776
70
7776
35
7776
15
7776
5
7776
1
7776
Tabla 5.5: Lanzamiento de cinco dados
p(x)
0.1
0.08
0.06
0.04
0.02
5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Figura 5.5: Lanzamiento de cuatro dado
En conclusion podemos ver que, a medida que se aumento el numero de dados (n) la
grafica de la distribucion de probabilidad fue tomando la forma de la campana de la distribucion normal, esto confirma que la sumatoria de las variables aleatorias independientes
tienden a comportarse como una normal a medida que n tienda a infinito.
219
EJERCICIOS
1. Los resultados de las pruebas finales de todos los alumnos del u ltimo ano de
bachillerato de cierto estado, tienen una media de 60 puntos y una varianza de 64
puntos2 . Una generacion especfica de cierto Liceo con n = 100 alumnos tuvo una
media de 58 puntos. Puede afirmarse que este liceo es inferior?
Solucion:
n = 100
= 60 puntos
2 = 64 puntos2
Si definimos la variable aleatoria Z como la suma de las 100 notas tenemos:
Z = X1 + X2 + ... + X100 = nX = 100 58 = 5800
!
5800 6000
P Z<
= P(Z < 2,5) = 0,0062
100 64
Es poco probable que los alumnos saquen menos de 58 puntos (del 0,6 %), por lo que
se puede dudar de la calidad del liceo.
2. Los tiempos de espera para los clientes que pasan por una caja registradora a la salida
de una tienda son variables aleatorias independientes con una media de 1,5 minutos
y una varianza de 1 minuto2 . Aproxime la probabilidad de que se pueda atender a
100 clientes en menos de 2 horas.
Solucion:
n = 100
= 1,5 minutos
2 = 1 minuto2
220
Si definimos la variable aleatoria Z como la suma de los tiempos de atencion de los

100 clientes, tenemos:
Z = X1 + X2 + ... + X100 = 2horas = 120minutos
!
120 150
= P(Z < 3) = 0,0013
P Z<
100
La probabilidad de atender a 100 clientes en menos de 2 horas es relativamente
pequena (del 0,13 %), por lo que es muy poco probable que pueda ocurrir.
3. Una gran industria ofrece un salario promedio de 4 Bs. F por hora con una desviacion
estandar de 0,5 Bs. F. La industria ocupa 64 trabajadores de cierto grupo e tnico. Estos
trabajadores tienen un salario promedio de 3,9 Bs. F por hora. Es razonable suponer
que el grupo e tnico es una muestra aleatoria de los trabajadores de la industria?
Solucion:
n = 64
= 4 Bs. F
= 0,5 Bs. F
Definimos la variable aleatoria Z como la suma de los 64 sueldos, y tenemos:
Z = X1 + X2 + ... + X64 = 249,6
!
249, 6 256
P Z<
= P(Z < 1,6) = 0,0548
640,5
Dado que la probabilidad de que un grupo gane menos de 3,9 Bs. F es del 5,48 %, no
se puede decir si ese grupo e tnico es o no una muestra representativa de la poblacion
de trabajadores.
4. Se conectan 25 focos de luz infrarroja en un invernadero, de tal manera que si falla
un foco, otro se enciende inmediatamente (se enciende solo un foco a la vez). Los
focos funcionan independientemente y cada uno tiene una vida media de 50 horas y
una desviacion estandar de 4 horas. Si no se inspecciona el invernadero durante 1300
221
horas despues de encender el sistema de focos, cual es la probabilidad de que un

foco este encendido al final del perodo de 1300 horas?
Solucion:
n = 25
= 50 horas
= 4 horas
Definimos la variable aleatoria Z como la suma de las horas de cada foco:
Z = X1 + X2 + ... + X25 = 1300
!
1300 25 50
P Z
= P(Z 2,5) = P(Z 2,5) = 0,0062
254
La probabilidad de que un foco de luz infrarroja este encendidido despues de 1300
horas es de 0,62 %.
5.3. Teorema de Moivre-Laplace

Este Teorema es la aplicacion del TLC a la Distribucion Binomial. La distribucion de
probabilidad (p(x)) cuando X toma algun valor entre a y b esta dada por:
!
b
X
a x nx
pq
b
x=a
El teorema dice que si n , entonces:
!
b
X
b np +
a x nx
p q
b
npq
x=a
a np

npq
La suma y resta de 0,5 dentro de la ecuacion no es mas que la suma y la resta de un

factor de correcion por continuidad, esto es debido a que estamos aproximando una variable
aleatoria discreta a una distribucion continua.
EJERCICIOS
222
1. Al arrojar un dado 6000 veces, cual es la probabilidad de que el numero 5 caiga

entre 980 y 1030 veces, inclusive?
Solucion:
Podemos observar que la variable aleatoria se distribuye de forma binomial, donde
el suceso e xito es que salga el numero 5, debido a la gran cantidad de experimentos
que deberan realizarse, es mas practico utilizar el Teorema de Moivre-Laplace, por
lo tanto tenemos:
= np = 6000 16 = 1000
q
= npq = 6000 16
5
6
= 28,8675
1030 1000 +
P(980 X 1030) =
28,8675
1
2
980 1000

28,8675
P(980 X 1030) = (1,06) (0,71) = 0,6165

2. Un restaurant atiende solamente bajo reservacion previa. Se ha determinado que el
10 % de las personas que reservan mesa, no aparecen. Si el restaurant tiene 50 mesas
y acepta 53 reservaciones, cual es la probabilidad de que se pueda acomodar a todas
las personas que aparezcan? Resuelva exactamente y por el Teorema de MoivreLaplace.
Solucion:
Observamos que se trata de una distribucion binomial, donde el e xito es que la persona aparezca en el restaurant con previa cita.
X B(53; 0,9)
P(X 50) = 1 P51 P52 P53
!
!
!
53
53
53
51
2
52
P(X 50) = 1
(0,9) (0,1)
(0,9) (0,1)
(0,9)53 (0,1)0
51
52
53
P(X 50) = 0,9102
223
3. Se tira un dado 180 veces. Determinar la probabilidad de que salga el 6:

a) Entre 29 y 32 veces, ambas inclusive.
b) Entre 31 y 35 veces, ambas inclusive.
c) Menos de 22 veces.
Solucion:
= np = 180 16 = 30
q
= npq = 180 16
5
6
=5
a) Entre 29 y 32 veces, ambas inclusive:
32 30 +
P(29 X 32) =
5
1
2
29 30

5
1
2
P(29 X 32) = (0,5) (0,3) = 0,3094

b) Entre 31 y 35 veces, ambas inclusive:
!
!
30,5 30
35,5 30
P(31 X 35) =
5
5
P(31 X 35) = (1,1) (0,1) = 0,3245
c) Menos de 22 veces:
!
21,5 30
P(X 22) =
= (1,7) = 0,0446
5
4. Asumimos que el 4 % de la poblacion mayor de 65 anos tiene la enfermedad de
Alzheimer. Supongamos que se toma una muestra aeatoria de 9600 personas mayores
de 65 anos. Hallar la probabilidad de que menos de 400 de ellas tengan a enfermedad.
Solucion:
= np = 9600 0,04 = 384
= npq = 9600 0,04 0,96 = 19,2
224
!
399,5 384
P(X < 400) = P(X 399) =
= (0,81)
19,2
P(X < 400) = 0,7910
Existe un 79,10 % de probabilidad de que menos de 400 personas del grupo de 9600,
tengan la enfermedad.
5. Una agencia de encuestas quiere tomar una muestra lo suficientemente grande para
que sea solo 0,01 la probabilidad de que el candidato resulte perdedor, cuando en
realidad posee el 52 % de favoritismo entre el electorado. Que tan grande debera ser
la muestra?
Solucion:
= np = n 0,52
= npq = n 0,52 0,48 = 0,2496n

P(X < n/ 2) = 0,01
!
n/ 2 0,52n

= 0,01
0,2496n
!
0,02n
P(X < n/ 2) =
= 0,01
0,2496n
Buscamos en la tabla el valor de Z que haga que la probabilidad sea igual que 0.01.
Debido a que no esta directamente en la tabla interpolamos.
X0 = 0,0102 Y0 = 2,32
X = 0,01
Y
X1 = 0,0099 Y1 = 2,33

!
2,33 + 2,32
f (0,01) = 2,32 +
(0,01 0,0102) = 2,3267
0,0099 0,0102
225

0,02n
= 2,33
0,2496n
n = 3388
La muestra debe ser de 3388 electores para que la probabilidad de que el candidato
resulte perdedor sea de 0,01.

1. Una empresa de mensajera que opera en la ciudad tarda una media de 35 minutos
en llevar un paquete, con una desviacion estandar de 8 minutos. Supongamos que
durante el da de hoy han repartido doscientos paquetes.
a) Cual es la probabilidad de que la media de los tiempos de entrega de hoy
este entre 30 y 35 minutos?
b) Cual es la probabilidad de que, en total, para los 200 paquetes hayan estado
mas de 115 horas?
2. Una variable aleatoria X tiene media = 8, con varianza 2 = 9, y distribucion de
probabilidad desconocida. Encuentre:
a) P(4 < X < 20).
b) P(|X 8| > 6).
3. El alquiler medio de los estudiantes de ingeniera se distribuye uniformemente entre
400 Bs. F y 800 Bs. F. Calcule la probabilidad de que al seleccionar al azar a 100
estudiantes la suma de sus rentas supere los 55000 Bs. F.
4. En la materia Estocastica 1, la probabilidad de que te pasen al pizarron en cada clase
es del 10 %. Si durante el semestre tienes 54 clases de esa materia, cual es la probabilidad de tener que salir a la pizarra mas de 6 veces?
226
5. Un da visitamos el Casino y decidimos jugar en la ruleta. Nuestra apuesta va a ser

siempre al negro y cada apuesta es de 500 Bs. F. Si se llevan 10000 Bs. F. Calcule la
probabilidad de que despues de jugar 80 veces, se consiga doblar el dinero.
Nota:
Salir negro, se le da el valor de 1 y tiene una probabilidad del 0,485.
No salir negro, se le da el valor de 0 y tiene una probabilidad del 0,515.
6. El resultado de las notas finales de la Escuela de Sistemas en el semestre A-2007
tiene una media de 12 puntos y una varianza de 13 puntos2 . Las secciones 1 y 2
de Estocastica 1 (100 alumnos) tuvieron un promedio de 9 puntos. Usando TLC
Que puede decir de estos resultados?
7. El 5 % de los artculos que fabrica una maquina salen defectuosos. Si tomamos al
azar 25 artculos fabricados por esa maquina, cual es la probabilidad de que se
encuentren mas de 3 defectuoso?
a) Resuelva exactamente.
b) Resuelva por TLC.
c) De existir alguna diferencia entre ambos resultados, a que se debe?
8. Un doctor atiende solo con previa cita. Segun los calculos de su secretaria el 15 %
de los pacientes que hacen cita no van. Si el doctor le advierte a la secretaria que
solo atendera a 15 pacientes en ese da y esta anota 17 citas en la agenda Cual es
la probabilidad de que le llamen la atencion a la secretaria? Resuelva exactamente y
por TLC.
Captulo 6
Vector Aleatorio
En el Captulo 3 se estudio las variables aleatorias unidimensionales, para este captulo
estudiaremos el vector aleatoria para variables aleatorias bi-dimensionales.
6.1. Variable Aleatoria Bi-dimensional

CASO DISCRETO
Sea (X, Y) una variable aleatoria bi-dimensional discreta. A cada posible resultado
(xi , y j ), asociamos un numero real p(xi , y j ) que representa la probabilidad P(X = xi , Y = y j ).
Debe satisfacer las siguientes condiciones:
1.
P P
j=1
i=1
p(xi , y j ) = 1
2. p(xi , y j ) 0 para todo X

La distribucion de probabilidad conjunta para X y Y se puede representar en la Tabla
6.1 de probabilidad conjunta.
227
CAPITULO 6. VECTOR ALEATORIO

HH
HH Y
X
HH
228
P
Y1
Y2
...
Yn
X1
X2
..
.
f (x1 , y1 )
f (x2 , y1 )
..
.
f (x1 , y2 )
f (x2 , y2 )
..
.
...
...
f (x1 , yn )
f (x2 , yn )
..
.
p(x1 )
p(x2 )
..
.
Xm
P
f (xm , y1 )
q(y1 )
f (xm , y2 )
q(y2 )
...
...
f (xm , yn )
q(yn )
p(xm )
1
Tabla 6.1: Distribucion de probabiliad conjunta
CASO CONTINUO
Sea (X, Y) una variable bi-dimensional continua que puede asumir todos los valores en
una region R del plano.
La funcion de densidad conjunta f (x, y) es una funcion que cumple las condiciones:
1. f (x, y) 0 para todo X perteneciente a R

2.
R R
R
f (x, y)dy dx = 1
EJERCICIOS
1. Dos lneas de produccion fabrican cierto tipo de artculo. Supongase que la capacidad (en cualquier da dado) es de 3 artculos para la lnea I y de 5 artculo para la
lnea II, pero el numero que realmente se produce con cada lnea de produccion es
una variable aleatoria. Llamemos (X, Y) la variable aleatoria bi-dimensional discreta
que indica el numero de artculos fabricados por la lnea I y por la lnea II, respectivamente.
a) Calcular la probabilidad de que se fabriquen igual cantidad de artculos en ambas lneas.

HH
HH Y
X
HH
0
1
2
3
229
0
0,01
0,01
0,01
0,01
0,02
0,03
0,02
0,03
0,04
0,05
0,04
0,05
0,05
0,05
0,06
0,07
0,06
0,05
0,06
0,09
0,08
0,06
0,06
b) Calcular la probabilidad de que se fabriquen mas artculos en la lnea I que la

II.
c) Calcular la probabilidad de que se fabriquen mas artculos en la lnea II que la
I.
Solucion:
a) Igual cantidad de artculos en ambas lneas:
P = P(0, 0) + P(1, 1) + P(2, 2) + P(3, 3)
P = 0 + 0,02 + 0,05 + 0,06 = 0,13
b) Mas artculos en la lnea I que la II:
P = P(1, 0) + P(2, 0) + P(2, 1) + P(3, 0) + P(3, 1) + P(3, 2)
P = 0,01 + 0,01 + 0,03 + 0,01 + 0,02 + 0,04 = 0,12
c) Mas artculos en la lnea II que la I:
P = P(0, 1) + P(0, 2) + P(0, 3) + P(0, 4) + P(0, 5) + P(1, 2) + P(1, 3) + P(1, 4)+
+P(1, 5) + P(2, 3) + P(2, 4) + P(2, 5) + P(3, 4) + P(3, 5)
P = 0,01 + 0,03 + 0,05 + 0,07 + 0,09 + 0,04 + 0,05 + 0,06 + 0,08 + 0,05 + 0,05+
+0,06 + 0,06 + 0,06 = 0,76
230
2. La funcion de probabilidad conjunta de la variable aleatoria bi-dimensional X y Y

esta dada por:
c(2X + Y) 0 X 2 ; 0 Y 3
p(x, y) =
0
de otra manera
a) Encuentre el valor de la constante c.
b) Encuentre P(2, 1).
c) Encuentre P(X 1, Y 2).
Solucion:
Sustituyendo los valores de X y Y en p(x, y), tenemos:
HH
0
HH
H
0
1
2
P
0
2c
4c
6c
c
3c
5c
9c
2c
4c
6c
12c
3c
5c
7c
15c
6c
14c
12c
42c
a) Constante c:
La sumatoria total de las probabilidad de X o Y debe ser igual a 1, por lo que
tenemos que:
42c = 1
c=
1
42
b) P(2, 1):
P(2, 1) = 5c =
5
42
c) P(X 1, Y 2):
P(X 1, Y 2) = P(1, 0) + P(1, 1) + P(1, 2) + P(2, 0) + P(2, 1) + P(2, 2)
P(X 1, Y 2) =
2+3+4+4+5+6 4
=
42
7
231
3. Dado que p(x, y) = cxy en los puntos (1,1), (2,1), (2,2) y (3,1).
a) Dibuje la distribucion de probabilidad conjunta p(x, y) = cxy.
b) Calcule la constante c.
c) Hallar p(x).
Solucion:
a) Grafica de p(x, y) = cxy:
La grafica de la distribucion de probabilidad para este problema la podemos ver
a continuacion en la Figura 6.1:
4c
3c
2c
c
1
1
2
X
1
2
1
3
Figura 6.1: Distribucion de Probabilidad Conjunta
b) Constante c:
Para calcular la constante c elaboramos la tabla de distribucion de probabilidad
conjunta (Tabla 6.4):
232
HH
HH Y 1
X
HH
1
2
P
c
0
c
2c
4c
6c
3c
0
3c
6c
4c
10c

Ahora bien, si la sumatoria de las probabilidades debe ser igual a 1, entonces:
10c = 1 = c =
1
10
c) p(x):
Sustituyendo el valor de c en 6.4, tenemos la nueva tabla:
HH
HH Y 1
X
HH
1
2
P
1
10
1
10
2
10
4
10
6
10
3
10
3
10
P
6
10
4
10
Por lo que p(x) la podemos ver en la u ltima fila de la Tabla 6.5, y de manera
individual tenemos:
X
p(x)
1
10
6
10
3
10
Tabla 6.6: Distribucion de Probabilidad de X
4. Supongase que una partcula radioactiva se localiza aleatoriamente en un cuadrado

con lados de longitud unitaria. Es decir, si se consideran dos regiones de la misma
a rea, la partcula tendra igual probabilidad de estar en cualquiera de ellas. Sean X y
Y las coordenadas en el plano que localizan la partcula y su distribucion uniforme

es:
233
1 0X1; 0Y1
f (x, y) =
0
de otra manera
a) Elabore un diagrama de la superficie de densidad de probabilidad.

b) Obtenga F(0,2; 0,4).
c) Hallar la P(0,1 X 0,3 ; 0 Y 0,5).
Solucion:
a) La superficie de la funcion de densidad para este problema la podemos ver en
la Figura 6.2:
f(x,y)
1
0
1
Figura 6.2: Superficie de la distribucion de probabilidad
b) F(0,2; 0,4) es la acumulada hasta 0,2 y 0,4 de X y Y, respectivamente, para

calcular esta probabilidad integramos la distribucion de probabilidad para esos
valores, por lo tanto tenemos:
F(0,2; 0,4) = P(X 0,2 ; Y 0,4)
234
Z
0,2
0,4
P(X 0,2 ; Y 0,4) =
dy dx = 0,08
0
c) La P(0,1 X 0,3 ; 0 Y 0,5) se calcula de igual manera que la parte b.

Z 0,3 Z 0,5
P(0,1 X 0,3 ; 0 Y 0,5) =
dy dx = 0,1
0,1
5. Supongamos que la variable aleatoria bi-dimensional continua tiene la densidad conjunta:

f (x, y) = x2 +
xy
3
para 0 X 1 ; 0 Y 2
Calcular P(X + Y > 1).

Solucion:
Primero dibujamos la superficie de la funcion de densidad del problema (Figura 6.3):
f(x,y)
1.5
0.5
X
1
Figura 6.3: Superficie de la distribucion de probabilidad
Si proyectamos la figura solamente en el plano XY obtenemos la Figura 6.4. Ahora

bien, si delimitamos esta y dejamos el a rea definida por X + Y > 1, tenemos la Figura
6.5:
235
Y
2
X
0
Figura 6.4: Proyeccion en el plano XY
Y
2
X+Y>1
1
X+Y=1
X
0
Figura 6.5: Proyeccion en el plano XY y delimitacion del a rea
236
Por lo tanto, el a rea sombreada en la Figura 6.5 es el a rea que debemos calcular, y
as conseguir la P(X + Y > 1).
Para desarrollar este calculo, debemos calcular la integral doble de la funcion de
densidad, primero observamos de donde a donde se mueven X y Y; X se mueve desde
0 hasta 2, y Y desde la recta Y = 1 X hasta 2; por lo tanto desarrollando
la doble integral tenemos:
Z 1Z
P(X + Y > 1) =

x
1x
2 xy

dydx
!
5 3 4 21
P(X + Y > 1) =
x + x x dx
6
3 2
0
65
P(X + Y > 1) =
72
Z
6. Un fabricante de lamparas esta interesado en los pedidos que ha tenido en los meses
de Enero y Febrero, por lo que llamaremos X y Y los pedidos realizados en esos dos
meses, respectivamente. Supongamos que la densidad conjunta de esas variables es:
f (x, y) = c
para 5000 X 10000 ; 4000 Y 9000
Cual es la probabilidad de que se hayan presentado mas pedidos en enero que en

febrero?
Solucion:
Primero debemos buscar el valor de c, para ello utilizamos la condicion numero 2
de la distribucion de probabilidad, donde dice que el a rea total de superficie de la
distribucion debe ser igual a 1, por lo tanto tenemos:
Z 10000 Z 9000
cdy dx = 1
5000
4000
c=
1
(5000)2
Por lo tanto tenemos que la distribucion de probabilidad conjunta es:

f (x, y) =
1
(5000)2
para 5000 X 10000 ; 4000 Y 9000
237
Ahora bien, si dibujamos en el plano XY el a rea buscada obtenemos la Figura 6.6

Y
9000
X<Y
X>Y
4000
Y=X
X
0
5000
10000
Figura 6.6: Proyeccion en el plano XY y delimitacion del a rea
Para calcular la probabilidad pedida tenemos:

P(X > Y) = 1 P(X < Y)
Z 10000 Z 9000
1
P(X > Y) = 1
dy dx
2
5000
4000 (5000)
!
Z 10000
9000
x
P(X > Y) = 1
dx
(5000)2 (5000)2
5000
P(X > Y) = 0,68

Por lo tanto tenemos que la probabilidad de que se venda mas en el mes de enero que
de febrero es del 68 %
7. Si f (x, y) = e(x+y) para valores positivos de X y Y. Obtenga las siguientes probabilidades:
238
a) P(X > 1)
b) P(X < Y/X < 2Y)
c) P(X + Y < 4)
d) Encuentre el valor de k para que se cumpla P(X + Y < k) =
1
2
e) P(n < X + Y < m) si 0 < n < m

f ) Si se toman 3 valores de esa distribucion, cual es la probabilidad de que al
menos 1 de estos valores caiga en el cuadrado unitario?
Solucion:
Si graficamos la superficie de la distribucion de probabilidad f (x, y) obtenemos la
Figura 6.7
f(x,y)
1
0.8
0.6
0.4
0.2
0
2
2
4
Figura 6.7: Superficie de la Distribucion de Probabilidad
Si proyectamos en el plano XY tenemos la Figura 6.8
239
Figura 6.8: Proyeccion en XY de la Distribucion de Probabilidad
a) P(X > 1):

Para calcular esta probabilidad delimitamos el a rea de la Figura 6.8 al a rea con
X > 1 y tenemos:
Y
X>1
2
Figura 6.9: Proyeccion del a rea R
240
P(X > 1) =
1
e(X+Y) dydx
P(X > 1) = 0,3679

b) P(X < Y/X < 2Y):
P(X < Y/X < 2Y) =
P[(X < Y) (X < 2Y)]

P(X < 2Y)
Delimitamos el a rea marcada por ambas rectas y tenemos la Figura 6.10:

Y
x<y
x < 2y
El a rea delimitada por la interseccion entre las rectas es igual al a rea marcada
por X < Y como se observa en la Figura 6.10, por lo tanto tenemos:
P(X < Y)
P(X < 2Y)
RR
e(X+Y) dydx
0
x
P(X < Y/X < 2Y) = R R
e(X+Y) dydx
0
x/2
P(X < Y/X < 2Y) =
P(X < Y/X < 2Y) =
1
2
2
3
3
4
241
c) P(X + Y < 4):

El a rea R la podemos ver en la Figura 6.11:
Y
y < 4x

Z 4Z
4x
P(X + Y < 4) =
0
e(X+Y) dydx
P(X + Y < 4) = 0,9084

d) Valor de k:
1
P(X + Y < k) =
2
Z k Z 4k
1
e(X+Y) dydx =
2
0
0
1
ek kek + 1 =
2
De lo anterior despejamos a k y obtenemos 2 posibles resultados de k:
k1 = 0,76803
k2 = 1,67834
Como resultado para este problema tomamos el valor de k = 1,67834, ya que

la distribucion solo esta definida para los valores positivos de X y Y.
242
e) P(n < X + Y < m) si 0 < n < m:

El a rea delimitada para el calculo de esta probabilidad la podemos ver representada en la Figura 6.12:
Y
n<X+Y<m
Para calcular esta probabilidad primero calculamos la probabilidad de que X +

Y < m (triangulo mayor) y le restamos la probabilidad de que X + Y < n
triangulo menor:
P(n < X + Y < m) = P(X + Y < m) P(X + Y < n)
Z m Z mx
Z n Z nx
(X+Y)
P(n < X + Y < m) =
e
dydx
e(X+Y) dydx
0
0
n
P(n < X + Y < m) = e (1 + n) e (1 + m)

f ) La probabilidad de que al menos 1 de estos valores caiga en el cuadrado unitario
es:
Z 1Z
P(cuadrado unitario) =
0
e(X+Y) dydx
P(cuadrado unitario) = 0,3996
243
Si definimos A como el numero de valores que cayo en el cuadrado unitario,

tenemos que la probabilidad de que al menos uno caiga es:
P(A 1) = P(A = 1) + P(A = 2) + P(A = 3)
P(A 1) = P(cuadrado unitario)+(P(cuadrado unitario))2 +(P(cuadrado unitario))3
P(A 1) = 0,3996 + (0,3996)2 + (0,3996)3 = 0,6231
6.2. Distribuciones Marginales

Las Distribuciones Marginales son las distribuciones individuales de X y de Y, se usan
cuando se desea estudiar solamente una de las variables.
CASO DISCRETO:
Sea (X, Y) una variable aleatoria bi-dimensional discreta distribuida p(x, y). Las distribuciones marginales de X y de Y se definen as:
p(x) =
p(x, y)
q(y) =
p(x, y)
CASO CONTINUO:
Sea (X, Y) una variable aleatoria bi-dimensional continua distribuida f (x, y). Las distribuciones marginales de X y de Y se definen as:
Z
g(x) =
f (x, y)dy
h(y) =
f (x, y)dx
244
EJERCICIOS
1. Se lanzan tres monedas y se define a X como el numero caras que salieron y Y el

numero de sucesiones. Encuentre las distribuciones marginales p(x) y q(y).
Solucion:
Los posibles valores que toman X y Y van de acuerdo al espacio muestral S :
S
X
Y
CCC
3
1
CCS
2
2
CSC
2
3
SCC
2
2
CSS
1
2
SCS
1
3
SSC
1
2
SSS
0
1
La Tabla 6.7 es la probabilidad conjunta del problema:

HH
HH X 0
HH
1
1
8
2
3
P
0
0
1
8
2
8
1
8
3
8
2
8
1
8
3
8
1
8
0
0
1
8
P
2
8
4
8
2
8
Tabla 6.7: Distribucion de Probabiliad Conjunta
Si tomamos las sumatorias obtenemos lar marginales, por lo tanto, la distribucion

marginal de X la podemos ver en la Tabla 6.8 y la distribucion marginal de Y en la
Tabla 6.9
X
p(x)
1
8
3
8
3
8
1
8
Tabla 6.8: Distribucion Marginal de X

Y
q(y)
245
1
2
8
4
8
2
8
Tabla 6.9: Distribucion Marginal de Y
2. Sea:
2X 0 X 1 ; 0 Y 1
f (x, y) =
0
de otra manera
Elabore la superficie de f (x, y) y encuentre las funciones de densidad marginal para

X y Y.
Solucion:
La grafica de la superficie de f (x, y) la podemos ver en la Figura 6.13:
f(x,y)
0
0
1
Figura 6.13: Superficie de f (x, y)
La distribucion marginal de X es:

Z 1
g(x) =
2xdy = 2x
0
para 0 X 1
246
La distribucion marginal de Y es:

Z 1
h(y) =
2xdx = 1
para 0 Y 1
3. La variable aleatoria (X, Y) esta distribuida uniformemente en el triangulo de la Figura 6.14. Encuentre las distribuciones marginales de X y Y.
Y
0
Solucion:
Si X y Y estan distribuidas uniformemente en la figura entonces, f (x, y) es:
f (x, y) =
Area
del triangulo
1
6
para 2 X 2 ; 3 Y 0
Ahora bien, para calcular las distribuciones marginales primero debemos definir los
lmites de integracion, para ello observamos la Figura 6.14 y delimitamos dentro de
que lmites se mueven X y Y. Para calcular la marginal de Y necesitamos el dx por
lo que en la Figura 6.15, se observa que X se mueve desde la recta Y = 1,5X hasta la
recta Y = 1,5X.
247
Y
0
Y = 1.5X
Y = 1.5X
Por lo tanto tenemos que la marginal de Y es:

Z 2/3y
1
2
h(y) =
dx = y
6
9
2/3y
para 3 Y 0
Se oberva en la ecuacion que los lmites de integracion estan en funcion de Y, esto

se hizo despejando de las rectas los valores X con el fin de que la marginal de Y
solo quede en funcion de esta. Por otra parte, antes de continuar debemos aclarar
algo, desde el comienzo de esta unidad se ha dicho que las distribuciones deben
ser positivas, entonces que ocurre para este caso en que h(y) = 2y9 ?, la respuesta
es sencilla, si observamos Y siempre va a tomar valores negativos, por lo tanto al
sustituirlos en la distribucion marginal nos dara como resultados valores positivos.
Ahora bien, para calcular la marginal de X necesitamos el dy, tenemos en la Figura
6.16 de donde a donde se mueve Y. Podemos ver que existen dos lmites para Y uno
que se mueve desde -3 hasta la recta Y = 1,5X y otra que se mueve desde -3 hasta
Y = 1,5X, por lo que debemos dividir la distribucion marginal de X en dos partes.
248
Y
0
Y = 1.5X
Y = 1.5X
Para 2 X 0:
1,5x
g(x) =
3
Para 0 < X 2:
1,5x
g(x) =
3
1
x 1
dy = +
6
4 2
1
x 1
dy = +
6
4 2
En resumen tenemos:
x
1
4+2
g(x) =
x +
4
2 X 0
1
2
0<X2
4. La variable aleatoria bidimensional (X, Y) esta distribuida f (x, y) = kx(x y) para

0 < X < 2 ; x < Y < x.
a) Encuentre la constante k.
b) Encuentre las densidades marginales.
Solucion:
La grafica de la proyeccion de este ejercicio la podemos ver en la Figura 6.17:
249
a) La constante k la podemos hallar de la siguiente manera:

Z 2Z x
(kx2 ky)dydx = 1
0
k=
1
8
Por lo tanto la distribucion conjunta es:

x
f (x, y) = (x y)
8
para 0 < X < 2 ; x < Y < x
b) Los lmites de variacion de X y Y los podemos obervar en la Figura 6.18

La densidad marginal de X es:
Z
g(x) =
x
!
x3
x2 xy
dy =
8
8
4
La densidad marginal de Y es:

Para 2 Y 0:
Z
h(y) =
y
!
x2 xy
5y3 y 1
+
dy =
8
8
48 4 3
250
Y=X
1
Y= X

Para 0 < Y 2:
Z
h(y) =
y
!
x2 xy
y3 y 1
dy =
+
8
8
48 4 3
h(y) =
5y3
4y + 13
48
y3
4y + 13
48
2 Y 0
0<Y2
6.3. Distribuciones Condicionales

CASO DISCRETO:
Sean (X, Y) variables aleatorias discretas con funcion de probabilidad p(x, y) y funciones de probabilidad marginales p(x) y q(y) respectivamente, entonces las funciones de
probabilidad condicional discreta son:
p(xi /y j ) =
p(xi , y j )
q(y j )
si q(y j ) > 0
q(y j /xi ) =
p(xi , y j )
p(xi )
si p(xi ) > 0
251
CASO CONTINUO:
Sean (X, Y) variables aleatorias continuas con funcion de probabilidad f (x, y) y funciones de probabilidad marginales g(x) y h(y) respectivamente, entonces las funciones de
probabilidad condicional continua son:
g(x/y) =
f (x, y)
h(y)
si h(y) > 0
h(y/x) =
f (x, y)
g(x)
si g(x) > 0
EJERCICIOS
1. De un grupo de profesores, 2 alumnos y 1 profesora, debe seleccionarse al azar un
comite de 2 personas. Sea X el numero de profesores y Y el numero de alumnos en
el comite. Encuentre:
a) La distribucion conjunta de X y Y.
b) La distribucion marginal de X y Y.
c) La distribucion condicional de X dado Y = 1.
Solucion:
a) Como se trata de un caso discreto la distribucion conjunta de X y Y la obtenemos
a traves de la tabla de probabilidad conjunta. Definamos las variables y sus
valores:
X = numero de profesores en el comite = {0, 1, 2}
Y = numero de alumnos en el comite = {0, 1, 2}
Para calcular cada una de las p(xi , y j ) utilizamos Teora Combinatoria, por
ejemplo, para calcular la probabilidad de que el comite este conformado por
1 profesor y ningun alumno (p(X = 1, Y = 0)) tenemos:
32
3
1 0
p(1, 0) = 6 =
15
2
252
Probabilidad de que el comite este formado por un profesor y un alumno es:

32
1
1 1
p(1, 1) = 6 =
15
2
Asi sucesivamente vamos calculamos todas las posibles soluciones y obtenemos

la Tabla 6.10:
HH
HH X
0
Y
HH
1
2
P
2
15
1
15
3
15
3
15
6
15
3
15
0
0
9
15
3
15
P
6
15
8
15
1
15
b) Las distribuciones marginales de X y Y las podemos ver en las Tabla 6.11 y

6.12, respectivamente:
X
p(x)
3
15
9
15
3
15
Tabla 6.11: Distribucion marginal de X
Y
q(y)
6
15
8
15
1
15
Tabla 6.12: Distribucion marginal de Y
c) Observamos que se desea encontrar la distribucion condicional de X dado Y =

1, sin embargo no se pide un valor especfico de X, por lo que se debe realizan
para todos los valores de X:
p(X = 0/Y = 1) =
p(0, 1) 1
=
q(1)
4
253
p(X = 1/Y = 1) =
p(1, 1) 3
=
q(1)
4
p(X = 2/Y = 1) =
p(2, 1)
=0
q(1)
2. Sea f (x, y) = 2 para 0 < X < Y < 1. Encuentre las distribuciones marginales y
condicionales correspondientes.
solucion:
Calculamos las distribuciones marginales:
Z 1
g(x) =
2dy = 2 2x
para 0 < X < 1
h(y) =
2dx = 2y
para 0 < Y < 1
Calculamos las distribuciones condicionales:

g(x/y) =
h(y/x) =
2
1
=
2y y
2
1
=
2 2x 1 x
para 0 < X < 1 ; 0 < Y < 1

para 0 < X < 1 ; 0 < Y < 1
3. El dueno de un comedor le interesa estudiar los tiempos de espera de las personas en

define X como el tiempo total entre la llegada de un cliente al comedor
su negocio. El
y su salida de la caja, y Y el tiempo que tarda el cliente en la cola antes de llegar a la
caja.
Su distribucion de probabilidad conjunta es: f (x, y) = ex para 0 Y X < .
Si han transcurrido 4 minutos entre la llegada de un cliente al comedor y su salida de
la caja, calcule la probabilidad de que haya esperado en la cola menos de 1 minuto.
Solucion:
Definimos nuevamente las variables:
X = tiempo total entre llegada y salida
Y = tiempo en la cola de la caja
254
Se pide entonces P(Y < 1/X = 4)

Calculamos la distribucion marginal de X:
Z x
g(x) =
ex dy = xex
0
Calculamos la funcion condicional h(y/x):

f (x, y)
ex
1
h(y/x) =
= x =
g(x)
xe
x
Tenemos:
P(y < 1/x = 4) =
h(y/x = 4)dy =
0
1
1
dy =
4
4
Por lo tanto, la probabilidad de que un cliente dure menos de un minuto en la cola,

sabiendo que duro 4 minutos desde que entro al local hasta salir de la caja, es del
25 %.
4. Una maquina vendedora de refresco se llena al principio de un da con una cantidad
aleatoria Y y despacha durante el da una cantidad aleatora X (medida en galones).
No se vuelve a surtir durante el da y entonces X Y. La densidad conjunta de X y
Y es:
2 0XY; 0Y2
f (x, y) =
0
de otra manera
Encuentre:
a) La densidad condicional de X dado Y = y.
b) La probabilidad de que se venda menos de medio galon, dado que la maquina
contiene 1 galon al inicio del da.
Solucion:
a) Calculamos la distribucion de Y:
Z
h(y) =
0
y
1
dx =
2
2
255
Calculamos la densidad condicional:

f (x, y)
g(X/Y = y) =
=
h(y)
1
2
y
2
1
y
b) La probabilidad condicional es:

Z
0,5
P(X < 0,5/ Y = 1) =
0,5
g(x/y = 1)dx =
0
dx =
0
1
2
Por lo tanto la probabilidad de que se venda menos de medio galon, dado que
la maquina contiene 1 galon al inicio del da es del 50 %.
5. Sea:
4xy 0 X 1 ; 0 Y 1
f (x, y) =
0
de otra manera
Encuentre:
a) Las distribuciones marginales.
b) Las distribuciones condicionales.
c) P(X 0,5/Y 0,75).
d) P(X 0,75/Y = 0,5).
Solucion:
a) La distribucion marginal de X es:
Z 1
g(x) =
4xydy = 2x
para 0 X 1
La distribucion marginale de Y es:

Z 1
h(y) =
4xydx = 2y
para 0 Y 1
b) La distribucion condicional X dado Y es:

g(x/y) =
f (x, y) 4xy
=
= 2x
h(y)
2y
256
La distribucion condicional Y dado X es:

h(y/x) =
f (x, y) 4xy
=
= 2y
g(x)
2x
c) P (X 0,5/Y 0,75):
R 12 R 1
P(X 0,5/Y 0,75) =
3
4
R1
3
4
f (x, y)dydx
h(y)dy
1
4
d) P(X 0,75/Y = 0,5):

Z
3
4
P(X 0,75/Y = 0,5) =
g(x/y = 0,5)dx =
9
16
6. Dada la funcion de densidad conjunta:

f (x, y) =
2(x + 6y)
7
para 0 X 1 ; 0 Y 1
Calcular:
a) P(X 0,3/y).
b) P(X 0,3/y = 0,8)
Solucion:
a) Para calcular la P(X 0,3/y) debemos calcular primero la distribucion
marginal de Y, luego la distribucion condicional de X dado Y:
Z 1
1 12y
2
(x = 6y)dx = +
h(y) =
7
7
0 7
g(x/y) =
f (x, y) 2(x = 6y)

=
h(y)
1 + 12y

Z
0,5
P(X 0,3/y) =
g(x/y)dx =
0
0,09 + 3,6y
1 + 12y
257
b) Para calcular esta probabilidad sustituimos el valor de Y = 0,8) en la distribucion condicional g(x/y = 0,8) para obtener la P(X 0,3/y = 0,8):
Z 0,3
Z 0,3
10
P(X 0,3/y = 0,8) =
g(x/y = 0,8) =
(x + 4,8)dx
53
0
0
P(X 0,3/y = 0,8) = 0,2801
6.4. Variables Aleatorias Independientes

Nuevamente en este captulo retomamos el tema de independencia, recordemos que
las variables aleatorias X y Y son independientes si los valores que toma una de ellas de
ninguna manera afecta los valores que toma la otra.
Para verificar si son o no independientes tenemos lo siguiente:
CASO DISCRETO:
Sea (X, Y) una variable aleatoria bidimensional discreta. Las variables X y Y son independientes ssi:
p(xi , y j ) = p(xi ) q(y j )
y i j
CASO CONTINUO:
Sea (X, Y) una variable aleatoria bidimensional continua. Las variables X y Y son independientes ssi:
f (x, y) = g(x) h(y)
EJERCICIOS
258
1. Se asignan aleatoriamente los contratos para 2 construcciones a una o mas de 3 empresas A, B y C. Sea X el numero de contratos asignados a la empresa A, y Y el
numero de contratos asignados a B.
a) Encuentre la funcion de probabilidad conjunta X y Y.
b) Encuentre las distribuciones marginales X y Y.
c) Son X y Y independientes?
Solucion:
a) La funcion de probabilidad conjunta la podemos ver en la Tabla 6.13
HH
HH X 0
Y
HH
1
0
9
2
1
9
1
2
9
2
9
2
9
1
9
0
0
Tabla 6.13: Distribucion de Probabilidad Conjunta
b) Las distribuciones marginales X y Y la podemos ver en las Tablas 6.14 y 6.15:

X
p(x)
4
9
4
9
1
9
Tabla 6.14: Distribucion Marginal de X
Y
q(y)
4
9
4
9
1
9
Tabla 6.15: Distribucion Marginal de Y
c) Para verificar que X y Y son independientes, se debe cumplir lo siguiente:

p(xi , y j ) = p(xi ) q(y j )
259
Por lo tanto:
p(x = 1, y1) = p(x = 1) q(y = 1)
2 4 4
=
9 9 9
2 16
,
9 81
Como son diferentes, entonces X y Y no son independientes.
2. Sea
4xy 0 X 1 ; 0 Y 1
f (x, y) =
0
de otra manera
Demuestre que X y Y son independientes.

Solucion:
Buscamos las marginales:
Z
g(x) =
4xydy = 2x
0
h(y) =
4xydx = 2y
0
Tenemos:
f (x, y) = g(x) h(y)
4xy = 2x 2y
La multiplicacion de las marginales es exactamente igual a la distribucion conjunta,
por lo tanto las variables X y Y si son independientes.
6.5. Momentos de Variables Aleatorias Bidimensionales

Se define como el momento de orden n1 + n2 a la esperanza matematica de la variable
aleatoria bidimensional (X, Y):
260
CASO DISCRETO:
E[X n1 Y n2 ] =
XX
xn1 yn2 p(x, y)
CASO CONTINUO:
Z Z
n1
n2
xn1 yn2 f (x, y)dydx
E[X Y ] =
EJERCICIOS
1. X y Y tienen la densidad conjunta:
2x 0 X 1 ; 0 Y 1
f (x, y) =
0
de otra manera
Obtenga E(XY) y V(X).
Solucion:
Para calcular E(XY) observamos que n1 = 1 y n2 = 2, es decir, calculamos el momento de orden 2, o tambien llamado la esperanza producto:
Z 1Z 1
E(XY) =
x y f (x, y)dydx
0
Z 1Z
E(XY) =
x y 2xdydx =
0
1
3
Calculamos la varianza de X, para ello recordamos del captulo 3, que la varianza de

una variable aleatoria se calcula restandole al segundo momento, el primer momento
elevado al cuadrado, por lo tanto tenemos:
V(X) = E(X 2 ) [E(X)]2
"Z 1 Z 1
#2
Z 1Z 1
2
V(X) =
x 2xdydx
x 2xdydx
0
V(X) =
2
1
2
3
!2
1
18
261
2. Dada la distribucion conjunta:
6(1 y) 0 X Y 1
f (x, y) =
0
de otra manera
Encuentre:
a) E(X) y E(Y).
b) V(X) y V(Y).
c) E(X 3Y).
Solucion:
a) Calculamos E(X):
Z 1Z
E(X) =
0
x 6(1 y)dydx =
1
4
y 6(1 y)dydx =
1
2
Calculamos E(Y):
Z 1Z
E(Y) =
0
b) Calculamos la V(X):
V(X) = E(X 2 ) [E(X)]2
"Z 1 Z 1
#
Z 1Z 1
2
V(X) =
x 6(1 y)dydx
x 6(1 y)dydx
0
V(X) =
1
1
10
4
!2
3
80
Calculamos V(Y):
V(Y) = E(Y 2 ) [E(Y)]2
"Z 1 Z 1
#
Z 1Z 1
2
V(Y) =
y 6(1 y)dydx
y 6(1 y)dydx
0
V(Y) =
1
3
10
2
!2
1
20
262
c) Para calcular la E(X 3Y) utilizamos las propiedades de la esperanza:

E(X 3Y) = E(X) 3E(Y)
E(X 3Y) =
1
1
5
3 =
4
2
4
3. En una distribucion de frecuencias para la variable aleatoria bidimensional (X, Y) se

ha obtenido la siguiente tabla:
HH
HH X 3
HH
5
7
9
Totales
4
2
2
8
Totales
2
1
2
5
3
2
4
9
0
2
3
5
9
7
11
27
Tabla 6.16: Distribucion de frecuencia
Encuentre E(XY), E(X) y E(Y 2 ).

Solucion:
Buscamos la tabla de probabilidad conjunta del ejercicios:
HH
3
HH
H
5
7
9
P
4
27
2
27
2
27
8
27
2
27
1
27
2
27
5
27
3
27
2
27
4
27
9
27
0
2
27
3
27
5
27
P
9
27
7
27
11
27
Tabla 6.17: Distribucion de probabilidad conjunta
E(XY) = 53
4
2
3
2
1
2
2
2
+54 +57 +73 +74 +77 +78 +93 +
27
27
27
27
27
27
27
27
+9 4
4
3
1079
2
+97
+98
=
27
27
27
27
E(X) = 3
263
8
5
9
5
49
+4
+7
+8
=
27
27
27
27
9
E(Y 2 ) = (5)2
9
7
11 1459
+ (7)2
+ (9)2
=
27
27
27
27
6.6. La Covarianza
La Covarianza de X y Y mide el grado de relacion o de dependencia entre las variables
X y Y. Se mide en las unidades de X multiplicadas por las unidades de Y.
x,y = COV(X, Y) = E(XY) E(X) E(Y)
Si la Covarianza de dos variables aleatorias es igual a cero, entonces las variables son
independientes.
A diferencia de la varianza que es extrictamente positiva, la Covarianza puede tomar
valores negativos y positivos.
La Covarianza sera positiva cuando los valores de X aumentan con los valores de Y, es
decir se mueven en la misma direccion; y sera negativa cuando los valores de X disminuyen
al aumentar los valores de Y.
EJERCICIOS
1. Se lanza una moneda y un dado correctos. Sean X el numero de caras obtenidas y Y

el numero que sale en el dado. Calcule la covarianza.
Solucion:
264
X = Numero de caras
Y = Numero del dado
De antemano sabemos que el resultado de la moneda es independiente del lanzamiento del dado (las variables X y Y son independientes), por lo que la covarianza
debe ser igual a cero, sin embargo vamos a comprobarlo.
La tabla de probabilidad conjunta del problema la podemos ver en la Tabla 6.18:
HH
HH Y 1
X
HH
0
1
P
1
12
1
12
2
12
1
12
1
12
2
12
1
12
1
12
2
12
1
12
1
12
2
12
1
12
1
12
2
12
1
12
1
12
2
12
P
6
12
6
12
E(XY) =
1 + 1 2 + 1 3 + 1 4 + 1 5 + 1 6 21
=
12
12
E(X) = 0
E(Y) =
6
6
6
+1
=
12
12 12
2 + 4 + 6 + 8 + 10 + 12 42
=
12
12
Por lo tanto:
x,y =
6 42
21
=0
12 12 12
Como se dijo desde un principio la covarianza es igual a cero, lo que ratifica que el
numero de cara que salga es el lanzamiento de una moneda es totalmente independiente del numero que salga en el dado.
265
2. Dada la distribucion de probabilidad conjunta:
3x 0 Y X 1
f (x, y) =
0 de otra manera
Encuentre la covarianza.
Solucion:
Z 1Z
E(XY) =
x y 3xdydx =
0
Z 1Z
E(X) =
0
3
4
y 3xdydx =
3
8
Z 1Z
E(Y) =
0
x 3xdydx =
3
10
Por lo tanto:
x,y =
3
3 3
= 0,0188
10 4 8
Lo que significa que las variables aleatorias X y Y son dependientes.

3. Se les realizo un tratamiento a 5 pacientes de cierta enfermedad con un farmaco, en
el estudio se variaron las cantidades diarias suministradas del mismo, y se midio el
numero de das en que cada enfermo tardo en sanar. Se obtuvieron los siguientes
resultados:
Miligramos del farmaco
Das en sanar
10
200
20
180
Calcular la covarianza entre estas dos variables.

Solucion:
30
150
40
120
50
100
266
Definimos las variables:

X = Miligramos del farmaco
Y = Das en sanar
Elaboramos la tabla de distribucion de probabilidad:
HH
HH X 10
Y
HH
1
5
200
180
150
120
100
P
20
30
40
50
0
0
0
0
0
0
0
0
0
1
5
0
0
0
0
0
0
0
0
0
1
5
1
5
1
5
1
5
1
5
1
5
1
5
1
5
P
1
5
1
5
1
5
1
5
1
5
Tabla 6.19: Distribucion de Probabilidad Conjunta
E(XY) =
200 10 + 180 20 + 30 150 + 40 120 + 50 100

= 3980
5
E(X) =
E(Y) =
10 + 20 + 30 + 40 + 50
= 30
5
200 + 180 + 150 + 120 + 100

= 150
5

x,y = 3980 30 150 = 520
La covarianza toma un valor negativo, por lo que podemos afirmar que a medida que
se aumenta los miligramos del farmaco, disminuye la cantidad de das necesarios
para la sanacion de los pacientes, por lo que las variables son dependientes.
267
6.7. Coeficiente de Correlacion

La correlacion es una tecnica estadstica que usa para para determinar la relacion entre
dos variables, para este caso estudiaremos el Coeficiente de Correlacion.
El coeficiente de correlacion () mide el grado de dependencia lineal entre dos variables
aleatorias cuantitativas, por lo que es adimensional (no posee unidades de medida).
x,y
x y
1 1
Si = -1, existe una correlacion lineal negativa perfecta, es decir hay una relacion
inversa, cuando una de ellas aumenta la otra disminuye en identica proporcion.
Si esta entre (-1,0), existe una correlacion lineal negativa entre las variables.
Si = 0, significa que no existe una correlacion lineal entre las variables, es decir, son
independientes.
Si esta entre (0,1), significa que existe una correlacion lineal positiva.
Por u ltimo, si = 1, significa que existe una correlacion lineal positiva perfecta, por lo
que hay una dependencia total entre las dos variables, cuando una de ellas aumenta la otra
tambien aumenta en identica proporcion.
EJERCICIOS
1. Una variable aleatoria bidimensional discreta tiene como distribucion de probabilidad cojunta la mostrada en la Tabla 6.20.
Calcule el coeficiente de correlacion.
268
HH
HH X 1
Y
HH
1
1
4
4
P
-1
-2
1
4
1
4
1
4
1
4
1
4
1
4
1
4
P
2
42
2
4
Solucion:
E(XY) =
1+(1)+8+(8)
=0
4
Para la variable X tenemos:

E(X) =
Para la variable Y tenemos:
1+(1)
=0
4
E(X 2 ) =
2+8 10
E(Y) = 4 = 4
1+1+4+4 10
= 4
4
E(Y 2 ) =
10
V(X) = 4
2+32 34
4 = 4
34
V(Y) = 4
2
10
4
9
=4
Tenemos:
=
x,y
E(XY) E(X) E(Y)
= p
p
x y
E(X 2 ) [E(X)]2 E(Y 2 ) [E(Y)]2
0 0 10
= q q4 = 0
10
4
9
4
Por lo tanto entre las variables (X, Y) no existe una dependencia lineal.
2. La variable aleatoria (X, Y) esta distribuida uniformemente sobre el triangulo de la
Figura 6.19. Encuentre .
269
X
2
Solucion:
Como la variable aleatoria bidimensional esta distribuida uniformemente, tenemos
que la distribucion conjunta es:
f (x, y) =
1
1
=
Area 2
para 2 X 2 ; 0 Y 1
Calculamos la ecuacion de la recta que va desde el punto (-2 ; 0) al punto (2 ; 1), y

tenemos:
X 1
+
4 2
Y=
Tenemos entonces:
Z 2Z
X 1
4 +2
E(XY) =
0
Z 2Z
X 1
4 +2
E(X) =
2
Z 2Z
X 1
4 +2
E(Y) =
2
xy
1
dydx =
2
3
2
x
dydx =
2
3
y
1
dydx =
2
3
270
Z 2Z
E(X ) =
2
E(Y ) =
2
4
3
X 1
4 +2
y2
4
dydx =
2
3
1
3
= q
x2
4
dydx =
2
3
Z 2Z
X 1
4 +2
23
2 q
2
3
1
3
1
6
1
2 = 2
1
3
Existe una dependencia lineal positiva entre X y Y.
6.8. Distribucion de la funcion de dos variables aleatorias

Para esta seccion estudiaremos el calculo de la funcion de densidad de una variable
aleatoria Z a partir de funcion de densidad de la variable aleatoria bidimensional (X, Y).
EJERCICIOS
1. Las variables aleatorias X y Y obedecen la distribucion de probabilidad f (x, y) =

e(x+y) en el cuadrante positivo. Encuentre la distribucion de probabilidad de Z =
X + Y.
Solucion:
Para este caso, la distribucion de probabilidad de la variable continua Z es la suma de
dos variables aleatorias (X y Y), esto lo realizamos segun la siguiente metodologa:
Z
g(z) =
f (x, z x)dx
271
Debemos crear la funcion f (x, z x) que solo dependa de X y Z; sabemos que Z =

X + Y, despejamos a Y y tenemos Y = Z X, es decir, siempre que aparezca Y
sustituiremos por Z X, tenemos entonces:
f (x, y) = e(x+y)
f (x, z x) = e(x+zx) = ez
Ahora bien, debemos establecer los lmites para los cuales Z esta definida, para ello
realizamos el mismo procedimiento, sustituimos Y por Z X:
X > 0
X
> 0
X > 0
ZX > 0
Z > X
Y > 0
Por lo tanto tenemos el a rea bajo estudio se muestra en la Figura 6.20:
Z
Z=X
Z>X
X
0
Figura 6.20: Proyeccion en el plano XZ
Ahora calculamos la funcion de distribucion y tenemos:

Z Z
g(z) =
eZ dx = ZeZ
para Z > 0
0
272
2. La variable aleatoria (X, Y) esta distribuida uniformemente en el cuadrado unitario.

Encuentre la densidad de Z = X + Y.
Solucion:
Observamos que la variable Z se trata de nuevo de la suma de X y Y como el caso
anterior, utilizamos la misma metodologa:
f (x, y) = 1
para 0 X 1 ; 0 Y 1
f (x, z x) = 1
Los lmites para los cuales Z esta definida son:
0 <X< 1
<X<
1
0
0 <ZX < 1
0 <Y< 1
0 <X< 1
X <Z < 1+X
Por lo tanto tenemos la Figura 6.21:

Z
Z = 1+X
1.5
Z=X
0.5
X
0
0.5
Para este caso observamos en la grafica que X se mueve desde dos puntos diferentes,
uno va desde 0 hasta la recta Z = X (zona roja) y otra toma valores desde la recta
273
Z = X + 1 hasta el valor de 1 (zona azul), por lo tanto debemos dividir la funcion de

densidad de Z en dos partes:
Para 0 < Z 1:
g(z) =
dx = Z
0
Para 1 < Z 2:
g(z) =
dx = 2 Z
Z1
En resumen tenemos:
0<Z1
Z
g(z) =
2Z 1Z 2
3. Sea la funcion de densidad conjunta de (X, Y):
3x 0 Y X 1
f (x, y) =
0
en otra parte
Hallar la funcion de densidad de probabilidad para Z = X Y y graficarla.
Solucion:
En este ejercicio se trata de la resta de dos variables aleatorias, sin embargo se puede
tratar como los casos anteriores donde se trataba de una suma de variables.
f (x, y) = 3x
para 0 Y X 1
f (x, x z) = 3x
Los lmites para los cuales Z esta definida son:
0 <X< 1
0
<
X
<
1
0
<
X
<
1
0 <Y < X 0 < XZ < X 0 <Z < X
274
Z=X
0.5
Z<X
X
0
0.5
Estos lmites definen el a rea mostrada en la Figura 6.22.

Z
g(z) =
Z
3
3xdx = (1 Z 2 )
2
para 0 Z 1
La grafica de la funcion de densidad de Z la observamos en la Figura 6.23.

g(z)
1.5
0.5
Z
0
0.2
0.4
0.6
0.8
Figura 6.23: Distribucion de probabilidad de Z
275
4. Las variables X y Y son independientes, y sus distribuciones son las siguientes:

g(x) =
8
x3
h(y) = 2y
para X > 2
para 0 < Y < 1
Encontrar la distribucion de Z = XY.

Solucion:
Para este caso observamos que se trata de la multiplicacion de dos variables aleatorias, para este caso seguimos la siguiente metodologa1 :
Si Z = XY:
Z
g(z) =
g(z) =
1 z
f x, dx
x
x
1 z
f x, dx
|x|
x
para Z > 0
para < Z <
Tenemos que si X y Y son independientes, entonces f (x, y) = g(x) h(y):

f (x, y) =
16y
x3
para X > 2 ; 0 < Y < 1
Si Y = XZ , entonces:

z 2Z
f x,
=
x
X
Los lmites en que esta definida Z sera entonces:
X
>
2
X
>
2
X
>
2
0 <Y< 1 0 < X < 1 0 <Z< X

Graficamos y tenemos:
1
ca 1
Estas metodologas son las recomendadas por el Profesor Oswaldo Ramrez en su publicacion Estocasti-
276
Z=X
4
Z>2
Z<2
X
0
Figura 6.24: Proyeccion en XZ
Dividimos la funcion de densidad de Z en dos partes, como se ve en la Figura 6.24:

Para 0 Z < 2:
g(z) =
2
Para Z 2:
g(z) =
Z
!
!
1
8
2Z
Z
3
dx =
X
X
x
4
!
!
1
8
2Z
4
3
dx = 3
X
X
x
Z
g(z) =
Z
4
0Z<2
4
Z3
Z2
5. Si las variables X y Y tienen funcion de densidad conjunta:

f (x, y) =
xy
96
para 0 < X < 4 ; 1 < Y < 4
Encuentre la funcion de densidad de Z = X 2 Y.

Solucion:
Nuevamente se trata de la multiplicacion de 2 variables, por lo tanto tenemos:

Si Y = XZ2 , entonces:
277
z
Z
f x,
=
x
96X
Los lmites en que esta definida Z sera entonces:
0 <X< 4
0
<
X
<
4
0 <X< 4
X 2 < Z < 5X 2
1 < Z2 < 5
1 <Y< 5
X
Z
80
Z=5X2
70
60
50
40
30
20
Z=X2
10
X
0
Figura 6.25: Proyeccion en XZ

Nuevamente se divide la funcion de densidad de Z en dos partes, Ver Figura 6.25.
Para 0 Z 16:
Z
g(z) =
1 5
1 Z
Z X 96X dx = Z 96
5
Para 16 < Z 80:

Z
g(z) =

1 Z
Z
dx
=
4
5
Z
Z X
96X
96
5
4

1 5
0 Z 16
Z 96
g(z) =

Z 4 5 Z 16 < Z 80
96
278
6. Las variables X y Y son independientes y sus distribuciones marginales se indican en

las Figuras 6.26 y 6.27.
h(y)
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
Y
0
0.5
1.5
2.5
3.5
Figura 6.26: Distribucion Marginal de Y
g(x)
0.6
0.5
0.4
0.3
0.2
0.1
X
0
0.5
1.5
2.5
3.5
4.5
Figura 6.27: Distribucion Marginal de X
Encuentre la distribucion marginal de Z = YX .

Solucion:
279
Para este caso se trata de la division de dos variables aleatorias, para poder hallar la
distribucion de probabilidad de Z realizamos lo siguiente:
Si Z = YX :
x f (x, zx)dx
g(z) =
para Z > 0
g(z) =
|x| f (x, zx)dx
para < Z <
Como X y Y estan distribuidas segun las figuras dadas, buscamos las ecuaciones de
las rectas, que seran las distibuciones marginales:
2
h(y) = y
9
1
g(x) = (x 5)
8
La funcion de densidad f (x, y) sera:

f (x, y) =
y
(5 x)
36
para 0 Y 3 ; 1 X 5
Si Y = ZX, entonces:
f (x, zx) =
zx
(5 x)
36
Los lmites en que esta definida Z seran entonces:
1 <X> 5
1
<
X
>
5
1
<
X
>
5
0 < Y < 3 0 < ZX < 3 0 < Z < X

Graficamos y tenemos la Figura 6.28.
Dividimos la distribucion de probabilidad de Z en dos partes:
Para 0 Z 0,6:
Z
g(z) =
x
1
38Z
zx
(5 x)dx =
36
27
280
Z
3
Z=3/X
2.5
1.5
0.5
X
0
0.5
1.5
2.5
3.5
4.5
Figura 6.28: Proyeccion de XZ
Para 0,6 < Z 3:

Z
3
Z
g(z) =
zx
5
9
17Z
(5 x)dx = 2 3
36
4Z
4Z
432
g(z) =
38Z
27
5
4Z 2
0 Z 0,6
9
4Z 3
17Z
432
0,6 < Z 3

1. La variable aleatoria (X, Y) esta distribuida uniformemente sobre el circulo de radio
R con centro en el origen de coordenadas. Encuentre las densidades marginales de X
y Y y diga si son variables independientes.
2. Si X esta distribuida uniformemente en el intervalo (1,4) y Y esta distribuida uniformemente en el intervalo (0,1), como estara distribuida Z = X + Y y Z = XY?
281
3. La variable aleatoria (X, Y) esta distribuida uniformemente sobre el triangulo de la

Figura 6.29.
X
1
Figura 6.29: Proyeccion de XY
a) Encuentre las densidades marginales.

b) Encuentre .
4. La variable aleatoria bidimensional (X, Y) esta distribuida uniformemente para X
perteneciente a (-2 ; 2) y Y perteneciente a (0 ; 1). Encuentre la distribucion de probabilidad de Z = Y X y Z = X + Y.
5. La densidad conjunta para las variables aleatorias (X, Y), donde X es el cambio de
temperatura unitario, y Y es la proporcion de desplazamiento espectral que produce
cierta partcula atomica, es:
10xy 0 < X < Y < 1

f (x, y) =
0
en otro caso
282
a) Encuentre la densidad marginal de X.

b) Encuentre la probabilidad de que el espectro se desplace mas de la mitad de las
observaciones totales, dado que la temperatura aumenta a 0,5 unidades.
Bibliografa
[1] Armas, J. Estadstica Descriptiva Sencilla. Universidad de Los Andes. Venezuela,
2002.
[2] Armas, J.
Estadstica Sencilla - Probabilidades.
Universidad de Los Andes.
Venezuela, 2004.
[3] Gutierrez, H. Control Estadstico de Calidad y Seis Sigma. Editorial McGraw Hill.
Mexico, 2004.
[4] Lipschutz, S. Probabilidad. Serie Shaum. Editorial McGraw Hill. USA, 2001.
[5] Mendenhall, W.
Estadstica Matematica con Aplicaciones.
Grupo Editorial
Iberoamericana. USA, 1994.

[6] Milton, J. Probabilidades y Estadstica. Editorial McGraw Hill. USA, 2004.
[7] Montgomery, D. Control Estadstico de la Calidad. Editorial Limusa Wiley. USA,
2005.
[8] Ramirez, O. Probabilidades. Universidad de Los Andes. Venezuela, 1999.
[9] Ramirez, O. Estocastica 1. Universidad de Los Andes. Venezuela, 2005.
[10] Nunez, R. Estadstica para la Ciencia Social. Editorial Trillas. Mexico, 2007.
283
BIBLIOGRAFIA
284
[11] Spiegel, M. Probabilidad y Estadstica. Serie Shaum. Editorial McGraw Hill. USA,
2003.
[12] Torres, E. Probabilidades. Universidad de Los Andes. Venezuela, 2004.
[13] Walpole, R. Probabilidad y Estadstica para ingeniera y Ciencias. Editorial Pearson.
USA, 2007.

Manual Estocastica1

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Manual Estocastica1

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DE LOS ANDES

Manual de Ejercicios: ESTOCASTICA

A mi familia, que siempre me ha dado mas

1.1. Histogramas y Polgonos de Frecuencia . . . . . . . . . . . . . . . . . . .

1.2. Medidas Descriptivas Numericas . . . . . . . . . . . . . . . . . . . . . . . 16

2.1. Teora de Conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

2.6. Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

3.1. Distribucion de Probabilidad de una Variable Aleatoria Discreta . . . . . . 91

4.1. Distribuciones Clasicas Discretas . . . . . . . . . . . . . . . . . . . . . . . 146

5.1. La Desigualdad de Chebyshev . . . . . . . . . . . . . . . . . . . . . . . . 208

6.1. Variable Aleatoria Bi-dimensional . . . . . . . . . . . . . . . . . . . . . . 227

CAPITULO 1. ESTADISTICA DESCRIPTIVA

1.1. Histogramas y Polgonos de Frecuencia

Tabla 1.1: Numero de personas por habitacion

Elabore el histograma de la cantidad de personas alojadas por habitacion en el hotel.

CAPITULO 1. ESTADISTICA DESCRIPTIVA

Para construir el histograma es recomendable ordenar los datos en la distribucion de

Tabla 1.2: Distribucion de Frecuencia

La sumatoria de la frecuencia absoluta y el u ltimo valor de la frecuencia acumulada,

CAPITULO 1. ESTADISTICA DESCRIPTIVA

Frecuencia Absoluta (fi)

Nmero de persona por habitacin

Figura 1.1: Histograma con la fi

Frecuencia Acumulada (Fi)

Nmero de persona por habitacin

Figura 1.2: Histograma con la Fi

CAPITULO 1. ESTADISTICA DESCRIPTIVA

2. En un estudio realizado en una escuela de primaria, se recolectaron los pesos en

Tabla 1.3: Peso de 30 ninos entre 9 y 11 anos

Si por el contrario se tiene es la amplitud de las clases y se desea conocer es el numero

Valor Maximo - Valor Mnimo

CAPITULO 1. ESTADISTICA DESCRIPTIVA

El mayor valor de la serie de datos es 31,3 kilogramos y el menor valor es 26,0

Por lo tanto, la amplitud de los intervalos es de 1 kilogramo. Tambien existen casos

Como se observa en la tabla, se recomienda que los intervalos sean semi-abiertos,

La frecuencia absoluta ( fi ) de esta distribucion sera el numero de veces que se repiten

CAPITULO 1. ESTADISTICA DESCRIPTIVA

De esta forma, la distribucion de frecuencia para la informacion de los pesos de los

Tabla 1.5: Distribucion de Frecuencia

CAPITULO 1. ESTADISTICA DESCRIPTIVA

Frecuencia Absoluta (fi)

Figura 1.3: Histograma y Polgono de Frecuencia con la fi

Es importante resaltar que cuando todas las clases de la distribucion de frecuencia

CAPITULO 1. ESTADISTICA DESCRIPTIVA

Frecuencia Relativa (Fr)

Figura 1.4: Histograma con la Fr

3. Se realizo una encuesta a un grupo de 40 hombres de la Facultad de Ingeniera donde

Tabla 1.6: Informacion de los 40 hombres

CAPITULO 1. ESTADISTICA DESCRIPTIVA

Dentro del conjunto de datos se tienen solo 3 grupos sanguneos A, B y O. Estos

Tabla 1.7: Distribucion de Frecuencia

b) El histograma con la frecuencia relativa se observa en la Figura 1.5.

Frecuencia Relativa (fr)

Figura 1.5: Histograma con la f r

c) El histograma con la frecuencia relativa acumulada se observa en la Figura 1.6.

CAPITULO 1. ESTADISTICA DESCRIPTIVA

Frecuencia Relativa Acumulada (Fr)

Figura 1.6: Histograma: Frecuencia Relativa Acumulada

4. La Tabla 1.8 es la distribucion de frecuencia de las calificaciones del primer examen

Tabla 1.8: Distribucion de Frecuencia

Represente los datos en un histograma y en un polgono de frecuencia, utilizando la

CAPITULO 1. ESTADISTICA DESCRIPTIVA

Estos valores tambien deben representarse en el histograma y en el polgono, para

Frecuencia Absoluta (fi)