Está en la página 1de 289

UNIVERSIDAD DE LOS ANDES

FACULTAD DE INGENIERIA
ESCUELA DE SISTEMAS
DEPARTAMENTO DE INVESTIGACION DE OPERACIONES
Manual de Ejercicios: ESTOC

ASTICA 1
Por: Karla Patricia Ramrez Araujo
Mayo de 2009
A mi familia, que siempre me ha dado m as
de lo que he so nado.

Indice general
0.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1. Estadstica Descriptiva 3
1.1. Histogramas y Polgonos de Frecuencia . . . . . . . . . . . . . . . . . . . 4
1.2. Medidas Descriptivas Num ericas . . . . . . . . . . . . . . . . . . . . . . . 16
1.3. Introducci on al Muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.3.1. Muestreo Simple Aleatorio . . . . . . . . . . . . . . . . . . . . . . 38
1.3.2. Muestreo Sistem atico . . . . . . . . . . . . . . . . . . . . . . . . . 44
1.3.3. Muestreo por Conglomerados . . . . . . . . . . . . . . . . . . . . 45
1.3.4. Muestreo Estraticado . . . . . . . . . . . . . . . . . . . . . . . . 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
i

INDICE GENERAL ii
2.6. Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
2.7. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3. Variable Aleatoria Unidimensional 91
3.1. Distribuci on de Probabilidad de una Variable Aleatoria Discreta . . . . . . 91
3.2. Distribuci on de Probabilidad de una Variable Aleatoria Continua . . . . . . 99
3.3. Distribuci on de la Funci on de una Variable Aleatoria . . . . . . . . . . . . 111
3.4. Valores Esperados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
3.5. Momentos de una Ley de Probabilidad . . . . . . . . . . . . . . . . . . . . 138
3.6. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
4. Distribuciones Cl asicas Discretas y Continuas 145
4.1. Distribuciones Cl asicas Discretas . . . . . . . . . . . . . . . . . . . . . . . 146
4.1.1. Distribuci on Binomial . . . . . . . . . . . . . . . . . . . . . . . . 146
4.1.2. Distribuci on de Poisson . . . . . . . . . . . . . . . . . . . . . . . 153
4.1.3. Distribuci on Geom etrica . . . . . . . . . . . . . . . . . . . . . . . 160
4.1.4. Distribuci on de Pascal o Binomial Negativa . . . . . . . . . . . . . 162
4.1.5. Distribuci on Hipergeom etrica . . . . . . . . . . . . . . . . . . . . 165
4.1.6. Distribuci on Multinomial . . . . . . . . . . . . . . . . . . . . . . . 168
4.2. Distribuciones Cl asicas Continuas . . . . . . . . . . . . . . . . . . . . . . 170
4.2.1. Distribuci on Uniforme . . . . . . . . . . . . . . . . . . . . . . . . 170
4.2.2. Distribuci on Exponencial . . . . . . . . . . . . . . . . . . . . . . . 180
4.2.3. Distribuci on Normal . . . . . . . . . . . . . . . . . . . . . . . . . 184
4.3. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
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
5.4. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225

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. Coeciente de Correlaci on . . . . . . . . . . . . . . . . . . . . . . . . . . 267
6.8. Distribuci on de la funci on de dos variables aleatorias . . . . . . . . . . . . 270
6.9. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 280
Bibliografa 283
0.1. Introducci on
Dentro del programa curricular de la carrera de Ingeniera de Sistemas de la Universidad
de Los Andes, est a contemplado estudiar el area de Estoc astica con el n de poder analizar,
representar, evaluar y controlar sistemas ya sean naturales o articiales.
Si bien cuando se habla de estoc astica autom aticamente se relaciona con todo lo con-
cerniente al azar, esta es una teora estadstica que estudia los procesos cuya evoluci on
es completamente aleatoria, y de all se desprenden leyes, modelos y t ecnicas de repre-
sentaci on de los fen omenos aleatorios del mundo.
El presente manual tiene como nalidad ser una gua de apoyo para los estudiantes de
Estoc astica 1, para las tres opciones de la carrera, aqu encontrar a una serie de ejercicios
completamente resueltos y algunos propuestos.
El manual est a dividido en seis captulos seg un el programa de la materia de Estoc astica
1, de la siguiente manera:
En el Captulo 1, estudiaremos una parte de la Estadstica Descriptiva, los ejercicios
est an enfocados en recolecci on, representaci on y an alisis de datos cualitativos y cuantita-
tivos.
En el Captulo 2, se comienza a dar las nociones de Probabilidades, la cual es el com-
ponente principal de la materia. Se estudiar a las propiedades y principios b asicos de la
probabilidad.
En el Captulo 3, se analizar an las variables aleatorias unidimensionales, como tambi en
sus distribuciones de probabilidad y sus propiedades.
Una vez estudiadas las distribuciones de probabilidad de las variables aleatorias, en el

INDICE GENERAL 2
Captulo 4 se presentar an algunas distribuciones que por sus atributos, ya se les consideran
cl asicas y que se adaptan a la mayora de los fen omenos 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 ultimo, en el Captulo 6 se estudiar an las variables aleatorias bidimensionales, su
distribuci on de probabilidad y sus relaciones entre s.
Es importante aclarar que este manual est a basado en la soluci on 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. Adem as
est a basado en algunos problemas de la autora del manual.
Captulo 1
Estadstica Descriptiva
La Estadstica Descriptiva es un area de la Estadstica que se encarga de los m etodos
de recolecci on, organizaci on, descripci on y presentaci on de datos que son tomados de un
fen omeno bajo estudio; esta representaci on puede ser en forma de cuadros o en forma de
gr acos, como tambi en pueden ser presentados de forma num erica (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,
dise no de encuestas, dise no de sistemas din amicos, modelado y simulaci on de sistemas y
en la toma de decisiones, entre otros.
En este captulo se presenta una introducci on a la estadstica descriptiva, donde estu-
diaremos la representaci on tabular y gr aca de los datos por medio de las tablas de dis-
tribuci on de frecuencia, histogramas y polgonos de frecuencia; seguidamente estudiare-
mos la representaci on num erica, la cual se realizar a por medio de las medidas num ericas
de tendencia central y de dispersi on. Por ultimo estudiaremos algunos m etodos de muestreo
aleatorio de datos.
3
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 4
1.1. Histogramas y Polgonos de Frecuencia
Un Histograma es un diagrama de barras que se encuentran juntas, su objetivo es el
de representar gr acamente una variable. La altura de cada una de las barras representa la
frecuencia de los valores bajo estudio, es decir, se nala el n umero de veces que se repite un
valor o una caracterstica especca 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 representaci on gr aca 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 M erida un hotel tiene 25 habitaciones, y todas se en-
cuentran ocupadas para cierta fecha de temporada alta. El n umero de personas alo-
jadas por habitaci on se muestra en la Tabla 1.1.
1 4 3 1 5
2 6 2 2 2
4 5 3 2 1
1 2 2 2 1
3 4 5 2 3
Tabla 1.1: N umero de personas por habitaci on
Elabore el histograma de la cantidad de personas alojadas por habitaci on en el hotel.
Soluci on:
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 5
Para construir el histograma es recomendable ordenar los datos en la distribuci on de
frecuencia.
Una Distribuci on de Frecuencias es una ordenaci on tabular que contiene:
El n umero de personas alojadas por habitaci on.
La frecuencia absoluta, que es el n umero de veces que aparece la cantidad de
personas alojadas por habitaci on en el conjunto.
Y por ultimo frecuencia acumulada, que es el n umero de veces que aparece la
cantidad de personas alojadas m as la frecuencia acumulada anterior.
A partir de esto tenemos la distribuci on de frecuencia del ejercicio en la Tabla 1.2.
N
o
de Frecuencia Abosulta Frecuencia Acumulada
personas ( f
i
) (F
i
)
1 5 5
2 9 14
3 4 18
4 3 21
5 3 24
6 1 25
Tabla 1.2: Distribuci on de Frecuencia
La sumatoria de la frecuencia absoluta y el ultimo valor de la frecuencia acumulada,
deben ser iguales al n umero 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 n umero de
personas alquiladas por habitaci on (es decir: 1, 2, 3, 4, 5 y 6) y en el eje de las
ordenadas la frecuencia absoluta ( f
i
) (segunda columna de la Tabla 1.2), como se
muestra en la Figura 1.1.
Tambi en se puede representa el histograma con la Frecuencia Acumulada (Ver Figura
1.2).
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 6
1 2 3 4 5 6
0
1
3
5
7
9
F
r
e
c
u
e
n
c
i
a

A
b
s
o
l
u
t
a

(
f
i
)
Nmero de persona por habitacin
Figura 1.1: Histograma con la f
i
1 2 3 4 5 6
0
5
10
15
20
25
F
r
e
c
u
e
n
c
i
a

A
c
u
m
u
l
a
d
a



(
F
i
)
Nmero de persona por habitacin
Figura 1.2: Histograma con la F
i
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 7
2. En un estudio realizado en una escuela de primaria, se recolectaron los pesos en
kilogramos de 30 ni nos escogidos al azar, con edad comprendida entre los 9 y 11
a nos, los resultado se muestran en la Tabla 1.3.
28,3 30,7 27,6 29,7 28,6 30,0 31,3 29,4 27,3 29,3
30,3 28,2 26,0 30,3 28,9 28,7 30,2 30,7 26,4 26,9
28,2 31,7 29,8 27,6 29,2 30,8 30,7 27,2 29,7 30,3
Tabla 1.3: Peso de 30 ni nos entre 9 y 11 a nos
Elabore la Distribuci on de Frecuencia con intervalos de clases que contenga: Mar-
ca de la Clase, Frecuencia Absoluta, Frecuencia Acumulada, Frecuencia Relativa y
Frecuencia Relativa Acumulada.
Dibuje el Histograma y Polgono de Frecuencia.
Soluci on:
Para construir la Distribuci on de Frecuencia, organizaremos los datos en 6 intervalos.
Para calcular la amplitud de la clase utilizaremos la siguiente f ormula
1
:
C
i
=
Valor M aximo - Valor Mnimo
k
Donde:
C
i
= Amplitud de la clase
k = N umero de clases
Si por el contrario se tiene es la amplitud de las clases y se desea conocer es el n umero
de intervalos que se tendr an en la distribuci on, se puede usar la misma f ormula, s olo
que despejando el valor de k:
k =
Valor M aximo - Valor Mnimo
C
i
1
Esta ecuaci on es recomendada por el Profesor Armas en su publicaci on Estadstica Sencilla Descripti-
vade la Escuela de Estadstica de la ULA
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 8
El mayor valor de la serie de datos es 31,3 kilogramos y el menor valor es 26,0
kilogramos, al sustituir tenemos:
C
i
=
31,3 26,0
6
= 0,88333 1
Por lo tanto, la amplitud de los intervalos es de 1 kilogramo. Tambi en 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:
m
i
=
LI
i
LS
i
2
La frecuencia absoluta ( f
i
) de esta distribuci on ser a el n umero de veces que se repiten
los n umeros contenidos en ese intervalo.
La frecuencia relativa ( f r) se obtiene dividiendo la frecuencia absoluta entre el
n umero total de observaciones (n = 30), siendo esta la proporci on de datos con-
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 9
tenidos en la clase.
f r
i
=
f
i
n
k

i=1
f r
i
= 1
Por ultimo, la frecuencia relativa acumulada (Fr
i
) se obtiene dividiendo la correspon-
diente frecuencia acumulada (F
i
) entre el n umero total de datos. Este valor representa
la proporci on de datos que son menores que el lmite superior de la clase i.
Fr
i
=
F
i
n
De esta forma, la distribuci on de frecuencia para la informaci on de los pesos de los
30 ni nos se muestra en la Tabla 1.5.
Peso Marca de Frecuencia Frecuencia Frecuencia Frecuencia
en Kg la Clase Absoluta Acumulada Relativa Relativa
(X
i
) (m
i
) ( f
i
) (F
i
) ( f r
i
) Acum. (Fr
i
)
[26 - 27) 26.5 3 3 0.100 0.100
[27 - 28) 27.5 4 7 0.133 0.233
[28 - 29) 28.5 6 13 0.200 0.433
[29 - 30) 29.5 6 19 0.200 0.633
[30 - 31) 30.5 8 27 0.267 0.900
[31 - 32) 31.5 3 30 0.100 1.000
Tabla 1.5: Distribuci on de Frecuencia
Para dibujar el histograma con la frecuencia divida por clases, se elabora de igual
manera s olo que los lmites del intervalo son los extremos de la barra y la marca de
la clase ser a entonces el centro de la misma.
Ahora, para el polgono de frecuencia se crea una clase cticia anterior a la primera
clase, con su misma amplitud, y una clase cticia al nal; la primera clase cticia
ser a entonces [25 26) y su marca es 25,5; la ultima clase cticia ser a [32 33) y su
marca es 32,5.
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 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 cticias, cerrando
as el polgono de frecuencia como se observa en la Figura 1.3 .
25.5 26.5 27.5 28.5 29.5 30.5 31.5 32.5
0
1
2
3
4
5
6
7
8
Pesos (Kilogramos)
F
r
e
c
u
e
n
c
i
a

A
b
s
o
l
u
t
a


(
f
i
)
Figura 1.3: Histograma y Polgono de Frecuencia con la f
i
Es importante resaltar que cuando todas las clases de la distribuci on de frecuencia
tienen la misma amplitud (como es este caso), se cumple que el area total de todas
las barras es exactamente igual al area del polgono de frecuencia.
Por otra parte, los histogramas tambi en 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 gracamente el histograma es igual al ante-
rior, s olo cambia la escala del eje de las orfenadas.
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 11
26.5 27.5 28.5 29.5 30.5 31.5
0
0.05
0.1
0.15
0.2
0.25
Pesos (Kilogramos)
F
r
e
c
u
e
n
c
i
a

R
e
l
a
t
i
v
a


(
F
r
)
Figura 1.4: Histograma con la Fr
3. Se realiz o una encuesta a un grupo de 40 hombres de la Facultad de Ingeniera donde
se les pregunt o por su grupo sanguneo. Se obtuvieron los resultados mostrados en la
Tabla 1.6.
A B O A A O O O A O
O O A B A A O B O O
O O O A O O A O O O
A B O O A O O A A A
Tabla 1.6: Informaci on de los 40 hombres
Elabore:
a) La distribuci on de frecuencia de los 40 datos.
b) Un histograma con la frecuencia relativa.
c) Un histograma con la frecuencia relativa acumulada.
Soluci on:
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 12
Dentro del conjunto de datos se tienen s olo 3 grupos sanguneos A, B y O. Estos
datos son de tipo cualitativo y a pesar de esto tambi en se pueden representar en forma
tabular y en forma gr aca.
a) La distribuci on de frecuencia del problema la podemos ver en la Tabla 1.7.
Grupo Frecuencia Frecuencia Frecuencia Frecuencia
Sanguneo Absoluta Acumulada Relativa Relativa
( f
i
) (F
i
) ( f r
i
) Acum. (Fr
i
)
A 14 14 0.35 0.35
B 4 18 0.10 0.45
O 22 40 0.55 1.00
Tabla 1.7: Distribuci on de Frecuencia
b) El histograma con la frecuencia relativa se observa en la Figura 1.5.
0
0.1
0.2
0.3
0.4
0.5
Grupo Sanguneo
F
r
e
c
u
e
n
c
i
a

R
e
l
a
t
i
v
a


(
f
r
)
A B O
Figura 1.5: Histograma con la f r
c) El histograma con la frecuencia relativa acumulada se observa en la Figura 1.6.
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 13
0
0.2
0.4
0.6
0.8
1
Grupo Sanguneo
F
r
e
c
u
e
n
c
i
a

R
e
l
a
t
i
v
a

A
c
u
m
u
l
a
d
a


(
F
r
)
A B O
Figura 1.6: Histograma: Frecuencia Relativa Acumulada
4. La Tabla 1.8 es la distribuci on de frecuencia de las calicaciones del primer examen
de Estoc astica 1.
Notas 9 10 12 13 14 15 16 17 18 19 20
N
o
de Estudiantes 1 2 1 2 2 2 1 7 2 6 4
Tabla 1.8: Distribuci on de Frecuencia
Represente los datos en un histograma y en un polgono de frecuencia, utilizando la
frecuencia absoluta.
Soluci on:
Para este ejercicio ya la tabla de la distribuci on de frecuencia est a dada en el
planteamiento del problema; sin embargo observamos en la tabla que no se encuentra
la columna con la calicaci on de 11 puntos, ni la cantidad de alumnos de la misma,
por lo tanto se asume autom aticamente que la cantidad de alumnos con esa cali-
caci on es igual a cero.
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 14
Estos valores tambi en 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.
8 9 10 11 12 13 14 15 16 17 18 19 20 21
0
1
2
3
4
5
6
7
Calificacin
F
r
e
c
u
e
n
c
i
a

A
b
s
o
l
u
t
a


(
f
i
)
Figura 1.7: Histograma y Polgono de Frecuencia con la f
i
5. En el centro de la ciudad de M erida se llev o a cabo un experimento, el cual consiste
en registrar el n umero de accidentes de tr ansito que ocurrian diariamente en la tem-
porada alta, esto se realiz o durante un periodo de 40 das. La informaci on obtenida
se reeja en la Tabla 1.9
2
.
Obtenga el histograma y el polgono de frecuencia acumulada (Ojiva).
2
Los datos del n umero de accidentes diarios para este ejercicio no son reales
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 15
2 2 0 1 3 2 3 4 2 2
1 1 0 2 3 1 0 6 2 0
0 2 3 1 2 0 4 1 1 3
4 0 2 6 1 1 4 2 2 4
Tabla 1.9: Accidentes de tr ansito por da
Soluci on:
Si observamos los datos, el n umero de accidentes diarios oscilan entre 0 y 6 acci-
dentes, como son pocos valores dejamos los datos individuales.
La Distribuci on de Frecuencia del problema con la f
i
y la F
i
la podemos ver en la
Tabla 1.10.
N umero de Frecuencia Absoluta Frecuencia Acumulada
Accidentes ( f
i
) (F
i
)
0 7 7
1 9 16
2 12 28
3 5 33
4 5 38
5 0 38
6 2 40
Tabla 1.10: Distribuci on de Frecuencia
La Ojiva es un gr aco curvilneo que se utiliza para representar las frecuencias acu-
muladas, se dibuja de forma similar que el polgono de frecuencia, s olo que no se
crea una clase cticia al nal (Ver Figura 1.8).
Si se desea se puede colocar en el eje de las ordenadas la frecuencia relativa acumu-
lada (Fr
i
) multiplicada por 100 y de esta manera se obtiene la ojiva porcentual.
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 16
0 1 2 3 4 5 6
0
5
10
15
20
25
30
35
40
Nmero de accidentes diarios
F
r
e
c
u
e
n
c
i
a

A
c
u
m
u
l
a
d
a


(
F
i
)
Figura 1.8: Histograma y Ojiva
1.2. Medidas Descriptivas Num ericas
Las medidas descriptivas son indicadores num ericos 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 posici on central, el valor que m as se repite,
as como tambi en el grado de dispersi on entre los mismos y alrededor del valor central.
Estas medidas se clasican en dos tipos:
Medidas de Tendencia Central: Son los valores centrales o promedios de la colec-
ci on de datos. Los m as conocidos y que estudiaremos en este manual son: la media
aritm etica, la mediana y la moda.
Medidas de Dispersi on Absoluta: Son los valores que miden la variabilidad de los
datos con respecto a un valor central especco, es decir, a las medidas de tendencia
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 17
central. Las m as conocidas son la varianza y la desviaci on est andar.
EJERCICIOS
1. El gerente de una peque na empresa tiene a su cargo 13 empleados. Cuatro de ellos
ganan Bs. F 7344 al a no, 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.
Soluci on:
a) La Media Aritm etica de un conjunto de datos denotada por X, se dene como
la suma de todos los valores dividida entre el n umero total de ellos.
X =
x
1
+ x
2
+ ... + x
n
n
=
_
n
i=1
X
i
n
Ordenamos los datos de los sueldos en una distribuci on de frecuencias (ver
Tabla 1.11).
Sueldos Anuales Frecuencia Absoluta Frecuencia Acumulada
(Bs.F) ( f
i
) (F
i
)
7344 4 4
12000 6 10
14400 3 13
19200 1 14
Tabla 1.11: Distribuci on de Frecuencia
Una vez ordenados calculamos la media, esta se calcula de la siguiente manera:
X =
_
k
i=1
f
i
X
i
_
k
i=1
f
i
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 18
Sustituimos los valores y tenemos:
X =
4 7344 + 6 12000 + 3 14400 + 1 19200
4 + 6 + 3 + 1
= 11698,29
En promedio, el sueldo anual de las 14 personas que trabajan en la empresa es
de Bs. F 11698,29.
La Mediana de una serie de datos, denotada por

X, es el valor que ocupa la
posici on central de los datos, una vez que han sido ordenados de forma creciente
o decreciente.
Se calcula de la siguiente manera:

X =
_

_
T ermino
_
(n + 1)
2
_
si n es impar
T ermino(n/2) + T ermino (n/2 + 1)
2
si n es par
Para calcular la mediana de este ejercicio, primero buscamos el valor de n y ve-
mos que tenemos 14 datos, por lo que n es par, utilizamos la segunda ecuaci on:

X =
T ermino(14/2) + T ermino(14/2 + 1)
2
=
T ermino(7) + T ermino(8)
2

X =
12000 + 12000
2
= 12000
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 distribuci on de frecuencia (ver Tabla 1.12).
Sueldos Anuales Frecuencia Absoluta Frecuencia Acumulada
(Bs.F) ( f
i
) (F
i
)
7344 4 4
12000 6 10
14400 3 13
31200 1 14
Tabla 1.12: Distribuci on de Frecuencia con el aumento de sueldo
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 19
Como uno de los sueldos cambi o debemos calcular una nueva media aritm etica:
X =
4 7344 + 6 12000 + 3 14400 + 1 31200
4 + 6 + 3 + 1
= 12555,43
En nuevo promedio del sueldo anual de las 14 personas que trabajan en la em-
presa es de Bs. F 12.555,43 aumento es un 7,33 %.
La nueva mediana de los datos es:

X =
T ermino(14/2) + T ermino(14/2 + 1)
2
=
T ermino(7) + T ermino(8)
2

X =
12000 + 12000
2
= 12000
Observamos que la mediana no es afectada por el incremento del sueldo del gerente
como lo es la media aritm etica, 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 aritm etica.
Soluci on:
Para demostrar las propiedades, utilizaremos los datos de una encuesta realizada a un
grupo de 80 estudiantes pregunt andole su peso corporal en kilogramos.
43 48 50 51 52 54 55 56 58 60 62 66 68 72 76 80
45 48 50 51 52 54 55 57 58 60 62 66 69 75 78 84
45 48 50 51 53 55 55 57 58 61 64 67 69 75 79 84
45 49 50 52 53 55 55 57 59 61 65 68 70 75 80 85
48 50 51 52 54 55 56 57 59 61 65 68 72 76 80 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

i=1
_
X
i
X
_
= 0
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 20
Calculamos la media:
X =
_
80
i=1
X
i
80
=
4854
80
= 60, 675
La media de los pesos es de 60,675 kilogramos.
Seg un la propiedad la sumatoria de las diferencias de cada uno de los datos con
respecto a 60,75 es cero:
80

i=1
(X
i
60, 675) = 0
Propiedad 2: La suma de las diferencias de cada uno de los datos con respecto a su
media elevada al cuadrado es mnima.
n

i=1
(X
i
X)
2
es un valor mnimo
Tenemos:
80

i=1
(X
i
60, 675)
2
= 9851,55
Si deseamos comprobar esta propiedad podemos restarle al conjunto de datos otro
n umero diferente de la media y debe dar como resultado un n umero mayor que
9581,55. Veamos con dos valores: 58 y 62.
80

i=1
(X
i
58)
2
= 10154
80

i=1
(X
i
62)
2
= 9722
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
8
= 3
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 21
Propiedad 4: Si a cada uno de los datos se les suma un mismo n umero real k, se
obtiene X
1
+ k, X
2
+ k, . . . , X
n
+ k, entonces la nueva media ser a 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
9
= 6,333
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 aritm etica ser a:
X =
8 + 9 + 11 + 7 + 9 + 11 + 12 + 8 + 9
9
= 9,333
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 n umero real
k, se genera un nuevo conjunto de datos X
1
k, X
2
k, . . ., X
n
k, entonces la nueva media
ser a 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 aritm etica ser a entonces:
X
N
=
0,5 + 0,6 + 0,8 + 0,4 + 0,6 + 0,8 + 0,9 + 0,5 + 0,6
9
= 0,6333
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 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 tama nos n
1
, n
2
,
. . ., n
k
, con medias X
1
, X
2
, . . ., X
k
, respectivamente, entonces la media de todos esos
datos juntos es:
X =
n
1
X
1
+ n
2
X
2
+ ... + n
k
X
k
n
1
+ n
2
+ ... + n
k
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
8
= 5,875
S
2
= {12, 10, 9, 15, 8}
X =
12 + 10 + 9 + 15 + 8
5
= 10,8
S
3
= {54, 60, 50, 52, 58, 65, 57}
X =
54 + 60 + 50 + 52 + 58 + 65 + 57
7
= 56,571
Si calculamos la media aritm etica de la forma tradicional tendramos que hacer los
c alculos 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 f ormula:
X =
n
1
X
1
+ n
2
X
2
+ n
3
X
3
n
1
+ n
2
+ n
3
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 23
X =
8 5,875 + 5 10,8 + 7 56,571
8 + 5 + 7
= 24,85
Observamos que ambas medias aritm eticas dieron como resultado 24,85.
3. Considere la distribuci on de frecuencia correspondiente al nivel de hemoglobina, en
gr/100ml, de 40 personas que aparece en la Tabla 1.14.
Nivel de Marca de la Frecuencia Frecuencia
Hemoglobina Clase Absoluta m
i
f
i
Acumulada
(gr/100 ml) (m
i
) ( f
i
) (F
i
)
[11.5 - 12.5) 12 2 24 2
[12.5 - 13.5) 13 1 13 3
[13.5 - 14.5) 14 6 84 9
[14.5 - 15.5) 15 16 240 25
[15.5 - 16.5) 16 9 144 34
[16.5 - 17.5) 17 5 85 39
[17.5 - 18.5) 18 1 18 40
Tabla 1.14: Distribuci on de Frecuencia
Calcular la media aritm etica, la mediana y la moda.
Soluci on:
Calculamos la media aritm etica:
X =
_
7
i=1
m
i
f
i
_
7
i=1
f
i
=
24 + 13 + 84 + 240 + 144 + 85 + 18
40
= 15,2
El promedio del nivel de hemoglobina de los 40 pacientes es de 15,2 gr/100ml.
Como los valores est an 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
2
=
40
2
= 20
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 24
Clase Medianal: [14.5 - 15.5)
Luego utilizamos la siguiente f ormula:

X = L
I
+
n
2
F
am
f
m
C
m
Donde:
L
I
= Lmite inferior de la clase medianal
n = N umero total de datos
F
am
= Frecuencia acumulada de la clase anterior a la clase medianal
f
m
= Frecuencia absoluta de la clase medianal
C
m
= Amplitud de la clase medianal
Entonces tenemos que:

X = 14,5 +
40
2
9
16
1 = 15,1875
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 m as se repite, es decir, el que
aparece con mayor frecuencia.
En este ejemplo, dado que se tiene clases en intervalos, la clase modal ser a la que
tiene mayor frecuencia absoluta y la moda ser a entonces la marca de la clase:
Clase modal: [14,5 - 15,5)
Mo = 15
Para este grupo de personas, lo m as com un es conseguir un valor de hemoglobina de
15 gr/100ml.
4. Calcular la media (X), la mediana (

X) y la moda (Mo) de la distribuci on de frecuen-


cias correspondiente al n umero de materias inscritas en un grupo de 100 estudiantes
en cierto semestre.
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 25
N umero de Frencuencia Frecuencia
Materias Absoluta Acumulada
1 15 15
2 16 31
3 30 61
4 25 86
5 9 95
6 5 100
Tabla 1.15: Distribuci on de Frecuencia
Soluci on:
Calculamos la media aritm etica:
X =
1 15 + 2 16 + 3 30 + 4 25 + 5 9 + 6 5
100
= 3,12
El promedio de materias inscritas por alumnos en el semestre es de 3,12 materias.
Calculamos la mediana:

X =
T ermino(100/2) + T ermino(100/2 + 1)
2
=
T ermino(50) + T ermino(51)
2

X =
3 + 3
2
= 3
El 50 % de los alumnos inscribieron menos de 3 materias en el semestre.
Calculamos la moda:
Mo = 3
Lo m as com un para ese grupo de 100 estudiantes es que inscribieran 3 materias para
el semestre.
5. Hallar la media, la mediana, la varianza y la desviaci on est andar de los siguientes
datos:
5, 4, 7, 8, 3, 5, 8, 10, 6, 7
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 26
Soluci on:
Calculamos la media:
X =
5 + 4 + 7 + 8 + 3 + 5 + 8 + 10 + 6 + 7
10
= 6,3
Para calcular la mediana ordenamos los datos de forma ascendente:
3, 4, 5, 5, 6, 7, 7, 8, 8, 10
Calculamos la mediana:

X =
T ermino(10/2) + T ermino(10/2 + 1)
2
=
T ermino(5) + T ermino(6)
2

X =
6 + 7
2
= 6,5
La varianza, es una medida num erica de dispersi on 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 ecuaci on
3
:

2
=
_
n
i=1
(X
i
X)
2
N 1
La varianza muestral, que constituye una estimaci on de la varianza poblacional:
S
2
=
_
n
i=1
(X
i
X)
2
n 1
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
=
40,1
9
= 4,4556
3
Donde N es el tama no de la poblaci on
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 27
Como la varianza viene dada en unidades al cuadrado, para obtener el valor num erico
de la variaci on promedio utilizamos la Desviaci on Est andar, la cual es la raz cuadra-
da de la varianza:
=

2
O si se trata de la muestral:
S =

S
2
Para este ejercicio tenemos:
=

2
=
_
4,456 = 2,1108
Esto signica que en promedio, todos los valores est an alejados de su promedio con
una distancia de 2,1108.
6. En cierto poblado meride no, 20 estudiantes presentaron la prueba de la OPSU. Las
calicaciones obtenidas por este grupo se muestran en la Tabla 1.16. Clasique las
notas en 4 clases. Hallar la media, la mediana, la varianza y la desviaci on est andar.
74 80 65 85 95 72 76 72 93 84
75 75 60 74 75 63 78 87 90 70
Tabla 1.16: Notas
Soluci on:
La distribuci on de frecuencia la podemos ver en la Tabla 1.17.
X =
_
4
i=1
m
i
f
i
_
4
i=1
f
i
=
195 + 750 + 390 + 285
20
= 78,5
La nota promedio de los 20 estudiantes en la prueba de la OPSU es de 78,5 puntos.
Calculamos la mediana:
n
2
=
20
2
= 10
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 28
Notas Marca de la Frecuencia Frecuencia
(Puntos) Clase Absoluta Acumulada m
i
f
i
(m
i
) ( f
i
) (F
i
)
[60 - 70) 65 3 3 195
[70 - 80) 75 10 13 750
[80 - 90) 85 4 17 390
[90 - 100) 95 3 20 285
Tabla 1.17: Distribuci on de Frecuencia
Clase medianal: [70 - 80)

X = 70 +
_

_
20
2
3
10
_

_
10 = 77
Aproximadamente el 50 % de los 20 alumnos sacaron m as de 77 puntos en la prueba
de la OPSU.
Dado que los datos est an agrupados, calculamos la varianza utilizando la siguiente
ecuaci on:
S
2
=
_
f
i
X
2
i

(
_
f
i
X
i
)
2
_
f
i
(
_
F
i
) 1
S
2
=
124900
(1570)
2
20
20 1
= 87,10
La varianza o promedio de las desviaciones de los datos con respecto a su media
elevada al cuadrado es igual a 87,10 puntos
2
.
Calculamos la desviaci on est andar:
S =

S
2
=
_
87,10 = 9,33
Aproximadamente la variaci on promedio de las notas con respecto a la media (78,5
puntos) es de 9,33 puntos.
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 29
7. Demostrar cada una de las propiedades de la varianza y de la desviaci on est andar.
Soluci on:
Propiedad 1: La varianza y la desviaci on est andar son no negativas, es decir
2
0
y 0.
La varianza siempre va a dar un n umero 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
desviaci on est andar tambi en ya que es la raz cuadrada no negativa de la varianza.
Propiedad 2: Si cada uno de los datos X
1
, X
2
, . . ., X
n
es igual a una constante k,
entonces la varianza
2
y la desviaci on est andar 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

2
=
_
12
i=1
(50 50)
2
12 1
= 0
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 desviaci on est andar son cero.
Propiedad 3: Si a cada uno de los datos originales se le suma un mismo n umero real k,
(positivo o negativo), entonces la nueva colecci on de datos tienen la misma varianza
y desviaci on est andar 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
9
= 6,3
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 30

2
=
(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
9 1

2
= 2,75
=

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 aritm etica ser a:
X =
8 + 9 + 11 + 7 + 9 + 11 + 12 + 8 + 9
9
= 9,3

2
=
(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
9 1

2
= 2,75
=

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 desviaci on est andar son la misma, esto es debido a que al sumar o
restar un mismo n umero 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 n umero
real k, la varianza y la desviaci on est andar de los nuevos datos vienen dados por
k
2

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
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 31
X =
50 + 60 + 80 + 40 + 60 + 80 + 90 + 50 + 60
9
= 63,33

2
=
_
9
i=1
(X
i
63,333)
2
9 1
= 275
=

2
=

275 = 16,583
O que es lo mismo:

2
N
= k
2

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 desviaci on est andar.
Soluci on:
Calculamos la media:
X =
1,62 + 1,68 + 1,56 + 1,66 + 1,62 + 1,55 + 1,69 + 1,6 + 1,59 + 1,63
10
= 1,62
El promedio de la estatura de las diez mujeres del grupo es de 1,62 metros.
Calculamos la varianza y la desviaci on est andar:
S
2
=
_
10
i=1
(X
i
1,62)
2
10 1
= 0,0022 metros
2
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.
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 32
Posteriormente a la evaluaci on, se detecto que el instrumento de medici on 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 desviaci on est andar?
X
N
= X 0,03 = 1,59 metros
S
2
N
= S
2
= 0,0022 metros
2
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 desviaci on est andar de los sueldos son de 16900 (Bs. F)
2
y 130 Bs. F respectivamente. Si hay un aumento del 8 % en los sueldos, cu al es el
nuevo sueldo mensual promedio y cu al es la nueva varianza y la nueva desviaci on
est andar?
En general, si el sueldo mensual promedio es X y la varianza S
2
y hay un aumento en
los sueldos del k %, cu al es el nuevo sueldo promedio y cu al es la nueva varianza?
Soluci on:
Si el aumento es del 8 % entonces es de Bs. F 52,32, en tal sentido la nueva media
ser a:
X
N
= 654 + 52,32 = 706,32 Bs. F
La nueva varianza y desviaci on est andar seguir an siendo las mismas antes del au-
mento del 8 %:
S
2
N
= S
2
= 16900 (Bs. F)
2
S
N
= S = 130 Bs. F
En general, para un aumento del k % tenemos que:
X
N
= X +
_
k
100
_
X
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 33
S
2
N
= S
2
S
N
= S
10. Una investigaci on realizada en una f abrica sobre los costos de 4 tipos de productos,
arroj o como resultados que la f abrica gastaba en costos jos un promedio de 100 Bs.
F por unidad, con una desviaci on est andar de 20 Bs. F.
Si se produce un aumento del 100 % de los costos jos. Cu anto ser a el gasto prome-
dio por unidad? y cu al ser a la varianza?
Soluci on:
Si se aumenta los costos jos 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
aritm etica tenemos que la nueva media es:
X
N
= 2 X = 2 100 = 200
Entonces el costo jo 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 despu es del aumento ser a entonces:
S
2
N
= k
2
S
2
= (2)
2
(400) = 1600 (Bs. F)
2
11. Las ventas diarias de una tienda durante 30 das, se presentan en la Distribuci on 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 desviaci on est andar de los datos.
c) Determinar entre cuales cantidades de Bs. F estuvieron las ventas por lo menos
el 60 % de los das.
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 34
d) Determinar aproximadamente el n umero de das que se vendieron m as de 98
Bs. F.
Ventas N umero Marca de la Frecuencia Fr
i
100
(Bs. F) de das Clase (m
i
) Acumulada (F
i
)
[60 - 70) 3 65 3 10
[70 - 80) 5 75 8 26.7
[80 - 90) 6 85 14 46.7
[90 - 100) 6 95 20 66.7
[100 - 110) 10 105 30 100
Tabla 1.19: Distribuci on de Frecuencia
Soluci on:
a) Gracamos y obtenemos el histograma y polgono de frecuencia con la frecuen-
cia absoluta en la Figura 1.9.
55 65 75 85 95 105 115
0
1
2
3
4
5
6
7
8
9
10
Ventas (Bs. F)
F
r
e
c
u
e
n
c
i
a

A
b
s
o
l
u
t
a

(
f
i
)
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.
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 35
55 65 75 85 95 105
0
5
10
15
20
25
30
Ventas (Bs. F)
F
r
e
c
u
e
n
c
i
a

A
c
u
m
u
l
a
d
a


(
F
i
)
Figura 1.10: Ojiva
55 65 75 85 95 105
0
10
20
30
40
50
60
70
80
90
100
Ventas (Bs. F)
F
r
e
c
u
e
n
c
i
a

R
e
l
a
t
i
v
a

A
c
u
m
u
l
a
d
a

*

1
0
0
Figura 1.11: Ojiva Porcentual
b) Calculamos la media:
X =
3 65 + 5 75 + 6 85 + 6 95 + 10 105
3 + 5 + 6 + 6 + 10
= 90
El promedio de las ventas diarias de la tienda es de Bs. F 90, para la muestra de
30 das.
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 36
Calculamos la moda:
Clase modal: [100-110)
Mo = 105 Bs. F
El monto de las ventas m as com un de la tienda es de 105 Bs. F.
Calculamos la varianza:
S
2
=
_
f
i
X
2
i

(
_
f
i
X
i
)
2
_
f
i
(
_
f
i
) 1
=
248580
7290000
30
30 1
= 191,3793
Calculamos la desviaci on est andar:
S =

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 gr aca de la ojiva porcentual (Figura 1.12).
55 65 75 85 95 105
0
10
20
30
40
50
60
70
80
90
100
Ventas (Bs. F)
F
r
e
c
u
e
n
c
i
a

R
e
l
a
t
i
v
a

A
c
u
m
u
l
a
d
a

*

1
0
0
Figura 1.12: Ojiva Porcentual
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 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 est a el 60 %.
d) Para calcular el n umero de das que se vendieron m as de 98 Bs. F utilizamos una
relaci on de tri angulos, tomamos una secci on de la ojiva y se obtiene el tri angulo
de la Figura 1.13.
95 96 97 98 99 100 101 102 103 104 105 106
20
22
24
26
28
30
Q
M
A
C
Figura 1.13: Relaci on de tri angulos
AP
AB
=
PQ
BC
98 95
105 95
=
M 20
30 20
Despejamos a M y tenemos:
M = 23
30 27 = 7 das
Aproximadamente 7 das se vendieron m as de 98 Bs. F.
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 38
1.3. Introducci on al Muestreo
El muestreo es una t ecnica de la Estadstica que se encarga de seleccionar una muestra
de una poblaci on cualquiera, en esta secci on del captulo haremos una breve introducci on
al muestreo probabilstico.
Existen dos tipos de muestreo:
Muestreo Probabilstico: en este tipo de muestreo, se conoce de antemano la proba-
bilidad asociada a cada muestra posible.
Muestreo No Probabilstico: puede ser: intencional, err atico, por comodidad, a con-
veniencia econ omica o administrativa y a juicio del investigador.
Dentro del Muestreo Probabilstico existen varios tipos de muestreo, en esta secci on
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 m etodo por el cual todas las
muestras posibles de un determinado tama no tenga la misma probabilidad de ser elegidos.
Los elementos podr an ser seleccionados de dos formas: con o sin reemplazo.
Muestreo con reemplazo: en el muestreo con reemplazo cada objeto elgido se devuelve
a la poblaci on antes de escoger el siguiente. Se permite las repeticiones.
Muestreo sin reemplazo: en el muestreo aleatorio sin reemplazo de poblaciones nitas
o muestreo irrestricto aleatorio, el objeto que se escoge no se devuelve a la poblaci on antes
de que el siguiente objeto sea escogido.
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 39
EJERCICIOS
1. Una poblaci on est a conformada por el siguiente conjunto S = {4, 7, 10}, siendo un
espacio equiprobable. Las muestras aleatorias de tama no 2 son elegidas con reem-
plazo.
a) Calcular la media poblacional y la desvaci on est andar .
b) Hallar la distribuci on de muestreo para la media muestral.
c) Calcular la media
X
y la desviaci on
X
de X y comparlas con y .
Soluci on:
a) Un espacio equiprobable signica que todos los elementos de S tienen la misma
probabilidad de ser seleccionados, para este caso cada uno tiene una probabili-
dad de
1
3
.
Calculamos la media poblacional:
=
3

i=1
X
i
P(x
i
) = 4
1
3
+ 7
1
3
+ 10
1
3
= 7
La media del conjunto S es 7.
Calculamos la desviaci on est andar:
=

_
3

i=1
(X
i
)
2
P(x
i
)
=
_
(4 7)
2

1
3
+ (7 7)
2

1
3
+ (10 7)
2

1
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 Distribuci on de la media muestral la podemos ver en la Tabla 1.21.
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 40
Muestra X =
X
1
+X
2
2
{4,4} 4
{4,7} 5,5
{4,10} 7
{7,4} 5,5
{7,7} 7
{7,10} 8,5
{10,4} 7
{10,7} 8,5
{10,10} 10
Tabla 1.20: Medias muestrales con reemplazo
X P(X)
4 1/9
5.5 2/9
7 3/9
8.5 2/9
10 1/9
Tabla 1.21: Distribuci on muestral con reemplazo
c) Calculamos la media y desviaci on est andar muestral.

X
= E(X) =
5

i=1
X P(X)

X
= 4
1
9
+ 5,5
2
9
+ 7
3
9
+ 8,5
2
9
+ 10
1
9
= 7
La media muestral es igual a 7.
=

_
5

i=1
(X
X
)
2
P(X)
=
_
(4 7)
2

1
9
+ (5,5 7)
2

2
9
+ (7 7)
2

3
9
+ (8,5 7)
2

2
9
+ (10 7)
2

1
9
= 1,7321
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 41
Realizamos la comparaci on 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
Entonces tenemos que:
=
X
= 7

X
=
2,449

2
= 1,732
2. Las muestras aleatorias de tama no 2 se obtienen sin reemplazo de la poblaci on S =
{4, 7, 10}, siendo un espacio equiprobable.
a) Calcular la media poblacional y la desvaci on est andar .
b) Hallar la distribuci on de muestreo para la media muestral.
c) Calcular la media
X
y la desviaci on
X
de X y comparlas con y .
Soluci on:
a) Para este ejemplo, la media y desviaci on est andar poblacional son iguales a las
del ejercicio anterior.
= 4
1
3
+ 7
1
3
+ 10
1
3
= 7
=
_
(4 7)
2

1
3
+ (7 7)
2

1
3
+ (10 7)
2

1
3
= 2,4495
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 Distribuci on de la media muestral se muestra en
la Tabla 1.23.
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 42
Muestra X =
X
1
+X
2
2
{4,7} 5,5
{4,10} 7
{7,4} 5,5
{7,10} 8,5
{10,4} 7
{10,7} 8,5
Tabla 1.22: Medias muestrales sin reemplazo
X P(X)
5.5 2/9
7 3/9
8.5 2/9
Tabla 1.23: Distribuci on muestral sin reemplazo
c) Calculamos la media y desviaci on est andar muestral.

X
= 5,5
2
6
+ 7
2
6
+ 8,5
2
6
= 7
=
_
(5,5 7)
2

2
6
+ (7 7)
2

2
6
+ (8,5 7)
2

2
6
= 1,2247
Para el caso en que el muestreo aleatorio simple es sin reemplazo, se debe
cumplir que:
=
X

X
=

n

_
N n
N 1
Entonces tenemos que:
=
X
= 7

X
=
2,449

2

_
3 2
3 1
= 1,224
3. Cu antos 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? cu al ser a la composici on
m as probable, s olo alumnos, s olo profesores o 3 alumnos y 3 profesores?
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 43
Soluci on:
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:
Comit e de seis personas:
_
30
6
_
= 593775
Se pueden formar 593775 combinaciones distintas de comites de 6 personas.
S olo alumnos:
_
20
6
_
= 38760
Se pueden formar 38760 combinaciones distintas de comites con 6 alumnos de
los 20.
S olo profesores:
_
10
6
_
= 210
Se pueden formar 210 combinaciones distintas de comites con 6 profesores de
los 10 disponibles.
Tres alumnos y tres profesores:
_
20
3
__
10
3
_
= 136800
Se pueden formar 136800 combinaciones distintas de comites conformados por
3 profesores y tres alumnos.
Seg un los c alculos, es m as probable que el comit e est e conformado por 3 profesores
y 3 alumnos que si fuera s olo conformado por alumnos o profesores.
4. Una variable aleatoria poblacional X tiene una media poblacional igual a 25 y
desviaci on est andar poblacional igual a 4 cu ales son la media y la desviaci on
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 44
est andar de la media muestral X para variables aleatorias de tama no 6 obtenidas con
reemplazo y sin reemplazo, si el tama no de la poblaci on es 100?
Soluci on:
Con reemplazo: = 25 y = 4

X
= = 25

X
=

n
=
4

6
= 1,6330
Sin reemplazo: = 25 ; = 4 y N = 100

X
= = 25

X
=

n

_
N n
N 1
=
4

6

_
100 6
100 1
= 1,5912
1.3.2. Muestreo Sistem atico
Este tipo de muestreo se utiliza cuando la poblaci on es de gran tama no o se extiende en
el tiempo, y consiste en ir seleccionando cada observaci on usando un sistema o una regla.
Para utilizarlo, primero se ordenan las unidades de la poblaci on, luego se divide la
poblaci on en n grupos iguales de tama no k, de tal forma que:
k =
N
n
Siendo k el periodo que se utiliza para dividir la poblaci on en n grupos.
Luego se selecciona un n umero al azar del primer grupo (de 1 a k) y luego se selecciona
sucesivamente los elementos que ocupen la misma posici on.
EJERCICIOS
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 45
1. Sean las unidades U
(i)
= i con i = 1, 2, ..., N, y N = 12. Por medio del muestreo
sistem atico seleccione una muestra de tama no 4.
Soluci on:
k =
N
n
=
12
4
= 3 periodos
Escogemos un n umero aleatorio de 1 a k, es decir, de 1 a 3, y seleccionamos el
n umero 2.
Grupo 1
,..,
1 2 3
Grupo 2
,..,
4 5 6
Grupo 3
,..,
7 8 9
Grupo 4
,..,
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 telef onicos en una poblaci on de
1000 habitantes. Realice la recolecci on por medio del muestreo sistem atico.
Soluci on:
k =
N
n
=
1000
10
= 100 periodos
El n umero aleatorio de 1 a 100 que escogemos es el n umero 44, entonces tenemos
que los suscriptores seleccionados seg un su n umero de inscripci on son:
44, 144, 244, 344, 444, 544, 644, 744, 844 y 944
1.3.3. Muestreo por Conglomerados
Cuando la poblaci on se encuentra dividida de manera natural en grupos, y se suponen
que estos grupos tienen todos la misma variabilidad de la poblaci on, puede seleccionarse
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 46
s olo 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 due nos 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, c omo se realizara el muestro por medio del muestreo por conglomerados?
Soluci on:
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 restau-
rantes 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 M erida dedican a navegar por Internet, y se desea seleccionar una
muestra de trescientos estudiantes.
Soluci on:
Primero seleccionamos al azar unas cuantas parroquias de la ciudad de M erida (con-
glomerado = parroquias).
Dentro de cada parroquia seleccionamos al azar algunos liceos de secundaria (con-
glomerados = liceos).
Ahora dentro de cada liceo seleccionamos al azar algunas secciones de clases (con-
glomerados = secciones de clases).
Ya dentro de las secciones seleccionadas, y a partir de la lista de clases, selec-
cionamos una muestra (por medio del muestreo aleatorio simple sin reemplazo) de
estudiantes.
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 47
Por ultimo, unimos las muestras obtenidas en cada secci on de clases, y de esta manera
obtenemos la muestra global.
1.3.4. Muestreo Estraticado
Una muestra aleatoria estraticada es la obtenida mediante la divisi on de la poblaci on
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 est a dada por la siguiente ecuaci on
=
1
N
L

N
i
y
i
y la muestral del i- esimo estrato se muestre en la formula:

X
=
n

j=1
Y
i j
n
i
La varianza poblacional y muestral son:

2
=
1
N
2
_

_
L

i=1
N
2
i
_
N
i
n
i
N
i
_ _
S
2
i
n
i
_
_

_
S
2
i
=
_
Y
2
i j

(
_
Y
i j
)
2
n
i
n
i
1
Donde:
N = Tama no de la muestra
L = N umero de estratos
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 48
N
i
= Tama no del i- esimo estrato i = 1, 2, . . . , L
n
i
= Tama no de la muestra
EJERCICIOS
1. La producci on de lechoza por arbol en cierta regi on est an mostrados en la Tabla 1.24.
Los arboles de las tres ultimas las son m as j ovenes que los otros. Estime la cosecha
media de la poblaci on por arbol, basado en muestras estraticadas de tama no 6 para
el estrato de las primeras 5 las y de tama no 2 de el estrato de las ultimas 3 las.
7 8 5 6 6 10 7 6
5 4 4 7 6 6 3 8
4 7 8 10 8 4 6 6
6 4 6 4 8 7 9 8
6 3 9 9 7 8 11 9
6 3 4 3 5 2 4 3
5 3 3 4 5 4 3 4
4 5 4 3 3 4 3 6
Tabla 1.24: Producci on de lechoza por arbol
Soluci on:
Tenemos que:
El tama no poblacional del estrato 1 es N
1
= 40, y el tama no poblacional del estrato 2
es N
2
= 24; los tama nos muestrales de los estratos 1 y 2 son 6 y 2, respectivamente.
Para seleccionar los 6 y 2 arboles 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
6
= 8
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 49

X2
=
6 + 2
2
= 4
Por lo tanto tenemos que la media poblacional de producci on de lechozas por arbol
es:
=
1
N
L

N
i
y
i
=
40
64
8 +
24
64
4 = 6,5
1.4. Ejercicios Propuestos
1. Dada la siguiente distribuci on de frecuencia para la variable edad (en a nos) de cierta
poblaci on, construya el histograma de frecuencia relativa.
Edad (A nos) Frecuencia Absoluta
[0 - 4) 12
[4 - 9) 12
[9 - 14) 12
[14 - 19) 10
[19 - 24) 10
[24 - 29) 8
[29 - 34) 8
[34 - 39) 6
[39 - 44) 5
[44 - 49) 3
[49 - 54) 4
[54 - 59) 3
[59 - 64) 2
64 y m as 5
Tabla 1.25: Distribuci on de Frecuencia
2. La due na de una peque na f abrica de dulces andinos, quiere saber como se comportan
las ventas diarias durante algunos meses de temporada alta (Julio, Agosto y Septiem-
bre).
Para lograr esto, ella tom o nota de las ventas diarias duranete esos meses y obtuvo
los siguientes datos:
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 50
Ventas (Bs. F) Frecuencia Absoluta
[75 - 85) 7
[85 - 95) 6
[95 - 105) 10
[105 - 115) 22
[115 - 125) 12
[125 - 135) 8
[135 - 145) 12
[145 - 155) 15
Tabla 1.26: Distribuci on de Frecuencia
a) Elabore el histograma y polgono de frecuencia.
b) Calcule la media aritm etica, moda, varianza y desviaci on est andar.
c) Qu e porcentaje de las ventas estuvieron por debajo de 125 Bs. F?
d) Qu e tipo de muestreo le recomendara a la due na para conocer el compor-
tamiento de las ventas en un a no?
3. Dado el Histograma de la Figura 1.14.
12 13 14 15 16 17 18 19 20 21 22 23 24 25
0
2
4
6
8
10
12
14
16
18
20
Temperatura en C
F
r
e
c
u
e
n
c
i
a

A
b
s
o
l
u
t
a


(
f
i
)
Figura 1.14: Histograma con la f
i
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 51
a) Calcule la media y la desviaci on est andar.
b) Qu e porcentaje de das la temperatura estuvo entre 18.5 y 20.5
o
C?
4. Dada las edades de 100 personas censadas en cierta poblaci on en la Tabla 1.27.
0 1 40 71 30 16 7 19 41 0
22 28 47 2 0 17 32 22 10 4
23 5 24 11 5 44 7 35 48 6
26 14 35 9 61 3 20 33 10 39
75 15 32 24 28 5 50 12 14 85
51 9 8 21 54 25 18 15 32 20
16 3 14 14 56 59 16 89 2 3
18 24 65 19 53 13 21 39 37 30
1 11 57 31 6 64 43 35 7 5
1 44 8 30 25 29 13 26 4 20
Tabla 1.27: 100 edades
a) Construya la distribuci on 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 desviaci on est andar, qu e signica estos valores?
c) Qu e porcentaje de personas son menores de edad?
d) Qu e proporci on de personas son de la tercera edad (de 65 a nos en adelante)?
5. El siguiente histograma indica el n umero de personas que tienen cierta cantidad de
hijos.
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 52
1 2 3 4 5 6 7 8 9 10
0
10
20
30
40
50
60
70
80
90
Nmero de hijos
F
r
e
c
u
e
n
c
i
a

A
b
s
o
l
u
t
a



(
f
i
)
Figura 1.15: Histograma con la f
i
a) Qu e porcentaje de personas tienen m as de 7 hijos?
b) Calcule la media de las personas que tienen 5 o m as hijos.
c) Graque la Ojiva.
6. La siguiente distribuci on de frecuencias muestra los espesores (en pulgadas) de re-
cipientes de acero, hallar la media aritm etica, la mediana, la moda y la desviaci on
est andar.
Espesor (pulgadas) Frecuencia Absoluta
[0.307 - 0.310) 3
[0.310 - 0.314) 5
[0.314 - 0.318) 5
[0.318 - 0.322) 22
[0.322 - 0.326) 14
[0.326 - 0.330) 1
Tabla 1.28: Distribuci on de Frecuencia
CAP

ITULO 1. ESTAD

ISTICA DESCRIPTIVA 53
7. Calcule la varianza a partir de los siguientes datos:
138,2 195,8 124,5 101,7 137,1 130,3
110,0 101,4 104,5 128,5 135,5 197,5
159,6 140,7 103,2 134,3 191,0 180,6
189,9 186,3 116,4 155,3 146,6 199,1
188,4 113,8 121,9 135,7 142,6 125,6
Tabla 1.29: Datos
8. Suponga que se quiere obtener una lista de 12 estudiantes entre los 1400 de cierta
facultad utilizando muestreo sistem atico. Seleccione la muestra.
9. Una poblaci on esta conformada por el conjunto S = {3, 4, 6, 7, 9}, siendo un espacio
equiprobable. Se toman muestras aleatorias de tama no 2 sin reemplazo, determine:
a) La media y desviaci on est andar poblacional.
b) La distribuci on muestral para la media muestral.
c) Calcular la media y la desviaci on est andar muestral y compararlas con la pobla-
cional.
Captulo 2
Teora de la Probabilidad
La Teora de probabilidad son leyes matem aticas que modelan la aleatoriedad; en este
captulo estudiaremos las nociones b asicas 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 repa-
so de la Teora de Conjuntos con una serie de ejercicios que nos ayudar a a comprender los
temas posteriores.
La Teora de Conjuntos es una parte de las matem aticas 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
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 55
a) Exprese el espacio muestral.
b) Exprese explcitamente los siguientes sucesos:
A = {que salga un n umero par y sello}
B = {que salga un n umero primo y cara}
C = {que salga un n umero impar}
c) Expresar explcitamente los siguientes sucesos:
i) A o B ocurren.
ii) B y C ocurren.
iii) S olo ocurra A.
Soluci on:
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 n umero par y sello}
A = {S 2, S 4, S 6}
B = {que salga un n umero primo y cara}
B = {C2, C3, C5}
C = {que salga un n umero impar}
C = {C1, C3, C5, S 1, S 3, S 5}
c) Para esta parte denimos los sucesos conformados por la uni on, complemento
o intersecci on 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}
S olo ocurra A:
AB
c
C
c
= {S 2, S 4, S 6}
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 56
2. Sean los sucesos A, B y C, experimentos aleatorios. Exprese las siguientes proposi-
ciones verbales en notaci on de conjuntos.
a) Exactamente uno de los 3 ocurre.
b) Al menos dos ocurren.
c) No ocurre m as de 2 sucesos juntos.
d) Exactamente dos ocurren
Soluci on:
Para realizar la notaci on en conjunto hacemos uso de las intersecciones, uniones y
complementos de los eventos
1
.
a) Exactamente uno de los 3 ocurre:
(AB
c
C
c
) (A
c
BC
c
) (A
c
B
c
C)
b) Al menos uno ocurre:
A B C
c) No ocurre m as de 2 sucesos juntos:
[(AB
c
C
c
) (A
c
BC
c
) (A
c
B
c
C)] [(ABC
c
) (AB
c
C) (A
c
BC)]
d) Exactamente dos ocurren:
(ABC
c
) (AB
c
C) (A
c
BC)
3. Sean los sucesos A y B. Hallar una expresi on 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.
Soluci on:
1
Debemos aclarar que las expresiones desarrolladas para este ejemplo y los siguientes no son las uni-
cas existentes, el estudiante debe tratar de desarrollar otras expresiones que representen estas proposiciones
verbales.
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 57
Los Diagramas de Venn se utilizan para representar conjuntos y las relaciones en-
tre ellos, estos son de gran utilidad al momento de representar la ocurrencia de los
sucesos, ya que de una forma visual facilitan la compresi on 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 B
c
A
B
Ocurra B:
B


B A
Ocurre A y B:
A B
A
B
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 58
Ninguno de los 2:
(A B)
c
B A
4. Se lanzan dos dados al mismo tiempo y se anotan los resultados. Hallar el n umero de
elementos de cada uno de los siguientes sucesos.
a) A = {los dos n umeros son iguales}
b) B = {la suma es 8 o m as}
c) C = {sale 1 en el segundo dado}
Soluci on:
El espacio muestral (S ) del lanzamiento de dos dados simult aneamente est a mostrado
en la Figura 2.1.
1 2 3 4 5 6
0
1
2
3
4
5
6
7
Primer dado
S
e
g
u
n
d
o

d
a
d
o
(1,1)
(1,2)
(1,3)
(1,4)
(1,5)
(1,6)
(2,1)
(2,2)
(2,3)
(2,4)
(2,5)
(2,6)
(3,2)
(3,3)
(3,4)
(3,5)
(3,6)
(3,1)
(4,1)
(4,2)
(4,3)
(4,4)
(4,5)
(4,6)
(5,1)
(5,2)
(5,3)
(5,4)
(5,5)
(5,6)
(6,1)
(6,2)
(6,3)
(6,4)
(6,5)
(6,6)
Figura 2.1: Espacio Muestral del lanzamiento de 2 dados
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 59
A partir de este espacio muestral se crean los elementos que pertenecen a cada suceso
pedido, por lo tanto tenemos:
a) Denimos el suceso A:
A = {los dos n umeros son iguales}
A = {(1, 1), (2, 2), (3, 3), (4, 4), (5, 5)}
b) Denimos el suceso B:
B = {la suma es 8 o m as}
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) Denimos 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 contrat o 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 revis o los resultados y lo devolvi o a los estudiantes dici endoles que ellos
haban inventado los datos, pues no eran consistentes. Se equivoco el ingeniero?.
Soluci on:
Para sacar conclusiones sobre el informe, se utiliza el Diagrama de Venn. Denimos
los siguientes sucesos:
Hombre = H
Casados = C
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 60
Bachilleres = B
Para identicar 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 ac a se rellena los espacio donde ocurren dos
eventos, por ejemplo, el evento hombre-bachiller tiene 42 elementos, si le restamos
los 25 que est an 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.
1
B
61
17
25
262
122
61
209
C
H
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 raz on y los estudiantes inventaron los datos.
6. Compruebe las leyes de Morgan: Si {A
n
} para n 1 en cualquier sucesi on de conjun-
tos, entonces:
a) (A
n
)
c
= (A
c
n
)
b) (A
n
)
c
= (A
c
n
)
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 61
Soluci on:
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}
1
A
B
200
100
300
400
Figura 2.3: Diagrama de Venn
(A B)
c
= 400
(A
c
B
c
) = 400
1
A
B
(A B)
c
=
100 + 300 + 400 = 800
(A
c
B
c
) =
(300 + 400) (100 + 400)
= 800
1
A
B
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 62
2.2. Teora de Probabilidad
Como se dijo al principio de este captulo, la teora de probabilidad es el modelo
matem atico de un fen omeno aleatorio.
Las probabilidades son n umeros que reejan la posibilidad de ocurrencia de hechos o
sucesos bajo ciertas condiciones.
La probabilidad se usa ampliamente en en la ciencia, planicaci on estrategica, control
de procesos y la losofa, esto con el n 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 Estoc astica 1, 20 estudian programaci on 3 y 10 estudian ambas
asignaturas. Hallar la probabilidad p de que el alumno este estudiando Estoc astica 1
o Programaci on 3.
Soluci on:
muestra = n = 80 estudiantes
Estoc astica 1 (E) = 30 alumnos
Programaci on 3 (P) = 20 alumnos
Probabilidad de que el alumno estudie Estoc astica 1:
P(E) =
# Estudiantes de Estoc astica 1
Total de Estudiantes
=
30
80
Probabilidad de que el alumno estudie Programaci on 3:
P(P) =
# Estudiantes de Programaci on 3
Total de Estudiantes
=
20
80
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 63
Probabilidad de que el alumno estudie Estoc astica 1 y Programaci on 3:
P(E P) =
# Estudiantes de Estoc astica 1 y Programaci on 3
Total de Estudiantes
=
10
80
Entonces tenemos que la probabilidad de que el estudiante estudie Estoc astica 1 o
Programaci on 3 es de:
P(E P) = P(E) + P(P) P(E P) =
30
80
+
20
80

10
80
= 0,5
2. Tres caballos A, B y C est an 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.
Soluci on:
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 ultimo, 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
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 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 t erminos de X, Y y Z.
a) P(A
c
B
c
)
b) P(A
c
B)
c) P(A
c
B)
d) P(A
c
B
c
)
Soluci on:
Sabemos que: P(A) = X ; P(B) = Y y P(A B) = Z.
Utilizamos el Diagrama de Venn:
a) P(A
c
B
c
):
(A
c
B
c
) = (A B)
c
P(A
c
B
c
) = P(A B)
c
P(A
c
B
c
) = 1 P(A B)
P(A
c
B
c
) = 1 Z
1
A
B
b) P(A
c
B):
P(A
c
B) = P(B) P(A B)
P(A
c
B) = Y Z
B A
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 65
c) P(A
c
B):
P(A
c
B) = P(A
c
) +P(AB)
P(A
c
B) = 1P(A)+P(AB)
P(A
c
B) = 1 X + Z
B A
d) P(A
c
B
c
):
(A
c
B
c
) = (A B)
c
P(A
c
B
c
) = P(A B)
c
P(A
c
B
c
) = 1 P(A)
P(B) +P(AB)
P(A
c
B
c
) = 1 X Y + Z
B A
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.
Soluci on:
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 proba-
bilidades:
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 66
B
C
A
1/8
1/8
1/8
1/4
Figura 2.4: Diagrama de Venn
Sustituimos y tenemos:
P(A B C) =
1
4
+
1
4
+
1
4
+
1
4
0
1
8
0 0 =
5
8
5. Un minorista vende solamente dos marcas de televisores y seg un 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 distribuci on 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 preeren una misma marca de televi-
sor. Encuentre P(A).
Soluci on:
a) Designamos las siguientes nomenclaturas:
Marca 1 = 1 y Marca 2 = 2
2 2 2 2 = 2
4
= 16 puntos muestrales
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 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 preeren 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 A
c
y B
c
tambi en son
sucesos independientes.
Soluci on:
Si A
c
y B
c
son sucesos independientes, entonces se debe cumplir que:
P(A
c
B
c
) = P(A
c
) P(B
c
)
Tenemos por la Ley de Morgan: (A B)
c
= A
c
B
c
:
P(A B)
c
= P(A
c
B
c
)
P(A
c
B
c
) = 1 P(A B)
P(A
c
B
c
) = 1 [P(A) + P(B) P(A B)]
P(A
c
B
c
) = 1 P(A) P(B) + P(A B)
P(A
c
B
c
) = 1 P(A) + P(B) P(A) P(B)
P(A
c
B
c
) = 1 P(B) P(A) [1 P(B)]
P(A
c
B
c
) = P(B
c
) P(A) P(B
c
)
P(A
c
B
c
) = P(B
c
) [1 P(A)]
P(A
c
B
c
) = P(B
c
) P(A
c
)
Por lo tanto queda demostrado que A
c
y B
c
son independientes.
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 68
2.3. Teora Combinatoria
Esta teora es aplicable cuando enumerar los puntos muestrales directamente no es posi-
ble ni pr actico, es mayormente usada para resuelve problemas que aparecen al estudiar,
cuanticar 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 n
1
maneras diferentes, un segundo suceso de n
2
maneras
diferentes, un tercero de n
3
maneras, etc., el suceso compuesto por los sucesos 1, 2, 3,...,
puede ocurrir de n
1
n
2
n
3
... maneras diferentes.
EJERCICIOS
1. Un equipo de baseball est a compuesto por 9 jugadores. De cu antas maneras puede
elegirse un presidente, un secretario y un capit an para el equipo?
Soluci on:
Para este caso importar el orden en que son seleccionados los nombres de los ju-
gadores, ya que el primero seleccionado ser a el presidente, el segundo seleccionado
ser a el secretario y por ultimo el tercero ser a capit an, por lo tanto tenemos que:
n
1
n
2
n
3
maneras diferentes de escoger presidente, secretario y capit an
9 * 8 * 7 = 504 maneras
Se puede escoger de 504 maneras diferentes, los tres representantes del equipo de
baseball.
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 69
2. Un examen consta de 5 preguntas del tipo verdadero o falso. De cu antas maneras
diferentes puede contestarse el examen?
Soluci on:
Son 5 preguntas y cada una tiene dos posibles soluciones, tenemos entonces:
2 2 2 2 2 = 32 posibles soluciones
3. Cuantos n umeros de 3 cifras distintas se pueden formar con las 9 cifras signicativas
del sistema decimal?
Soluci on:
Para este caso importa y adem as dice que son cifras distintas, signica que no pueden
repetirse, por lo que usamos el principio de la multiplicidad:
9 8 7 = 504
Se pueden formar 504 n umeros.
2.3.2. Principio de la Suma
Suponga un suceso 1 que puede ocurrir de n
1
maneras diferentes y otro suceso 2 que
puede ocurrir de n
2
maneras diferentes. Si no es posible que los 2 sucesos ocurran si-
mult aneamente, habr a n
1
+ n
2
formas de ocurrir el suceso 1 o 2.
EJERCICIOS
1. Suponga que se puede viajar un da a 2 sitios, a la monta na o a la playa. A la monta na
se puede ir de 3 maneras: a pie, en telef erico o en vehculo; y a la playa se puede ir
de 4 maneras: en vehculo, en bus, en moto o en bibicleta. cu antas formas de viajar
hay para ese da?
Soluci on:
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 70
maneras de ir a la monta na + maneras de ir a la playa
n
1
+ n
2
= 3 + 4 = 7 maneras
Se puede puede viajar ese da de 7 maneras diferentes.
2.3.3. Permutaciones
Consideremos n objetos diferentes, una permutaci on de los n elementos es cualquier
arreglo diferente que se puede obtener de ellos intercambiando su orden.
nP
n
= 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 nalmente n k + 1
maneras de escoger el k- esimo; por lo tanto el n umero de arreglos es:
nP
k
= 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.
Soluci on:
n = n umero de letras = 5
k = n umero de letras a formar = 3
nP
k
=
n!
(n k)!
=
5
P
3
=
5!
(5 3)!
= 60
Se pueden realizar 60 permutaciones de 3 letras con las 5 letras disponibles.
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 71
2. Con los siguiente smbolos griegos: cu antas permuta-
ciones se puede formar?
Soluci on:
En este caso no todos los elementos son diferentes entre s, para ello utilizamos la
siguiente f ormula:
n!
n
1
! n
2
! ... n
k
!
n = 12 :
_

_
n
1
= 2
n
2
= 3
n
3
= 3
n
4
= 1
n
5
= 1
n
6
= 2
12!
2! 3! 3! 1! 1! 2!
= 3326400 permutaciones
3. Cu antas secuencias pueden obtenerse al lanzar 20 veces una moneda, que tengan 6
caras y 14 sellos?
Soluci on:
En este caso tambi en tenemos repeticiones, por lo tanto tenemos:
20!
6! 14!
= 38760
Existen 38760 secuencias con 6 caras y 14 sellos.
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 72
2.3.4. Combinaciones
Se dene como combinaci on de tamana k a todo subconjunto de k elementos que
pueden formarse de un conjunto de n elementos diferentes. Para este caso no se tomar a en
cuenta el orden de los elementos.
El n umero de subconjuntos de k elementos, escogidos de un conjunto de n elementos
se calcula de la siguiente manera:
_
n
k
_
=
n!
k!(n k)!
EJERCICIOS
1. En un sal on de clases hay 25 estudiantes y se desea seleccionar una comisi on de 5
personas para organizar cierto evento. Cu antas comisiones se pueden formar?
Soluci on:
Para este caso no importa el orden en que son seleccionados los estudiantes que
conformar an la comisi on, por lo tanto tenemos:
_
25
5
_
= 53130 combinaciones
Se pueden formar 53130 comisiones de 5 alumnos diferentes entre los 25 disponibles.
2. Cu al ser a la combinaci on m as probable de una comisi on de 4 miembros escogidos
al azar entre 22 mujeres y 18 hombres?
Soluci on:
Debemos probar todas las combinaciones posibles:
Conformado por 4 mujeres:
_
22
4
_
= 7315 comisiones
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 73
Conformado por 3 mujeres y 1 hombre:
_
22
3
_

_
18
1
_
= 27720 comisiones
Conformado por 2 mujeres y 2 hombres:
_
22
2
_

_
18
2
_
= 35343 comisiones
Conformado por 1 mujer y 3 hombres:
_
22
1
_

_
18
3
_
= 17952 comisiones
Conformado por 4 hombres:
_
18
4
_
= 3060 comisiones
Seg un los resultados obtenidos, es m as probable formar una comisi on 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.
Denici on:
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) =
P(A B)
P(B)
EJERCICIOS
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 74
1. Se arroja un par de dados y se suman los n umeros que aparecen. Si se sabe que la
suma de ambos n umeros fue 6, cu al es la probabilidad de que un dado haya caido
en 2?
Soluci on:
El espacio muestral (S ) est a conformado por 36 elementos, que son los resultados
del lanzamiento de dos dados. Ahora denimos 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
Denimos 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
ser a dejada fuera de la caja. Despu es se sacar a al azar otra bola de la caja. Calcular:
a) P(A R)
b) P(A A)
c) P(R A)
d) P(R R)
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 75
Soluci on:
A = {la bola es azul} ; R = {la bola es roja}
Podemos utilizar los diagramas de arbol para este problema, el cual lo podemos ver
en la Figura 2.5.
2 azules
3 rojas
R
R
R
A
2/5
3/5
1/4
A
2/4
2/4
A
3/4
Figura 2.5: Diagrama de

Arbol
Utilizando el diagrama de arbol tenemos las siguientes probabilidades:
P(1
era
fue A) = P(A) =
2
5
P(1
era
fue R) = P(R) =
3
5
P(A dado que la 1
era
fue A) = P(A/A) =
1
4
P(R dado que la 1
era
fue A) = P(R/A) =
3
4
P(A dado que la 1
era
fue R) = P(A/R) =
2
4
P(R dado que la 1
era
fue R) = P(R/R) =
2
4
Buscamos las probabilidades pedidas:
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 76
a) P(A R):
P(A R) = P(A) P(R/A) =
2
5

3
4
=
6
20
b) P(A A):
P(A A) = P(A) P(A/A) =
2
5

1
4
=
2
20
c) P(R A):
P(R A) = P(R) P(A/R) =
3
5

2
4
=
6
20
d) P(R R):
P(R R) = P(R) P(R/R) =
3
5

2
4
=
6
20
3. Una encuesta entre los consumidores en una comunidad particular mostr o 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.
Soluci on:
Denimos 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
A
c
= El plomero A no realiza el trabajo P(A
c
) = 0,60
P(I A) =
0,10
2
= 0.05
a) El consumidor reciba un trabajo de plomera que no le satisfaga:
P(I/A) =
P(I A)
P(A)
=
0,05
0,4
= 0,125
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 77
La probabilidad de que un cliente no este satisfecho con el trabajo hecho dado
que lo realiz o el plomero A es del 12,5 %.
b) El consumidor reciba un trabajo de plomera satisfactorio:
P(I
c
/A) =
P(I
c
A)
P(A)
=
0,35
0,4
= 0,875
Por el contrario, la probabilidad de que un cliente si este satisfecho con el tra-
bajo hecho, dado que lo realiz o el plomero A es del 87,5 %.
4. En la Facultad de Ingeniera el 25 % de los alumnos retiro C alculo 10, el 15 % Sis-
temas de Representaciones 10 y el 10 % retiro ambas. Se elige un alumno al azar.
a) Si el alumno retir o Sistemas de Representaciones 10, cu al es la probabilidad
de que retiro C alculo 10?
b) Si retiro C alculo 10, cu al es la probabilidad de que retiro Sistemas de Repre-
sentaciones 10?
c) Cu al es la probabilidad de que retiro C alculo o Sistemas de Representaciones?
d) Cu al es la probabilidad de que el alumno no hubiera retirado ninguna?
Soluci on:
C = {Retiro de C alculo 10}
P(C) = 0,25
S = {Retiro de Sistemas de Representaciones 10}
P(S ) = 0,15
C S = {Retiro C alculo y Sistemas de Representaciones}
P(C S ) = 0,10
a) La probabilidad de que retiro C alculo 10, dado que retiro Sistemas de Repre-
sentaciones es:
P(C/S ) =
P(C S )
P(Q)
=
0,10
0,15
= 0,6667
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 78
b) La probabilidad de que retiro Sistema de Representaciones 10, dado que retiro
C alculo 10 es:
P(S/C) =
P(Q C)
P(C)
=
0,10
0,25
= 0,4
c) La probabilidad de que retiro C alculo 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
1
3
. 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.
Soluci on:
1/3
X
1/2
C
1/2 S
1/3
Y
1
C
S 0
1/3
Z
1/3
C
2/3 S
Figura 2.6: Diagrama de

Arbol
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 79
a) La probabilidad de que salga cara es:
P(C) =
1
3

1
2
+
1
3
1 +
1
3

1
3
=
11
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

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

2
2
1
11
18
=
4
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,
Cu al es la probabilidad de que la bola sacada de la caja II haya sido blanca?
Soluci on:
2 blancas
4 rojas
I II
8 blancas
4 rojas
1 blanca
3 rojas
III
P(B) = 1/4
P(R) = 3/4
P(B) = 8/12
P(R) = 4/12
P(B) = 2/6
P(R) = 4/6
Figura 2.7: Distribuci on de las bolas en las cajas
Denimos el espacio muestral S y los eventos:
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 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
6

8
12

3
4
+
2
6

4
12

1
4
+
4
6

8
12

1
4
=
11
36
P(A B) = P(BBR) o P(RBB)
P(A B) =
2
6

8
12

3
4
+
4
6

8
12

1
4
=
5
18
P(B/A) =
P(A B)
P(B)
=
5/18
11/36
=
10
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 inuye o afecta la ocurrencia del otro.
A y B son independientes si y s olo si:
P(A B) = P(A) P(B) ; siendo P(A) > 0 ; P(B) > 0
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 81
A partir de la denici on podemos decir que:
P(A/B) =
A B
P(B)
= P(A)
Esto es debido a que, no importa que previamente ocurriera B, su ocurrencia no afecta
en nada la probabilida de ocurrencia de A.
Tambi en se cumple de forma viceversa:
P(B/A) =
A B
P(A)
= P(B)
Tambi en se puede comprobar la independencia para m as 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
ser a 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).
Soluci on:
Desarrollamos el diagrama de arbol del problema:
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 82
2 azules
3 rojas
A
R
R
A
R
A
2/5
3/5
3/5
2/5
2/5
3/5
Figura 2.8: Diagrama de

Arbol
a) P(A R):
P(A R) = P(A) P(R/A) =
2
5

3
5
=
6
25
P(A R) = P(A) P(R) =
2
5

3
5
=
6
25
b) P(A A):
P(A A) = P(A) P(A/A) =
2
5

2
5
=
4
25
P(A A) = P(A) P(A) =
2
5

2
5
=
4
25
c) P(R A):
P(R A) = P(R) P(A) =
3
5

2
5
=
6
25
d) P(R R):
P(R R) = P(R) P(R) =
3
5

3
5
=
9
25
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, cu al es la probabilidad
que pase corriente de A a B?
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 83
A B
1 2
3 4
Figura 2.9: Circuito
Soluci on:
Denimos 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 = 2p
2
p
4
2.6. Teorema de Bayes
Ahora bien, en esta secci on introduciremos un nuevo concepto que es el Teorema de
Bayes, este teorema es el resultado que da la distribuci on de probabilidad condicional de
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 84
un suceso B
i
dado A (P(B
i
/A)), en t erminos de la distribuci on de probabilidad condicional
de A dado B
i
(es decir, lo contrario a lo pedido P(A/B
i
)) y la distribuci on de probabilidad
total de A (P(A)).
P(B
i
/A) =
P(A B
i
)
P(A)
=
P(B
i
)P(A/B
i
)
P(B
1
)P(A/B
1
) + P(B
2
)P(A/B
2
) + . . .
EJERICICIOS
1. Con respecto al Ejercicio 5 de la secci on anterior, resuelva los tems b) y c) por medio
del Teorema de Bayes.
Soluci on:
P(X/C) =
P(X) P(C/X)
P(X) P(C/X) + P(Y) P(C/Y) + P(Z) P(C/Z)
=
1
3

1
2
1
3

1
2
+
1
3
1 +
1
3

1
3
P(X/C) =
3
11
P(Z/S ) =
P(Z) P(S/Z)
P(X) P(S/X) + P(Y) P(S/Y) + P(Z) P(S/Z)
=
1
3

2
3
1
3

1
2
+
1
3
0 +
1
3

2
3
P(Z/S ) =
4
7
Observamos que los resultados son exactamente iguales a los obtenidos anterior-
mente por meido de probabilidad condicional.
2. Una empresa de manufactura emplea 3 planes analticos para el dise no y desarrollo de
un producto especco. 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/P
1
) = 0,01 ; P(D/P2) = 0,03 ; P(D/P3) = 0,02
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 85
Si se observa un producto al azar y esta defectuoso cu al fue el plan que se us o con
mayor probabilidad y fue el responsable?
Soluci on:
Para resolver este problema debemos calcular la probabilidad de que dado que el
producto est a defectuoso, cual fue el plan responsable, para ello calculamos las tres
probabilidades condicionales:
P(P
1
/D) =
P(P
1
) P(D/P
1
)
P(P
1
) P(D/P
1
) + P(P
2
) P(D/P
2
) + P(P
3
) P(D/P
3
)
P(P
1
/D) =
0,003
0,019
= 0,1579
P(P
2
/D) =
P(P
2
) P(D/P
2
)
P(P
1
) P(D/P
1
) + P(P
2
) P(D/P
2
) + P(P
3
) P(D/P
3
)
P(P
2
/D) =
0,06
0,019
= 0,3158
P(P
3
/D) =
P(P
3
) P(D/P
3
)
P(P
1
) P(D/P
1
) + P(P
2
) P(D/P
2
) + P(P
3
) P(D/P
3
)
P(P
3
/D) =
0,01
0,019
= 0,5263
Seg un 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 continuaci on se saca una bola de II y resulta ser negra.
Cu al es la probabilidad de que la bola pasada de la caja I a la II fuese blanca?
Soluci on:
Denimos los sucesos:
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 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) =
2
5

3
8
3
5

4
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 quej o diciendo que le cobraron mal.
Cu al es la probabilidad de que lo atendiera Gabriela?
Soluci on:
Denimos los eventos y el diagrama de arbol del problema (Figura 2.10):
C = {se realiz o 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
0,4 0,02 + 0,35 0,01 + 0,25 0,03
= 0,3947
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 87
0,4
M
C
0,35
A
C
C
0,25
G
C
C
C
P(C/A) = 0,01
P(C/M) = 0,02
P(C/G) = 0,03
Figura 2.10: Diagrama de

Arbol
La probabilidad de que el cliente fuera atendido por Gabriela dado que le cobraron
mal, es del 39,47 %.
2.7. Ejercicios Propuestos
1. Dado el conjunto A = {a, b, c}, liste todos los posibles subconjuntos de A.
2. Una f abrica produce cierto artculo, y diariamente se realiza un experimento que
consiste en examinar cada uno de los artculos producidos (uno tras otro) para veri-
car 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 Estoc astica 1 de cierto alum-
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 88
no.
a) Cu al es el espacio muestral?
b) Dena 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 m aximo 16 puntos}
4. Considere el espacio muestral S = {cobre, sodio, nitr ogeno, potasio, uranio, oxgeno,
zinc}, y los eventos:
A = {cobre, sodio, zinc}
B = {sodio, nitr ogeno, potasio}
C = {oxgeno}
Liste los elementos y dibuje el diagrama de Venn de los conjuntos que corresponden
a los siguientes eventos:
a) A
c
b) (A B
c
) C
c
c) (A
c
B
c
) (A
c
C)
5. Una caja contiene A bolas numeradas del 1 a A. Designe N como el n umero de
bolas de cierto color, donde N A. Sea una muestra de tama no 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. Cu al 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. Cu al
es la probabilidad de que sean del mismo color?
8. Un inspector visita 6 m aquinas diferentes durante el da. A n de impedir que los
operadores sepan cuando inspecionar a, vara el orden de las visitas. De cu antas
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 89
maneras lo puede hacer?. Si de 6 m aquinas puede visitar solamente 3, de cu antas
maneras lo puede hacer?
9. La Escuela de Sistemas cuenta con 37 profesores, de cu antas maneras podemos
escoger un Director y 3 Representantes Profesorales?
10. Cu antos diptongos posibles se pueden encontrar en la literatura castellana, con vo-
cales diferentes?
11. La probabilidad de que un artculo provenga de una f abrica A es de 0,3; y la proba-
bilidad de que provenga de otra f abrica B es de 0,7. Se sabe que la f abrica A produce
4 por mil artculos defectuosos y la B produce 8 por mil.
a) Se observa un artculo y se ve que est a defectuoso. Cu al es la probabilidad de
que provenga de la f abrica B?
b) Se pide un artculo a una de las dos f abricas, elegida al azar. Cu al es la proba-
bilidad de que est e defectuoso?
c) Se piden 5 artculos a la f abrica A. Cu al es la probabilidad de que haya alguno
defectuoso?
12. Hay una extra na enfermedad que s olo 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, cu al es la probabilidad de que
la persona tenga la enfermedad?
13. Una compa na 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
CAP

ITULO 2. TEOR

IA DE LA PROBABILIDAD 90
ingeniero 2 es de 0.04. Suponga que llega una solicitud de cotizaci on y ocurre un
error grave al estimar los costos. qu e 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 num eri-
co a cada resultado de S .

Esta siempre es denotada con letras may usculas.
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 n umero nito de valores numerables.
Una variable aleatoria continua toma un valor innito de valores no numerables, es
decir, su conjunto de posibles valores es todo un intervalo de n umeros.
3.1. Distribuci on de Probabilidad de una Variable Aleato-
ria Discreta
Una Distribuci on de Probabilidades es el modelo que describe los resultados de un
experimento con las respectivas probabilidades que se espera ver.
91
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 92


Para construir la distribuci on de probabilidad de una variable aleatoria discreta tenemos
que, la probabilidad de que X tome el valor x, es decir P(X = x), se dene 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 n umero de caras que pueden salir. Encuentre la distribuci on de
probabilidad correspondiente a la variable aleatoria X.
Soluci on:
Lo primero que debemos hacer es asociar los puntos muestrales de S a n umeros,
siendo X el n umero de caras que pueden salir:
Punto muestral CC CS SC SS
X 2 1 1 0
Tabla 3.1: Asignaci on de valores a X
Calculamos la probabilidad para cada valor que puede tomar X:
P(CC) =
1
2

1
2
=
1
4
P(X = 2) =
1
4
P(CS ) =
1
2

1
2
=
1
4
P(X = 1) =
1
4
P(SC) =
1
2

1
2
=
1
4
P(X = 1) =
1
4
P(S S ) =
1
2

1
2
=
1
4
P(X = 0) =
1
4
Con estos datos construimos la distribuci on de probabilidad, la cual est a conforma-
da por la variable aleatoria discreta X y su respectiva probabilidad, ya calculadas
previamente:
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 93


X 0 1 2
p(x)
1
4
2
4
1
4
Tabla 3.2: Distribuci on de probabilidad
2. Un supervisor de una f abrica tiene 3 hombres y 3 mujeres trabajando para el. Desea
elegir 2 trabajadores para una labor especial y decide seleccionar al azar para no
introducir ning un sesgo en su selecci on. Sea X el n umero de mujeres en su selecci on.
Encuentre la distribuci on de probabilidad para X.
Soluci on:
Asignamos a cada suceso un valor num erico:
Ninguna mujer X = 0
Una mujer X = 1
Dos mujeres X = 2
Calculamos las probabilidades para cada uno de los valores de X:
P(X = 0) =
_
3
0
__
3
2
_
_
6
2
_ =
3
15
P(X = 1) =
_
3
1
__
3
1
_
_
6
2
_ =
9
15
P(X = 2) =
_
3
2
__
3
0
_
_
6
2
_ =
3
15
Por lo tanto tenemos:
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 94


X 0 1 2
p(x) 0,2 0,6 0,2
Tabla 3.3: Distribuci on de probabilidad
3. En el caso de lanzar 3 monedas y registrar el n umero 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)
Soluci on:
El espacio muestral del experimento aleatorio: lanzamiento de 3 monedas y su dis-
tribuci on se probabilidad se muestran a continuaci on en la Tabla 3.4. Adem as se
muestra la funci on de distribuci on del problema (F(x)), la cual es la acumulada de la
distribuci on de probabilidad (p(x)).
S = {CCC, CCS, CSC, SCC, CS S, SCS, SCC, S S S }
X 0 1 2 3
p(x)
1
8
3
8
3
8
1
8
F(x)
1
8
4
8
7
8
1
Tabla 3.4: Distribuci on de Probabilidad y Funci on de Distribuci on
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
8
=
1
8
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 95


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

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

1
8
=
3
8
4. La funci on de distribuci on de una variable aleatoria X est a denido 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)
Soluci on:
Gracamos la distribuci on de probabilidad (Figura 3.1) y la funci on de distribuci on
(Figura 3.2):
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 96


2 1 0 1 2
X
0.8
0.6
0.4
0.2
p(x)
Figura 3.1: Distribuci on de Probabilidad
2 1 0 1 2
0.5
0.75
1.0
F(x)
X
Figura 3.2: Funci on de Distribuci on
a) P(X 2) = 1
b) P(X < 0) =
3
4
c) P(0 < X 2) = F(2) F(0) = 1 -
3
4
=
1
4
d) P(1 X 2) = F(2) F(1) + p(1) = 1
3
4
+ 0 =
1
4
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 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 distribuci on de probabilidad para X.
b) Encuentre la funci on de distribuci on F(x) para la variable aleatoria X.
c) Elabore una gr aca de esta funci on.
Soluci on:
a) Describimos el espacio muestral en la Tabla 3.5:
Par
_
Par
_
Par
_
Par
_
Par
_
Par
_
(1,1) 2 (2,1) 3 (3,1) 4 (4,1) 5 (5,1) 6 (6,1) 7
(1,2) 3 (2,2) 4 (3,2) 5 (4,2) 6 (5,2) 7 (6,2) 8
(1,3) 4 (2,3) 5 (3,3) 6 (4,3) 7 (5,3) 8 (6,3) 9
(1,4) 5 (2,4) 6 (3,4) 7 (4,4) 8 (5,4) 9 (6,4) 10
(1,5) 6 (2,5) 7 (3,5) 8 (4,5) 9 (5,5) 10 (6,5) 11
(1,6) 7 (2,6) 8 (3,6) 9 (4,6) 10 (5,6) 11 (6,6) 12
Tabla 3.5: Puntos muestrales
Por lo tanto tenemos la distribuci on de probabilidad en la Tabla 3.6:
X 2 3 4 5 6 7 8 9 10 11 12
f (x)
1
36
2
36
3
36
4
36
5
36
6
36
5
36
4
36
3
36
2
36
1
36
Tabla 3.6: Distribuci on de Probabilidad
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 98


b) La funci on de distribuci on F(x) se muestra a continuaci on:
F(x) =
_

_
0 para X < 2
1
36
para 2 X < 3
3
36
para 3 X < 4
6
36
para 4 X < 6
10
36
para 5 X < 6
15
36
para 6 X < 7
21
36
para 7 X < 8
26
36
para 8 X < 9
30
36
para 9 X < 10
33
36
para 10 X < 11
35
36
para 11 X < 12
1 para X 12
c) La gr aca de la funci on de distribuci on (F(x)) se muestra en la Figura 3.3:
1 2 3 4 5 6 7 8 9 10 11 12
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
X
F
(
x
)
Figura 3.3: Funci on de Distribuci on
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 99


3.2. Distribuci on de Probabilidad de una Variable Aleato-
ria Continua
En el caso de una variable aleatoria continua X, la distribuci on de probabilidad es la
integral de la funci on de densidad.
EJERCICIOS
1. Sea X una variable aleatoria continua con la funci on de densidad de probabilidad
dada por:
f (x) =
_

_
3x
2
si 0 X 1
0 en cualquier otro punto
Encontrar F(x) y gracar f (x) y F(x).
Soluci on:
Gracamos la funci on de probabilidad f (x) (Figura 3.4):
1 0 1
2
1
3
f(x)
X
Figura 3.4: Distribuci on de Probabilidad
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 100


Calculamos F(x):
F(x) =
_
x

f (t)dt
F(x) =
_
x
0
3t
2
dt = x
3
Por lo tanto podemos observar la funci on de distribuci on junto con su gr aca a con-
tinuaci on:
F(x) =
_

_
x
3
si 0 < X < 1
1 si X 1
1 0 1
1
F(x)
X
Figura 3.5: Funci on de Distribuci on
2. Dada la funci on de probabilidad:
f (x) =
_

_
cx
2
si 0 < X < 3
0 en cualquier otro punto
a) Encuentre la constante c.
b) Calcule P(1 < X < 3).
c) Encuentre la funci on de distribuci on.
Soluci on:
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 101


a) Sabemos que:
F(x) =
_

f (x)dx = 1
Por lo tanto tenemos que:
F(x) =
_
3
0
ct
2
dt = 1
Integramos la distribuci on de probabilidad f (x) e igualamos a 1, se despeja c y
tenemos que:
c =
1
9
Sustituimos en la distribuci on de probabilidad y obtenemos:
f (x) =
_

_
x
2
9
si 0 < X < 3
0 en cualquier otro punto
b) Utilizando la distribuci on de probabilidad calculamos P(1 < X < 3):
P(1 < X < 3) =
_
2
1
x
2
9
dx =
7
27
c) La funci on de distribuci on se debe calcular seg un los intervalos en que
est a denida, de la siguiente manera:
Para (; 0):
f (x) = 0
F(x) = 0
Para [0 ; 3):
f (x) =
x
2
9
F(x) = F(0) +
_
x
0
t
2
9
dt = 0 +
x
3
27
=
x
3
27
Para [3 ; ):
f (x) = 0
F(x) = F(3) +
_
x
3
0dt = 1
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 102


Por lo tanto tenemos que la funci on de distribuci on es la siguiente:
F(x) =
_

_
0 si X < 0
x
3
27
si 0 X < 3
1 si X 3
3. La vida de cierto dispositivo electr onico, medida en unidades de 1000 horas, est a da-
da por la ley:
f (x) = e
x
paraX > 0
El costo de producir el dispositivo es 5 UM y el precio de venta es 15 UM. El vende-
dor 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 distribuci on de G.
Soluci on:
Si el dispositivo dura menos de 600 horas la ganancia sera entonces de -5,
denimos a la variable X:
X =
600 horas
1000 horas
= 0,6
Y su probabilidad ser a entonces de:
P(X < 0,6) =
_
0,6
0
e
x
dx = 0,45
Si el dispositivo dura m as de 600 horas la ganancia sera entonces de 10 y su
probabilidad ser a entonces de:
P(X 0,6) = 1 P(X < 0,6) = 1 0,45 = 0,55
La distribuci on de probabilidad de G se observa en la Tabla 3.7:
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 103


G -5 10
P(G) 0.45 0.55
Tabla 3.7: Distribuci on de probabilidad de la Ganancia
4. Sea X una variable aleatoria continua con la siguientes distribuci on
f (x) =
_

_
x
6
+ k si 0 X 3
0 por otra parte
a) Evaluar k.
b) Hallar P(1 X 2).
Soluci on:
a) Otra manera de calcular el valor de k, diferente al caso anterior, es por medio de
areas, en la Figura 3.6 observamos la gr aca de la distribuci on de probabilidad
y se trata de un trapecio, el area de total de ese trapecio debe ser igual a 1.
1 2 3
0
0.5
k
bn
X
f(x)
k +
bm
h
Figura 3.6: Distribuci on de Probabilidad
El area del trapecio es:
A =
(bm + bn) h
2
= 1
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 104


Sustituimos y despejamos a k:
(
1
2
+ k + k) 3
2
= 1 k =
1
12
Por lo tanto tenemos que la distribuci on es la siguiente:
f (x) =
_

_
x
6
+
1
12
si 0 X 3
0 por otra parte
b) P(1 X 2):
P(1 X 2) =
_
2
1
f (x)dx =
_
2
1
_
x
6
+
1
12
_
dx =
1
3
5. La variable aleatoria continua X est a distribuida as:
f (x) =
_

_
ax 0 X 1
a 1 < X 2
ax + 3a 2 < X 3
0 cualquier otro valor
a) Encuentre el valor de la constante a.
b) Determine F(x) y graquela. Graque tambi en f (x).
c) Si se hacen 3 observaciones independientes de la variable X, cu al es la proba-
bilidad de que exactamente una de ellas sea mayor que 1,5?
Soluci on:
a) Calculamos el valor de la constante a igualando a uno, ya que es el area total
bajo la curva:
_
1
0
(ax)dx +
_
2
1
(a)dx +
_
3
2
(ax + 3a)dx = 1
a =
1
2
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 105


Por lo tanto tenemos:
f (x) =
_

_
x
2
0 X 1
1
2
1 < X 2

x
2
+
3
2
2 < X 3
0 cualquier otro valor
b) Calculamos la funci on de distribuci on (F(x)):
Para (; 0):
f (x) = 0
F(x) = 0
Para [0 ; 1]:
f (x) =
x
2
F(x) = F(0) +
_
x
0
f (t)dt
F(x) = 0 +
_
x
0
t
2
dt
F(x) =
x
2
4
Para (1 ; 2]:
f (x) =
1
2
F(x) = F(1) +
_
x
1
f (t)dt
F(x) =
(1)
2
4
+
_
x
1
1
2
dt
F(x) =
x
2

1
4
Para (2 ; 3]:
f (x) =
x
2
+
3
2
F(x) = F(2) +
_
x
2
f (t)dt
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 106


F(x) =
_
1
4
+
2
2

1
2
_
+
_
x
2
_

t
2
+
3
2
_
dt
F(x) =
x
2
4
+
3x
2

5
4
Para (3 ; +):
f (x) = 0
F(x) = F(3) +
_
x
3
f (t)dt
F(x) =
(3)
2
4
+
3 3
2

5
4
F(x) = 1
Por lo tanto tenemos que la funci on de distribuci on es:
F(x) =
_

_
0 X < 0
x
2
4
0 X 1
x
2

1
4
1 < X 2

x
2
4
+
3x
2

5
4
2 < X 3
1 X > 3
c) Calculamos la probabilidad de que una observaci on sea mayor que 1,5:
P(X > 1,5) =
_
3
1,5
f (x)dx =
_
2
1,5
_
1
2
_
dx +
_
3
2
_

x
2
+
3
2
_
dx
P(X > 1,5) =
1
2
Denimos 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)
P(exactamente 1 sea mayor que 1,5) = 3
_
1
2
_
2

1
2
=
3
8
Por lo tanto la probabilidad de que de tres muestras una sea mayor que 1,5 es
del 37,5 %.
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 107


6. El di ametro X de cierto cable el ectrico, es una variable aleatoria continua con densi-
dad 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 <
2
3
).
Soluci on:
a) Calculamos el valor de k:
_
1
0
kx(1 x)dx = 1
k = 6
Por lo tanto tenemos que la funci on de probabilidad es:
f (x) = 6x(1 x) 0 X 1
b) Calculamos la funci on de distribuci on:
Para (; 0):
f (x) = 0
F(x) = 0
Para [0 ; 1]:
f (x) = 6x(1 x)
F(x) = F(0) +
_
x
0
f (t)dt
F(x) = 0 + 6
_
x
0
(x x
2
)dt
F(x) = 3x
2
2x
3
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 108


Para (1 ; +):
f (x) = 0
F(x) = F(1) +
_
x
1
f (t)dt
F(x) = 3(1)
2
2(1)
3
= 1
Por lo tanto tenemos que la funci on de distribuci on es:
F(x) =
_

_
0 X < 0
3x
2
2x
3
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) =
2
3
P(X < b) =
_
b
0
6(x x
2
)dx =
2
3
2b
3
+ 3b
2

2
3
= 0
Calculamos las raices del polinomio c ubico:
2b
3
+ 3b
2

2
3
=
_

_
b
1
= 0,4169
b
2
= 0,613
b
3
= 1,3039
Como X est a denida en el intervalo (0; 1), el valor de b debe estar en ese
intervalo, por lo que podemos concluir que b = 0,613.
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 109


d) Calculamos P(X <
1
2

1
3
< X <
2
3
)
P
_
X <
1
2

1
3
< X <
2
3
_
=
_
1/2
1/3
6(x x
2
)dx
_
2/3
1/3
6(x x
2
)dx
= 0,4999
7. La variable aleatoria X est a distribuida como indica la Figura 3.7.
1 0 2
X
f(x)
Figura 3.7: Distribuci on de Probabilidad
Obtenga f (x) y F(x), y cu al es la probabilidad de que X sea mayor que 0,5?
Soluci on:
Se calcula la distribuci on de probabilidad de la variable a partir de la gura, sabemos
que el area total de la gura, en este caso el area del tri angulo, debe ser igual a 1, de
esta manera se calcula la altura del mismo:

Area Total =
base altura
2
= 1
3 h
2
= 1 h =
2
3
Una vez obtenida la altura del tri angulo se procede a calcular las ecuaciones de las
rectas:
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 110


Para (-1;0]:
f (x) =
2X
3
+
2
3
Para (0;2):
f (x) =
X
3
+
2
3
Por lo tanto tenemos la distribuci on de probabilidad es:
f (x) =
_

_
2x
3
+
2
3
1 < X 0

x
3
+
2
3
0 < X < 2
Calculamos la funci on de distribuci on (F(x)):
Para (; -1];
f (x) = 0
F(x) = 0
Para (-1 ; 0]:
f (x) =
2x
3
+
2
3
F(x) = F(1) +
_
x
1
_
2
3
t +
2
3
_
dt =
x
2
3
+
2
3
x +
1
3
Para (0 ; 2):
f (x) =
x
3
+
2
3
F(x) = F(0) +
_
x
0
_

2
3
t +
2
3
_
dt =
x
2
6
+
2x
3
+
1
3
Para [2 ; +):
f (x) = 0
F(x) = F(2) = 1
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 111


Por lo tanto tenemos:
F(x) =
_

_
0 X 1
x
2
3
+
2x
3
+
1
3
1 < X 0

x
2
6
+
2x
3
+
1
3
0 < X < 2
1 X 2
Calculamos la probabilidad P(X > 0,5):
P(X > 0,5) =
_
2
0,5
_

x
3
+
2
3
dx
_
= 0,3750
3.3. Distribuci on de la Funci on de una Variable Aleatoria
Caso Discreto:
1. La variable aleatoria X est a distribuida como muestra en la Tabla 3.8
X -3 -2 -1 0 1 2 3
p(x)
1
16
2
16
3
16
4
16
3
16
2
16
1
16
Tabla 3.8: Distribuci on de probabilidad de X
Hallar la distribuci on de Y = X
2
1
Soluci on:
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
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 112


P(Y = 1) = P(X = 0) =
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 distribuci on de probabilidad de Y es:
Y -1 0 3 8
g(y)
4
16
6
16
4
16
2
16
Tabla 3.9: Distribuci on de probabilidad de Y
2. Una variable aleatoria discreta obedece la siguiente ley:
X -1 0 1
p(x)
1
3
1
2
1
6
Tabla 3.10: Distribuci on de probabilidad de X
C omo estan distribuidas las siguientes variables?
a) Y = 3X + 1
b) Z = X
2
Soluci on:
a) Para Y = 3X + 1:
Y(1) = -2 P(Y = 2) = P(X = 1) =
1
3
Y(0) = 1 P(Y = 1) = P(X = 0) =
1
2
Y(1) = 4 P(Y = 4) = P(X = 1) =
1
6
b) Para Z = X
2
:
Z(1) = 1 P(Z = 2) = P(X = 1) =
1
3
Z(0) = 0 P(Z = 0) = P(X = 0) =
1
2
Z(1) = 1 P(Z = 1) = P(X = 1) =
1
6
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 113


Y -2 1 4
g(y)
1
3
1
2
1
6
Tabla 3.11: Distribuci on de probabilidad de Y
Z 0 1
p(z)
1
2
1
2
Tabla 3.12: Distribuci on 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 funci on de densidad f (x) para a < X < b.
Sea Y = h(x) una funci on continua y mon otona de X.
La variable aleatoria Y estar a distribuida:
g(y) = f [w(y)] |w

(y)|
donde w(y) = Y
1
.
La variaci on de Y ser a < Y < donde y se obtienen calculando h(a) y h(b)
3. La variable aleatoria X est a distribuida f (x) = 2x para 0 < X < 1 y cero para otros
valores de X. Hallar la distribuci on de Y = 8x
2
Soluci on:
Calculamos w(y) y w

(y):
w(y) = Y
1
=
_
y
8
_1
3
; w

(y) =
1
24
_
y
8
_2
3
Sustituimos en la ecuaci on:
g(y) = f [w(y)] |w

(y)|
g(y) = 2
_
y
8
_1
3

1
24
_
y
8
_2
3
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 114


Calculamos los lmites de variaci on de Y:
= h(a) = Y(0) = 0
= h(b) = Y(1) = 8
Por lo tanto tenemos que la distribuci on de probabilidad de Y = 8x
2
es:
g(y) =
_

_
1
12
_
y
8
_

1
3
0 < Y < 8
0 para otro valor de Y
4. Un proceso para renar az ucar pura produce diariamente hasta una tonelada de
az ucar, pero la producci on real (X), es una variable aleatoria debido a descompos-
turas de la maquinaria y otros retrasos. Suponga que X tiene una distribuci on de
probabilidad dada por:
f (x) =
_

_
2x 0 X 1
0 en cualquier otro punto
Obtenga la funci on de utilidad U, en cientos de Bs. F si la compa na recibe 300 Bs.
F por cada tonelada de az ucar, pero tambi en tiene un gasto jo diario de 100 Bs. F.
Obtenga la distribuci on de probabilidad y la funci on de distribuci on de la utilidad
diaria.
Soluci on:
La ecuaci on de utilidad en cientos de de Bs. F es:
U = 3X 1
Calculamos w(u) y w

(u):
w(u) = U
1
=
U + 1
3
; w

(u) =
1
3
g(u) = f [w(u)] |w

(u)|
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 115


g(u) = 2
_
u + 1
3
_

1
3
=
2
9
(u + 1)
Los lmites de variaci on de U son:
= h(a) = U(0) = 1
= h(b) = U(1) = 2
Por lo tanto tenemos que la distribuci on de probabilidad de la utilidad es:
g(u) =
_

_
2
9
(u + 1) 1 U 2
0 para otro valor de U
Calculamos la funci on de distribuci on:
Para (; -1):
g(u) = 0
G(u) = 0
Para [-1 ; 2]:
g(u) =
2
9
(u + 1)
G(u) = G(1) +
_
u
1
2
9
(t + 1)dt =
1
9
(u
2
+ 2u + 1)
Para (2 ; +):
g(u) = 0
G(u) = G(2) = 1
Por lo tanto tenemos:
G(u) =
_

_
0 U < 1
1
9
(u
2
+ 2u + 1) 1 U 2
1 U > 2
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 116


5. La variable aleatoria X est a distribuida f (x) = e
x
para X > 0. Encuentre la densidad
de Y = 2X + 2.
Soluci on:
Calculamos w(y) y w

(y):
w(y) = Y
1
=
y 2
2
; w

(y) =
1
2
Sustituimos en la ecuaci on:
g(y) = f [w(y)] |w

(y)|
g(y) =
_
e

_
y2
2
_
_

1
2
Calculamos los lmites de variaci on de Y:
= h(a) = Y(0) = 2
Tenemos que la distribuci on de probabilidad de Y es:
g(y) =
_

_
1
2
e
2y
2
Y > 2
0 para otro valor de Y
6. La distribuci on de probabilidad de X est a dado por f (x) = 5(1 x)
4
para 0 < X < 1.
Compruebe que si Y = F(x), su distribuci on ser a uniforme en el intervalo unitario,
es decir, que g(y) = 1 para Y perteneciente al intervalo (0;1).
Soluci on:
Calculamos Y:
Y = F(x) =
_
x
0
5(1 t)
4
dt = 1 (1 x)
5
w(y) = Y
1
= 1 (1 y)
1
5
; w

(y) =
(1 y)
4
5
5
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 117


Sustituimos en la ecuaci on:
g(y) = f [w(y)] |w

(y)|
g(y) = 5
_
1 (1 (1 y)
1
5
)
_
4

(1 y)

4
5
5
= 1
Por lo tanto comprobamos que g(y) = 1 para Y perteneciente al intervalo (0;1).
7. La variable aleatoria X est a distribuida f (x) = 1/15 para 5 < X < 10.
Si Y = 3X
2
, encuentre la densidad de Y.
Soluci on:
Gracamos f (x) y se obtiene la Figura 3.8, y la gr aca de Y la podemos ver en la
Figura ??.
6 4 2 0 2 4 6 8 10
x
f(x)
1/15
Figura 3.8: Distribuci on de Probabilidad de X
Seg un el Teorema presentado en esta secci on, la funci on Y debe ser mon otona, para
este caso y como observamos en la Figura 3.9 se trata de una par abola, 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), seg un los valors de X.
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 118


6 4 2 0 2 4 6 8 10
x
75
300
Y
Figura 3.9: Y = 3X
2
Y = h
1
(x) = 3X
2
para 5 < X < 0
w
1
(y) =
_
y
3
_1
2
w

1
(y) =
1
6
_
y
3
_

1
2
Y = h
2
(x) = 3X
2
para 0 < X < 10
w
2
(y) =
_
y
3
_1
2
w

2
(y) =
1
6
_
y
3
_

1
2
Calculamos g(y) seg un el valor de Y.
Para Y [0;75] si X (-5;0] o (0;5]:
g(y) = f [w
1
(y)] |w

1
(y)| + f [w
2
(y)] |w

2
(y)|
g(y) =
1
15

1
6
_
y
3
_

1
2

+
1
15

1
6
_
y
3
_

1
2

=
1
45
_
y
3
_

1
2
Para Y (75;300) si X (5;10):
g(y) = f [w
2
(y)] |w

2
(y)|
g(y) =
1
15

1
6
_
y
3
_

1
2

=
1
90
_
y
3
_

1
2
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 119


Por lo tanto tenemos que la distribuci on de probabilidad de Y es:
g(y) =
_

_
1
45
_
y
3
_

1
2
0 Y 75
1
90
_
y
3
_

1
2
75 < Y < 300
8. La variable aleatoria X est a distribuida como indica la Figura 3.10. Encuentre la
densidad de Y = 2X
2
.
1 0.5 0 0.5 1
x
f(x)
Figura 3.10: Distribuci on de Probabilidad de X
Soluci on:
Para calcular la distribuci on de Y se necesita primero f (x), para ello se calcula las
ecuaciones que rigen cierta distribuci on a partir de la Figura ??.
Para calcular las ecuaciones se necesita la altura del tri angulo; sabemos que el area
total bajo la curva (para este ejercicio un tri angulo) debe ser igual a 1, por lo que
tenemos:

Area del tri angulo = 1


base altura
2
=
2 h
2
= 1
h = 1
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 120


Por lo tanto tenemos que la distribuci on de probabilidad de X es:
f (x) =
_

_
x + 1 1 < X 0
x + 1 0 < X < 1
Gracamos Y = 2X
2
(Figura 3.11) y observamos que no es mon otona, por lo que
dividimos la funci on en dos partes:
1 0.5 0 0.5 1 x
2
Y
Figura 3.11: Y = 2X
2
Calculamos w(y) y w

(y).
Y = h
1
(x) = 2X
2
para 1 < X < 0
w
1
(y) =
_
y
2
_1
2
w

1
(y) =
1
4
_
y
2
_

1
2
Y = h
2
(x) = 2X
2
para 0 < X < 1
w
2
(y) =
_
y
2
_1
2
w

2
(y) =
1
4
_
y
2
_

1
2
Calculamos g(y):
Para Y [0;75] si X (-5;0] o (0;5]:
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 121


g(y) = f [w
1
(y)] |w

1
(y)| + f [w
2
(y)] |w

2
(y)|
g(y) =
_

_
y
2
_1
2
+ 1
_

1
4
_
y
2
_

1
2

+
_

_
y
2
_1
2
+ 1
_

1
4
_
y
2
_

1
2

g(y) =
1
2
+
1
2
_
y
2
_

1
2
Tenemos que la distribuci on de probabilidad de Y es:
g(y) =
_

_
1
2
_
y
2
_

1
2

1
2
0 Y 2
0 en cualquier otro punto
9. La variable aleatoria X esta distribuida f (x) =
1
2
para 1 < X < 1. Encuentre y
dibuje la distribuci on de probabilidad de Y = e
x
y de Z = 2X
2
+ 1.
Soluci on:
a) Para Y = e
x
:
La gr aca de f (x) la podemos ver en la Figura 3.12 y la gr aca de Y en la Figura
3.13:
1 0.5 0 0.5 1
x
f(x)
0.5
Figura 3.12: Distribuci on de probabilidad de X
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 122


1 0.5 0 0.5 1
1
Y
Figura 3.13: Y = e
x
Calculamos w(y) y w

(y):
w(y) = ln Y
w

(y) =
1
y
Por lo tanto tenemos:
g(y) = f (w(y)) |w

(y)|
g(y) =
1
2

1
y

=
1
2y
Los lmites de variaci on de Y son:
= Y(1) = e
1
= Y(1) = e
1
Por lo tanto tenemos que la distribuci on de probabilidad g(y) es:
g(y) =
_

_
1
2y
e
1
< Y < e
0 en cualquier otro punto
La gr aca de g(y) la podemos ver en la Figura 3.14
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 123


0 0.3 0.6 0.9 1.2 1.5 1.8 2.1 2.4 2.7 3
0
0.2
0.4
0.6
0.8
1
1.2
1.4
g(y)
Figura 3.14: Distribuci on de probabilidad de Y
b) Para Z = 2X
2
+ 1:
La gr aca de f (x) es la misma mostrada en la Figura 3.12, ahora gracamos Z
(Figura 3.15):
1 0.5 0 0.5 1
x
Z
1
3
Figura 3.15: Z = 2X
2
+ 1
Ahora calculamos w(z) y w

(z):
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 124


Para Z = h
1
(x) = 2X
2
+ 1 para 1 < X < 0:
w
1
(z) =
_
z1
2
_1
2
w

1
(z) =
1
4
_
z1
2
_

1
2
Para Z = h
2
(x) = 2X
2
+ 1 para 0 < X < 1:
w
2
(z) =
_
z1
2
_1
2
w

2
(z) =
1
4
_
z1
2
_

1
2
g(z) = f (w
1
(y)) |w

1
(y)| + f (w
2
(y)) |w

2
(y)|
g(z) =
1
2

1
4
_
z 1
2
_

1
2

+
1
2

1
4
_
z 1
2
_

1
2

=
1
4
_
z 1
2
_

1
2
Por lo tanto tenemos la distribuci on de probabilidad g(z) y su gr aca son:
g(z) =
_

_
1
4
_
z1
2
_

1
2
1 < Z < 3
0 en cualquier otro punto
1 0.5 0 0.5 1 1.5 2 2.5 3
g(z)
Figura 3.16: Distribuci on de probabilidad de Z
10. Dada la distribuci on de probabilidad f (x) = 2x para 0 < X < 1. Encuentre la densi-
dad de Y = (3X 1)
2
.
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 125


Soluci on:
Gracamos f (x) (Figura 3.17) y Y (Figura 3.18).
0 0.5 1
0
0.5
1
1.5
2
x
f
(
x
)
Figura 3.17: Distribuci on de probabilidad de X
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.5
1
1.5
2
2.5
3
3.5
4
Y
x
Figura 3.18: Y = (3X 1)
2
Calculamos w(y) y w

(y):
Para Y = h
1
(x) = (3X 1)
2
para 0 < X <
1
3
:
w
1
(y) =

y+1
3
w

1
(y) =
1
6
(y)

1
2
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 126


Para Y = h
2
(x) = (3X 1)
2
para
1
3
< X <
1
2
:
w
2
(y) =

y+1
3
w

2
(y) =
1
6
(y)

1
2
Caculamos la distribuci on de probabilidad:
Para Y (0;1) si X
_
0;
1
3
_
o
_
1
3
;
2
2
_
:
g(y) = f [w
1
(y)] |w

1
(y)| + f [w
2
(y)] |w

2
(y)|
g(y) = 2
_

y + 1
3
_

1
6
(y)

1
2

+ 2
_
y + 1
3
_

1
6
(y)

1
2

g(y) =
2
9

y
Para Y [1;4) si X
_
2
3
; 1
_
:
g(y) = f [w
2
(y)] |w

2
(y)|
g(y) = 2
_
y + 1
3
_

1
6
(y)

1
2

g(y) =
(y)

1
2
+ 1
9
Por lo tanto tenemos que la distribuci on de probabilidad g(y) es:
g(y) =
_

_
2
9

y
0 < Y < 1
(y)

1
2 +1
9
1 Y < 4
11. Sup ongase que el radio de una esfera es una variable aleatoria con distribuci on f (r) =
6r(1 r) para 0 < r < 1. Diga como se distribuyen el volumen y la supercie de la
esfera.
Soluci on:
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 127


a) Volumen de la esfera:
La gr aca de la distribuci on de probabilidad ( f (r) = 6r(1 r)) la podemos
observar en la Figura 3.19, adem as tenemos que la ecuaci on del volumen de la
esfera y su gr aca (Figura 3.20) son:
V =
4r
3
3
0 0.2 0.4 0.6 0.8 1
0
0.2
0.4
0.6
0.8
1
1.2
1.4
V
r
Figura 3.19: Distribuci on de probabilidad del radio
0 0.2 0.4 0.6 0.8 1
0
0.5
1
1.5
2
2.5
3
3.5
4
V
r
Figura 3.20: Volumen
Calculamos w(v) y w

(v):
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 128


w(v) =
_
3V
4
_1
3
; w

(v) =
1
4
_
3V
4
_

2
3
g(v) = f [w(v)] |w

(v)|
g(v) =
_

_
6
_
3V
4
_1
3
_

_
1
_
3V
4
_1
3
_

_
_

1
4
_
3
4
_

2
3

g(v) =
3
4
_

_
_
3V
4
_

1
3
1
_

_
Por lo tanto tenemos que la densidad del volumen de la esfera es:
g(v) =
_

_
3
4
_
_
3V
4
_

1
3
1
_
0 < V <
4
3
0 en cualquier otro punto
b) Supercie de la esfera:
La ecuaci on del area de la esfera y su gr aca (Figura 3.21) son:
a = 4r
2
0 0.2 0.4 0.6 0.8 1
0
2
4
6
8
10
12
r
A
Figura 3.21:

Area
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 129


Calculamos w(a) y w

(a):
w(a) =
_
a
4
_1
2
; w

(a) =
1
8
_
a
4
_

1
2
g(a) = f [w(a)] |w

(a)|
g(a) =
_
6
_
a
4
_1
2
_
1
_
a
4
_1
2
__

1
8
_
a
4
_

1
2

g(a) =
3
4
_
1
_
a
4
_1
2
_
Por lo tanto tenemos que la funci on de densidad del area de la esfera es:
g(a) =
_

_
3
4
_
1
_
a
4
_1
2
_
0 < A < 4
0 en cualquier otro punto
12. La variable aleatoria continua X est a distribuida como indica la Figura 3.22. Com-
pruebe que si:
Y = F(x), entonces g(y) = 1 para 0 < Y < 1
0 1 2 3 4
f(x)
x
Figura 3.22: Distribuci on de probabilidad de X
Soluci on:
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 130


Calculamos la altura del tri angulo, igualando el area del tri angulo a 1:
base altura
2
= 1 > h = 1
Por lo tanto la funci on de densidad de X es:
f (x) =
1
2
X 1
Calculamos la funci on de distribuci on (F(x)) que ser a Y:
Y = F(x) =
_
x
2
_
1
2
t 1
_
dt =
1
4
(x 2)
2
Calculamos w(y) y w

(y):
w(y) = 2

y + 2
w

(y) = (y)

1
2
Calculamos g(y):
g(y) = f [w(y)] |w

(y)|
g(y) =
_
1
2
_
2

y + 2
_
1
_

(y)

1
2

= 1
Buscamos los lmites de variaci on de y:
= h(2) = 0
= h(4) = 1
Por lo tanto tenemos que:
g(y) = 1 para 0 < Y < 1
3.4. Valores Esperados
La Esperanza Matem atica (E(x)) de una variable aleatoria X da un valor que es repre-
sentativo o promedio de los valores de X, y se dene como:
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 131


a. Sea X una variable aleatoria discreta distribuida p(x). El valor esperado de X es:
E(x) =

X
xp(x)
b. Sea X una variable aleatoria continua con densidad f (x). El valor esperado de X es:
E(x) =
_

x f (x)dx
EJERCICIOS
1. Se tiran 2 dados. Sea X el mayor de los n umero que aparecen, es decir, X(a, b) =
max(a, b); y sea Y la suma de los n umeros que salen, es decir, Y(a, b) = a + b.
Calcular E(x) y E(y).
Soluci on:
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 n umero en el lanzamiento de dos dados
N umero 1 2 3 4 5 6
Frecuencia 1 3 5 7 9 11
Tabla 3.14: Frecuencia
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 132


E(x) = 1
1
36
+ 2
3
36
+ 3
5
36
+ 4
7
36
+ 5
9
36
+ 6
11
36
= 4,472
Se espera que el m aximo 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 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
Tabla 3.15: Suma de los n umeros en el lanzamiento de dos dados
N umero 2 3 4 5 6 7 8 9 10 11 12
Frecuencia 1 2 3 4 5 6 5 4 3 2 1
Tabla 3.16: Frecuencia
E(y) = 2
1
36
+3
2
36
+4
3
36
+5
4
36
+6
5
36
+7
6
36
+8
5
36
+9
4
36
+10
3
36
+11
2
36
+12
1
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 n umero en Bs.
F , pero si sale el 1, 4 o 6, pierde ese n umero en Bs. F. Calcule el valor esperado del
juego.
Soluci on:
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 133


X -1 2 3 -4 5 -6
p(x)
1
6
1
6
1
6
1
6
1
6
1
6
Tabla 3.17: Distribuci on de probabilidad
Establecemos la distribuci on de probabilidad para X = ganancia del jugador, en la
Tabla 3.17
E(x) = 1
1
6
+ 2
1
6
+ 3
1
6
4
1
6
+ 5
1
6
6
1
6
=
1
6
Como la esperanza es negativa, se espera que el jugador pierda dinero en ese juego.
3. Si X est a distribuida f (x) = 2X para 0 < X < 1, encuentre la esperanza de Y = 3X.
Soluci on:
E(x) =
_

x f (x)dx
E(x) =
_
1
0
(X 2X)dx =
2
3
E(y) = E(3X) = 3E(x) = 3
2
3
= 2
4. La funci on de densidad de una variable aleatoria X est a dada por:
f (x) =
_

_
X
2
0 < X < 2
0 en cualquier otro punto
Calcular E(x) y E(3x
2
2x).
Soluci on:
Calculamos E(x) :
E(x) =
_
2
0
x
x
2
dx =
4
3
Calculamos E(3x
2
2x):
E(3x
2
2x) =
_
2
0
(3x
2
2x)
x
2
dx =
10
3
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 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, cu anto debe pagar por el si se considera
que este es un juego justo?
Soluci on:
Denotamos el precio del ticket con X y establecemos la distribuci on de probabilidad
de la ganancia en la Tabla 3.18:
g 200000 X 100000 X 10000 X X
p(g)
4
1000
10
1000
20
1000
966
1000
Tabla 3.18: Distribuci on 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
E(g) = (200000 X)
4
1000
+ (100000 X)
10
1000
+ (10000 X)
20
1000
= 0
800
4X
1000
+ 1000
10X
1000
+ 200
20X
1000

966X
1000
= 0
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
c ual es el n umero esperado de bolas blancas que quedan en la caja?
Soluci on:
Denimos la varible alatoria X como el n umero de bolas blancas que quedan en la
caja, y su distribuci on de probabilidad se representa en la Tabla 3.19:
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 135


X a a 1
p(x)
b
a+b
a
a+b
Tabla 3.19: Distribuci on de probabilidad de X
E(x) = a
b
a + b
+ (a 1)
a
a + b
E(x) =
a
2
+ ab a
a + b
7. Un blanco circular esta dividido en 3 zonas conc entricas 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), obtendr a esa misma cantidad en Bs. F.
1
2
3
Figura 3.23: Circulos conc entricos
Si usted realiza un disparo en forma aleatoria, cu al es su ganancia esperada?
Soluci on:
La ganancia del juego seg un la zona es que acierte se puede establecer de la siguiente
manera:
Cae en la Zona 1 = 1 Bs. F
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 136


Cae en la Zona 2 = 2 Bs. F
Cae en la Zona 3 = 3 Bs. F
Calculamos la probabilidades de las ganancias basandonos en el area de las zonas:
P(cae zona 1) =
A
(zona 1)
A
(zona 2)
A
(total)
=
(3)
2
(2)
2
(3)
2
=
5
9
P(cae zona 2) =
A
(zona 2)
A
(zona 1)
A
(total)
=
(2)
2

(3)
2
=
3
9
P(cae zona 3) =
A
(zona 3)
A
(total)
=

(3)
2
=
1
9
Entonces tenemos que la distribuci on de probabilidad de la ganancia se muestra en
la Tabla 3.20:
G 1 2 3
p(g)
5
9
3
9
1
9
Tabla 3.20: Distribuci on de probabilidad de G
E(g) = 1
5
9
+ 2
3
9
+ 3
1
9
=
14
9
Se espera que con ese juego, la persona gane 1,556 Bs. F.
8. El fabricante de cierto componente electr onico sabe que la duraci on de su producto
(medida en unidades de 1000 horas), es una variable aleatoria cuya distribuci on es:
f (x) = 2e
2X
; paraX > 0
El costo de fabricaci on 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
dovolver a el dinero.
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 137


Si el fabricante quiere ganarle en promedio 10 Bs. F a cada artculo que venda, cu al
deber a ser el valor de h?
Soluci on:
Gracamos la funci on f (x)
0
1
2
x
f(x)
h
Figura 3.24: Distribuci on de probabilidad de X
La probabilidad de que el componente electr onico dure menos de h horas y m as de h
horas son:
P(X h) =
_
h
0
2e
2X
dx = 1 e
2h
P(X > h) = 1 P(X h) = 1 (1 e
2h
) = e
2h
Por lo tanto la distribuci on de probabilidad de la ganancia (g) es:
g -20 30
p(g) 1 e
2h
e
2h
Tabla 3.21: Distribuci on de probabilidad de g
Si el fabricante quiere ganarle en promedio 10 Bs. F a cada artculo entonces:
E(g) = 10
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 138


E(g) = 20(1 e
2h
) + 30(e
2h
) = 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 distribuci on de probabilidad son los valores esperados de las
potencias de la variable que tiene esa distribuci on.
EJERCICIOS
1. Sea X una variable aleatoria con distribuci on f (x). El momento r- esimo M
r
de X se
dene por:
M
r
= E(x
r
) =

X
r
i
f (x
i
)
Hallar los 5 primeros momentos de X, si X tiene la siguiente distribuci on:
X -2 1 3
f (x)
1
2
1
4
1
4
Tabla 3.22: Distribuci on de probabilidad de X
Soluci on:
Momento 1: Media
M
1
= E(x) =

x
i
f (x
i
)
M
1
= (2)
1
2
+ (1)
1
4
+ (3)
1
4
= 0
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 139


Momento 2: Varianza
M
2
= E(x
2
) =

x
2
i
f (x
i
)
M
2
= (2)
2

1
2
+ (1)
2

1
4
+ (3)
2

1
4
= 4,5
Momento 3:
M
3
= E(x
3
) =

x
3
i
f (x
i
)
M
3
= (2)
3

1
2
+ (1)
3

1
4
+ (3)
3

1
4
= 3
Momento 4:
M
4
= E(x
4
) =

x
4
i
f (x
i
)
M
4
= (2)
4

1
2
+ (1)
4

1
4
+ (3)
4

1
4
= 28,5
Momento 5:
M
5
= E(x
5
) =

x
5
i
f (x
i
)
M
5
= (2)
5

1
2
+ (1)
5

1
4
+ (3)
5

1
4
= 45
2. Una variable aleatoria continua X tiene densidad:
f (x) =
_

_
2e
2X
X > 0
0 X 0
Encuentre la media, la varianza y la desviaci on est andar.
Soluci on:
Para calcular la Media de una variable aleatoria continua, debemos calcular el primer
momento, es decir, E(x):
E(x) =
_

x f (x)dx =
_

0
x2e
2X
dx =
1
2
La Varianza es igual al segundo momento menos el primer momento elevado al
cuadrado:
V(x) = E(x
2
) [E(x)]
2
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 140


E(x
2
) =
_

0
x
2
2e
2X
dx =
1
2
V(x) =
1
2

_
1
2
_
2
=
1
4
Como sabemos la Desviaci on Est andar, es la raz c ubica de la varianza:
=
_
V(x) =
_
1
4
=
1
2
3. Sea X una variable aleatoria cuya funci on de densidad es:
f (x) =
_

_
x 0 X 1
2 x 1 < X 2
0 en otro caso
Encontrar la Media y la Varianza.
Soluci on:
Calculamos la media:
E(x) =
_
1
0
x
2
dx +
_
2
1
x(2 x)dx = 1
Calculamos la varianza:
E(x
2
) =
_
1
0
x
3
dx +
_
2
1
x
2
(2 x)dx =
7
6
V(x) = E(x
2
) [E(x)]
2
=
7
6
1 =
1
6
4. Demuestre que:
E[(x )
2
] = E(x
2
) [E(x)]
2
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 141


Soluci on:
E[(x )
2
] = E(x
2
2x +
2
)
= E(x
2
) 2E(x) +
2
= E(x
2
) 2
2
+
2
= E(x
2
)
2
= E(x
2
) [E(x)]
2
5. La variable aleatoria X est a distribuida como muestra la Figura 3.25. Obtenga la
media y la varianza de X.
1 0 1 2 3
x
f(x)
Figura 3.25: Distribuci on de probabilidad de X
Soluci on:
Calculamos la ecuaci on de f (x) siendo la altura h =
1
2
(seg un el area total bajo la
curva):
f (x) =
x
8
+
3
8
; para 1 < X < 3
Calculamos la media:
E(x) =
_
3
1
x
_

x
8
+
3
8
_
dx =
1
3
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 142


Calculamos la varianza:
E(x
2
) =
_
3
1
x
2
_

x
8
+
3
8
_
dx = 1
V(x) = 1
_
1
3
_
2
=
8
9
3.6. Ejercicios Propuestos
1. Suponga una caja que contiene 10 bolas rojas y 5 bolas blancas. Retiramos al azar 3
bolas sin reemplazo. Dena X como el n umero de bolas rojas. Obtenga la distribuci on
de probabilidad y la funci on de distribuci on de X.
2. La funci on de distribuci on F(x) de una variable aleatoria X viene dada por:
F(x) =
_

_
0 X < 1
1
3
+
2
3
(x + 1)
2
1 X 0
1 X > 0
Obtenga las siguientes probabilidades:
a) P
_
X >
1
3
_
b) P(|X| 1)
3. El tiempo T (en minutos) que realiza cierta m aquina un proceso cualquiera, es una
variable aleatoria con la siguiente distribuci on de probabilidad:
T 2 3 4 5 6 7
p(t)
1
10
1
10
3
10
2
10
2
10
1
10
Tabla 3.23: Distribuci on de probabilidad de T
a) Calcule el tiempo medio de proceso y su desviaci on est andar.
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 143


b) Por cada unidad procesada por la m aquina, la empresa gana 4 Bs. F jo y si
se procesa una unidad en menos de 6 minutos gana 1 Bs. F por cada minuto
ahorrado.
Encuentre la distribuci on 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
distribuci on de probabilidad de la variable aleatoria discreta X.
a) p(x) = c(x
2
+ 4) para X = 0, 1, 2, 3
b) p(x) = c
_
2
x
__
3
3x
_
para X = 0, 1, 2
Calcule F(x) para a) y b) y graque.
5. La variable aleatoria X est a 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 est a tan especializada que al-
gunos tienen dicultades para obtener utilidades en el primer a no. La distribuci on de
probabilidad que caracteriza la proporci on X que obtiene utilidades est a dada por:
f (x) =
_

_
kx
4
(1 x)
3
0 X 1
0 en otro punto
a) Cu al es el valor de k que hace que f (x) sea v alida?
b) Encuentre la probabilidad de que al menos el 50 % de las empresas tenga utili-
dades durante el primer a no.
c) Encuentre la probabilidad de que como m aximo el 20 % de las empresas no
tenga utilidades durante el primer a no.
7. Considere la variable aleatoria X con distribuci on de probabilidad:
f (x) =
1
ln(2)

1
x
para 25 X 50
CAP

ITULO 3. VARIABLE ALEATORIA UNIDIMENSIONAL 144


Calcule la funci on de distribuci on y la varianza.
8. Suponga que X est a distribuida:
f (x) = x
2
para

2 < X < 1
Determine la distribuci on de probabilidad de: Y = 4 2x
2
9. Las m aquinas tejedoras en una f abrica de el astico usan un rayo l aser para detectar los
hilos rotos. Cuando se rompe un hilo, es necesario detener la m aquina y el t ecnico
debe localizar y reparar el hilo roto. Suponga que la distribuci on de probabilidad de
X (n umero de veces que se detiene en cada da una m aquina especca), est a dada
por:
f (x) =
6 2|x 3|
20
para x = 1, 2, 3, 4, 5
f (x) =
4 |x 3|
20
para x = 0 o 6
a) Calcule la distribuci on de probabilidad y la funci on de distribuci on de X.
b) Si X < 0, cu al es el valor de F(x)?
c) Si X > 6, cu al es el valor de F(x)?
Captulo 4
Distribuciones Cl asicas Discretas y
Continuas
Como se dijo en el captulo anterior, la distribuci on de probabilidad f (x) es la funci on
que asigna a cada evento de X una probabilidad.
En tal sentido, en el mundo existen varias distribuciones de probabilidad que son am-
pliamente conocidas y utilizadas, es por esto que se les denomina Distribuciones Cl asicas,
y su objetivo principal es construir un modelo simplicado de la realidad (donde exista
incertidumbre), que servir a como ayuda en la toma de decisiones.
En este captulo se estudiar an las distribuciones de variables aleatorias discretas, tales
como: La Distribuci on Binomial, la Poisson, la Pascal, la Geom etrica, la Hipergeom etrica
y la Multinomial.
Dentro de las continuas principales veremos: la Distribuci on Uniforme, la Exponencial
y la Normal.
145
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 146


4.1. Distribuciones Cl asicas Discretas
4.1.1. Distribuci on Binomial
El Experimento Binomial se basa en la repetici on sucesiva de un mismo experimento de
Bernoulli, independientes todos entre si, y que s olo tiene dos posibles resultados:

EXITO
o FRACASO.
La distribuci on se denota por: X B(n; p), donde la variable aleatoria X representa el
n umero de exitos en n ensayos de un experimento binomial.
La distribuci on de probabilidad est a dada por:
P(X = x) =
_
n
x
_
p
x
(1 p)
nx
con x = 0, 1, 2, . . .
Las propiedades de la Distribuci on Binomial son:
Media o n umero esperado de exitos:
= n p
Varianza:

2
= n p (1 p)

2
= n p q
Desviaci on Est andar:
=

n p q
En la Figura 4.1 se muestra gr acamente varias distribuciones binomiales, para un n jo
y varias probabilidades de exito (p), y observamos que la funci on se hace m as sim etrica a
medida que se incremente p de 0 a 0,5 y se decremente cuando p se mueve de 0,5 a 1.
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 147


0 3 6 9 12 15
0
0.2
0.4
x
p
(
x
)
0 3 6 9 12 15
0
0.1
0.2
x
p
(
x
)
0 3 6 9 12 15
0
0.2
0.4
x
p
(
x
)
n = 15 ; p = 0.1
n = 15 ; p = 0.5
n = 15 ; p = 0.9
Figura 4.1: Distribuci on Binomial
EJERCICIOS
1. Cu al es la probabilidad de obtener exactamente 2 caras en 6 lanzamientos de una
moneda balanceada? y cu al es la probabilidad de obtener exactamente 3 caras?
Soluci on:
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 148


Denimos los par ametros y las variables:
n = 6
x = 2
p =
1
2
_

_
X B(6; 0,5)
P(X = 2) =
_
6
2
_
(0,5)
2
(0,5)
4
= 0,2343
La probabilidad de obtener exactamente 2 caras en 6 lanzamientos es del 23,43 %.
P(X = 3) =
_
6
3
_
(0,5)
3
(0,5)
3
= 0,3125
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. cu al es la
probabilidad de obtener 3 unos?
Soluci on:
n = 5
x = 3
p =
1
6
_

_
X B
_
5;
1
6
_
P(X = 3) =
_
5
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 =
1
4
. Si tira 6 veces, hallar la probabilidad de que de en el blanco:
a) Exactamente 2 veces.
b) M as de 4 veces.
c) Al menos 1 vez.
Soluci on:
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 149


a) Exactamente 2 veces:
n = 6
x = 2
p =
1
4
_

_
X B
_
6;
1
4
_
P(X = 2) =
_
6
2
_ _
1
4
_
2
_
3
4
_
4
= 0,2966
b) M as de 4 veces:
n = 6
x = 5, 6
p =
1
4
_

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

_
X B
_
6;
1
4
_
P(X 1) = 1 P(X < 1) = 1 P(X = 0)
P(X 1) = 1
_

_
_
6
0
_ _
1
4
_
0
_
3
4
_
6
_

_
= 0,820
4. La probabilidad de que Luis de en el blanco es de p =
3
4
. Si tira 100 veces, hallar el
n umero esperado de veces que dar a en el blanco y la desviaci on est andar .
Soluci on:
n = 100
p =
3
4
_

_
X B
_
100;
3
4
_
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 150


Calculamos la media:
= n p = 100
3
4
= 75
Se espera que de 75 veces en el blanco.
Calculamos la desviaci on est andar:
=

n p q =
_
100
3
4
1
4
= 4,33
5. De 200 familias con 4 hijos cada una, cuantos esperara encontrar:
a) Con al menos 1 ni no
b) Con 2 ni nos
c) 1 o 2 ni nas
d) No ni nas
Soluci on:
a) Con al menos 1 ni no:
Denimos la variable aleatoria binomial X = sea ni no
n = 4
x = 1, 2, 3, 4
p =
1
2
_

_
X B
_
4;
1
2
_
P(X 1) = 1 P(X < 1) = 1 P(X = 0)
P(X 1) = 1
_

_
_
4
0
_ _
1
2
_
0
_
1
2
_
4
_

_
= 0,9375
= 2000 0,9375 = 1875
Se espera encontrar 1875 familias con al menos 1 ni no de los 4 hijos.
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 151


b) Con 2 ni nos:
n = 4
x = 2
p =
1
2
_

_
X B
_
4;
1
2
_
P(X = 2) =
_
4
2
_ _
1
2
_
2
_
1
2
_
2
= 0,375
= 2000 0,375 = 750
Se espera encontrar 750 familias que tengan exactamente 2 ni nos.
c) 1 o 2 ni nas:
n = 4
x = 2, 3
p =
1
2
_

_
X B
_
4;
1
2
_
P(2 X 3) = P(X = 2) + P(X = 3)
P(2 X 3) =
_
4
2
_ _
1
2
_
2
_
1
2
_
2
+
_
4
3
_ _
1
2
_
3
_
1
2
_
= 0,625
= 2000 0,625 = 1250
Se espera encontrar 1250 familias con 1 o 2 ni nas.
d) No ni nas:
n = 4
x = 4
p =
1
2
_

_
X B
_
4;
1
2
_
P(X = 4) =
_
4
4
_ _
1
2
_
4
_
1
2
_
0
= 0,0625
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 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.
Soluci on:
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
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 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. Distribuci on de Poisson
La Distribuci on de Poisson es la distribuci on de probabilidad de una variable aleatoria
X que representa el n umero de veces que ocurre un evento en una unidad de tiempo, area,
volumen, etc etera. 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 Distribuci on de Poisson son:
Media:
E(x) =
Varianza
1
:
V(x) =
La Distribuci on de Poisson puede derivarse como una forma lmite de la Distribuci on
Binomial. Es decir, en la distribuci on 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 Distibuci on de Poisson.
En la Figura 4.2 se observa la distribuci on de poisson para diferentes valores de :
1
Esta distribuci on es la unica donde su media es igual a su varianza
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 154


0 5 10 15
0
0.2
0.4
X
p
(
x
)
0 5 10 15
0
0.1
0.2
X
p
(
x
)
0 5 10 15
0
0.05
0.1
X
p
(
x
)
P(2)
P(8)
P(16)
Figura 4.2: Distribuci on 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 m as de un cliente en un minuto.
c) Lleguen 5 clientes en 2 minutos.
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 155


Soluci on:
a) No lleguen clientes en un minuto:
Denimos los par ametros:
X = n umero de clientes que llegan a la caja en un minuto.
= n umero de ocurrencias del fen omeno poissoniano por unidad de tiempo.
x = 0
= 2
_

_
X P(2)
P(X = 0) =
e
2
(2)
0
0!
= 0,1353
La probabilidad de que no lleguen clientes en un minuto es del 13,53 %.
b) Llegue m as de un cliente en un minuto:
x = 2, 3, 4, . . .
= 2
_

_
X P(2)
P(X > 1) = 1 P(X 1) = 1 P(X = 0) P(X = 1)
P(X > 1) =
e
2
(2)
0
0!
+
e
2
(2)
1
1!
= 0,594
c) Lleguen 5 clientes en 2 minutos:
Denimos el nuevo para un tiempo de 2 minutos:
= 2 2 = 4
P(X = 5) =
e
4
(4)
5
5!
= 0,1563
2. En una f abrica de calzado se producen 7 accidentes en 35 das de trabajo. Si esta
situaci on se mantiene, calcular la probabilidad de que:
a) En un da cualquiera no se produzcan accidentes.
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 156


b) Se produzcan 2 accidentes en 3 das de trabajo.
c) Se produzcan como m aximo 3 accidentes en 7 das de trabajo.
Soluci on:
a) En un da cualquiera no se produzcan accidentes:
Calculamos :
7 accidentes
35 das
= 0,2 accid / da
= 1 0,2 = 0,2
X P(0,2)
Buscamos en la tabla de la Distribuci on de Poisson y obtenemos la probabili-
dad:
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 m aximo 3 accidentes en 7 das de trabajo:
= 7 0,2 = 1,4
X P(1,4)
Buscamos en la tabla de la Distribuci on 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
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 157


3. Un libro de 520 p aginas contiene 390 errores tipogr acos. Suponiendo que el n umero
de errores por p agina es una variable de Poisson, encuentre la probabilidad de que 4
p aginas seleccionadas al azar esten libres de errores.
Soluci on:
Denimos la variable aleatoria X:
X = n umero de errores por p agina
390 errores
520 p aginas
= 0,75 errores / p ag.
= 4 0,75 = 3
X P(3)
P(X = 0) =
e
3
(3)
0
0!
= 0,0498
4. Un libro de 200 p aginas contiene 30 errores de imprenta. Si suponemos que el
n umero de errores por p agina es una variable de Poisson.
Cu al es la probabilidad de que por lo menos una p agina contenga m as de 2 errores?
Soluci on:
Primero calculamos la probabilidad de que por lo menos una p agina contenga m as
de 2 errores:
P(1 p agina tenga 2 o menos errores) = P(X = 0) + P(X = 1) + P(X = 2)
P(1 p ag. tenga 2 o menos errores) =
e
0,15
(0,15)
0
0!
+
e
0,15
(0,15)
1!
+
e
0,15
(0,15)
2
2!
P(1 p ag. tenga 2 o menos errores) = 0,99949714
P(todas las p ags. contiene 2 o menos errores) = (0,99949714)
200
= 0,90429712
P(todas las p ags. contienen m as de 2 errores) = 1 0,90429712 = 0,09570288
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 158


5. El 10 % de las herramientas producidas en cierto proceso de fabricaci on son defec-
tuosas. Encuentre a probabilidad de que en una muestra de 10 herramientas, selec-
cionadas al azar, exactamente 2 sean defectuosas usando:
a) La Distribuci on Binomial
b) La aproximaci on de Poisson a la Binomial
Soluci on:
a) Por la Binomial:
n = 10
x = 2
p = 0,1
_

_
X B(10; 0,1)
P(X = 2) =
_
10
2
_
(0,1)
2
(0,9)
8
= 0,1937
b) Por Poisson:
= n p
= 10 0,1 = 1
_

_
X P(1)
P(X = 2) = 0,1839
Si observamos los dos resultados, la aproximaci on no es lo sucientemente
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 reacci on a la inyecci on de un
determinado suero es 0,001, determine la probabilidad de que de cada 2000 individ-
uos:
a) Exactamente 3 tengan una mala reacci on.
b) M as de 2 individuos tengan una reacci on mala.
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 159


Soluci on:
n = 2000
p = 0,001
_

_
X B(2000; 0,001)
= n p
= 2
_

_
X P(2)
a) Exactamente 3:
P(X = 3) = 0,1804
b) M as de 2:
P(X > 2) = 1 P(X 2) = 1 0,6767 = 0,3233
7. Una compa na de seguros encuentra que el 0.005 % de la poblaci on fallece cada a no
de cierto tipo de accidente. Cu al es la probabilidad de que tengan que pagar a m as
de 3 de los 10000 asegurados contra tal riesgo en un a no dado?
Soluci on:
X = N umero de asegurados a pagar
n = 10000
x = 4, 5, 6, . . .
p = 0,00005
_

_
X B(10000; 0,00005)
= n p
= 10000 0,00005 = 0,5
_

_
X P(0,5)
P(X > 3) = 1 P(X 3) = 1 0,9982 = 0,0018
0,0018
1
556
Aproximadamente hay que pagarle el seguro a m as de 3 personas cada
556 a nos.
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 160


4.1.3. Distribuci on Geom etrica
La Distribuci on Geom etrica proporciona la probabilidad de realizar x experimentos de
Bernoulli independientes, con probabilidad de exito (p) constante, a n de obtener el primer
exito.
La distribuci on 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 Distribuci on Geom etrica:
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 contaminaci on del aire. Si se seleccionan carros aleatoriamente uno tras
otro, cu al es la probabilidad de que el d ecimo carro revisado sea el que presente este
tipo de falla?
Soluci on:
p = 0,05
x = 10
_

_
X G(0,05)
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 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 n umero esperado E(x) de cohetes que ser an disparados.
b) Encuentre la probabilidad p de que 4 o m as cohetes ser an requeridos para al-
canzar nalmente el objetivo.
Soluci on:
a) N umero esperado de cohetes que ser an disparados: p = 0,2
= E(x) =
1
p
=
1
0,2
= 5
Se espera disparar 5 cohetes.
b) Probabilidad de que 4 o m as cohetes ser an requeridos para alcanzar nalmente
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 proba-
bilidad 0,40 de encestarla, cu al es la probabilidad de que tenga que lanzarla m as de
3 veces para encestarla por primera vez?
Soluci on:
p = 0,4
x = 4, 5, ...
_

_
X G(0,4)
P(X > 3) = 1 P(X 3) = 1 [P(X = 1) + P(X = 2) + P(X = 3)] = 0,216
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 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.
Soluci on:
X G
_
1
6
_
P(X = 5) =
_
1
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 lanz o 4 veces y no ha salido el 4, cu al es la
probabilidad de tener que lanzar el dado otras 8 veces m as para sacar el 4 por primera
vez?
Soluci on:
Seg un la propiedad de no memoria de la distribuci on geom etrica:
P(X = 12/ X > 4) = P(X = 8) =
_
5
6
_
7
_
1
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)
(1/ 6)(5/ 6)
11
(5/ 6)
4
=
_
5
6
_
7
_
1
6
_
_
5
6
_
7
_
1
6
_
=
_
5
6
_
7
_
1
6
_
4.1.4. Distribuci on de Pascal o Binomial Negativa
Esta distribuci on representa el n umero de veces que debe repetirse un experimento para
obtener r exitos; esta se denota por X BN(r; p) y su distribuci on de probabilidad viene
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 163


dada por:
P(X = x) =
_
x 1
r 1
_
p
r
q
xr
para x = r, r + 1, r + 2, . . .
Media:
E(x) =
r
p
Varianza:

2
=
rq
p
2
Observamos que cuando r = 1 en la Distribuci on de Pascal, se trata en si de la distribu-
ci on del n umero de ensayos de Bernoulli hasta que ocurre el primer exito y como sabemos
esta distribuci on es la Geom etrica.
EJERCICIOS
1. Cu al es la probabilidad de que haya que lanzar 5 veces un dado para obtener 2
cuatros?
Soluci on:
p = 1/ 6
x = 5
r = 2
_

_
X BN
_
2,
1
6
_
P(X = 5) =
_
5 1
2 1
_ _
1
6
_
2
_
5
6
_
52
= 0,0643
2. En un caso de partculas raras en un uido, 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 suspensi on, cu antas muestras se es-
pera necesario observar?
Soluci on:
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 164


E(x) =
r
p
=
4
0,5
= 8
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, cu al es la probabilidad de que apruebe en las 12 primeras preguntas?
Soluci on:
p = 0,8
x = 12
r = 10
_

_
X BN(10, 0,8)
P(X = 12) =
_
12 1
10 1
_
(0,8)
10
(0,2)
1210
= 0,2362
4. En una poblaci on las personas que padecen fobia son hombres en un 51 %. Suponien-
do que se extraen aleatoriamente individuos de la poblaci on con reemplazo, Cu al es
la probabilidad de que, antes de que se haya obtenido una cantidad igual a 10 hom-
bres, se hayan extraido exactamente 10 mujeres?
Soluci on:
p = 0,51
x = 20
r = 10
_

_
X BN(10; 0,51)
P(X = 20) =
_
20 1
10 1
_
(0,51)
10
(0,49)
2010
= 0,0877
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 165


4.1.5. Distribuci on Hipergeom etrica
Esta distribuci on se reere a un espacio muestral donde hay elementos de 2 tipos posi-
bles. Indica la probabilidad de tener un n umero de objetos X de uno de los tipos, al sacar
una muestra de tama no n, de un total de N objetos, de los cuales r son del tipo requerido.
X H(N; r; n)
P(X = x) =
_
r
x
__
Nr
nx
_
_
N
n
_ para x = 0, 1, 2, . . .
Las propiedades de esta distribuci on son:
Media:
E(x) = np ; p =
r
N
Varianza:

2
= npq
Nn
N1
EJERCICIOS
1. Una f abrica de peque nos motores, los empaca en cajas de 50. Antes de ser aceptados,
un inspector elige 5 motores al azar y los examina. Si todos est an perfectos, acepta la
caja, de lo contrario examina todos los motores de la misma. Suponga que en una caja
hay 3 motores defectuosos. Cu al es la probabilidad de que haya que inspeccionar
todos los motores de la caja?
Soluci on:
N = 50
n = 5
r = 3
x = 1, 2, 3
_

_
X H(50; 3; 5)
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 166


P(X 1) = 1 P(X < 1) = 1 P(X = 0)
P(X 1) = 1
_
3
0
__
503
50
_
_
50
5
_ = 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.
Soluci on:
N = 10
n = 5
r = 6
x = 3
_

_
X H(10; 6; 5)
P(X = 3) =
_
6
3
__
106
53
_
_
10
5
_ = 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 consideraci on adicional,
cuales son las probabilidades de que:
a) La esposa de ninguno trabaje.
b) S olo la esposa de uno trabaje.
c) Las esposas de ambos trabaje.
Soluci on:
Se dene la variable aleatoria, sea X el n umero de hombres cuyas esposas trabajan
N = 12
n = 2
r = 9
_

_
X H(12; 9; 2)
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 167


a) La esposa de ninguno trabaja: (X = 0)
P(X = 0) =
_
9
0
__
129
20
_
_
12
2
_ = 0,0455
b) S olo la esposa de uno trabaja: (X = 1)
P(X = 1) =
_
9
1
__
129
21
_
_
12
2
_ = 0,4091
c) Las esposas de ambos trabajan: (X = 2)
P(X = 2) =
_
9
2
__
129
22
_
_
12
2
_ = 0,5455
4. Un inspector de aduanas decide revisar 3 de 16 embarques provenientes de Madrid
por va a erea. Si la selecci on es aleatoria y 5 de los embarques contienen contrabando
encuentre las probabilidades de que el inspector de aduanas:
a) No encuentre ning un embarque con contrabando.
b) Encuentre 1 con contrabando.
c) Encuentre 2 con contrabando.
d) Encuentre 3 con contrabando.
Soluci on:
Sea X el n umero de embarques con contrabando
N = 16
n = 3
r = 5
_

_
X H(16; 5; 3)
a) No encuentre ning un embarque con contrabando:
P(X = 0) =
_
5
0
__
165
30
_
_
16
3
_ = 0,2946
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 168


b) Encuentre 1 con contrabando:
P(X = 1) =
_
5
1
__
165
31
_
_
16
3
_ = 0,4911
c) Encuentre 2 con contrabando:
P(X = 2) =
_
5
2
__
165
32
_
_
16
3
_ = 0,1964
d) Encuentre 3 con contrabando:
P(X = 3) =
_
5
3
__
165
33
_
_
16
3
_ = 0,0179
4.1.6. Distribuci on Multinomial
Esta distribuc on es una extensi on de la Binomial, ya que se consideran k posibles resul-
tados.
Los k resultados pueden ser llamados 1, 2, . . ., k.
P(X
1
= n
1
; X
2
= n
2
; . . . ; X
k
= n
k
) =
n!
n
1
! n
2
! . . . n
k
!
P
n
1
1
P
n
2
2
. . . P
n
k
k
El n umero esperado de veces del suceso es:
E(x
1
) = np
1
E(x
2
) = np
2
.
.
.
E(x
k
) = np
k
EJERCICIOS
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 169


1. Se lanza un dado 18 veces, cu al es la probabilidad de que cada uno de los 6 n umeros
haya salido 3 veces?
Soluci on:
P(x
1
= 3; x
2
= 3; . . . ; x
5
= 3; x
6
= 3) =
18!
3!3!3!3!3!3!
_
1
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 m aquina resultan ser de primera calidad, el
15 % de calidad aceptable, y el 5 % resulta ser defectuosos. Si de la producci on de
un da cualquiera, sacamos 20 artculos de esta m aquina, cu al es la probabilidad de
que se obtengan 2 defectuosos, uno aceptable y 17 de primera calidad?
Soluci on:
Denimos las variables y sus probabilidades:
X
1
= primera calidad ; p
1
= 0,8
X
2
= calidad aceptable ; p
2
= 0,15
X
3
= defectuoso ; p
3
= 0,05
P(x
1
= 17; x
2
= 1; x
3
= 2) =
20!
17!1!2!
(0,8)
17
(0,15)
1
(0,05)
2
= 0,089
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.
Soluci on:
Denimos las variables y sus probabilidades:
X
1
= bolas rojas ; p
1
=
5
12
X
2
= bolas blancas ; p
2
=
4
12
X
3
= bolas azules ; p
3
=
3
12
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 170


P(x
1
= 3; x
2
= 2; x
3
= 1) =
6!
3!2!1!
_
5
12
_
3
_
4
12
_
2
_
3
12
_
= 0,1207
4. Encuentre la probabilidad de no obtener, 1, 2 o 3 en 4 lanzamientos de un dado
balanceado.
Soluci on:
Denimos las variables y sus probabilidades:
X
1
= 1 ; p
1
=
1
6
X
2
= 2 ; p
2
=
1
6
X
3
= 3 ; p
3
=
1
6
x
4
= 4, 5, 6 ; p
4
=
3
6
P(x
1
= 0; x
2
= 0; x
3
= 0; x
4
= 4) =
4!
0!0!0!4!
_
1
6
_
0
_
1
6
_
0
_
1
6
_
0
_
3
6
_
4
= 0,0625
4.2. Distribuciones Cl asicas Continuas
4.2.1. Distribuci on Uniforme
Esta funci on tambi en es conocida como la Distribuci on Rectangular, y se dice que una
variable aleatoria X est a distribuida uniformemente en a X b, si su distribuci on de
probabilidad f (x) es:
f (x) =
_

_
1
ba
a X b
0 de otra manera
Su gr aca se muestra en la Figura 4.3.
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 171


0
X
a b
f(x)
Figura 4.3: Distribuci on de Probabilidad de la Distribuci on Uniforme
Para valores diferentes de a y b se obtienen diferentes distribuciones, por lo que estos
son los par ametros de la Distribuci on y se denota: X U(a; b)
Su funci on de distribuci on F(x) est a dada por:
F(x) =
_

_
0 X < a
xa
ba
a X < b
1 X b
0
X
F(x)
b a
1
Figura 4.4: Funci on de Distribuci on de la Distribuci on Uniforme
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 172


Las propiedades de la Distribuci on Uniforme son:
Media:
=
(a+b)
2
Varianza:

2
=
(a+b)
2
12
EJERCICIOS
1. Sea X una variable aleatoria con distribuci on de probabilidad U(2; 4). Especicar y
gracar su funci on de densidad, y calcular su media, su varianza y P(X > 3,2).
Soluci on:
Gracamos la distribuci on de probabilidad (Figura 4.5):
0 1 2 3 4 X
F(x)
Figura 4.5: Distribuci on de Probabilidad
La funci on de densidad para el intervalo (2;4) ser a entonces:
f (x) =
1
4 2
=
1
2
Entonces tenemos:
f (x) =
_

_
1
2
2 X 4
0 de otra manera
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 173


Calculamos la media y la varianza:
=
(2 + 4)
2
= 3

2
=
(4 2)
2
12
=
1
3
Calculamos la probabilidad P(X > 3,2):
P(X > 3,2) =
_
4
3,2
1
2
dx = 0,4
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 m as cerca de A que de B. Calcule la
probabilidad de que la distancia con repecto a A sea m as de 3 veces la distancia con
repecto a B.
Soluci on:
Observamos en la recta que si se desea calcular la probabilidad de que el paracadista
caiga m as cerca de A, entonces debemos calcular la probabilidad de que caiga en la
zona de color rojo.
B A+B A
2
P(m as cerca de A) =
_ A+B
2
A
1
B A
dx =
1
2
Ahora bien, la siguiente probabilidad a calcular es la mostrada en la recta:
B A C 3 veces
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 174


Buscamos la relaci on entre A, B y C: CB = 3AC
B C = 3(C A) B C = 3C 3A
4C = B + 3A C =
B+3A
4
P =
_ B+3A
4
A
1
B A
dx =
1
4
3. Una barra de 50 centmetros de longitud puede partirse por cualquier punto en forma
aleatoria. Cu al es la probabilidad de que se parta a menos de 5 cm de cualquiera de
los extremos?
Soluci on:
Dibujamos la barra de 50 cm y denimos los puntos de corte: Buscamos la distribu-
3 veces
a
b d
c
ci on de probabilidad y luego la probabilidad pedida:
f (x) =
1
b a
=
1
50 0
=
1
50
para 0 X 50
P(a X c) o P(d X b) = P(a X c) + P(d X b)
=
_
5
0
1
50
dx +
_
50
45
1
50
dx =
1
5
4. El tiempo de viaje (ida y vuelta) de lo camiones que transportan concreto hacia una
obra de construcci on en una carretera, est a distribuido uniformemente en un intervalo
de 50 a 70 minutos. Cu al es la probabilidad de que la duraci on del viaje sea mayor
a 65 minutos si se sabe que la duraci on del viaje es mayor a 55 minutos? Hallar la
media y la varianza de los tiempos de viaje.
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 175


Soluci on:
Dibujamos la distribuci on de probabilidad para este ejercicio y calculamos la fun-
ci on:
45 50 55 60 65 70 75
f(x)
X
f (x) =
1
70 50
=
1
20
para 50 X 70
Calculamos la probabilidad pedida:
P(X > 65/X > 55) =
_
70
65
1
20
dx
_
70
55
1
20
dx
=
1
3
Calculamos la media y la varianza:
E(x) =
a + b
2
=
50 + 70
2
= 60 minutos
V(x) =
(b a)
2
12
=
(70 50)
2
12
= 3,333 minutos
2
5. Supongamos que X est a 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
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 176


b) P(X > 1) =
1
2
c) P(|X| < 1) = P(|X| > 1)
d) P
_
X <
1
2
_
= 0,7
Soluci on:
f (x) =
1
a (a)
=
1
2a
para a < X < a
a) P(X > 1) =
1
3
:
a 0 1 a a
f(x)
X
1/3
P(X > 1) =
1
3
=
_
a
1
1
2a
dx =
1
3
x
2a

a
1
=
1
3
=
a 1
2a
=
1
3
a = 3
b) P(X > 1) =
1
2
:
P(X > 1) =
1
2
=
_
a
1
1
2a
dx =
1
2
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 177


a 0 1 a a
f(x)
X
1/2
x
2a

a
1
=
1
2
=
a 1
2a
=
1
2
= 2a 2 2a
No existe un a tal que la P(X > 1) sea igual a
1
2
.
c) P(|X| < 1) = P(|X| > 1):
Para resolver esta parte, partimos de la denici on del valor absoluto, por lo tanto
tenemos:
|x| =
_

_
x si x < 0
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
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 178


a 1 0 1 a
f(x)
X
Figura 4.6: Para P(|X| < 1)
a 1 0 1 a
f(x)
X
Figura 4.7: Para P(|X| > 1)
Por lo tanto tenemos que:
P(|X| < 1) = P(|X| > 1)
_
1
1
1
2a
dx =
_
1
a
1
2a
dx +
_
a
1
1
2a
dx
x
2a

1
1
=
x
2a

1
a
+
x
2a

a
1
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 179


a = 2
d) P
_
X <
1
2
_
= 0,7:
a 0 0.5 a
X
f(x)
0.7
P
_
X <
1
2
_
= 0,7 =
_
0,5
a
1
2a
dx = 0,7
x
2a

0,5
a
= 0,7 =
0,5 + a
2a
= 0,7 = a = 1,25
6. Demuestre que la media y la varianza de la distribuci on uniforme est an dadas respec-
tivamente por:
a) = (a + b)/2
b)
2
= (b a)
2
/12
Soluci on:
a) = (a + b)/2
Sabemos que la media de una distribuci on de probabilidad debe ser igual a la
esperanza matem atica, por lo tanto tenemos:
E(x) =
_
b
a
x
1
b a
dx =
x
2
2(b a)

b
a
=
a + b
2
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 180


b)
2
= (b a)
2
/12
Tenemos que la varianza es V(x) = E(x
2
) [E(x)]
2
:
E(x
2
) =
_
b
a
x
2

1
b a
dx =
x
3
3(b a)

b
a
=
b
2
+ ab + a
2
3
V(x) =
b
2
+ ab + a
2
3

_
a + b
2
_
2
=
(b a)
2
12
4.2.2. Distribuci on Exponencial
Se dice que una variable aleatoria continua X tiene una distribuci on exponencial con
par ametro , si su funci on de densidad es:
f (x) = e
x
para X > 0
La variable aleatoria se denota por: X EXP(). Y su funci on de distribuci on F(x) es:
F(x) =
_
x
0
e
t
dt = 1 e
x
para X > 0
Las propiedades de la Distribuci on Exponencial son:
Media:
= 1/
Varianza
2
:

2
= 1/
2
No memoria:
P(X > s + t/ X > s) = P(X > t)
2
Esta distribuci on es la unica en que su desviaci on est andar es igual a su media
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 181


Es importante se nalar que existe una relaci on entre la Distribuci on Exponencial y la
Poisson. Sabemos que la Distribuci on de Poisson considera el n umero de ocurrencias de
un evento con par ametro , entonces la distribuci on del intervalo entre las ocurrencias es
exponencial con par ametro .
EJERCICIOS
1. Supongamos que la duraci on 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) M as de 240 das.
Soluci on:
a) Menos de 60 das:
P(X < x) = F(x) = 1 e
x
P(X < 60) = F(60) = 1 e

60
120
= 0,3935
b) M as de 240 das:
P(X > 240) = 1 P(X 240) = 1 F(240) = e

240
120
= 0,1353
2. Verique con un ejemplo num erico la propiedad de no memoria de la distribuci on
exponencial f (x) = 3e
3x
para X > 0.
Soluci on:
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)
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 182


P(X > 2)
P(X > 1)
= P(X > 1)
e
6
e
3
= e
3
= e
3
= e
3
3. Considere el componente C del ejercicio n umero 1. Si C a un est a trabajando despu es
de 100 das, encuentre la probabilidad de que este dure m as de 340 das.
Soluci on:
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 duraci on en horas de cierto dispositivo electr onico puede ser modelada por la
distribuci on 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
devolver a el dinero. El costo de fabricaci on 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 % modicando
la garantia c omo quedar a esta entonces?
Soluci on:
Tenemos que:
= 100
= 0,01
a) Ganancia Esperada (E(G)):
La ganancia puede tomar 2 valores, ver Tabla 4.1:
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 183


G -100 100
P(G) P(X < 20) P(X 20)
Tabla 4.1: Distribuci on de probabilidad de la Ganancia
Calculamos las probabilidades:
P(X < 20) = F(20) = 1 e
0,0120
= 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.
Denimos a x como la nueva garanta (en das), y la nueva distribuci on de
probabilidad de la ganancia ser a entonces:
G -100 100
P(G) P(X < x) P(X x)
P(G) 1 e
0,01x
e
0,01x
Tabla 4.2: Distribuci on de probabilidad de la nueva ganancia
Tenemos entonces:
E(G) = 100 (1 e
0,01x
) + 100 e
0,01x
= 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 %.
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 184


4.2.3. Distribuci on Normal
Una variable aleatoria continua X, que puede asumir todos los valores entre e ,
se dice que est a distribuida normalmente si su densidad se expresa as:
f (x) =
1

2
e

1
2
(
x

)
2
La Normal depende de dos par ametros, la media (que es el centro de la misma) y
la varianza , y se denota por: X N(;
2
). La normal es sim etrica con respecto a la
media y la desviaci on est andar act ua como un coeciente de elasticidad; entre m as grande
es la desviaci on, m as abierta es la distribuci on. En la Figura 4.8 podemos observar como se
traslada la curva de la Distribuci on Normal cuando se vara la media (la desviaci on est andar
se mantiene en 1).
2 0 2
Media = 0
Media = 2
Media = 2
Desviacin = 1
Figura 4.8: Distribuci on Normal
En la Figura 4.9 se observa como la curva se abre a medida que aumenta la desviaci on
est andar, esto conrma como este par ametro cumple su funci on como un coeciente de
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 185


elasticidad.
0
Desviacin = 0.5
Desviacin = 1
Desviacin = 2
Figura 4.9: Distribuci on Normal
La funci on de distribuci on es:
F(x) = P(X x) =
1

2
_
x

1
2
(
t

)
2
dt
Distribuci on Normal estandarizada
Toda Distribuci on Normal puede ser llevada a la distribuci on normal estandarizada me-
diante la siguiente transformaci on:
Z =
x

Se observa que Z tambi en es una variable aleatoria distribuida normalmente con = 0


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

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 186


El c alculo de la probabilidad:
P(a X b) =
1

2
_
b
a
e

1
2
(
x

)
2
dx
Se convierte en:
P(a X b) =
1

2
_
(b)/
(a)/
e

Z
2
2
dx
P(a X b) =
_
b

_

_
a

_
La probabilidad de los valores de la variable estandarizada ((a )/ y (b )/), son
encontrados en la tabla de la distribuci on normal estandarizada; es importante acotar que
la probabilidad dada en la tabla es la probabilidad acumulada.
2 1 0 1 2
X
34.1% 34.1%
2.15% 2.15%
13.6% 13.6%
Z
0.4
EJERCICIOS
1. Supongamos que la estatura (en centmetros) de los hombres de la Facultad de In-
geniera est a distribuida en forma normal con media = 172,72 cm y desviaci on
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 187


est andar = 6,35 cm. Encuentre el porcentaje de hombres que est an entre 167,64 y
180,34 centmetros.
Soluci on:
Como dice el enunciado del ejercicio, la variable aleatoria X est a 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
desviaci on est andar:
P(167,64 X 180,34) = P
_
167,64 172,72
6,35

X


180,34 172,72
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 distribuci on 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
Gracamente el c alculo que se est a realizando es el siguiente:
Observamos en la Figura 4.10 que la probabilidad buscada ( area sombreada) se en-
cuentra entre los valores -0.8 y 1.2, dado que la probabilidad propocionada por la
tabla estadstica es la probabilidad acumulada, el c alculo de la probabilidad de ese
intervalo se realiza restandole a la probabilidad (1,2) la de (0,8), lo que quiere de-
cir que aproximadamente el 67,3 % de los estudiantes hombres de la facultad tienen
una estatura entre 167,64 y 180,34 centmetros.
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 188


0.8 0 1.2
X
Z
0.2119
0.8849
Figura 4.10: Distribuci on Normal Estandarizada
2. El peso en kilogramos de cierto grupo de personas es una variable aleatoria normal
con media 72 kilogramos y desviaci on est andar 8 Kg. Si en el grupo hay 2400 per-
sonas, cu antos se espera que pesen m as de 85 Kg.?
Soluci on
X = peso en kilogramos de las personas.
X N(72; 64)
Dado que se pide cu antas personas superan los 85 kilogramos en el grupo, primero se
debe calcular la probabilidad de que una persona pese m as de 85 kilogramos siendo
la media 72 kilogramos, para ello realizamos el siguiente calculo:
P(X > 85)
Estandarizamos la variable y obtenemos:
P(X > 85) = P
_
X

>
85 72
8
_
= P(Z > 1,625)
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 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).
0 1,625
Z
g(z)
Figura 4.11: Distribuci on Normal Estandarizada
Para este caso le restamos al area total de la curva (igual a 1) la probabilidad acumula-
da 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 m as 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 peque no que se toma como una recta y por lo
tanto podemos utilizar la siguiente ecuaci on, que no es m as que la ecuaci on de una
recta:
f (x) = Y
0
+
Y
1
Y
0
X
1
X
0
(X X
0
)
Deniendo las valores de las X y las Y tenemos:
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 190


X
0
= 1,62 Y
0
= 0,9474
X = 1,625 Y
X
1
= 1,63 Y
1
= 0,9484
Sustituimos en la ecuaci on de la recta y tenemos:
f (1,625) = 0,9474 +
_
0,9484 0,9474
1,63 1,62
_
(1,625 1,62) = 0,9479
Y = 0,9479
Por lo tanto tenemos:
P(Z > 1,625) = 1 0,9479 = 0,0521
La probabilidad de que una persona pese m as de 85 kilogramos es de 0,0521; ahora
bien, cu antas personas del grupo se espera que tengan esa condici on?
0,0521 2400 = 125,04
Se espera que 125 personas de ese grupo pesen m as de 85 kilogramos.
Como se dijo en un principio de esta secci on, la curva de la distribuci on normal es
sim etrica 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 area donde Z > 1,625 es exactamente
igual al area 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).
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 191


1.625 0 1.625
P(Z > 1.625) P(Z < 1.625)
Figura 4.12: Distribuci on Normal Estandarizada
3. Una empresa metalm ecanica produce rodamientos con di ametros que tienen una dis-
tribuci on normal con una media de 3,0005 y una desviaci on est andar de 0,001.
Las especicaciones requieren que los di ametros est en en el intervalo 30,002. Se
rechazan los rodamientos con di ametros que quedan fuera del intervalo y deben vol-
verse a maquinar. Con la maquinaria actual, qu e fracci on de la producci on total
ser a rechazada?
Soluci on:
X = di ametro 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)
P(aprobados) = P
_
2,998 3,0005
0,001
Z
3,002 3,0005
0,001
_
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 192


P(aprobados) = P(2,5 Z 1,5) = 0,9332 0,0062 = 0,927
2.5 0 1.5
Rechazados
Rechazados
Aprobados
92.7%
Figura 4.13: Distribuci on Normal Estandarizada
En la Figura 4.13 se puede observar el intervalo con las especicaciones en que los
rodamientos son aceptados (color rojo) y a los lados la proporci on que es rechazada,
es decir, tenemos que aproximadamente un 92,7 % de la producci on es aceptada, y
por lo tanto le restamos a la unidad esta probabilidad y obtenemos que un 7,3 %
ser a rechazada aproximadamente.
4. Se observ o durante un perodo que la cantidad semanal gastada en el mantenimiento
y en las repaciones en cierta f abrica tiene aproximadamente una distribuci on normal
con una media de 400 Bs. F y una desviaci on est andar de 20 Bs. F. Si el presupuesto
para la pr oxima semana es de Bs. F 450, cu al es la probabilidad de que los cos-
tos reales sean mayores que la cantidad presupuestada? de cu anto tendra que ser
el presupuesto para reparaciones semanales y mantenimiento, para que la cantidad
presupuestada solamente se rebasar a con una probabilidad de 0,1?
Soluci on:
X = presupuesto semanal en Bs. F
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 193


X N(400; 400)
P(X > 450) = 1 P(X 450)
P(X > 450) = 1
_
450 400
20
_
= 1 (2,5)
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:
P
_
X


X 400
20
_
= 0,1
P
_
Z
X 400
20
_
= 0,1
1 P
_
Z
X 400
20
_
= 0,1
P
_
Z
X 400
20
_
= 0,9
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) = Y
0
+
Y
1
Y
0
X
1
X
0
(X X
0
)
Deniendo los valores de las X y las Y tenemos:
X
0
= 0,8997 Y
0
= 1,28
X = 0,9 Y
X
1
= 0,9015 Y
1
= 1,29
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 194


Sustituimos en la ecuaci on de la recta y tenemos:
f (0,9) = 1,28 +
_
1,29 1,28
0,9015 0,8997
_
(0,9 0,8997) = 1,2817
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

= Z
X 400
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 compa na
A tienen una distribuci on de probabilidad normal con una media de 0,13 ohms y una
desviaci on est andar de 0,005 ohms.
a) Cu al es la probabilidad de que un alambre seleccionado al azar de la produc-
ci on de la compa na A satisfaga las especicaciones?
b) Si se utilizan cuatro de estos alambres en el sistema y los seleccionan de la
compa na A, cu al es probabilidad de que los 4 alambres satisfagan las necesi-
dades?
Soluci on:
X = resistencia del alambre medida en ohms.
X N(0,13; 0,000025)
a) Probabilidad de que un alambre satisfaga las especicaciones:
P(0,12 X 0,14) = P
_
0,12 0,13
0,005
Z
0,14 0,13
0,005
_
P(2 Z 2) = (2) (2) = 0,9772 0,0228
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 195


P(2 Z 2) = 0,9544
La probabilidad de que un alambre satisfaga las especicaciones con respecto
a la resistencia es del 95,44 %.
b) Probabilidad de que 4 alambres satisfagan las necesidades:
P(4 satisfagan las especicaciones) = (0,6544)
4
= 0,8297
La probabilidad de que 4 alambres seleccionados al azar de la compa na A y
que satisfagan las especicaciones del 82,97 %.
6. Una variable aleatoria X obedece la distribuci on normal estandarizada. Demuestre
que:
a) P(|X| < k) = 2(k) 1
b) P(|X| > k) = 2(1 (k))
Soluci on:
a) P(|X| < k) = 2(k) 1:
Desarrollamos la primera parte de la igualdad, es decir, P(|X| < k).
Seg un la denici on 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 area sombreada representa el area del intervalo
(k ; k), recordemos que la variable aleatoria X ya est a estandarizada, por lo
que podemos trabajarla directamente.
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 196


1.625 0 1.625
K K
Figura 4.14: Distribuci on 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 < +)
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 197


1.625 0 1.625
K K
Figura 4.15: Distribuci on Normal para P(|X| > k)
En la Figura 4.15, se presentan las areas 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 poblaci on obedece a la ley normal (;
2
).
Supongamos que P(X 160) =
1
2
y que P(X < 140) =
1
4
.
a) Encuentre los valores de y .
b) Encuentre la probabilidad de que una persona tomada al azar pese m as de 200
libras.
c) De todas las personas de esta poblaci on que pesan por lo menos 200 libras,
qu e porcentaje pesar a m as de 220 libras?
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 198


Soluci on:
a) Media y desviaci on est andar:
Se sabe que la distribuci on normal es sim etrica con respecto a su media, por lo
tanto la probabilidad de que un valor sea menor o igual a su media es exacta-
mente igual a 0.5; dentro de los datos dados tenemos que P(X 160) =
1
2
, por
lo tanto = 160.
Para calcular la desviaci on est andar utilizamos la P(X < 140) =
1
4
.
P
_
X

<
140 160

_
=
1
4
Dado que en la tabla de la distribuci on normal est andarizada no se encuentra la
probabilidad exacta de 0.25, interpolamos.
Deniendo los valores de las X y las Y tenemos:
X
0
= 0,2514 Y
0
= 0,67
X = 0,25 Y
X
1
= 0,2483 Y
1
= 0,68
Sustituimos en la ecuaci on de la recta y tenemos:
f (0,25) = 0,67 +
_
0,68 + 0,67
0,2483 0,2514
_
(0,25 0,2514) = 0,6745
Por lo tanto tenemos:
Z =
140 160

= 0,6745 =
140 160

Despejamos la desviaci on est andar y encontramos que = 29,65, por lo tanto:


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

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 199


P(X > 200) = P(Z > 1,35) = P(Z < 1,35) = 0,0885
La probabilidad de que una persona tomada al azar pese m as de 200 libras es
del 8,85 %.
c) El porcentaje de personas que pesar a m as de 220 libras dado que se sabe que
pesan m as de 200 libras es:
P(X > 220/ X > 200) =
P(X > 220)
P(X > 200)
P(X > 220/ X > 200) =
P(Z > 2,02)
P(X > 1,35)
=
P(Z < 2,02)
P(X < 1,35)
= 0,2452
El 24,52 % de las personas (de la poblaci on que pesa m as de 200 libras), pesa
m as 220 libras.
8. Una variable aleatoria es normal con media y desviaci on est andar =
1
2
. Encuentre
la constante c tal que P(|X | < c) = 0,9.
Soluci on:
P(|X | < c) = 0,9
P(c < X < c) = 0,9 = P(c + < X < c + )
P(X < c + ) P(X < c + ) = 0,9
P
_
Z <
c +
0,5
_
P
_
Z <
c +
0,5
_
= 0,9
(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
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 200


9. Si X es Normal (0,
2
), Encuentre E(|x |).
Soluci on:
E(|x |) =
_

|x | f (x)dx
E(|x |) =
_

|x |
1

2
e

1
2
(
x

)
2
dx
Utilizando la denici on de valor absoluto; seg un el area en que esta denida la dun-
ci on, X puede tomar valores negativos si X < 0 y valores positivos si X 0, por lo
tanto tenemos:
E(|x |) =
_
0

x
1

2
e

1
2
(
x

)
2
dx +
_

0
x
1

2
e

1
2
(
x

)
2
dx
Realizamos un cambio de variable:
u =
1
2
_
x

_
; du =
x

2
dx
Tenemos entonces:
E(|x |) =
_
0

2
e
u
du +
_

0

2
e
u
du
E(|x |) =
2

2
10. Supongamos que la vida en horas de 2 dispositivos electr onicos similares D
1
y D
2
tienen distribuciones N(40;36) y N(45;9) respectivamente. Si se requiere uno de los
2 dispositivos para una operaci on que tarda 45 horas, cu al de los 2 dispositivos es
preferible? Si se requiere para una operaci on de 48 horas, cu al es preferible?
Soluci on:
Para saber cual de los dos dispositivos es m as conable en una operaci on que tarda 45
horas calculamos la probabilidad de que cada uno de ellos dure m as de ese perodo.
Para el dispositivo D
1
:
P(X > 45) = P(Z > 0,83)
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 201


P(X > 45) = P(Z < 0,83) = 0,2033
Para el dispositivo D
2
:
P(X > 45) = P(Z > 0) = 0,5
Es preferible el dispositivo D
2
porque tiene mayor probabilidad de durar m as de 45
horas.
Ahora bien, cual de los dos ser a mejor para una de 48 horas, la l ogica nos dice que
seguir a siendo el dispositivo D
2
, veamos:
Para el dispositivo D
1
:
P(X > 48) = P(Z > 1,33)
P(X > 45) = P(Z < 1,33) = 0,0918
Para el dispositivo D
2
:
P(X > 48) = P(Z > 1)
P(X > 48) = P(Z < 1) = 0,1587
Observamos que el dispositivo D
1
tan s olo tiene una probabilidad del 9 % de fun-
cionar por ese tiempo, y el dispositivo D
2
tiene una probabilidad del 15,87 %, por lo
tanto es mejor D
2
.
11. Si X es Normal (;
2
) y Y = e
x
, encuentre la distribuci on de Y.
Soluci on:
Recordemos del Captulo 3, que para calcular la distribuci on de probabilidad de una
variablea aleatoria a partir de la distribuci on de probabilidad de otra variable aleatoria
continua utilizabamos el teorema:
g(y) = f [w
(y)
] |w

(y)
|
Ahora bien tenemos:
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 202


f (x) =
1

2
e

1
2
_
x

_
2
Y = e
x
w
(y)
= ln(y)
w

(y)
= 1/ y
Por lo tanto tenemos:
g(y) =
_
1

2
e

1
2
_
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 centgra-
dos, tambi en est a distribuida normalmente. Encuentre y .
Soluci on:
Denimos las variables aleatorias:
X = grados farenheit N(98,6;2)
Y = grados centgrados
La distribuci on de probabilidad de X es:
f (x) =
1

2
e

1
4
(x98,6)
2
Buscamos la distribuci on de Y:
Y =
5
9
(X 32)
w
(y)
=
9
5
y + 32
w

(y)
=
9
5
Tenemos entoces:
g(y) =
1

2
e

1
4
(
9
5
y+3298,6)
2

9
5
g(y) =
9

50
e

1
2
(
81
50
(y37)
2
)
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 203


Calculamos E(y):
E(y) = E
_
5
9
x
160
9
_
=
5
9
E(x)
160
9
= 37
Calculamos V(y):
V(y) = V
_
5
9
x
160
9
_
=
_
5
9
_
2
V(x) =
50
81
13. Suponga que X N(0; 25). Calcule P(1 < x
2
< 4).
Soluci on:
P(1 < x
2
< 4) = P(1 < |x| < 2) =
_

_
|x | > 1 = (; 1) (1; )
|x | < 2 = (2; 2)
En la Figura 4.16 podemos observar el area de la probabilidad deseada, es decir, el
area que conforman las dos intersecciones.
2 1 0 1 2
Figura 4.16: Distribuci on Normal
Por lo tanto tenemos:
P(1 < x
2
< 4) = P(2 < x < 1) + P(1 < x < 2)
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 204


Por simetra tenemos que:
P(2 < x < 1) = P(1 < x < 2)
Por lo tanto:
P(1 < x
2
< 4) = 2P(1 < x < 2)
Estandarizando tenemos:
P(1 < x
2
< 4) = 2(P(0,2 < Z < 0,4)) = 2(0,6554 0,5793) = 0,1522
4.3. Ejercicios Propuestos
1. En un proceso de manufacturaci on 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, cu al es la probabilidad de que no haya ning un artculo
defectuoso en cada caja?
2. Verique si los siguientes datos se ajustan bien a una distribuci on normal:
2,51 2,29 2,31 2,19 2,09 2,48 2,65 2,5 2,48 2,27 2,26 2,86
3,73 2,98 1,08 2,25 2,1 3,3 3,15 2,27 2,23 2,61 2,11 5,7
2,31 2 2,35 1,76 2,91 1,84 2,09 2,78 2,32 2,59 1,87 2,59
2,07 3,1 2,32 2,59 2,42 2,04 2,13 1,98 2,02 2,18 2,26 2,1
2,69 2,6
3. Un lote de tama no N = 30 contiene 4 unidades defectuosas. Cu al es la probabili-
dad de que una muestra de 5 unidades seleccionadas al azar contenga exactamente
una unidad defectuosa? Cu al es la probabilidad de que contega 3 o m as unidades
defectuosas?
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 205


4. Se estima que el 58 % de una poblaci on preere la marca A de mayonesa. Cu al es
la probabilidad, al entrevistar a un grupo de consumidores, de que se tenga que en-
trevistar a exactamente 4 personas, para encontrar el primer consumidor que preera
la marca A? Al menos 5 pesonas?
5. Un joven estudiante compr o 3 celulares a un costo total de 750 Bs. F y piensa vender-
los 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 devolver a el dinero. Si la duraci on de las bateras se distribuyen como una
exponencial con las siguientes propiedades:
Nokia 7088. Promedio duraci on de la batera: 2,5 horas
Kyocera E1000. Promedio duraci on de la batera: 3,67 horas
Motorola L7. Promedio duraci on de la batera: 196 minutos
Cu al celular le dejar a mayor ganancia?
Cu anto es la ganancia esperada del estudiante?
6. Una m aquina realiza cortes de manera autom atica de ciertas tiras met alicas con media
= 40,2 cm y una desviaci on est andar de = 0,05 cm. La medida optima de tales
tiras debe ser de 40 cm con una tolerancia de 0,5 cm. Suponiendo que se trata
de una distribuci on normal, estime el porcentaje de las tiras que cumplen con las
especicaciones.
7. Un libro tiene 500 p aginas en las que podran ocurrir errores tipogr acos. Suponga
que hay exactamente 10 de estos errores localizados aleatoriamente en esas p aginas.
Cu al es la probabilidad de que una selecci on aleatoria del 10 % de las p aginas del
libro no contenga errores? Cu al es la probabilidad de que 60 p aginas seleccionadas
al azar, contenga al menos dos errores?
8. Si X est a distribuida uniformemente en el intervalo (0, b). Determine de que manera
se cumple las siguientes condiciones:
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 206


a) P(X > 1,5) =
1
4
.
b) P(|X| > 1,5) = P(|X| < 1,5).
9. Las precipitaciones anuales en la ciudad de M erida es una variable aleatoria distribui-
da N(1700; 400) medida en milmetros. Cu antos milmetros de lluvia son excedidos
anualmente alrededor del 5 % de las veces?
10. Un estudio demostr o que la duraci on promedio de cierta marca de l amparas es de 450
das con una varianza de 10000 das
2
y que esta duraci on se distribuye normalmente.
El vendedor de las l amparas vende en cierta ciudad 1000 l amparas al mes y garantiza
al comprador que si su l ampara falla antes de k das, le ser a cambiada por una nueva.
El vendedor no quisiera tener que cambiar m as de 15 l amparas por mes. Cu al de-
ber a ser el valor de k?
11. Un distribuidor de software desea obtener retroalimentaci on de los clientes acerca
de su m as reciente paquete. Han adquirido el producto 3000 clientes, suponga que
600 de ellos est an insatisfechos. Se realiza un muestreo aleatorio e interrogatorio de
20 clientes acerca del paquete. Sea X el n umero de clientes muestreados que est an
insatisfechos
a) Calcule la distribuci on 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 s olo de ida es de 24 minutos, con una desviaci on est andar de 3,8 minutos.
Suponga que la distribuci on de los tiempos de viaje est a distribuida normalmente.
a) Cu al es la probabilidad de que un viaje tome al menos media hora?
b) Si tiene clases a las 9:00 a.m. y el sale diario de su casa a las 8:45 a.m. qu e por-
centaje de las veces llegar a tarde a clases?
CAP

ITULO 4. DISTRIBUCIONES CL

ASICAS DISCRETAS Y CONTINUAS 207


c) Encuentre la probabilidad de que 2 de los siguientes 3 viajes, tome al menos
media hora.
13. Suponga que X tiene una distribuci on 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 r apidamente aviones consta de 4 unidades de
radar id enticas que trabajan independientemente. Suponga que cada una tiene una
probabilidad de 0,95 de detectar un avi on. Sea X el n umero unidades del sistema que
no detecta un avi on. Puede decirse que X se distribuye como una binomial?
15. Se supone que el 45 % de los aspirantes para cierto trabajo tienen un entrenamien-
to avanzado en programaci on. 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 programaci on en la
quinta entrevista.
16. Se forma una empresa de exploraci on petrolera con suciente capital para nanciar
10 exploraciones. La probabilidad de que una exploraci on en particular sea exitosa
es de 0,12. Sup ongase que las exploraciones son independientes. Encuentre la media
y la varianza del n umero de exploraciones exitosas.
Captulo 5
El Teorema del Lmite Central
5.1. La Desigualdad de Chebyshev
Sea X una variable aleatoria con media y desviaci on est andar y distribuida de
cualquier manera. Entonces, para cualquier n umero positivo k mayor que 1, la probabilidad
de que un valor de X pertenezca al intervalo: [ k; + k], es al menos: 1 1/ k
2
,
es decir, la proporci on mnima de los valores que se encuentran dentro de k desviaciones
est andares es:
P( k X + k) 1
1
k
2
EJERCICIOS:
1. Supongamos que X es una variable aleatoria de media = 75 y desviaci on est andar
= 5.
a) Qu e conclusiones podemos obtener sobre X de la desigualdad de Chebyshev
para k = 2 y k = 3?
b) Estimar la probabilidad de que X est e entre 75-20=55 u 75+20=95.
208
CAP

ITULO 5. EL TEOREMA DEL L

IMITE 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 %
Soluci on:
a) Para k = 2:
P(75 2 5 X 75 + 2 5) 1
1
2
2
P(65 X 85) 0,75
La probabilidad de que los valores de X est e entre 65 y 85 es como mnimo del
75 %.
Para k = 3:
P(75 3 5 X 75 + 3 5) 1
1
3
2
P(60 X 90)
8
9
La probabilidad de que los valores de X est e entre 60 y 90 es de al menos del
88,8 %.
Si observamos la probabilidad de que est e entre 60 y 90 es mayor que la que
est e 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 est e 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
1
4
2
P(55 X 95)
15
16
La probabilidad de que los valores de X est e entre 55 y 95 es como mnimo del
93,75 %.
CAP

ITULO 5. EL TEOREMA DEL L

IMITE CENTRAL 210


c) P(a X b) 0,09:
Tenemos que:
1
1
k
2
= 0,09 = 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 desviaci on
est andar = 2. Usar la desigualdad de Chebyshev para calcular:
a) P(X 35)
b) P(X 20)
Soluci on:
a) P(X 35)
+ k = 35 = 25 + k2 = 35 = k = 5
P(X 35) = P(25 5 2 X 25 + 5 2) 1
1
5
2
P(X 35) = P(15 X 35)
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
2,5
2
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 %.
CAP

ITULO 5. EL TEOREMA DEL L

IMITE CENTRAL 211


3. Sea X una variable aleatoria con media = 40 y desviaci on est andar = 5. Usar la
desigualdad de Chebyshev para hallar un valor b para que P(40 b X 40 + b)
0,95
Soluci on:
1
1
k
2
= 0,95 = k = 4,47
b = k = b = 5 4,47 = 22,36
4. Sea X una variable aleatoria con media = 80 y desviaci on est andar desconocida.
Usar la desigualdad de Chebyshev para hallar un valor para que la P(75 X
85) 0,9
Soluci on:
1
1
k
2
= 0,9 = k = 3,16
75 = k = 75 = 80 3,06 = = 1,58
85 = + k = 85 = 80 + 3,06 = = 1,58
5. Para la distribuci on f (x) = 0,2e
0,2x
para X > 0. Calcular la probabilidad de que la
variable se aleje m as de 2 veces la desviaci on est andar.
Soluci on:
f (x) = 0,2e
0,2x
es una exponencial con par ametro = 0,2, por lo que su media y
desviaci on est andar es igual a 1/ , es decir, = = 5.
2 = 5 2 5 = 5
+ 2 = 5 + 2 5 = 15
Por lo tanto tenemos:
P(X < 5 o X > 15) = 1 P(5 X 15)
CAP

ITULO 5. EL TEOREMA DEL L

IMITE CENTRAL 212


P(X < 5 o X > 15) = 1
_
1
1
2
2
_
=
1
4
La probabilidad de que la variable se aleje m as de 2 es como m aximo del 25 %.
6. La casa de la moneda de Venezuela produce monedas de 20 c entimos con un di ametro
promedio de 0,5 pulgadas y una desviaci on est andar de 0,01 pulgadas. Encuentre un
lmite inferior para el n umero de monedas de un lote de 400 con un di amtero entre
0,48 y 0,52 pulgadas, utilizando el Teorema de Chebyshev.
Soluci on:
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
2
2
P(0,48 X 0,52) 0,75
La probabilidad de que una moneda est e entre esas especicaciones 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 di amet-
ros entre 0,48 y 0,52 pulgadas.
CAP

ITULO 5. EL TEOREMA DEL L

IMITE CENTRAL 213


5.2. Teorema del Lmite Central
El Teorema del Lmite Central (TLC) muestra como la suma de variables aleatorias in-
dependientes, tomados de una misma poblaci on, no importa cual, tiende a estar distribuida
normalmente si el n umero de sumandos es lo sucientemente grande y tendra media n y
varianza n
2
.
Denici on:
Sean X
1
, X
2
, . . . , X
n
, variables aleatorias independientes pertenecientes a la misma dis-
tribuci on, con media y varianza
2
Si n tiende a , la variable Z = X
1
+ X
2
+ ... + X
n
tiende a una N(n; n
2
)
Es importante acotar que mientras m as grande sea el valor de n, mejor ser a la aproxi-
maci on, por esto adoptaremos que el teorema se puede usar cuando n 30.
Un ejemplo cl asico donde podemos observar como una distribuci on discreta puede
aproximarse a una distribuci on normal cuando n crece, es a trav es del lanzamiento de da-
dos, para este caso veremos como la distribuci on de probabilidad del lanzamiento de n
dados tiende a formar una campana.
Veamos el ejemplo con n = 1, 2, 3, 4 y 5 dados.
CAP

ITULO 5. EL TEOREMA DEL L

IMITE CENTRAL 214


Se lanza un dado (n = 1) y su distribuci on de probabilidad la podemos observar en la
Tabla 5.1:
X 1 2 3 4 5 6
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 distribuci on
de probabilidad p(x) la podemos ver en la Figura 5.1.
1 2 3 4 5 6
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
X
p(x)
Figura 5.1: Lanzamiento de un dado
CAP

ITULO 5. EL TEOREMA DEL L

IMITE CENTRAL 215


Se lanzan 2 dados (n = 2) y se suman los n umeros, la distribuci on de probabilidad se
ve en la Tabla 5.2 y en la Figura 5.2:
X 2 3 4 5 6 7 8 9 10 11 12
p(x)
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
2 3 4 5 6 7 8 9 10 11 12
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
X
p(x)
Figura 5.2: Lanzamiento de dos dados
CAP

ITULO 5. EL TEOREMA DEL L

IMITE CENTRAL 216


Ahora se lanzan tres dados (n = 3), su distribuci on de probabilidad se ve en la Tabla 5.3
y en la Figura 5.3:
X 3 4 5 6 7 8 9 10
p(x)
1
216
3
216
6
216
10
216
15
216
21
216
25
216
27
216
X 11 12 13 14 15 16 17 18
p(x)
27
216
25
216
21
216
15
216
10
216
6
216
3
216
1
216
Tabla 5.3: Lanzamiento de tres dados
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
0
0.02
0.04
0.06
0.08
0.1
0.12
p(x)
Figura 5.3: Lanzamiento de tres dado
Observamos que la gr aca de la distribuci on de probabilidad cambio, ahora tiende a ser
una campana.
CAP

ITULO 5. EL TEOREMA DEL L

IMITE CENTRAL 217


Lanzamos cuatro dados (n = 4). Tabla 5.4 y Figura 5.4:
X 4 5 6 7 8 9 10
p(x)
1
1296
4
1296
10
216
20
1296
35
1296
56
1296
80
1296
X 11 12 13 14 15 16 17
p(x)
104
1296
125
1296
140
1296
146
1296
140
1296
125
1296
104
216
X 18 19 20 21 22 23 24
p(x)
80
216
56
216
35
216
20
1296
10
1296
4
1296
1
1296
Tabla 5.4: Lanzamiento de cuatro dados
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
0
0.02
0.04
0.06
0.08
0.1
p(x)
Figura 5.4: Lanzamiento de cuatro dado
CAP

ITULO 5. EL TEOREMA DEL L

IMITE CENTRAL 218


Lanzamos cinco dados (n = 5). Observe la Tabla 5.5 y la Figura 5.5:
X 5 6 7 8 9 10 11 12 13
p(x)
1
7776
5
7776
15
7776
35
7776
70
7776
126
7776
205
7776
305
7776
420
7776
X 14 15 16 17 18 19 20 21 22
p(x)
540
7776
651
7776
735
7776
780
7776
780
7776
735
7776
651
7776
540
7776
420
7776
X 23 24 25 26 27 28 29 30
p(x)
305
7776
205
7776
126
7776
70
7776
35
7776
15
7776
5
7776
1
7776
Tabla 5.5: Lanzamiento de cinco dados
5 6 7 8 9 101112131415161718192021222324252627282930
0
0.02
0.04
0.06
0.08
0.1
X
p(x)
Figura 5.5: Lanzamiento de cuatro dado
En conclusi on podemos ver que, a medida que se aument o el n umero de dados (n) la
gr aca de la distribuci on de probabilidad fue tomando la forma de la campana de la dis-
tribuci on normal, esto conrma que la sumatoria de las variables aleatorias independientes
tienden a comportarse como una normal a medida que n tienda a innito.
CAP

ITULO 5. EL TEOREMA DEL L

IMITE CENTRAL 219


EJERCICIOS
1. Los resultados de las pruebas nales de todos los alumnos del ultimo a no de
bachillerato de cierto estado, tienen una media de 60 puntos y una varianza de 64
puntos
2
. Una generaci on especca de cierto Liceo con n = 100 alumnos tuvo una
media de 58 puntos. Puede armarse que este liceo es inferior?
Soluci on:
Denimos los par ametros:
n = 100
= 60 puntos

2
= 64 puntos
2
Si denimos la variable aleatoria Z como la suma de las 100 notas tenemos:
Z = X
1
+ X
2
+ ... + X
100
= nX = 100 58 = 5800
P
_
Z <
5800 6000

100 64
_
= P(Z < 2,5) = 0,0062
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 minuto
2
. Aproxime la probabilidad de que se pueda atender a
100 clientes en menos de 2 horas.
Soluci on:
Denimos los par ametros:
n = 100
= 1,5 minutos

2
= 1 minuto
2
CAP

ITULO 5. EL TEOREMA DEL L

IMITE CENTRAL 220


Si denimos la variable aleatoria Z como la suma de los tiempos de atenci on de los
100 clientes, tenemos:
Z = X
1
+ X
2
+ ... + X
100
= 2horas = 120minutos
P
_
Z <
120 150

100
_
= P(Z < 3) = 0,0013
La probabilidad de atender a 100 clientes en menos de 2 horas es relativamente
peque na (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 desviaci on
est andar de 0,5 Bs. F. La industria ocupa 64 trabajadores de cierto grupo etnico. Estos
trabajadores tienen un salario promedio de 3,9 Bs. F por hora. Es razonable suponer
que el grupo etnico es una muestra aleatoria de los trabajadores de la industria?
Soluci on:
n = 64
= 4 Bs. F
= 0,5 Bs. F
Denimos la variable aleatoria Z como la suma de los 64 sueldos, y tenemos:
Z = X
1
+ X
2
+ ... + X
64
= 249,6
P
_
Z <
249, 6 256

640,5
_
= P(Z < 1,6) = 0,0548
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 etnico es o no una muestra representativa de la poblaci on
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 s olo un foco a la vez). Los
focos funcionan independientemente y cada uno tiene una vida media de 50 horas y
una desviaci on est andar de 4 horas. Si no se inspecciona el invernadero durante 1300
CAP

ITULO 5. EL TEOREMA DEL L

IMITE CENTRAL 221


horas despues de encender el sistema de focos, cu al es la probabilidad de que un
foco est e encendido al nal del perodo de 1300 horas?
Soluci on:
n = 25
= 50 horas
= 4 horas
Denimos la variable aleatoria Z como la suma de las horas de cada foco:
Z = X
1
+ X
2
+ ... + X
25
= 1300
P
_
Z
1300 25 50

254
_
= P(Z 2,5) = P(Z 2,5) = 0,0062
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 aplicaci on del TLC a la Distribuci on Binomial. La distribuci on de
probabilidad (p(x)) cuando X toma alg un valor entre a y b est a dada por:
b

x=a
_
a
b
_
p
x
q
nx
El teorema dice que si n , entonces:
b

x=a
_
a
b
_
p
x
q
nx

_

_
b np +
1
2

npq
_

_

_

_
a np
1
2

npq
_

_
La suma y resta de 0,5 dentro de la ecuaci on no es m as que la suma y la resta de un
factor de correci on por continuidad, esto es debido a que estamos aproximando una variable
aleatoria discreta a una distribuci on continua.
EJERCICIOS
CAP

ITULO 5. EL TEOREMA DEL L

IMITE CENTRAL 222


1. Al arrojar un dado 6000 veces, cu al es la probabilidad de que el n umero 5 caiga
entre 980 y 1030 veces, inclusive?
Soluci on:
Podemos observar que la variable aleatoria se distribuye de forma binomial, donde
el suceso exito es que salga el n umero 5, debido a la gran cantidad de experimentos
que deberan realizarse, es m as pr actico utilizar el Teorema de Moivre-Laplace, por
lo tanto tenemos:
= np = 6000
1
6
= 1000
=

npq =
_
6000
1
6

5
6
= 28,8675
P(980 X 1030) =
_

_
1030 1000 +
1
2
28,8675
_

_

_

_
980 1000
1
2
28,8675
_

_
P(980 X 1030) = (1,06) (0,71) = 0,6165
2. Un restaurant atiende solamente bajo reservaci on 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, cu al es la probabilidad de que se pueda acomodar a todas
las personas que aparezcan? Resuelva exactamente y por el Teorema de Moivre-
Laplace.
Soluci on:
Observamos que se trata de una distribuci on binomial, donde el exito es que la per-
sona aparezca en el restaurant con previa cita.
X B(53; 0,9)
P(X 50) = 1 P
51
P
52
P
53
P(X 50) = 1
_
53
51
_
(0,9)
51
(0,1)
2

_
53
52
_
(0,9)
52
(0,1)
_
53
53
_
(0,9)
53
(0,1)
0
P(X 50) = 0,9102
CAP

ITULO 5. EL TEOREMA DEL L

IMITE CENTRAL 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.
Soluci on:
= np = 180
1
6
= 30
=

npq =
_
180
1
6

5
6
= 5
a) Entre 29 y 32 veces, ambas inclusive:
P(29 X 32) =
_

_
32 30 +
1
2
5
_

_

_

_
29 30
1
2
5
_

_
P(29 X 32) = (0,5) (0,3) = 0,3094
b) Entre 31 y 35 veces, ambas inclusive:
P(31 X 35) =
_
35,5 30
5
_

_
30,5 30
5
_
P(31 X 35) = (1,1) (0,1) = 0,3245
c) Menos de 22 veces:
P(X 22) =
_
21,5 30
5
_
= (1,7) = 0,0446
4. Asumimos que el 4 % de la poblaci on mayor de 65 a nos tiene la enfermedad de
Alzheimer. Supongamos que se toma una muestra aeatoria de 9600 personas mayores
de 65 a nos. Hallar la probabilidad de que menos de 400 de ellas tengan a enfermedad.
Soluci on:
= np = 9600 0,04 = 384
=

npq =

9600 0,04 0,96 = 19,2


CAP

ITULO 5. EL TEOREMA DEL L

IMITE CENTRAL 224


P(X < 400) = P(X 399) =
_
399,5 384
19,2
_
= (0,81)
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 sucientemente grande para
que sea s olo 0,01 la probabilidad de que el candidato resulte perdedor, cuando en
realidad posee el 52 % de favoritismo entre el electorado. Qu e tan grande deber a ser
la muestra?
Soluci on:
= np = n 0,52
=

npq =

n 0,52 0,48 =

0,2496n
P(X < n/ 2) = 0,01

_
n/ 2 0,52n

0,2496n
_
= 0,01
P(X < n/ 2) =
_
0,02n

0,2496n
_
= 0,01
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.
X
0
= 0,0102 Y
0
= 2,32
X = 0,01 Y
X
1
= 0,0099 Y
1
= 2,33
Sustituimos en la ecuaci on de la recta y tenemos:
f (0,01) = 2,32 +
_
2,33 + 2,32
0,0099 0,0102
_
(0,01 0,0102) = 2,3267
CAP

ITULO 5. EL TEOREMA DEL L

IMITE CENTRAL 225


Por lo tanto tenemos:
0,02n

0,2496n
= 2,33
n = 3388
La muestra debe ser de 3388 electores para que la probabilidad de que el candidato
resulte perdedor sea de 0,01.
5.4. Ejercicios Propuestos
1. Una empresa de mensajera que opera en la ciudad tarda una media de 35 minutos
en llevar un paquete, con una desviaci on est andar de 8 minutos. Supongamos que
durante el da de hoy han repartido doscientos paquetes.
a) Cu al es la probabilidad de que la media de los tiempos de entrega de hoy
est e entre 30 y 35 minutos?
b) Cu al es la probabilidad de que, en total, para los 200 paquetes hayan estado
m as de 115 horas?
2. Una variable aleatoria X tiene media = 8, con varianza
2
= 9, y distribuci on 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 Estoc astica 1, la probabilidad de que te pasen al pizarr on en cada clase
es del 10 %. Si durante el semestre tienes 54 clases de esa materia, cu al es la proba-
bilidad de tener que salir a la pizarra m as de 6 veces?
CAP

ITULO 5. EL TEOREMA DEL L

IMITE CENTRAL 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 nales de la Escuela de Sistemas en el semestre A-2007
tiene una media de 12 puntos y una varianza de 13 puntos
2
. Las secciones 1 y 2
de Estoc astica 1 (100 alumnos) tuvieron un promedio de 9 puntos. Usando TLC
Qu e puede decir de estos resultados?
7. El 5 % de los artculos que fabrica una m aquina salen defectuosos. Si tomamos al
azar 25 artculos fabricados por esa m aquina, cu al es la probabilidad de que se
encuentren m as de 3 defectuoso?
a) Resuelva exactamente.
b) Resuelva por TLC.
c) De existir alguna diferencia entre ambos resultados, a qu e se debe?
8. Un doctor atiende solo con previa cita. Seg un los c alculos de su secretaria el 15 %
de los pacientes que hacen cita no van. Si el doctor le advierte a la secretaria que
s olo atender a a 15 pacientes en ese da y esta anota 17 citas en la agenda Cu al es
la probabilidad de que le llamen la atenci on 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
(x
i
, y
j
), asociamos un n umero real p(x
i
, y
j
) que representa la probabilidad P(X = x
i
, Y = y
j
).
Debe satisfacer las siguientes condiciones:
1.
_

j=1
_

i=1
p(x
i
, y
j
) = 1
2. p(x
i
, y
j
) 0 para todo X
La distribuci on de probabilidad conjunta para X y Y se puede representar en la Tabla
6.1 de probabilidad conjunta.
227
CAP

ITULO 6. VECTOR ALEATORIO 228


H
H
H
H
H
H
X
Y
Y
1
Y
2
. . . Y
n
_
X
1
f (x
1
, y
1
) f (x
1
, y
2
) . . . f (x
1
, y
n
) p(x
1
)
X
2
f (x
2
, y
1
) f (x
2
, y
2
) . . . f (x
2
, y
n
) p(x
2
)
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
X
m
f (x
m
, y
1
) f (x
m
, y
2
) . . . f (x
m
, y
n
) p(x
m
)
_
q(y
1
) q(y
2
) . . . q(y
n
) 1
Tabla 6.1: Distribuci on de probabiliad conjunta
CASO CONTINUO
Sea (X, Y) una variable bi-dimensional continua que puede asumir todos los valores en
una regi on R del plano.
La funci on de densidad conjunta f (x, y) es una funci on que cumple las condiciones:
1. f (x, y) 0 para todo X perteneciente a R
2.
_ _
R
f (x, y)dy dx = 1
EJERCICIOS
1. Dos lneas de producci on fabrican cierto tipo de artculo. Sup ongase que la capaci-
dad (en cualquier da dado) es de 3 artculos para la lnea I y de 5 artculo para la
lnea II, pero el n umero que realmente se produce con cada lnea de producci on es
una variable aleatoria. Llamemos (X, Y) la variable aleatoria bi-dimensional discreta
que indica el n umero de artculos fabricados por la lnea I y por la lnea II, respecti-
vamente.
a) Calcular la probabilidad de que se fabriquen igual cantidad de artculos en am-
bas lneas.
CAP

ITULO 6. VECTOR ALEATORIO 229


H
H
H
H
H
H
X
Y
0 1 2 3 4 5
0 0 0,01 0,03 0,05 0,07 0,09
1 0,01 0,02 0,04 0,05 0,06 0,08
2 0,01 0,03 0,05 0,05 0,05 0,06
3 0,01 0,02 0,04 0,06 0,06 0,06
Tabla 6.2: Distribuci on de probabilidad
b) Calcular la probabilidad de que se fabriquen m as artculos en la lnea I que la
II.
c) Calcular la probabilidad de que se fabriquen m as artculos en la lnea II que la
I.
Soluci on:
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) M as 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) M as 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
CAP

ITULO 6. VECTOR ALEATORIO 230


2. La funci on de probabilidad conjunta de la variable aleatoria bi-dimensional X y Y
est a dada por:
p(x, y) =
_

_
c(2X + Y) 0 X 2 ; 0 Y 3
0 de otra manera
a) Encuentre el valor de la constante c.
b) Encuentre P(2, 1).
c) Encuentre P(X 1, Y 2).
Soluci on:
Sustituyendo los valores de X y Y en p(x, y), tenemos:
H
H
H
H
H
H
Y
X
0 1 2 3
_
0 0 c 2c 3c 6c
1 2c 3c 4c 5c 14c
2 4c 5c 6c 7c 12c
_
6c 9c 12c 15c 42c
Tabla 6.3: Distribuci on de probabilidad
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
42
=
4
7
CAP

ITULO 6. VECTOR ALEATORIO 231


3. Dado que p(x, y) = cxy en los puntos (1,1), (2,1), (2,2) y (3,1).
a) Dibuje la distribuci on de probabilidad conjunta p(x, y) = cxy.
b) Calcule la constante c.
c) Hallar p(x).
Soluci on:
a) Gr aca de p(x, y) = cxy:
La gr aca de la distribuci on de probabilidad para este problema la podemos ver
a continuaci on en la Figura 6.1:
1
2
1
2
3
X
Y
3
1
2
2
Z
1
4c
c
2c
3c
Figura 6.1: Distribuci on de Probabilidad Conjunta
b) Constante c:
Para calcular la constante c elaboramos la tabla de distribuci on de probabilidad
conjunta (Tabla 6.4):
CAP

ITULO 6. VECTOR ALEATORIO 232


H
H
H
H
H
H
X
Y
1 2 3
_
1 c 2c 3c 6c
2 0 4c 0 4c
_
c 6c 3c 10c
Tabla 6.4: Distribuci on de Probabilidad
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:
H
H
H
H
H
H
X
Y
1 2 3
_
1
1
10
2
10
3
10
6
10
2 0
4
10
0
4
10
_
1
10
6
10
3
10
1
Tabla 6.5: Distribuci on de Probabilidad
Por lo que p(x) la podemos ver en la ultima la de la Tabla 6.5, y de manera
individual tenemos:
X 1 2 3
p(x)
1
10
6
10
3
10
Tabla 6.6: Distribuci on 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
area, la partcula tendr a igual probabilidad de estar en cualquiera de ellas. Sean X y
Y las coordenadas en el plano que localizan la partcula y su distribuci on uniforme
CAP

ITULO 6. VECTOR ALEATORIO 233


es:
f (x, y) =
_

_
1 0 X 1 ; 0 Y 1
0 de otra manera
a) Elabore un diagrama de la supercie de densidad de probabilidad.
b) Obtenga F(0,2; 0,4).
c) Hallar la P(0,1 X 0,3 ; 0 Y 0,5).
Soluci on:
a) La supercie de la funci on de densidad para este problema la podemos ver en
la Figura 6.2:
f(x,y)
X
Y
1
1
1
0
Figura 6.2: Supercie de la distribuci on 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 distribuci on de probabilidad para esos
valores, por lo tanto tenemos:
F(0,2; 0,4) = P(X 0,2 ; Y 0,4)
CAP

ITULO 6. VECTOR ALEATORIO 234


P(X 0,2 ; Y 0,4) =
_
0,2
0
_
0,4
0
dy dx = 0,08
c) La P(0,1 X 0,3 ; 0 Y 0,5) se calcula de igual manera que la parte b.
P(0,1 X 0,3 ; 0 Y 0,5) =
_
0,3
0,1
_
0,5
0
dy dx = 0,1
5. Supongamos que la variable aleatoria bi-dimensional continua tiene la densidad con-
junta:
f (x, y) = x
2
+
xy
3
para 0 X 1 ; 0 Y 2
Calcular P(X + Y > 1).
Soluci on:
Primero dibujamos la supercie de la funci on de densidad del problema (Figura 6.3):
0
0.5
1
1.5
X
1
2
Y
f(x,y)
Figura 6.3: Supercie de la distribuci on de probabilidad
Si proyectamos la gura solamente en el plano XY obtenemos la Figura 6.4. Ahora
bien, si delimitamos esta y dejamos el area denida por X+Y > 1, tenemos la Figura
6.5:
CAP

ITULO 6. VECTOR ALEATORIO 235


0 1
0
1
2
Y
X
Figura 6.4: Proyecci on en el plano XY
0 1
0
1
2
Y
X
X + Y = 1
X + Y > 1
Figura 6.5: Proyecci on en el plano XY y delimitaci on del area
CAP

ITULO 6. VECTOR ALEATORIO 236


Por lo tanto, el area sombreada en la Figura 6.5 es el area que debemos calcular, y
as conseguir la P(X + Y > 1).
Para desarrollar este c alculo, debemos calcular la integral doble de la funci on 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:
P(X + Y > 1) =
_
1
0
_
2
1x
_
x
2
xy
3
_
dydx
P(X + Y > 1) =
_
1
0
_
5
6
x
3
+
4
3
x
2
1
2
x
_
dx
P(X + Y > 1) =
65
72
6. Un fabricante de l amparas est a 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
Cu al es la probabilidad de que se hayan presentado m as pedidos en enero que en
febrero?
Soluci on:
Primero debemos buscar el valor de c, para ello utilizamos la condici on n umero 2
de la distribuci on de probabilidad, donde dice que el area total de supercie de la
distribuci on debe ser igual a 1, por lo tanto tenemos:
_
10000
5000
_
9000
4000
cdy dx = 1
c =
1
(5000)
2
Por lo tanto tenemos que la distribuci on de probabilidad conjunta es:
f (x, y) =
1
(5000)
2
para 5000 X 10000 ; 4000 Y 9000
CAP

ITULO 6. VECTOR ALEATORIO 237


Ahora bien, si dibujamos en el plano XY el area buscada obtenemos la Figura 6.6
0 5000 10000
0
4000
9000
X
Y
Y=X
X>Y
X<Y
Figura 6.6: Proyecci on en el plano XY y delimitaci on del area
Para calcular la probabilidad pedida tenemos:
P(X > Y) = 1 P(X < Y)
P(X > Y) = 1
_
10000
5000
_
9000
4000
1
(5000)
2
dy dx
P(X > Y) = 1
_
10000
5000
_
9000
(5000)
2

x
(5000)
2
_
dx
P(X > Y) = 0,68
Por lo tanto tenemos que la probabilidad de que se venda m as 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 probabili-
dades:
CAP

ITULO 6. VECTOR ALEATORIO 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 distribuci on, cu al es la probabilidad de que al
menos 1 de estos valores caiga en el cuadrado unitario?
Soluci on:
Si gracamos la supercie de la distribuci on de probabilidad f (x, y) obtenemos la
Figura 6.7
0
2
4
2
4
0
0.2
0.4
0.6
0.8
1
X
Y
f(x,y)
Figura 6.7: Supercie de la Distribuci on de Probabilidad
Si proyectamos en el plano XY tenemos la Figura 6.8
CAP

ITULO 6. VECTOR ALEATORIO 239


0 2 4
2
4
Y
X
Figura 6.8: Proyecci on en XY de la Distribuci on de Probabilidad
a) P(X > 1):
Para calcular esta probabilidad delimitamos el area de la Figura 6.8 al area con
X > 1 y tenemos:
0 1 3 5
2
4
Y
X
X > 1
Figura 6.9: Proyecci on del area R
CAP

ITULO 6. VECTOR ALEATORIO 240


P(X > 1) =
_

1
_

0
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 area marcada por ambas rectas y tenemos la Figura 6.10:
0 1 2 3 4 5
0
1
2
3
4
5
Y
x < 2y
X
x < y
Figura 6.10: Proyecci on del area R
El area delimitada por la intersecci on entre las rectas es igual al area marcada
por X < Y como se observa en la Figura 6.10, por lo tanto tenemos:
P(X < Y/X < 2Y) =
P(X < Y)
P(X < 2Y)
P(X < Y/X < 2Y) =
_

0
_

x
e
(X+Y)
dydx
_

0
_

x/2
e
(X+Y)
dydx
P(X < Y/X < 2Y) =
1
2
2
3
=
3
4
CAP

ITULO 6. VECTOR ALEATORIO 241


c) P(X + Y < 4):
El area R la podemos ver en la Figura 6.11:
0 1 2 3 4 5
0
1
2
3
4
5
Y
X
y < 4x
Figura 6.11: Proyecci on del area R
P(X + Y < 4) =
_
4
0
_
4x
0
e
(X+Y)
dydx
P(X + Y < 4) = 0,9084
d) Valor de k:
P(X + Y < k) =
1
2
_
k
0
_
4k
0
e
(X+Y)
dydx =
1
2
e
k
ke
k
+ 1 =
1
2
De lo anterior despejamos a k y obtenemos 2 posibles resultados de k:
k
1
= 0,76803 ; k
2
= 1,67834
Como resultado para este problema tomamos el valor de k = 1,67834, ya que
la distribuci on s olo esta denida para los valores positivos de X y Y.
CAP

ITULO 6. VECTOR ALEATORIO 242


e) P(n < X + Y < m) si 0 < n < m:
El area delimitada para el c alculo de esta probabilidad la podemos ver repre-
sentada en la Figura 6.12:
Y
X
n
n
m
m
n < X + Y < m
Figura 6.12: Proyecci on del area R
Para calcular esta probabilidad primero calculamos la probabilidad de que X +
Y < m (tri angulo mayor) y le restamos la probabilidad de que X + Y < n
tri angulo menor:
P(n < X + Y < m) = P(X + Y < m) P(X + Y < n)
P(n < X + Y < m) =
_
m
0
_
mx
0
e
(X+Y)
dydx
_
n
0
_
nx
0
e
(X+Y)
dydx
P(n < X + Y < m) = e
n
(1 + n) e
m
(1 + m)
f ) La probabilidad de que al menos 1 de estos valores caiga en el cuadrado unitario
es:
P(cuadrado unitario) =
_
1
0
_
1
0
e
(X+Y)
dydx
P(cuadrado unitario) = 0,3996
CAP

ITULO 6. VECTOR ALEATORIO 243


Si denimos A como el n umero 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 dis-
tribuciones marginales de X y de Y se denen as:
p(x) =

Y
p(x, y) ; q(y) =

X
p(x, y)
CASO CONTINUO:
Sea (X, Y) una variable aleatoria bi-dimensional continua distribuida f (x, y). Las dis-
tribuciones marginales de X y de Y se denen as:
g(x) =
_

f (x, y)dy ; h(y) =


_

f (x, y)dx
CAP

ITULO 6. VECTOR ALEATORIO 244


EJERCICIOS
1. Se lanzan tres monedas y se dene a X como el n umero caras que salieron y Y el
n umero de sucesiones. Encuentre las distribuciones marginales p(x) y q(y).
Soluci on:
Los posibles valores que toman X y Y van de acuerdo al espacio muestral S :
S CCC CCS CSC SCC CSS SCS SSC SSS
X 3 2 2 2 1 1 1 0
Y 1 2 3 2 2 3 2 1
La Tabla 6.7 es la probabilidad conjunta del problema:
H
H
H
H
H
H
Y
X
0 1 2 3
_
1
1
8
0 0
1
8
2
8
2 0
2
8
2
8
0
4
8
3 0
1
8
1
8
0
2
8
_
1
8
3
8
3
8
1
8
1
Tabla 6.7: Distribuci on de Probabiliad Conjunta
Si tomamos las sumatorias obtenemos lar marginales, por lo tanto, la distribuci on
marginal de X la podemos ver en la Tabla 6.8 y la distribuci on marginal de Y en la
Tabla 6.9
X 0 1 2 3
p(x)
1
8
3
8
3
8
1
8
Tabla 6.8: Distribuci on Marginal de X
CAP

ITULO 6. VECTOR ALEATORIO 245


Y 1 2 3
q(y)
2
8
4
8
2
8
Tabla 6.9: Distribuci on Marginal de Y
2. Sea:
f (x, y) =
_

_
2X 0 X 1 ; 0 Y 1
0 de otra manera
Elabore la supercie de f (x, y) y encuentre las funciones de densidad marginal para
X y Y.
Soluci on:
La gr aca de la supercie de f (x, y) la podemos ver en la Figura 6.13:
0
1
1
0
1
2
f(x,y)
Figura 6.13: Supercie de f (x, y)
La distribuci on marginal de X es:
g(x) =
_
1
0
2xdy = 2x para 0 X 1
CAP

ITULO 6. VECTOR ALEATORIO 246


La distribuci on marginal de Y es:
h(y) =
_
1
0
2xdx = 1 para 0 Y 1
3. La variable aleatoria (X, Y) est a distribuida uniformemente en el tri angulo de la Figu-
ra 6.14. Encuentre las distribuciones marginales de X y Y.
Y
X
0
2 2
3
Figura 6.14: Proyecci on en el plano XY
Soluci on:
Si X y Y est an distribuidas uniformemente en la gura entonces, f (x, y) es:
f (x, y) =
1

Area del tri angulo


=
1
6
para 2 X 2 ; 3 Y 0
Ahora bien, para calcular las distribuciones marginales primero debemos denir los
lmites de integraci on, 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.
CAP

ITULO 6. VECTOR ALEATORIO 247


Y
X
0
2 2
3
Y = 1.5X Y = 1.5X
Figura 6.15: Proyecci on en el plano XY
Por lo tanto tenemos que la marginal de Y es:
h(y) =
_
2/3y
2/3y
1
6
dx =
2
9
y para 3 Y 0
Se oberva en la ecuaci on que los lmites de integraci on est an en funci on de Y, esto
se hizo despejando de las rectas los valores X con el n de que la marginal de Y
s olo quede en funci on 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 qu e ocurre para este caso en que h(y) =
2y
9
?, la respuesta
es sencilla, si observamos Y siempre va a tomar valores negativos, por lo tanto al
sustituirlos en la distribuci on marginal nos dar a 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 distribuci on marginal de X en dos partes.
CAP

ITULO 6. VECTOR ALEATORIO 248


Y
X
0
2 2
3
Y = 1.5X Y = 1.5X
Figura 6.16: Proyecci on en el plano XY
Para 2 X 0:
g(x) =
_
1,5x
3
1
6
dy =
x
4
+
1
2
Para 0 < X 2:
g(x) =
_
1,5x
3
1
6
dy =
x
4
+
1
2
En resumen tenemos:
g(x) =
_

_
x
4
+
1
2
2 X 0

x
4
+
1
2
0 < X 2
4. La variable aleatoria bidimensional (X, Y) est a distribuida f (x, y) = kx(x y) para
0 < X < 2 ; x < Y < x.
a) Encuentre la constante k.
b) Encuentre las densidades marginales.
Soluci on:
La gr aca de la proyecci on de este ejercicio la podemos ver en la Figura 6.17:
CAP

ITULO 6. VECTOR ALEATORIO 249


2
1
0
1
2
Y
X
2
Figura 6.17: Proyecci on en el plano XY
a) La constante k la podemos hallar de la siguiente manera:
_
2
0
_
x
x
(kx
2
ky)dydx = 1
k =
1
8
Por lo tanto la distribuci on conjunta es:
f (x, y) =
x
8
(x y) para 0 < X < 2 ; x < Y < x
b) Los lmites de variaci on de X y Y los podemos obervar en la Figura 6.18
La densidad marginal de X es:
g(x) =
_
x
x
_
x
2
8

xy
8
_
dy =
x
3
4
La densidad marginal de Y es:
Para 2 Y 0:
h(y) =
_
2
y
_
x
2
8

xy
8
_
dy =
5y
3
48

y
4
+
1
3
CAP

ITULO 6. VECTOR ALEATORIO 250


2
1
0
1
2
X
2
Y
Y=X
Y= X
Figura 6.18: Proyecci on en el plano XY
Para 0 < Y 2:
h(y) =
_
2
y
_
x
2
8

xy
8
_
dy =
y
3
48

y
4
+
1
3
Por lo tanto tenemos:
h(y) =
_

_
5y
3
48

y
4
+
1
3
2 Y 0
y
3
48

y
4
+
1
3
0 < Y 2
6.3. Distribuciones Condicionales
CASO DISCRETO:
Sean (X, Y) variables aleatorias discretas con funci on de probabilidad p(x, y) y fun-
ciones de probabilidad marginales p(x) y q(y) respectivamente, entonces las funciones de
probabilidad condicional discreta son:
p(x
i
/y
j
) =
p(x
i
, y
j
)
q(y
j
)
si q(y
j
) > 0
q(y
j
/x
i
) =
p(x
i
, y
j
)
p(x
i
)
si p(x
i
) > 0
CAP

ITULO 6. VECTOR ALEATORIO 251


CASO CONTINUO:
Sean (X, Y) variables aleatorias continuas con funci on de probabilidad f (x, y) y fun-
ciones 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
comit e de 2 personas. Sea X el n umero de profesores y Y el n umero de alumnos en
el comit e. Encuentre:
a) La distribuci on conjunta de X y Y.
b) La distribuci on marginal de X y Y.
c) La distribuci on condicional de X dado Y = 1.
Soluci on:
a) Como se trata de un caso discreto la distribuci on conjunta de X y Y la obtenemos
a trav es de la tabla de probabilidad conjunta. Denamos las variables y sus
valores:
X = n umero de profesores en el comit e = {0, 1, 2}
Y = n umero de alumnos en el comit e = {0, 1, 2}
Para calcular cada una de las p(x
i
, y
j
) utilizamos Teora Combinatoria, por
ejemplo, para calcular la probabilidad de que el comit e este conformado por
1 profesor y ning un alumno (p(X = 1, Y = 0)) tenemos:
p(1, 0) =
_
3
1
__
2
0
_
_
6
2
_ =
3
15
CAP

ITULO 6. VECTOR ALEATORIO 252


Probabilidad de que el comit e este formado por un profesor y un alumno es:
p(1, 1) =
_
3
1
__
2
1
_
_
6
2
_ =
1
15
Asi sucesivamente vamos calculamos todas las posibles soluciones y obtenemos
la Tabla 6.10:
H
H
H
H
H
H
Y
X
0 1 2
_
0 0
3
15
3
15
6
15
1
2
15
6
15
0
8
15
2
1
15
0 0
1
15
_
3
15
9
15
3
15
1
Tabla 6.10: Distribuci on de probabiliad conjunta
b) Las distribuciones marginales de X y Y las podemos ver en las Tabla 6.11 y
6.12, respectivamente:
X 0 1 2
p(x)
3
15
9
15
3
15
Tabla 6.11: Distribuci on marginal de X
Y 0 1 2
q(y)
6
15
8
15
1
15
Tabla 6.12: Distribuci on marginal de Y
c) Observamos que se desea encontrar la distribuci on condicional de X dado Y =
1, sin embargo no se pide un valor especco de X, por lo que se debe realizan
para todos los valores de X:
p(X = 0/Y = 1) =
p(0, 1)
q(1)
=
1
4
CAP

ITULO 6. VECTOR ALEATORIO 253


p(X = 1/Y = 1) =
p(1, 1)
q(1)
=
3
4
p(X = 2/Y = 1) =
p(2, 1)
q(1)
= 0
2. Sea f (x, y) = 2 para 0 < X < Y < 1. Encuentre las distribuciones marginales y
condicionales correspondientes.
soluci on:
Calculamos las distribuciones marginales:
g(x) =
_
1
x
2dy = 2 2x para 0 < X < 1
h(y) =
_
y
0
2dx = 2y para 0 < Y < 1
Calculamos las distribuciones condicionales:
g(x/y) =
2
2y
=
1
y
para 0 < X < 1 ; 0 < Y < 1
h(y/x) =
2
2 2x
=
1
1 x
para 0 < X < 1 ; 0 < Y < 1
3. El due no de un comedor le interesa estudiar los tiempos de espera de las personas en
su negocio.

El dene X como el tiempo total entre la llegada de un cliente al comedor
y su salida de la caja, y Y el tiempo que tarda el cliente en la cola antes de llegar a la
caja.
Su distribuci on de probabilidad conjunta es: f (x, y) = e
x
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.
Soluci on:
Denimos nuevamente las variables:
X = tiempo total entre llegada y salida
Y = tiempo en la cola de la caja
CAP

ITULO 6. VECTOR ALEATORIO 254


Se pide entonces P(Y < 1/X = 4)
Calculamos la distribuci on marginal de X:
g(x) =
_
x
0
e
x
dy = xe
x
Calculamos la funci on condicional h(y/x):
h(y/x) =
f (x, y)
g(x)
=
e
x
xe
x
=
1
x
Tenemos:
P(y < 1/x = 4) =
_
1
0
h(y/x = 4)dy =
_
1
0
1
4
dy =
1
4
Por lo tanto, la probabilidad de que un cliente dure menos de un minuto en la cola,
sabiendo que dur o 4 minutos desde que entro al local hasta salir de la caja, es del
25 %.
4. Una m aquina 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:
f (x, y) =
_

_
1
2
0 X Y ; 0 Y 2
0 de otra manera
Encuentre:
a) La densidad condicional de X dado Y = y.
b) La probabilidad de que se venda menos de medio gal on, dado que la m aquina
contiene 1 gal on al inicio del da.
Soluci on:
a) Calculamos la distribuci on de Y:
h(y) =
_
y
0
1
2
dx =
y
2
CAP

ITULO 6. VECTOR ALEATORIO 255


Calculamos la densidad condicional:
g(X/Y = y) =
f (x, y)
h(y)
=
1
2
y
2
=
1
y
b) La probabilidad condicional es:
P(X < 0,5/ Y = 1) =
_
0,5
0
g(x/y = 1)dx =
_
0,5
0
dx =
1
2
Por lo tanto la probabilidad de que se venda menos de medio gal on, dado que
la m aquina contiene 1 gal on al inicio del da es del 50 %.
5. Sea:
f (x, y) =
_

_
4xy 0 X 1 ; 0 Y 1
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).
Soluci on:
a) La distribuci on marginal de X es:
g(x) =
_
1
0
4xydy = 2x para 0 X 1
La distribuci on marginale de Y es:
h(y) =
_
1
0
4xydx = 2y para 0 Y 1
b) La distribuci on condicional X dado Y es:
g(x/y) =
f (x, y)
h(y)
=
4xy
2y
= 2x
CAP

ITULO 6. VECTOR ALEATORIO 256


La distribuci on condicional Y dado X es:
h(y/x) =
f (x, y)
g(x)
=
4xy
2x
= 2y
c) P(X 0,5/Y 0,75):
P(X 0,5/Y 0,75) =
_ 1
2
0
_
1
3
4
f (x, y)dydx
_
1
3
4
h(y)dy
=
1
4
d) P(X 0,75/Y = 0,5):
P(X 0,75/Y = 0,5) =
_ 3
4
0
g(x/y = 0,5)dx =
9
16
6. Dada la funci on 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)
Soluci on:
a) Para calcular la P(X 0,3/y) debemos calcular primero la distribuci on
marginal de Y, luego la distribuci on condicional de X dado Y:
h(y) =
_
1
0
2
7
(x = 6y)dx =
1
7
+
12y
7
g(x/y) =
f (x, y)
h(y)
=
2(x = 6y)
1 + 12y
Por lo tanto tenemos:
P(X 0,3/y) =
_
0,5
0
g(x/y)dx =
0,09 + 3,6y
1 + 12y
CAP

ITULO 6. VECTOR ALEATORIO 257


b) Para calcular esta probabilidad sustituimos el valor de Y = 0,8) en la distribu-
ci on condicional g(x/y = 0,8) para obtener la P(X 0,3/y = 0,8):
P(X 0,3/y = 0,8) =
_
0,3
0
g(x/y = 0,8) =
_
0,3
0
10
53
(x + 4,8)dx
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 vericar si son o no independientes tenemos lo siguiente:
CASO DISCRETO:
Sea (X, Y) una variable aleatoria bidimensional discreta. Las variables X y Y son inde-
pendientes ssi:
p(x
i
, y
j
) = p(x
i
) q(y
j
) y i j
CASO CONTINUO:
Sea (X, Y) una variable aleatoria bidimensional continua. Las variables X y Y son inde-
pendientes ssi:
f (x, y) = g(x) h(y)
EJERCICIOS
CAP

ITULO 6. VECTOR ALEATORIO 258


1. Se asignan aleatoriamente los contratos para 2 construcciones a una o m as de 3 em-
presas A, B y C. Sea X el n umero de contratos asignados a la empresa A, y Y el
n umero de contratos asignados a B.
a) Encuentre la funci on de probabilidad conjunta X y Y.
b) Encuentre las distribuciones marginales X y Y.
c) Son X y Y independientes?
Soluci on:
a) La funci on de probabilidad conjunta la podemos ver en la Tabla 6.13
H
H
H
H
H
H
Y
X
0 1 2
0
1
9
2
9
1
9
1
2
9
2
9
0
2
1
9
0 0
Tabla 6.13: Distribuci on de Probabilidad Conjunta
b) Las distribuciones marginales X y Y la podemos ver en las Tablas 6.14 y 6.15:
X 0 1 2
p(x)
4
9
4
9
1
9
Tabla 6.14: Distribuci on Marginal de X
Y 0 1 2
q(y)
4
9
4
9
1
9
Tabla 6.15: Distribuci on Marginal de Y
c) Para vericar que X y Y son independientes, se debe cumplir lo siguiente:
p(x
i
, y
j
) = p(x
i
) q(y
j
)
CAP

ITULO 6. VECTOR ALEATORIO 259


Por lo tanto:
p(x = 1, y1) = p(x = 1) q(y = 1)
2
9
=
4
9

4
9
2
9

16
81
Como son diferentes, entonces X y Y no son independientes.
2. Sea
f (x, y) =
_

_
4xy 0 X 1 ; 0 Y 1
0 de otra manera
Demuestre que X y Y son independientes.
Soluci on:
Buscamos las marginales:
g(x) =
_
1
0
4xydy = 2x
h(y) =
_
1
0
4xydx = 2y
Tenemos:
f (x, y) = g(x) h(y)
4xy = 2x 2y
La multiplicaci on de las marginales es exactamente igual a la distribuci on conjunta,
por lo tanto las variables X y Y si son independientes.
6.5. Momentos de Variables Aleatorias Bidimensionales
Se dene como el momento de orden n
1
+ n
2
a la esperanza matem atica de la variable
aleatoria bidimensional (X, Y):
CAP

ITULO 6. VECTOR ALEATORIO 260


CASO DISCRETO:
E[X
n
1
Y
n
2
] =

x
n
1
y
n
2
p(x, y)
CASO CONTINUO:
E[X
n
1
Y
n
2
] =
_ _
x
n
1
y
n
2
f (x, y)dydx
EJERCICIOS
1. X y Y tienen la densidad conjunta:
f (x, y) =
_

_
2x 0 X 1 ; 0 Y 1
0 de otra manera
Obtenga E(XY) y V(X).
Soluci on:
Para calcular E(XY) observamos que n
1
= 1 y n
2
= 2, es decir, calculamos el mo-
mento de orden 2, o tambi en llamado la esperanza producto:
E(XY) =
_
1
0
_
1
0
x y f (x, y)dydx
E(XY) =
_
1
0
_
1
0
x y 2xdydx =
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
V(X) =
_
1
0
_
1
0
x
2
2xdydx
__
1
0
_
1
0
x 2xdydx
_
2
V(X) =
1
2

_
2
3
_
2
=
1
18
CAP

ITULO 6. VECTOR ALEATORIO 261


2. Dada la distribuci on conjunta:
f (x, y) =
_

_
6(1 y) 0 X Y 1
0 de otra manera
Encuentre:
a) E(X) y E(Y).
b) V(X) y V(Y).
c) E(X 3Y).
Soluci on:
a) Calculamos E(X):
E(X) =
_
1
0
_
1
x
x 6(1 y)dydx =
1
4
Calculamos E(Y):
E(Y) =
_
1
0
_
1
x
y 6(1 y)dydx =
1
2
b) Calculamos la V(X):
V(X) = E(X
2
) [E(X)]
2
V(X) =
_
1
0
_
1
x
x
2
6(1 y)dydx
__
1
0
_
1
x
x 6(1 y)dydx
_
V(X) =
1
10

_
1
4
_
2
=
3
80
Calculamos V(Y):
V(Y) = E(Y
2
) [E(Y)]
2
V(Y) =
_
1
0
_
1
x
y
2
6(1 y)dydx
__
1
0
_
1
x
y 6(1 y)dydx
_
V(Y) =
3
10

_
1
2
_
2
=
1
20
CAP

ITULO 6. VECTOR ALEATORIO 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
4
3
1
2
=
5
4
3. En una distribuci on de frecuencias para la variable aleatoria bidimensional (X, Y) se
ha obtenido la siguiente tabla:
H
H
H
H
H
H
Y
X
3 4 7 8 Totales
5 4 2 3 0 9
7 2 1 2 2 7
9 2 2 4 3 11
Totales 8 5 9 5 27
Tabla 6.16: Distribuci on de frecuencia
Encuentre E(XY), E(X) y E(Y
2
).
Soluci on:
Buscamos la tabla de probabilidad conjunta del ejercicios:
H
H
H
H
H
H
Y
X
3 4 7 8
_
5
4
27
2
27
3
27
0
9
27
7
2
27
1
27
2
27
2
27
7
27
9
2
27
2
27
4
27
3
27
11
27
_
8
27
5
27
9
27
5
27
1
Tabla 6.17: Distribuci on de probabilidad conjunta
E(XY) = 53
4
27
+54
2
27
+57
3
27
+73
2
27
+74
1
27
+77
2
27
+78
2
27
+93
2
27
+
+9 4
2
27
+ 9 7
4
27
+ 9 8
3
27
=
1079
27
CAP

ITULO 6. VECTOR ALEATORIO 263


E(X) = 3
8
27
+ 4
5
27
+ 7
9
27
+ 8
5
27
=
49
9
E(Y
2
) = (5)
2

9
27
+ (7)
2

7
27
+ (9)
2

11
27
=
1459
27
6.6. La Covarianza
La Covarianza de X y Y mide el grado de relaci on 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 ser a positiva cuando los valores de X aumentan con los valores de Y, es
decir se mueven en la misma direcci on; y ser a 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 n umero de caras obtenidas y Y
el n umero que sale en el dado. Calcule la covarianza.
Soluci on:
CAP

ITULO 6. VECTOR ALEATORIO 264


X = N umero de caras
Y = N umero del dado
De antemano sabemos que el resultado de la moneda es independiente del lanza-
miento 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:
H
H
H
H
H
H
X
Y
1 2 3 4 5 6
_
0
1
12
1
12
1
12
1
12
1
12
1
12
6
12
1
1
12
1
12
1
12
1
12
1
12
1
12
6
12
_
2
12
2
12
2
12
2
12
2
12
2
12
1
Tabla 6.18: Distribuci on de probabiliad conjunta
E(XY) =
1 + 1 2 + 1 3 + 1 4 + 1 5 + 1 6
12
=
21
12
E(X) = 0
6
12
+ 1
6
12
=
6
12
E(Y) =
2 + 4 + 6 + 8 + 10 + 12
12
=
42
12
Por lo tanto:

x,y
=
21
12

6
12

42
12
= 0
Como se dijo desde un principio la covarianza es igual a cero, lo que ratica que el
n umero de cara que salga es el lanzamiento de una moneda es totalmente independi-
ente del n umero que salga en el dado.
CAP

ITULO 6. VECTOR ALEATORIO 265


2. Dada la distribuci on de probabilidad conjunta:
f (x, y) =
_

_
3x 0 Y X 1
0 de otra manera
Encuentre la covarianza.
Soluci on:
E(XY) =
_
1
0
_
x
0
x y 3xdydx =
3
10
E(X) =
_
1
0
_
x
0
x 3xdydx =
3
4
E(Y) =
_
1
0
_
x
0
y 3xdydx =
3
8
Por lo tanto:

x,y
=
3
10

3
4

3
8
= 0,0188
Lo que signica que las variables aleatorias X y Y son dependientes.
3. Se les realiz o un tratamiento a 5 pacientes de cierta enfermedad con un f armaco, en
el estudio se variaron las cantidades diarias suministradas del mismo, y se midi o el
n umero de das en que cada enfermo tard o en sanar. Se obtuvieron los siguientes
resultados:
Miligramos del f armaco 10 20 30 40 50
Das en sanar 200 180 150 120 100
Calcular la covarianza entre estas dos variables.
Soluci on:
CAP

ITULO 6. VECTOR ALEATORIO 266


Denimos las variables:
X = Miligramos del f armaco
Y = Das en sanar
Elaboramos la tabla de distribuci on de probabilidad:
H
H
H
H
H
H
Y
X
10 20 30 40 50
_
200
1
5
0 0 0 0
1
5
180 0
1
5
0 0 0
1
5
150 0 0
1
5
0 0
1
5
120 0 0 0
1
5
0
1
5
100 0 0 0 0
1
5
1
5
_
1
5
1
5
1
5
1
5
1
5
1
Tabla 6.19: Distribuci on de Probabilidad Conjunta
E(XY) =
200 10 + 180 20 + 30 150 + 40 120 + 50 100
5
= 3980
E(X) =
10 + 20 + 30 + 40 + 50
5
= 30
E(Y) =
200 + 180 + 150 + 120 + 100
5
= 150
Por lo tanto tenemos:

x,y
= 3980 30 150 = 520
La covarianza toma un valor negativo, por lo que podemos armar que a medida que
se aumenta los miligramos del f armaco, disminuye la cantidad de das necesarios
para la sanaci on de los pacientes, por lo que las variables son dependientes.
CAP

ITULO 6. VECTOR ALEATORIO 267


6.7. Coeciente de Correlaci on
La correlaci on es una t ecnica estadstica que usa para para determinar la relaci on entre
dos variables, para este caso estudiaremos el Coeciente de Correlaci on.
El coeciente de correlaci on () mide el grado de dependencia lineal entre dos variables
aleatorias cuantitativas, por lo que es adimensional (no posee unidades de medida).
=

x,y

y
; 1 1
Si = -1, existe una correlaci on lineal negativa perfecta, es decir hay una relaci on
inversa, cuando una de ellas aumenta la otra disminuye en id entica proporci on.
Si est a entre (-1,0), existe una correlaci on lineal negativa entre las variables.
Si = 0, signica que no existe una correlaci on lineal entre las variables, es decir, son
independientes.
Si est a entre (0,1), signica que existe una correlaci on lineal positiva.
Por ultimo, si = 1, signica que existe una correlaci on lineal positiva perfecta, por lo
que hay una dependencia total entre las dos variables, cuando una de ellas aumenta la otra
tambi en aumenta en id entica proporci on.
EJERCICIOS
1. Una variable aleatoria bidimensional discreta tiene como distribuci on de probabili-
dad cojunta la mostrada en la Tabla 6.20.
Calcule el coeciente de correlaci on.
CAP

ITULO 6. VECTOR ALEATORIO 268


H
H
H
H
H
H
Y
X
1 -1 2 -2
_
1
1
4
1
4
0 0
2
42
4 0 0
1
4
1
4
2
4
_
1
4
1
4
1
4
1
4
1
Tabla 6.20: Distribuci on de probabiliad conjunta
Soluci on:
E(XY) =
1+(1)+8+(8)
4
= 0
Para la variable X tenemos: Para la variable Y tenemos:
E(X) =
1+(1)
4
= 0 E(Y) =
2+8
4
=
10
4
E(X
2
) =
1+1+4+4
4
=
10
4
E(Y
2
) =
2+32
4
=
34
4
V(X) =
10
4
V(Y) =
34
4

_
10
4
_
2
=
9
4
Tenemos:
=

x,y

y
=
E(XY) E(X) E(Y)
_
E(X
2
) [E(X)]
2

_
E(Y
2
) [E(Y)]
2
=
0 0
10
4
_
10
4
_
9
4
= 0
Por lo tanto entre las variables (X, Y) no existe una dependencia lineal.
2. La variable aleatoria (X, Y) est a distribuida uniformemente sobre el tri angulo de la
Figura 6.19. Encuentre .
CAP

ITULO 6. VECTOR ALEATORIO 269


2 1 0 1 2
Y
1
X
Figura 6.19: Proyecci on en el plano XY
Soluci on:
Como la variable aleatoria bidimensional est a distribuida uniformemente, tenemos
que la distribuci on conjunta es:
f (x, y) =
1

Area
=
1
2
para 2 X 2 ; 0 Y 1
Calculamos la ecuaci on de la recta que va desde el punto (-2 ; 0) al punto (2 ; 1), y
tenemos:
Y =
X
4
+
1
2
Tenemos entonces:
E(XY) =
_
2
2
_ X
4
+
1
2
0
xy
2
dydx =
1
3
E(X) =
_
2
2
_ X
4
+
1
2
0
x
2
dydx =
2
3
E(Y) =
_
2
2
_ X
4
+
1
2
0
y
2
dydx =
1
3
CAP

ITULO 6. VECTOR ALEATORIO 270


E(X
2
) =
_
2
2
_ X
4
+
1
2
0
x
2
2
dydx =
4
3
E(Y
2
) =
_
2
2
_ X
4
+
1
2
0
y
2
2
dydx =
4
3
=
1
3

2
3

1
3
_
4
3

_
2
3
_
2
_
1
6

_
1
3
_
2
=
1
2
Existe una dependencia lineal positiva entre X y Y.
6.8. Distribuci on de la funci on de dos variables aleatorias
Para esta secci on estudiaremos el c alculo de la funci on de densidad de una variable
aleatoria Z a partir de funci on de densidad de la variable aleatoria bidimensional (X, Y).
EJERCICIOS
1. Las variables aleatorias X y Y obedecen la distribuci on de probabilidad f (x, y) =
e
(x+y)
en el cuadrante positivo. Encuentre la distribuci on de probabilidad de Z =
X + Y.
Soluci on:
Para este caso, la distribuci on de probabilidad de la variable continua Z es la suma de
dos variables aleatorias (X y Y), esto lo realizamos seg un la siguiente metodologa:
g(z) =
_

f (x, z x)dx
CAP

ITULO 6. VECTOR ALEATORIO 271


Debemos crear la funci on f (x, z x) que s olo 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)
= e
z
Ahora bien, debemos establecer los lmites para los cuales Z est a denida, para ello
realizamos el mismo procedimiento, sustituimos Y por Z X:
X > 0
Y > 0
_

_
X > 0
Z X > 0
_

_
X > 0
Z > X
_

_
Por lo tanto tenemos el area bajo estudio se muestra en la Figura 6.20:
0
Z
Z > X
X
Z = X
Figura 6.20: Proyecci on en el plano XZ
Ahora calculamos la funci on de distribuci on y tenemos:
g(z) =
_
Z
0
e
Z
dx = Ze
Z
para Z > 0
CAP

ITULO 6. VECTOR ALEATORIO 272


2. La variable aleatoria (X, Y) est a distribuida uniformemente en el cuadrado unitario.
Encuentre la densidad de Z = X + Y.
Soluci on:
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 est a denida son:
0 < X < 1
0 < Y < 1
_

_
0 < X < 1
0 < Z X < 1
_

_
0 < X < 1
X < Z < 1 + X
_

_
Por lo tanto tenemos la Figura 6.21:
0 0.5 1
0
0.5
1
1.5
2
Z
X
Z = 1+X
Z = X
Figura 6.21: Proyecci on en el plano XZ
Para este caso observamos en la gr aca 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
CAP

ITULO 6. VECTOR ALEATORIO 273


Z = X + 1 hasta el valor de 1 (zona azul), por lo tanto debemos dividir la funci on de
densidad de Z en dos partes:
Para 0 < Z 1:
g(z) =
_
Z
0
dx = Z
Para 1 < Z 2:
g(z) =
_
1
Z1
dx = 2 Z
En resumen tenemos:
g(z) =
_

_
Z 0 < Z 1
2 Z 1 Z 2
3. Sea la funci on de densidad conjunta de (X, Y):
f (x, y) =
_

_
3x 0 Y X 1
0 en otra parte
Hallar la funci on de densidad de probabilidad para Z = X Y y gracarla.
Soluci on:
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 est a denida son:
0 < X < 1
0 < Y < X
_

_
0 < X < 1
0 < X Z < X
_

_
0 < X < 1
0 < Z < X
_

_
CAP

ITULO 6. VECTOR ALEATORIO 274


0 0.5 1
0
0.5
1
X
Z
Z=X
Z<X
Figura 6.22: Proyecci on en el plano XZ
Estos lmites denen el area mostrada en la Figura 6.22.
g(z) =
_
1
Z
3xdx =
3
2
(1 Z
2
) para 0 Z 1
La gr aca de la funci on de densidad de Z la observamos en la Figura 6.23.
0 0.2 0.4 0.6 0.8 1
0.5
1
1.5
Z
g(z)
Figura 6.23: Distribuci on de probabilidad de Z
CAP

ITULO 6. VECTOR ALEATORIO 275


4. Las variables X y Y son independientes, y sus distribuciones son las siguientes:
g(x) =
8
x
3
para X > 2
h(y) = 2y para 0 < Y < 1
Encontrar la distribuci on de Z = XY.
Soluci on:
Para este caso observamos que se trata de la multiplicaci on de dos variables aleato-
rias, para este caso seguimos la siguiente metodologa
1
:
Si Z = XY:
g(z) =
_

1
x
f
_
x,
z
x
_
dx para Z > 0
g(z) =
_

1
|x|
f
_
x,
z
x
_
dx para < Z <
Tenemos que si X y Y son independientes, entonces f (x, y) = g(x) h(y):
f (x, y) =
16y
x
3
para X > 2 ; 0 < Y < 1
Si Y =
Z
X
, entonces:
f
_
x,
z
x
_
=
2Z
X
Los lmites en que est a denida Z ser a entonces:
X > 2
0 < Y < 1
_

_
X > 2
0 <
Z
X
< 1
_

_
X > 2
0 < Z < X
_

_
Gracamos y tenemos:
1
Estas metodologas son las recomendadas por el Profesor Oswaldo Ramrez en su publicaci on Estoc asti-
ca 1
CAP

ITULO 6. VECTOR ALEATORIO 276


0 1 2 3 4 5
1
2
3
4
5
X
Z
Z=X
Z<2
Z>2
Figura 6.24: Proyecci on en XZ
Dividimos la funci on de densidad de Z en dos partes, como se ve en la Figura 6.24:
Para 0 Z < 2:
g(z) =
_

2
1
X

_
8
X
3
_

_
2Z
x
_
dx =
Z
4
Para Z 2:
g(z) =
_

Z
1
X

_
8
X
3
_

_
2Z
x
_
dx =
4
Z
3
Por lo tanto tenemos:
g(z) =
_

_
Z
4
0 Z < 2
4
Z
3
Z 2
5. Si las variables X y Y tienen funci on de densidad conjunta:
f (x, y) =
xy
96
para 0 < X < 4 ; 1 < Y < 4
Encuentre la funci on de densidad de Z = X
2
Y.
Soluci on:
Nuevamente se trata de la multiplicaci on de 2 variables, por lo tanto tenemos:
CAP

ITULO 6. VECTOR ALEATORIO 277


Si Y =
Z
X
2
, entonces:
f
_
x,
z
x
_
=
Z
96X
Los lmites en que est a denida Z ser a entonces:
0 < X < 4
1 < Y < 5
_

_
0 < X < 4
1 <
Z
X
2
< 5
_

_
0 < X < 4
X
2
< Z < 5X
2
_

_
0 1 2 3 4
10
20
30
40
50
60
70
80
X
Z
Z=5X
2
Z=X
2
Figura 6.25: Proyecci on en XZ
Nuevamente se divide la funci on de densidad de Z en dos partes, Ver Figura 6.25.
Para 0 Z 16:
g(z) =
_

Z

Z
5
1
X

_
Z
96X
_
dx =

Z
_

_
1

5
96
_

_
Para 16 < Z 80:
g(z) =
_
4

Z
5
1
X

_
Z
96X
_
dx =
Z
96
_
4

Z
_
Por lo tanto tenemos:
g(z) =
_

Z
_
1

5
96
_
0 Z 16
Z
96
_
4

5

Z
_
16 < Z 80
CAP

ITULO 6. VECTOR ALEATORIO 278


6. Las variables X y Y son independientes y sus distribuciones marginales se indican en
las Figuras 6.26 y 6.27.
0 0.5 1 1.5 2 2.5 3 3.5
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
h(y)
Y
Figura 6.26: Distribuci on Marginal de Y
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
0
0.1
0.2
0.3
0.4
0.5
0.6
X
g(x)
Figura 6.27: Distribuci on Marginal de X
Encuentre la distribuci on marginal de Z =
Y
X
.
Soluci on:
CAP

ITULO 6. VECTOR ALEATORIO 279


Para este caso se trata de la divisi on de dos variables aleatorias, para poder hallar la
distribuci on de probabilidad de Z realizamos lo siguiente:
Si Z =
Y
X
:
g(z) =
_

0
x f (x, zx)dx para Z > 0
g(z) =
_

|x| f (x, zx)dx para < Z <


Como X y Y estan distribuidas seg un las guras dadas, buscamos las ecuaciones de
las rectas, que ser an las distibuciones marginales:
h(y) =
2
9
y ; g(x) =
1
8
(x 5)
La funci on de densidad f (x, y) ser a:
f (x, y) =
y
36
(5 x) para 0 Y 3 ; 1 X 5
Si Y = ZX, entonces:
f (x, zx) =
zx
36
(5 x)
Los lmites en que est a denida Z ser an entonces:
1 < X > 5
0 < Y < 3
_

_
1 < X > 5
0 < ZX < 3
_

_
1 < X > 5
0 < Z <
3
X
_

_
Gracamos y tenemos la Figura 6.28.
Dividimos la distribuci on de probabilidad de Z en dos partes:
Para 0 Z 0,6:
g(z) =
_
5
1
x
zx
36
(5 x)dx =
38Z
27
CAP

ITULO 6. VECTOR ALEATORIO 280


0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
0
0.5
1
1.5
2
2.5
3
X
Z
Z=3/X
Figura 6.28: Proyecci on de XZ
Para 0,6 < Z 3:
g(z) =
_ 3
Z
1
x
zx
36
(5 x)dx =
5
4Z
2

9
4Z
3

17Z
432
Por lo tanto tenemos:
g(z) =
_

_
38Z
27
0 Z 0,6
5
4Z
2

9
4Z
3

17Z
432
0,6 < Z 3
6.9. Ejercicios Propuestos
1. La variable aleatoria (X, Y) est a 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 est a distribuida uniformemente en el intervalo (1,4) y Y est a distribuida uni-
formemente en el intervalo (0,1), c omo estar a distribuida Z = X + Y y Z = XY?
CAP

ITULO 6. VECTOR ALEATORIO 281


3. La variable aleatoria (X, Y) est a distribuida uniformemente sobre el tri angulo de la
Figura 6.29.
1 0 3
X
5
Y
Figura 6.29: Proyecci on de XY
a) Encuentre las densidades marginales.
b) Encuentre .
4. La variable aleatoria bidimensional (X, Y) est a distribuida uniformemente para X
perteneciente a (-2 ; 2) y Y perteneciente a (0 ; 1). Encuentre la distribuci on de prob-
abilidad 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 proporci on de desplazamiento espectral que produce
cierta partcula at omica, es:
f (x, y) =
_

_
10xy
2
0 < X < Y < 1
0 en otro caso
CAP

ITULO 6. VECTOR ALEATORIO 282


a) Encuentre la densidad marginal de X.
b) Encuentre la probabilidad de que el espectro se desplace m as 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] Guti errez, H. Control Estadstico de Calidad y Seis Sigma. Editorial McGraw Hill.
M exico, 2004.
[4] Lipschutz, S. Probabilidad. Serie Shaum. Editorial McGraw Hill. USA, 2001.
[5] Mendenhall, W. Estadstica Matem atica 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. Estoc astica 1. Universidad de Los Andes. Venezuela, 2005.
[10] Nu nez, R. Estadstica para la Ciencia Social. Editorial Trillas. M exico, 2007.
283
BIBLIOGRAF

IA 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.

También podría gustarte