DISTRIBUCIONES DE PROBABILIDAD

PARA VARIABLES ALEATORIAS

CONTINUAS

MANUEL GONZÁLEZ SARABIA

MANUEL GONZÁLEZ SARABIA LISTA 4

1. Se escoge un punto al azar de un segmento de longitud b. ¿Cuál es la

probabilidad de que la razón del segmento más corto en relación con el
más largo sea menor que 16 ?
2. Supongamos que X está distribuida uniformemente en [−α, α], donde
α > 0. Cada vez que sea posible, determina α de modo que se satisfaga
la condición siguiente:
a) P (X > 1) = 13 .
b) P (X > 1) = 12 .
P x < 21 = 0,7.


c)
P x < 21 = 0,3.


d)
e) P (|X| < 1) = P (|X| > 1).
3. Responde las preguntas del problema anterior si X está distribuida
uniformemente en [0, α], con α > 0.
4. Si la variable aleatoria K está distribuida uniformemente en (0, 5),
¿Cuál es la probabilidad de que las raı́ces de la ecuación 4x2 + 4xK +
K + 2 = 0 sean reales?
5. Se elige un punto P sobre la recta AB, cuyo punto medio es C y cuya
longitud es a. Si X, la distancia de P a A es una variable aleatoria que
tiene una distribución uniforme continua en el intervalo [0, a], ¿cuál es
la probabilidad de que AP , BP y AC formen un triángulo?
6. En la fabricación del petróleo, la temperatura de destilación, T (en
grados centı́grados), es crucial para determinar la calidad del produc-
to final. Supongamos que T se considera como una variable aleatoria
distribuida uniformemente en (150, 300). Supongamos que producir un
galón de petróleo cuesta C1 dólares. Si el aceite se destila a una tempe-
ratura menor que 200o C, el producto se conoce como nafta y se vende
a C2 dólares por galón. Si se destila a una temperatura mayor que 200o
C, se conoce como aceite destilado refinado y se vende en C3 dólares
por galón. Encuentra la utilidad neta esperada (por galón).
7. Supongamos que X es una variable aleatoria para la cual E(X) = µ
2
y σX = σ 2 . Suponiendo que Y está distribuida uniformemente en el
intervalo (a, b), determina a y b de tal forma que E(X) = E(Y ) y
2
σX = σY2 .

PROBABILIDAD Y ESTADÍSTICA 1 UPIITA, IPN

MANUEL GONZÁLEZ SARABIA LISTA 4

8. Si X tiene una distribución gamma con parámetros r = 4, α = 13 ,

encuentra la probabilidad de que los valores de la variable excedan a la
mitad de su valor esperado.

9. Demuestra que la función de densidad de una variable aleatoria que

tiene una distribución gamma con r > 1 tiene un máximo local en
x = α1 (r − 1). ¿Qué sucede cuando 0 < r < 1 y cuando α = 1?

10. Si una compañı́a emplea a n vendedores, sus ventas brutas en miles

de dólares pueden considerarse como √ una variable aleatoria que tiene
1
una distribución gamma con r = 80 n y α = 2 . Si el costo de ventas
es $8,000 por cada vendedor, ¿a cuántos vendedores debe emplear la
compañı́a con el fin de incrementar al extremo la utilidad esperada?

11. Demuestra que:

Z ∞
1 2
Γ(p) = 2 1−p
x2p−1 e− 2 x dx, para p > 0.
0

12. Una variable aleatoria X tiene una distribución de Rayleigh si y sólo

si su función de densidad está dada por:
 2
2αxe−αx si x > 0,
f (x) =
0 en otro caso,

donde α > 0. Demuestra que para esta distribución:

a) E(x) = 21 απ ,
p

= α1 1 − π4 .
2


b) σX

13. Una variable aleatoria X tiene una distribución de Weibull si y sólo si

su función de densidad está dada por:
 β
kxβ−1 e−αx si x > 0,
f (x) =
0 en otro caso,

donde α > 0 y β > 0.

a) Expresa k en términos de α y β.
 
b) Demuestra que E(x) = α−1/β Γ 1 + β1 .

PROBABILIDAD Y ESTADÍSTICA 2 UPIITA, IPN

MANUEL GONZÁLEZ SARABIA LISTA 4

14. Supongamos que la vida de servicio, en horas, de un semiconductor

es una variable aleatoria que tiene una distribución de Weibull con
α = 0,025, β = 0,5.

a) ¿Cuánto tiempo puede esperarse que dure este semiconductor?

b) ¿Qué probabilidad hay de que este semiconductor se mantenga en
condiciones de operar después de 4000 horas de uso?

15. Si la variable aleatoria T es el tiempo en que falla un producto comercial

y los valores de su densidad de probabilidad y función de distribución
acumulada al tiempo t son, respectivamente, f (t) y F (t), entonces su
ı́ndice de falla en el tiempo t está dado por:
f (t)
.
1 − F (t)
Por lo tanto, el ı́ndice de falla al tiempo t es la densidad de la probabi-
lidad de falla al tiempo t, dado que la falla no ocurre antes del tiempo
t.

a) Demuestra que si T tiene una distribución exponencial, el ı́ndice

de falla es constante.
b) Demuestra que si T tiene una distribución de Weibull, el ı́ndice de
falla está dado por αβtβ−1 .

16. Una variable aleatoria X tiene una distribución beta si y sólo si su

función de densidad está dada por:
(
Γ(α+β) α−1
Γ(α)·Γ(β)
x (1 − x)β−1 si 0 < x < 1,
f (x) =
0 en otro caso,

donde α > 0 y β > 0. Demuestra que para esta distribución:

α
a) E(x) = α+β
,
2 αβ
b) σX = (α+β)2 (α+β+1)
.

17. Si α > 0, β > 0, la función beta se define como:

Z 1
B(α, β) = xα−1 (1 − x)β−1 dx.
0

PROBABILIDAD Y ESTADÍSTICA 3 UPIITA, IPN

MANUEL GONZÁLEZ SARABIA LISTA 4

Demuestra que:
Γ(α) · Γ(β)
B(α, β) = .
Γ(α + β)
18. Demuestra que si α > 1, β > 1, la función de densidad de una variable
que tiene una distribución beta tiene un máximo local en:
α−1
.
α+β−2

19. Traza las gráficas de las funciones de densidad de variables que tienen
distribución beta en los casos:

r = 2, α = 21 .
r = 21 , α = 1.
r = 2, α = 2.
r = 2, α = 51 .

20. Si la proporción anual de declaraciones incorrectas del impuesto so-

bre la renta entregadas al fisco puede considerarse como una variable
aleatoria que tiene una distribución beta con α = 2, β = 9, ¿cuál es
la probabilidad de que en un año dado cualquiera haya menos de 10
declaraciones incorrectas?

21. Karl Pearson, uno de los pioneros de la estadı́stica moderna, demostró

que la ecuación diferencial

f 0 (x) d−x
=
f (x) a + bx + cx2

produce (para valores apropiados de las constantes a, b, c y d) la ma-

yorı́a de las distribuciones importantes de la estadı́stica. Verifica que la
ecuación diferencial genere:

La distribución gamma cuando a = c = 0, b > 0, d > −b.

La distribución exponencial cuando a = c = d = 0, b > 0.
La distribución beta cuando a = 0, b = −c, d−1
b
< 1, d
b
> −1.

PROBABILIDAD Y ESTADÍSTICA 4 UPIITA, IPN

MANUEL GONZÁLEZ SARABIA LISTA 4

22. Supongamos que la variable aleatoria X tiene una distribución χ–

cuadrada con 10 grados de libertad. Si se pidiera encontrar dos números
a, b tales que P (a < x < b) = 0,85, se podrı́a verificar que existen mu-
chos pares de esa clase.

a) Encuentra dos conjuntos de valores (a, b) que satisfagan la condi-

ción anterior.
b) Supongamos que además de lo anterior necesitamos que

P (X < a) = P (X > b).

¿Cuántos conjuntos de valores hay?

23. Verifica que si f (x) es la función de densidad de una variable X que

tiene una distribución N (µ, σ 2 ), entonces:
Z ∞
f (x) dx = 1.
−∞

24. El diámetro de un cable eléctrico está distribuido normalmente con

promedio 0.8 y varianza 0.0004. ¿Cuál es la probabilidad de que el
diámetro sobrepase 0.81 pulgadas?

25. Suponiendo que el cable del problema anterior se considere defectuoso

si el diámetro se diferencia de su promedio en más de 0.025, ¿Cuál es
la probabilidad de obtener un cable defectuoso?

26. Suponiendo que la duración de los instrumentos electrónicos D1 y D2

tienen distribuciones N (40, 36) y N (45, 9), respectivamente, ¿cuál debe
preferirse para usarlo durante un perı́odo de 45 horas? ¿Durante un
perı́odo de 48 horas?

27. Supongamos que la temperatura (medida en grados centı́grados) está

distribuida normalmente con media 50◦ y varianza 4. ¿Cuál es la pro-
babilidad de que la temperatura esté entre 48◦ y 53◦ centı́grados?

28. Si X es una variable con distribución N (20, 81), encuentra P (|X| > 1).

29. De acuerdo con el teorema de Chebyshev, la probabilidad de que cual-

quier variable aleatoria tome un valor dentro de tres desviaciones es-
tándar de la media es al menos 98 . Si se sabe que la distribución de

PROBABILIDAD Y ESTADÍSTICA 5 UPIITA, IPN

MANUEL GONZÁLEZ SARABIA LISTA 4

probabilidad de una variable aleatoria X es normal con media µ y va-

rianza σ 2 , ¿cuál es el valor exacto de P (µ − 3σ < X < µ + 3σ)?

30. Un abogado va todos los dı́as de su casa a su oficina: El tiempo promedio

para un viaje de ida es de 24 minutos, con una desviación estándar de
3.8 minutos. Supongamos que la distribución de los tiempos de viaje
está distribuida normalmente.

a) ¿Cuál es la probabilidad de que un viaje tome al menos media

hora?
b) Si la oficina abre a las 9 am y él sale diario de su casa a las 8:45
am, ¿qué porcentaje de las veces llega tarde al trabajo?
c) Si sale de su casa a las 8:35 am y el café se sirve en la oficina de
8:50 am a 9:00 am, ¿cuál es la probabilidad de que se pierda el
café?
d ) Encuentra la longitud de tiempo arriba de la cuál se encuentra el
15 % de los viajes más lentos.
e) Encuentra la probabilidad de que dos de los siguientes tres viajes
tomen al menos media hora.

31. En el ejemplar de noviembre de una revista, un estudio discute sobre el

porcentaje de pureza del oxı́geno de cierto proveedor. Supongamos que
la media fue de 99.61 con una desviación estándar de 0.08. Suponga-
mos que la distribución del porcentaje de pureza fue aproximadamente
normal.

a) ¿Qué porcentaje de los valores de pureza esperarı́a que estuvieran

entre 99.5 y 99.7?
b) ¿Qué valor de pureza esperarı́a que excediera exactamente 5 % de
la población?

32. La vida promedio de cierto tipo de motor pequeño es de 10 años con una
desviación estándar de dos años. El fabricante reemplaza gratis todos
los motores que fallen dentro del tiempo de garantı́a. Si está dispuesto
a reemplazar sólo 3 % de los motores que fallan, ¿De qué duración debe
ser la garantı́a que ofrezca? Supongamos que la duración de un motor
sigue una distribución normal.

PROBABILIDAD Y ESTADÍSTICA 6 UPIITA, IPN

MANUEL GONZÁLEZ SARABIA LISTA 4

33. Una compañı́a paga a sus empleados un salario promedio de $15.9 por
hora con una desviación estándar de $1.5. Si los salarios de distribuyen
aproximadamente de forma normal,

a) ¿Qué porcentaje de los trabajadores reciben salarios entre $13.75

y $16.22 por hora?
b) ¿El 5 % más alto de los salarios por hora de los empleados es mayor
a qué cantidad?

34. los coeficientes de inteligencia (CI) de 600 aspirantes de cierta univer-

sidad se distribuyen aproximadamente de forma normal con una media
de 115 y una desviación estándar de 12. Si la universidad requiere un CI
de al menos 95, ¿Cuántos de estos estudiantes serán rechazados sobre
esta base sin importar sus otras calificaciones?

35. Supongamos que X tiene una distribución N (µ, σ 2 ). Determina c, como

una función de µ y σ, de tal manera que P (X ≤ c) = 2P (X > c).

36. Demuestra que la distribución normal tiene un máximo local en x = µ

y puntos de inflexión en x = µ − σ y x = µ + σ.

37. Demuestra que la ecuación diferencial del Ejercicio 21 produce una

distribución normal cuando b = c = 0, a > 0.

38. Si X es una variable aleatoria, su función generadora de momentos,

MX (t), es el valor esperado de la función etx , es decir, en el caso discreto,
X
MX (t) = E(etx ) = etx f (x).
x

Mientras que en el caso continuo:

Z ∞
MX (t) = etx f (x) dx.
−∞

Si X es una variable aleatoria continua con función de densidad f (x) =

2x, 0 ≤ x ≤ 1, demuestra que su función de densidad es:
2 t t

MX (t) = te − e + 1 .
t2

PROBABILIDAD Y ESTADÍSTICA 7 UPIITA, IPN

MANUEL GONZÁLEZ SARABIA LISTA 4

39. Supongamos que la variable aleatoria X tiene función de densidad

f (x) = 12 e|x| , −∞ < x < ∞. Demuestra que su función generadora
de momentos es:
1
MX (t) = , −1 < t < 1.
1 − t2

40. Usando el desarrollo en serie de Maclaurin de la función exponencial,

demuestra que:
(n)
MX0 (0) = E(x), MX00 (0) = E(x2 ), . . . , MX (0) = E(xn ), . . . ,
(n)
es decir, MX (0) = E(xn ) para todo n ∈ N.

Observación: El número E(xn ) se llama el n–ésimo momento de X

respecto al origen. Esta es la razón de porqué MX (t) se llama función
generadora de momentos.

41. Si X tiene una distribución binomial con parámetros n y p, demuestra

que:
MX (t) = (pet + q)n .
Deduce de ahı́ las fórmulas de valor esperado y varianza ya conocidos.

42. Si X tiene una distribución de Poisson con parámetro λ, demuestra

que:
t
MX (t) = eλ(e −1) .
2
Deduce de lo anterior que E(x) = σX = λ.

43. Si X está distribuida uniformemente en [a, b], demuestra que:

1
MX (t) = [ebt − eat ],
t(b − a)

y usa este valor para deducir los valores del valor esperado y la varianza
de esta variable.

44. Si X es una variable con distribución N (µ, σ 2 ), demuestra que:

1 2 t2
MX (t) = etµ+ 2 σ .

PROBABILIDAD Y ESTADÍSTICA 8 UPIITA, IPN

MANUEL GONZÁLEZ SARABIA LISTA 4

45. Si X tiene una distribución exponencial con parámetro α, demuestra

que:
α
MX (t) = si t < α,
α−t
y usa esto para deducir los valores del valor esperado y la varianza de
esta variable.

46. Si X es una variable aleatoria con distribución gamma con parámetros

r y α, demuestra que:
 r
α
MX (t) = ,
α−t

y usa esto para deducir los valores del valor esperado y la varianza de
esta variable.

47. Explica porqué no puede haber una variable aleatoria X para la cuál
t
MX (t) = .
1−t

PROBABILIDAD Y ESTADÍSTICA 9 UPIITA, IPN