1

_CAPiTULO

Distribuciones
de probabilidad discretas

ESQUEMA DEL CAPiTULO

4.1. Variables aleatorias Comparaci6n de Ia distribuci6n de Poisson

4.2. Distribuciones de probabilidad de variables y Ia distribuci6n binomial
aleatorias discretas 4.6. Distribuci6n hipergeometrica
4.3. Propiedades de las variables aleatorias discretas 4.7. Distribuci6n conjunta de variables aleatorias
Valor esperado de una variable aleatoria discreta discretas
Varianza de una variable aleatoria discreta Media y varianza condicionadas
Media y varianza de funciones lineales de una Aplicaciones informaticas
variable aleatoria Funciones lineales de variables aleatorias
4.4. Distribuci6n binomial Covarianza
Desarrollo de Ia distribuci6n binomial Correlaci6n
4 .5 La distribuci6n de Poisson Anal isis de carteras
Aproximaci6n de Poisson de Ia distribuci6n binomial

lntroducci6n
En el Capitulo 3, comenzamos nuestro analisis de Ia probabilidad para representar situaciones en
las que los resultados son inciertos. En este, nos basamos en esas ideas para presentar modelos
de probabilidad que ponen enfasis en las variables aleatorias discretas. En el 5, desarrollamos mo-
delos de probabilidad para variables aleatorias continuas.
Los modelos de probabilidad tienen muchas aplicaciones en algunos problemas empresariales;
aqui analizamos muchas de elias. Supongamos que tenemos una tienda que alquila toda una varia-
dad de equipo. Sabemos por experiencia -frecuencia relativa- que el 30 % de las personas que
entran en nuestra tienda quiere alquilar una caravana. Hoy tenemos tres caravanas. Cinco perso-
nas que no guardan ninguna relaci6n entre si entran en Ia tienda (Ia probabilidad de que una de
elias alquile una caravana es independiente de Ia de las demas). <,Cual es Ia probabilidad de que
estas cinco personas quieran alquilar un total de cuatro o cinco caravanas? Si ocurre eso, perdere-
mos oportunidades de alquilar caravanas y los clientes se iran decepcionados. La probabilidad de
los sucesos (numero de caravanas deseadas) se puede calcular utilizando el modele binomial que
presentamos en este capitulo.
El problema de las caravanas es un ejemplo de un problema cuya probabilidad se puede calcu-
lar utilizando un modele convencional de probabilidad, que simplifica Ia resoluci6n del problema y el
carculo de las probabilidades. Sin embargo, para utilizar un modele convencional deben satisfacer-
se algunos supuestos importantes. Comenzamos con algunas definiciones importantes y a conti-
nuaci6n desarrollamos varies modelos importantes que se utilizan trecuentemente en aplicaciones
empresariales y econ6micas.
138 Estadistica para administraci6n y economia

4.1. variables aleatorias

Es util rcsumir las probabilidades por medio del concepto de variable aleatorio.

Variable aleatoria
Una variable aleatoria es una variable que toma valores numericos realizados por los resultados con-
tenidos en el espacio muestral generado por un experimento aleatoric.

& importante distinguir entre una variable aleatorin y los valores posibles que puede tomur. Hacemos
Ia distinci6n utilizando letras mayusculas, como X, para representar Ia variable aleatoria y Ia correspondien-
te letra minuscula, x, para representar un valor posible. Por ejemp\o, en una tienda hay cinco ordenadorcs
en el expositor. Sabemos por experiencia que las probabilidades de que se vendu entre uno y cinco son
iguales y que se venden1 at menos uno. Podemos utilizar Ia variable aleatoria X para represenlar el resulla-
do. Esta variable aleatoria puede tomar los valore.~ especfficos x = I, x = 2, ... , x = 5, cada uno con un;.J
probabi\idad de 0,2 y Ia variable alcatoria Xes una variable aleatoria discreta.

Variable aleatoria discreta

Una variable aleatoria es una variable aleatoria discreta si no puede tomar mas que una cantidad
numerable de valores.

De e.sta detinici6n se deduce que cualquier variable aleatorin que solo puede tomar un numero tinito de
vulores e.s discreta. Por ejemplo, el numero de venta.~ resultantes de diez contactos con cliente.s es una va-
riable a1eatoria discreta. Aunque el numero de resultados posibles es infinito, pero numerable, Ia variable
aleatoria es discreta. Un ejemplo es el numero de contactos con clientes que es necesario antes de que
ocurra Ia primera venta. Los resultados posibles son I, 2, 3, ... , y cada uno tiene una probabilidud (en el
Apartado 4.5 se analiza una variable aleatoria discreta que puede tomar un numero infinito numerable de
valores, Ia «distribuci6n de Pois.~o n» ). He aquf algunos otros ejemplos de variables alealorias di.screta.s:
1. El numero de artfculos defectuosos de una mueslra de 20 artfculos procedenle de un gran envfo.
2. El numero de clientes que llegan a Ia caja de un supermercado en una horn.
3. El numero de errores detectados en las cuentas de una empresa.
4. EJ numero de reclumaciones en una p61iza de seguro medico en un afio.
Supongamos, por el contrario, que nos interesa saber cual es Ia temperatura maxima del dla. La variable
aleatoria, Ia temperatura, se mide en un continuo y por eso se dice que es collfinuo.

Variab•e aleatoria continua

Una variable aleatoria es una variable aleatorla continua si puede tomar cualquier valor de un in·
tervalo.

En el caso de las variables aleatorias continuus, solo podemos asignar probabilidades a un intervalo de
valores. Es posible determinar Ia probabilidad correspondiente a intervalos utilizando una funci6n matema-
tica, de manera que es posible calcular Ia probabilidad del suceso «Ia temperatura maxima de hoy estarti
entre I 0 uc y 15 °C».
He uqui' algunos otros ejemplos de variables aleatorins continuas:
1. La rentu anual de una familia.
2. La canlidad de petr6leo importudo en un mes.
 Distribuclones de probabllidad discretas 139

3. La variaci6n del precio de las acciones ordinarius de IBM en un mes.

4. El tiempo que transcurre desde que se instala un nuevo componente hasta que se averfa.
5. El porcentaje de impurezas que hay en un lotc de productos quimicos.
En e l Capitulo 5, analizamos las variables aleatorias continuas y Ia metodologfa correspondiente.
Tal vez parezca bastante artificial Ia distinci6n que hemos hecho en tre variables aleatorius discretas y variables
.tlc<ltorias continuas. AI fin y al cabo, rants veces se mide real mente algo en un continuo. Por ejemplo, no podemos
medir Ia temperatura maxima de un dfa con mas precision de lo que permite el instrumenro de medici6n. Por otra
parte, Ia renta anual de una familia es un numero entero de centavos. Sin embargo, observaremos que es c6modo
:H.:tuar como si las med iciones se hubieran realizado realmente en un conti nuo cuando las diferencius entre los
valores adyacentes no son sign ificativas. La diferencia entre una renta familiar de 35.276,21 $ y una renta l'amiliar
de 35.276,22 $ no es imporlante y Ia asignaci6n de probabilidades a cada una de elias serfa un ejercicio tedioso e
inutil.
A efectos practicos, consideramos que las variables aleutorias son discretas cuando tiene sentido asignar probabi-
lidudes a los resultados individuales posib\es; todas las dem;is variables aleatorias se consideran continuas. Analiza-
mos las dos clases por sepurado y desarrollamos utiles modelos para cada clase. Examinamos las variables aleatorias
discretas en este capftulo y las variables a\eatorias continuus en el Capflulo 5.

Ejercicios
Ejercicios basicos
4.1. Una tienda vendc entre 0 y 12 ordcnadores al dfu. i,Es I:J
cantidad de ventas diurias de ordenadores una variable
aleatoria di!l<:reta o continua'!
4.2. Un proceso de produccion fabril produce un pcquciio mi·
mcro de piezus dcfectuosas diariamente. i,Es cl numero de
piezus defectuosns una variable aleatoria discreUt o con·
tinua?
4.3. Indique en cada uno de los casos siguicntes cual es In me-
jor definicion: una variable aleatoria discreta o una varia-
ble aleatoria continua.
a. El m1mcro de automoviles que llcgan diari:.uncntc a un
taller de reparacion en el que tmbajan dos personus.
b. El numeru de automovilcs producidos anunlmentc pur
General Motors.
c. Las ventas diurius totales por Internet en dolarcs.
d. El numero de pusajeros que sc quedan sin plaza en una
compaiifa acreu cspecffica tres dins antes de Navidad.
4.4. Un uctor hace I 00 audiciones ul aiio y obtiene un contra to
para actuar el 8 % deltiempo. (,Es su programa de trabajo
(numero de re presentaciones) una variable nlcatoria dis-
creta?
Ejercicios aplicados
4.5. Ponga cuatro ejemplos de variables alcatorius discretus
que podrfun observarse en una nueva consultora.
4.6. Defina trcs variublcs alcatorius continuas que deberia exa-
minar peri6dicamente un viceprcsidente de marketing.
4.7. En una encuesta electoral se entrevistll u 2.000 personas
:-;eleccionadas aleatoriamcnte. i.Se debe anulizar el nume-
ro de personas que apoyan al candidato A utilizando mo-
delos de probnbilidad discrcta o continua?
4.8. Un vcndedor entra diariamente en contaclo con 20 perso-
nus y les pide que compren un detcrminado producto. j,Se
debe :malizar el numcro de compras diarias utilizando
modelos de probabilidad discret:.~ o continua'!

4.2. Distribuciones de probabilidad de variables aleatorlas discretas

Supongamos que Xes una variable alealoria discreta y que xes uno de sus vulores posibles. La probabili-
dad de que Ia variable aleatoria X tome el valor especffico x se representa por medio de P(X = x). Lafim-
ci6tl de probabilidad de una variable uleatoria es una representaci6n de las probabilidades de todos los
resultados posibles. Esta representaci6n podrfa ser ulgebruica, gnifica o tabular. En el caso de Ius variables
aleatorias discretas, un senc illo metodo es enumerar las probabilidades de todos los resultados posibles de
acuerdo con los valores de x.
140 Estadistica para admlnlstracl6n y economia

Funcion de probabilidad
La funcion de probabilidad, P(x), de una variable aleatoria discreta x expresa Ia probabilidad de que
X tome el valor x, como una funci6n de x. Es decir,

P(x) = P(X =x), para todos los valores de x

En este libro, utilizaremos el termino distribuci6n de probabilidad para representar las funciones de pro-
babilidad, siguiendo Ia practica habitual.

Una vez que se han calculado las probabilidades, la funci6n puede representarse graficamente.

Ejemplo 4.1 Numero de ventas de un producto (grafico de Ia distribucion

de probabilidad)
Delina y represente graficamente Ia funci6n de probabilidad correspondiente al numero de bocadi llos
que vende unbar. Este bar ofrece bocadillos a un precio de 3,00$ cada uno.
Solucion. Sea Ia variable aleatoria X el numero de vcntas realizadas en una hora entre las tres y
las cinco de Ia carde. La Tabla 4.1 muestra Ia distribuci6n de probabilidad de las vencas y Ia Figura
4.1 es una representaci6n gn1fica de esa distribuci6n.

Tabla 4.1. Distribuci6n de probabilidad del Ejemplo 4.1.

x P(x)

0 0,10
0,20
2 0,40
3 0,30

Distribuci6n de probabilldad de las ventas de bocadlllos

0,40
0,4
0,30
0,3
0,20
:E
Clo. 02
,
0,10
0,1

0 2 3
x (Numero de bocadlllos vendldos)
Figura 4.1. Grafico de Ia distribuci6n de probabilidad del Ejemplo 4.1.

Vemos porIa funci6n de probabilidad, por ejemplo, que Ia probabilidad de vender un bocadillo es
0,20 y que Ia de vender dos o mas es 0,70(0,40 + 0,30).

La funci6n de probabilidad de una variable aleatoria discreta debe satisfacer las dos propiedades si-
guientes:
 Dlstrtbuciones de probabtlldad discretas 141

Propiedades que debe satisfacer ra distribucion de probabilidad de variables

aleatorias discretas
Sea X una variable aleatoria discreta que tiene una distribuci6n de probabilidad P(x). En ese caso,
1. 0 ~ P(x) ~ 1 para cuafquier valor x y
2. las probabilidades individuales suman 1 , es decir,

L P(x) == I (4.1)

donde Ia notaci6n indica que el sumatorio abarca todos los valores posibles de x.

La propiedad I establece meramente que las probabilidades no pueden ser negativas o mayores que I.
La propiedad 2 se deduce del hecho de que los sucesos «X = X>>, para todos los valores posibles de x, son
mutuamente excluyentes y colectivamente exhausti vos. Por tanto, las probabilidades de estos sucesos deben
sumar I. Es una sencilla manera de decir que cuando se realiza un experimento aleatoric, debe ocurrir algo.
Tambicn cs util otra representacion de las distribuciones de probabilidad de variables aleutorias dis-
cretas.

Distribucion de probabilidad acumulada

La distribucion de probabilidad acumurada, F(x0 ) , de una variable aleatoria X, expresa Ia probabili-
dad de que X no tenga un valor superior a x0 , como una funci6n de x0 . Es decir,

F(x0) = P(X ~ x0 ) (4.2)

donde Ia funci6n se evalua en todos los valores de .r0 .

Ejemplo 4.2 Las ventas de automoviles (probabilidades)

Olmedo Motor, S.A., es un concesionario de autom6viles de una pequeiia ciudad. Basandose en un
amilisis de su historial de ventas, sus directives saben que en un dia cualquiera el numero de autom6-
viles Prius vendidos puede oscilar entre cero y cinco. £,C6mo se puede utilizar Ia funci6n de probabi-
lidad mostrada en Ia Tabla 4.2 para planiticar las existencias?
Tabla 4.2. Funci6n de probabilidad de las ventas de autom6viles.
X P(x) F (x )
0 0, 15 0 , 15
I 0,30 0,45
2 0,20 0,65
3 0,20 0,85
4 0. 10 0,95
5 0,05 1,00

Solucion. La variable aleatoria, X, lorna los valores de x indicados en la primera columna y Ia

distribuci6n de probabilidad, P(x), se define en Ia segunda columna. La tercera columna contiene Ia
distribuci6n acumulada, F(x). Este modelo podrfa utilizarse para planificar las existencias de autoffi6..
viles. Por ejemplo, si solo hay cuatro autom6viles en e)(istencias, Olmedo Motor podrfa satisfacer las
necesidades de los clientes de un autom6vil el 95 % de las veces. Pero si solo hay dos autom6viles en
existencias, nose satisfarfan las necesidades del 35 % [(I - 0,65) x 1001 de los clientes.
142 Estadistica para admlnlstracl6n y economia

Puede verse en Ia definicion que cuando x 11 aumenta, Ia distribucion de probabilidad acumulada solo
cambia de valor en los puntos x0 que puede tomar Ia variable aleatoria con una probabilidad positiva. Su
evaluacion en estos puntos se realiza por medio de Ia distribucion de probabilidad.

Relacion entre Ia distribucion de probabilidad y Ia distribucion de probabilidad

acumulada
Sea X una variable aleatoria que tiene Ia distribuci6n de probabilidad P(x) y Ia distribuci6n de probabili-
dad acumulada F(x0 ). Podemos demostrar que

F(x0 ) = L, P(x) (4.3)

........0

donde Ia notaci6n implica que el sumatorio abarca todos los valores posibles de x que son menores o
iguales que x0 •

El resultado de Ia Ecuacion 4.3 es f:.lcil de deducir, ya que el suceso (<X ~ x11» es Ia union de los sucesos
mutuamente excluyentes «X= ,n>, para todos los valores posibles de x menores o iguales que .\·0 . La prob:t-
bilidad de Ia union es, pues, Ia suma de las probabilidades de esos sucesos individuates.

Propiedades de las distribuciones de probabilidad acumulada de variables aleatorias

discretas
Sea X una variable aleatoria discreta que tiene una distribuci6n de probabilidad acumulada F(x0 ). Pode-
mos demostrar que
1. 0 ::;;;; F(x0 ) ::;;;; I para todo numero x0 ; y
2. si x0 y x 1 son dos numeros tales que x 0 < x" entonces F(:c0 ) = F(x1).

La propiedad I establece simplemente que una probabilidad no puede ser menor que 0 o mayor que I.
Observese, por ejemplo, las probabilidades de las ventas de automoviles de Ia Tabla 4.2. La propiedad 2
implica que Ia probabilidad de que una variable aleatoria no sea mayor que un determinado numero no
puede ser mayor que Ia probabilidad de que no sea mayor que cualquier numero mas alto.

Ejercicios
Ejercfcios basicos Ejercicios aplicados
4.9. t.Cual es Ia funcion de probabilidad del mlmcro de caras 4.13. El numcro de orden<ldores vendidos al dia en una licnda
cuando se Ianza al aire una moneda equilibrada'? viene delinido por Ia siguiente distribucion de probabi·
lidad:
4.10. Muestre Ia funci6n de probabilidud del numero de caras
en el lanzamiento al airc de una moneda equilibrada.
.\" {} 2 3 4 5 6
4.ll. Muestre Ia funcion de probabilidud del numero de caras
P(.r) 0,05 0, 10 U,2U 0,20 0,20 0,15 0, I0
cuando se lanz:m al aire independientemente tres mone-
das cquilibrmlas.
4.12. Suponga que Ia variable aleatoria representa el m1mero a. P(3 ::;;;; x < 6) = '!
de veces que faltara a clase estc cuatrimestre. Elabore b. P(x > 3) = '!
una tabla que muestre Ia distribuci6n de probabilidad y c. P(.\ ::;;;; 4) = ?
Ia distribuci6n de probabilidad acumulada. d. P(2 < X ::;;;; 5) = '!
 Dishibuciones de probabilidad discretas 143

4.14. En un trabajo de geogmffa, In nota obtenida es Ia varia- Ba~indose en esta informacion, l..wc.l.lculc lo siguiente:
ble a[eatoria X. Sc ha observado que los estudiantes tie- a. La dislribucion de probabilidad acumulada de X.
nen esta~ probabilidades de obtener una detcrminada not<L: b. La probabilidad de obtener una nota superior a B.
A: 0,18 0:0,07 c. La probabilidad de obtener una nota inferior a C .
B: 0,32 E: 0,03
C: 0,25 F: 0, 15

4.3. Propiedades de las variables aleatorias discretas

La distribuci6n de probabilidad contiene toda Ia informacion sobre las propiedades probabiHsticas de una
variable aleatoria y el examen griifico de esta distribuci6n puede ser, desde luego, valioso. Sin embargo, es
deseable disponer de algunas medidas sintelicas de las caracteristicas de Ia distribucion.

Valor esperado de una variable aleatoria discreta

Para tener una medida del punto central de una distribuci6n de probabilidad, introducimos el conceplo de
e.\peranw de una variable aleatoriu. En el Capitulo 2, calculamos Ia media muestral como una medidu del
pun to central de datos muestrales. El valor e.~perado es Ia medidn cmTespondiente del punto cen tral de una
variable aleatoria. Antes de detinirlo, mostramos Ia falacia de una medida alternativa que parece atractiva a
primera vista.
Consideremos el ejemplo siguient·e: en una revision de los libros de texto de un segmento del campo de
administraci6n de empresas se observ6 que e1 81 % de todas las paginas no t·enfa ninguna errata, que el
17 % contenfa una erratu y que el 2 % restante contenfa dos eiTatas. Utilizamos Ia variable aleatoria X para
representur el numero de erratas que hay en una pagina elegida a\eutoriamente en uno de estos libro..-;; sus
valores posibles son 0, I y 2 y Ia funci6n de probabilidad es

P(O) = 0,81 P(l) = 0,17 P(2) = 0,02

Podrfa mos considerar Ia posibi lidad de utilizar Ia rnedi<~ simple de los valores como medidu del punto
central de una variable aleatoriu. En este ejemplo, el numero de erratas que puede haber en una pagina es 0,
I y 2. Su media es, pues, una errata. Sin embargo, basta una breve reflexi6n para convencer a! lector de que
esta medida del punto central cs absurda. AI calcular esta media, no hemos prestudo atenci6n al hecho de
que el 8 I % de todas las paginas no contiene ninguna errata, rnientras que solo el 2 % contiene dos erratas.
Para obtener una medida sens;ua del punto central, pouderamo.~ los distintos resultados posibles por Ius
probubilidades de que ocurran.

Valor esperado
El valor esperado, ElX J, de una variable aleatoria discreta X se define de Ia fonna siguiente:

E[XJ = J.1 == L xP(x) (4.4)

X

donde Ia notaci6n indica que el sumatorio abarca todos los valores posibles de x.
El valor esperado de una variable aleatoria tambien se llama media y se representa por media del
sfmboloJ.I.

El valor esperado se puede expresar por medio de frec uencias relativas a largo plazo. Supongamos que
un experimento aleatorio se repite N veces y que el suceso «X = X» ocurre en N_,. de estas pruebas. La media
144 Estadistlca para admlnistraclon y economia

de los valores que toma Ia variable aleatoria en las N pruebas es Ia suma de los xNJN corrcspondientes a
todos los valores posibles de x. Ahora bien, como el numero de repeticiones, N, tiende a infinito, el cociente
NJ N tiende a Ia probabilidad de que ocurra el suceso «X= X>>, es decir, a P(x). De ahf que Ia cantidad
xNt! N tienda a xP(x). Por tanto, podemos concebir el valor esperado como el valor medio a largo plazo que
toma una variable aleatoria cuando se realiza un gran numero de pruebas. Recuerdese que en el Capitulo 2
utilizamos Ia palabra medi£1 para referirnos al promedio de un conjunto de observaciones numericas. Utili-
zamos el mismo termino para referirnos a Ia esperanza de una variable aleatoria.

Ejemplo 4.3 Erratas de los libros de texto (valor esperado)

Supongamos que Ia distribuci6n de probabilidad del numero de erratas, X, que hay en las paginas de
los libros de texto de administraci6n de empresas es:

P(O) = 0,81 P(J) = 0,17 P(2) ::;:: 0,02

Halle el m1mero medio de erratas por pagina.

Solucion. Tenemos que

''·' = E[X] = L xP(x) = (0)(0,8 1) + (1) (0, 17) + (2)(0,02) = 0,21

.r

De este resultado se deduce que si se analiza un gran numero de paginas, es de esperar que haya una
media de 0,21 erratas por pagina. La Figura 4.2 muestra Ia distribucion de probabilidad e indica don-
de se encuentra Ia media.

P(x)
0,8

0,4

0 1 2 X
p. = 0,21
Figura 4.2. Distribuci6n de probabilidad del numero de erratas por pagina de los libros
de texto de administraci6n de empresas del Ejemplo 4.3.

varianza de una variable aleatoria discreta

En el Capitulo 2, observamos que Ia varianza muestral era una util medida de Ia dispersion de un conjunto
de observaciones numericas. La varianza muestral es el promedio de los cuadrados de las diferencias entre
las observaciones y Ia media. Nos basamos en esta misma idea para medir Ia dispersion de Ia distribuci6n
de probabilidad de una variable aleatoria. La varianza de una variable aleatoria es el promedio ponderado
de los cuadrados de sus diferencias posibles, (x - J.t), con respecto a Ia media; Ia ponderaci6n correspon-
diente a (x- 11)2 es Ia probabilidad de que Ia variable aleatoria tome el valor x. Puede considerarse, pues,
que Ia varianza, definida en Ia Ecuaci6n 4.5, es el valor medio que tomara Ia funci6n (X - Jt) 2 en un mlme-
ro muy grande de pruebas repetidas.
 Distribuciones de probabilidad discretas 145

Varianza y desviacion tipica de una variable aleatoria discreta

Sea X una variable aleatoria discreta. La esperanza de los cuadrados de las diferencias con respecto a
Ia media, (X J.ll, se llama varianza, se representa por media del slmbolo a 2 y viene dada pot

(4.5)

La varianza de una variable aleatoria discreta X tambien puede expresarse de Ia forma siguiente:

(4.6)

La desviaci6n tipica, u, es Ia raiz cuadrada positiva de Ia varianza.

En algunus aplicacioncs practicas, es preferiblc una f6 rmula alternativa, pero equivalente, de Ia varian-
Z<t para efcctuar los calculos. Esa f6nnu la alternaliva se define en Ia Ecuaci6n 4.6, que puede veriticarse
algebraicamenle (vtfw·e cl apendice del capitulo).
El concepto de varianza puede ser muy uti! para comparar Ius dispersiones de distribucione:-; de probabi-
lidad. Consideremos, por ejemplo, que el rendimiento diurio de una inversion en un uno es una variable
aleatoria. Dos inver.~iones pueden tener los mismos rendi mientos esperados, pero senin muy diferentes si
las varianzas de estes rendimientos son muy diferentes. Si Ia varianza e:-; mayor, es mas probable que los
rendimientos sean considerublemente diferentes de Ia media que si Ia varianza es pequefia. En cste contex-
to, pues, Ia vnriunza del rendimiento puede guardar reluci6n con el concepto de riesgo de una inversion:
cuanto mayor es Ia varianza, mayor es el riesgo.
Como senalamos en el C<tpftulo 2, tomundo Ia rufz cuadradu de Ia varianza para hallar Ia desviaci6 n
tfpica se obtiene una cantidad en la.o; unidades originales de medicion.

Ejemplo 4 .4 Valor esperado y varianza de las ventas de autom6viles

(valor esperado y varianza)
En el Ejemplo 4.2, Olmedo Motor, S.A., averigu6 que el numero de autom6vilcs Prim.. vendidos dia-
riamente podfa oscilar entre 0 y 5 y las probabilidades se indicaban en Ia Tabla 4.2. Halle cl valor
esperado y Ia varianza de esta distribuci6n de probabilidad.
Solucion. Aplicando Ia Ecuaci6n 4.4, el valor esperado es

J.lx = E[X] = L xP(x) = 0(0, 15) + I(0,30) + ··· + 5(0,05) = I ,95

.I

Aplicando Ia Ecuaci6n 4.5, Ia varianza es

11~ = (0 - 1,95) 2(0, 15) + (1 - I,95)2(0,3) + .. · + (5 I ,95)2(0,05) - I,9475
Cuando las distribuciones de probabilidud son mas complejas, se puede utilizar el programa Excel, el
Minitab, el SPSS u otro paquete estadfstico para realizar estes calculos.
La Tubla 4.3 contiene una func i6n de probabilidad allemativa de las ventas de aucom6viles. Vcre-
mos como afecta esta distribuci6n de probabilidad altemativa a Ia media y a Ia varianza. Observese
que las probabilidades de que se vendan 0 y 5 autom6viles son mayores y que las probabilidades de
que se venda un numero intermedio diario de autom6viles son menores. En Ia Tabla 4.3, vemos los
calculos detallados que se utilizan para calcular Ia media y la varianza de las ventas.
146 Estadistica para admlnlstraci6n y economia

Tabla 4.3. Funci6n de probabilidad de las ventas de autom6viles de Olmedo Motor.

X P(x) Media Varianza

0 0,30 (0,30)(0) (0,30)(0 - 2, I 5)1
0,20 (0,20)( I) (0,20)( 1 2, 15i
2 0, 10 (0, 10)(2) (0, 10)(2 2, 15)2
3 0,05 (0,05)(3) (0,05)(3 2, 15)2
4 0,15 (0, 15)(4) (0,15)(4 - 2, I 5)2
5 0,20 (0,20)(5) (0,20)(5 2, 15)2
1.0 2, 15 3,83

COMENTARIOS
• En Ia Tabla 4.3, Ia probabilidad de que las ventas sean 0 es mayor (0,30 en Iugar de 0, 15 de Ia
Tabla 4.2). La probabilidad de que se vendan 5 autom6viles tambien es mayor (0,20 en Iugar de
0,05 de Ia Tabla 4.2).
• Esperamos que Ia varianza sea mayor porque las probabilidades de los valores extremos 0 y 5
son may ores. Observese que Ia media ha aumentado de 1,95 a 2, 15, mientras que Ia varianza ha
aumentado de I ,95 a 3,83, debido a que las probabilidades de los valores mas extremos de X
son mayores.

Media y varianza de funciones lineales de una variable aleatoria

El concepto de esperanza no se limita a Ia propia variable aleatoria sino que se puede aplicar a cualquier
funci6n de Ia variable aleatoria. Por ejemplo, un contratista puede no saber cuanto tiempo tardan1 en reali-
zar el tmbajo estipulado en un contrato. Esta incertidumbre se puede representar por medio de una variable
aleatoria cuyos valores posibles son el numero de dlas que transcurren desde el inicio del trabajo estipulado
en el contrato hasta su terminaci6n. Sin embargo, lo que preocupa principalmente al contratista no es el
tiempo que tardaru sino, mas bien, el coste de cumplir el contrato. Este coste es una funci6n del tiempo que
tardara, por lo que para hallar el valor esperado de Ia variable aleatoria «coste>>, hay que hallar Ia esperanza
de una funci6n de Ia variable aleatoria «tiempo que se turdani».

Valor esperado de las funciones de variables aleatorias

Sea X una variable aleatoria discreta cuya distribuci6n de probabilidad es P(x) y sea g(X) una funci6n de
X. El valor esperado, E[g(X)], de esa funci6n se define de Ia forma siguiente:

E[g(X)] "" Lg(x)P(x) (4.7)

.r

La Ecuaci6n 4.7 define Ia esperanza de una funcion de una variable aleatoria X. Es decir, Ia esperunza
puede concebirse como el valor promedio que tomarfa g(X) en un m1mero muy grande de repeticiones de
un experimento. En general,
(4.8)
como se muestm en el apendice del capitulo. Sin embargo, si g(x) es una funcion lineal de x, hay algunos
sencillos resultados para Ia media y Ia varianza. Estos resultados son muy utiles para el mundo empresariul
 Distribuciones de probabilidad discretas 147

y el analisis econ6mico, ya que en muchas aplicaciones se puede utilizar una funci6n lineal como aproxi-
maci6n.
Consideremos ahora el valor esperado y Ia varianza de funciones lineales de una variable aleatoria utili-
zando Ia funci6n lineal (I + bX, donde a y b son numeros fijos constantes. Sea X una variable aleatoria que
toma el valor x con una probabilidad P(x) y consideremos una nueva variable aleatoria Y, detinida por

Y= a+ bX
Cuando Ia variable aleatoria X tomu el valor especftico x, Y debe tomar el valor a + bx. A menudo se
necesita Ia media y Ia varianza de esas variables. En el apendice de este capitulo, se desarrolla Ia media, Ia
varianza y Ia desviaci6n llpica de una funci6n lineal de una variable aleatoria. Los resultados se resumen en
las Ecuaciones 4.9 y 4.1 0.

Resumen de las propiedades de las funciones lineales de una variable aleatoria

Sea X una variable aleatoria de media J.lx y varianza a~ y sean a y b unos numeros fijos constantes
cualesquiera. Oefinamos Ia variable aleatoria Y como a + bX. Entonces, Ia media y Ia varianza de Y
son
l'r = E[a + bX 1= a + hllx (4.9)
y
a~ = Var(a + bX) = o-1
b2 {4.10)
por lo que Ia d esviaci6n tipica de Yes

ay = lbl ax

Ejemplo 4.5 Coste total de un proyecto (calculos de las funciones de variables

aleatorias)
Un contratista esta interesado en saber cual es el coste total de un proyecto para el que pretende
presentar una oferta. Estima que los materiales costaran 25.000 $ y su trabajo 900 al dfa. Si el proyec-
to tarda en realizarse X dias, el coste !aboral total sera de 900X $ y el coste total del proyecto (en
d61ares) sera
C = 25.000 + 900X
Basandose en su experiencia. el contratista estima las probabilidades (Tabla 4.4) de Ia duraci6n
probable del proyeclo.
a. Halle Ia media y Ia varianza de Ia duraci6n X.
b. Halle Ia media, Ia varianza y Ia desviaci6n tfpica del coste total C.

Tabla 4.4. Distribuci6n de probabilidad de Ia duraci6n.

Duracion por dias 10 ll 12 13 14
Probabilidad 0,1 0,3 0,3 0.2 0,1

Solucion
a. La media y Ia varianza de Ia duraci6n X pueden hallarse mediante las Ecuaciones 4.4 y 4.5.
ltx = E[X] = L: xP(x) = (10)(0, I)+ (I 1)(0,3) + (12)(0,3) + (J 3)(0,2) + (14)(0,1) = 11,9 dias
.t
148 Estadistlca para adm1n1stracl6n y economia

y
a; = E((X - llxfl = L (x -
X
ll~) 2 P(x)

= (10- 11,9)2 (0,1) + (11 - 11,9)2 (0,3) + ... + (14- 11,9)2(0,1) = 1,29
b. La media, Ia varianza y la desviaci6n tfpica del coste total C, se hallan mediante las Ecuacio-
nes 4.9 y 4.10.
La media es
llc = £(25.000 + 900X] = (25.000 + 900/lx) = 25.000 + (900)( II ,9) = 35.710 $
La varianza es
a~ = Var(25.000 + 900X) = (900)2a~ = (8 10 .000)( I ,29) = 1.044.900

La desviaci6n tfpica es
(j c= Pc = 1.022,20 $
Hay tres ejemplos especiales de Ia funci6n lineal W = a + bX que son importantes. El primero conside-
ra una funci6n constante, W = a, para cualquier constance a. En esta situaci6n, el coeficiente b = 0. En el
Negundo ejemplo, a = 0, de donde W = bX. Las Ecuaciones 4.1 1 y 4.12 definen el valor esperado y Ia
varianza de estas funciones. El tercer ejemplo es importante en capftulos posteriores. Las Ecuaciones 4.13 y
4.14 definen Ia media y Ia varianza de esta funci6n lineal especial. Por tanto, restando de una variable
aleatoria su media y dividiendo par NU desviaci6n tfpica se obtiene una variable uleatoria de media 0 y
desviaci6n tfpica I.

Resultados sinteticos de Ia media y Ia varianza de funciones lineales especiales

a. Sea b = 0 en Ia funci6n lineal w u + bX. Entonces, W = a (para cualquier constante a).

Efa] =a y Var(a) =0 (4.11)

Si una variable aleatoria siempre toma el valor a, tendra una media (l y una varianza 0.
b. Sea a = 0 en Ia funci6n lineal w = a + bX. Entonces, W = bX.
E[bX] = bflx y Var (bX) = b:ta~ (4.12)
c. Para hallar Ia media y Ia varianza de

X - llx
Z=--
ax
sean a = -l'xfax y b = lfqx en Ia funci6n lineal Z a + bX. Entonces

X- llx X Jlx
Z=a + b X = - - = - - -
trx ax (Jx

de manera que

(4.13)

y
X- llx) I ~
Var ( - -
ax
=-zax=
t1x
I (4.14)
 Distrtbuciones de probabilidad discretas 149

Ejercicios
Ejerclcfos basicos 4.19. Una empresa esW. especializadu en Ia instalaci6n y cl
mantenimiento de calefacciones centrales. Antes de que
4.15. Considere Ia funci6n de probabilidad
empiece el invierno, las Jlamadas a! servicio de manteni-
miento pueden dar como resultado el pedido de una nue-
X 0 va caldera. La tabla adjunla muestra las pmbabilidudes
Probabilidad 0,40 0,60 estimadas del numero de pedidos de calderas nuevas ge-
nemdos de e.•aa forma en las dos ultimas semanas de
a. Trace Ia funcion de probabilidad. septiembre.
b. Calcule y trace lu distribuci6n de probabilidad acu-
mulada. Numero de pedidos 0 2 3 4 5
c. Halle Ia media de Ia variable aleatoria X. Probabi lidad 0,10 0,\4 0,26 0,28 0,15 0,07
d. Halle la varianza de X.
4.16. Dada Ia funcion de probabilidad a. Trace la funci6n de probahilidad.
b. Calcule y trace Ia distribucion de probabilidad acu-
2 mulada.
X 0
c. Halle la probabilidad de que se hagan a\ menos tres
Probabilidad 0,25 0,45 0,25 pedidos en e.~te periodo.
d. Halle Ia media del numero de pedidos de una nueva
a. Tn.1ce Ia funcion de probabilidad. caldem en este periodo de dos semanas.
b. Calcule y trace la distribuci6n de probabilidad acu· c. Halle la desviaci6n tfpica del numero de pedidos de
mulada. una nueva caldera en este periodo de dos semanas.
c. Halle Ia media de Ia variable aleatoria X.
d. Halle la varianza de X.
Ejerciclos aplicados
4.17. Considere Ia funcion de probabilidad
4.20. Una empresa produce balsas de mantilla de ciprcs. El pe·
X 0 so en kilos por bolsa varia, como indica la tabla adjunta.

Probabilidad 0,50 0,50 Peso en kilos 44 45 46 47 48 49 50

a. Trace la funci6n de probabilidad. Proporcion

b. Calcule y trace la distribuci6n de probabilidad acu-
mulada.
c. Halle la media de la variable alcatoria X.
d. Halle la varianza de X.
4.18. Un concesionario de autom6viles calcula la proporcion
de autom6viles nuevos vendidos que sc han devuelto
varias ve~.:es durante e\ periodo de garantla para que se
corrijan los defcctos. La tabla adj unta muestm los resul-
tados.
Numero de devoluciones 0 2 3 4
Proporci6n 0,28 0,36 0,23 0,09 0,04
a. Trace Ia funci6n de probabilidad.
b. Calcule y trace Ia distribuci6n de probabilidad acu-
mulada.
c. Halle la media del numero de devoluciones de un
autom6vil durante e\ periodo de gar-Jntla para que se
corrijan los defectos.
d. Halle Ia varianzu del mimero de devoluciones de un
autom6vil durante cl periodo de garantfa para que se
corrijan los defectos.
de bo\sas 0,04 0,13 0,2 I 0,29 0,20 0, I0 0,03
a. Trace la distribuci6n de probubilidad.
b. Calcule y trace Ia d istribuci6n de probabilidad acu-
mulada.
c. (.Cual es Ia probabilidad de que una balsa seleccio·
nuda aleatoriamente contenga mas de 45 y menos de
49 kilos de mantilla (inclusive)?
d. Se seleccionan dos balsas aleatoriamente. j,Cuul es lu
probabilidad de que al menos una de elias contenga
al mcnos 47 kilos?
c. Calcu\e -por medio de un ordenador- la media y
la desviaci6n tfpica del peso por bolsa.
f. El coste (en centavos) de producir una balsa de man-
tilla es 75 + 2X, donde X es el numero de kilos que
hay en una bolsa. Los ingresos generados por Ia vcnta
de Ia bolsa, cualquiera que sea su peso, son de 2,50 $.
Si los beneficios son Ia diferencia entre los ingresos y
el coste, halle Ia media y la desviaci6n tlpica de los
beneficios por bolsa.
4.21. Una empresa municipal de autobuses ha comenzado a
dar servicio en un nuevo barrio. Se ha Jlevado un regis-
tro del numero de usuarios de una de las rutas del auto-
150 Estadistica para adminlstraci6n y economia
bus en el servicio de primera hom de Ia manana. La tabla
adjunta mucstra Ia proporci6n de cada uno de los dlas de
Ia sem;ma.
Numero de
usuarios 20 21 22 23 24 25 26 27
Proporci6n 0,02 0,12 0,23 0,31 0,19 0,08 0,03 0,02
a. Trace Ia distribuci6n de probabilidad.
b. Calcule y trace Ia disuibuci6n de probabilidad acu-
mulada.
c. i,CU;il es Ia probabilidad de que en un dfa selecciona-
do aleatoriamente haya al menos 24 usuarios del ba-
rrio en este servicio?
d. Se seleccionan dos dfas aleatoriamente. (,Cmil es Ia
probabilidad de que en estos dos dfas haya menos de
23 usuarios del barrio en este servicio'?
e. Halle Ia media y Ia desviaci6n tfpica del numero de
usuarios de este barrio en estc servicio en un dfa de Ia
semana.
f. Suponiendo que el coste de un viaje es de I,50 $, ha-
lle Ia media y Ia desviaci6n tfpica del total de pagos
de los usuarios de este barrio en este servicio un dfa
de Ia semana.
4.22. u. Un gran envfo de piezas contiene un 10% de piezas
defectuosas. Se seleccionan dos aleatoriamente y sc
prueban. Sea Ia variable aleatoria X cl numero de pie-
zas defectuosas encontmdas. Halle Ia distribuci6n de
probabilidad de esta variable aleatoria.
b. Un envfo de 20 piezas contienc dos del'cctuosas. Se
seleccionan dos aleatoriamente y se prueban. Sea Ia
variable aleatoria y el numero de piezas defectuosas
encontradas. Halle Ia distribucion de probabilidad de
esta variable aleatoria. Explique por que su respuesta
es diferente de Ia respuesta del apartado (a).
c. Halle Ia media y Ia varianza de Ia variable aleatoria X
del apartado (a).
d. Halle Ia media y Ia varianza de Ia variable aleatoria Y
del apartado (b).
4.23. Un estudiante necesila saber que tareas ha puesto el pro-
fesor para el proximo dfa y decide Hamar a algunos com-
paiieros pam obtener esa informacion. Cree que Ia pro-
babilidad de obtener Ia informacion necesaria con una
llamada cualquiera es 0.40. Decide continuar llmnando a
los compai'ieros hasta obtener Ia informacion. Pero Ia ba-
terla de su telcfono movil no le permite hacer m;ls de
ocho llamadas. Sea Ia variable aleatoria X el numero de
llamadas necesarias para obtener Ia informacion.
a. Halle Ia distribucion de probabilidad de X.
b. Halle Ia distribuci6n de probabilidad acumulada de X.
c. Halle Ia probabilidad de que sean necesarias Ires lla-
madas como mfnimo.
4.24. El equipo de ping pong de su escuela no esta obteniendo
muy buenos resultados esta temporada. Despues de rea-
liznr algunos calculos aproximados, avcrigua que Ia pro-
babilidad de que gane un partido es de alrededor de 0,45.
Uno de los miembros del equipo quiere saber mas y le
pide que averigiie tambicn lo siguiente.
a. La probabilidad de que el equipo gane dos partidos
de cinco.
b. La probabilidad de que gane diez veces de 25.
4.25. Un prolesor tiene un numeroso grupo de alumnos y ha
programado un examen a las siete de Ia tarde en un aula
diferente. Estime en Ia tabla las probubilidadcs del nu-
mero de estudiantes que lo llamanin a casa una hora an-
tes del examen prcgunt:indole en que aula se realizar;i.
Numero de llamadas () 2 3 4 5
Probabilidad 0,10 0,15 0,19 0,26 (),19 0,11
Halle Ia media y lu dcsviacion tfpica del numero de lla-
mad<~s.
4.26. Se ha pcdido a los estudiantes de una numcrosa clase de
contabilidad que valorcn el curso en una escala de I a 5.
Una puntuucion mas alta indica que los estudiantcs dan
un valor mayor al curso. La t;~bla adjunta muestra las
proporciones de estudi;mtcs que puntuan el curso en C<l-
da categoria.
Puntuacion 2 3 4 5
Proporci6n 0,07 0,19 0,2X 0,30 0, 16
Halle Ia media y Ia desviaci6n tfpica de las puntuacio-
nes.
4.27. Un quiosquero tiene un peri6dico que a veces le pide
un pequciio numcro de clicntcs. Cada ejemplar le cucsta
70 centavos y lo vende a 90 centavos. Los cjempla-
res que lc quedan al linal del dfa no ticncn ningun valor
y sc destruyen. El quiosquero considera que por calla
ejcmplar que lc piden y no puede vender porque se hun
agotado tiene unu pcrdida de clientela que valora en
cinco centavos. La tabla adjunta muestra Ia distribucion
de probabilidad del numero de demandas del periodico
en un dfa. Si cl bencllcio diario total del quiosquero son
los ingrcsos totales genemdos por las ventas del peri6di-
co menos los costes totales de los peri6dicos pedidos,
menos Ia pcrdida de clientela como consecuencia de l:ts
demandas insatisfechas, (,coal es cl benefi cia esperado si
sc piden cuutro periodicos?
Numero de
demandas 0 I 2 3 4 5
Probnbilidad 0,12 0,16 0,18 0,32 0,14 0,08
4.28. El director de una fUbrica esta considenmdo Ia posibilidad
de sustituir una Jm1quina caprichosa. El historial de Ia ma-
quina indica Ia siguiente distribuci6n de probabilidad del
numero de avcrfas de esta maquina en una semana.
 Dlstribuciones de probabilldad dlscretas 151

• E.vlrategia 1: unos benellcios de 10.000 $ con una

Numero de averfas 0 2 3 4
probabilidad de 0,15 y una perdida de 1.000 $con una
Probabilidad 0, I 0 0,26 0,42 0, 16 0,06 probabilidad de O,H5.
a. Halle Ia media y Ia desviacion tfpica del numcro de • E.~tratcgia 2: unos beneficios de 1.000 $ con una pro-
averias semanales. babilidad de 0,50, unos bcncficios de 500 $ con una
b. Sc estima que cada avcrfa lc cucsta a Ia empresu probabilidad de 0,30 y una perdida de 500 $ con una
1.500 $ de produccion pcrdida. Halle Ia media y Ju probabilidad de 0,20.
desviucion tfpica del coste semanal 4uc ticncn para Ia • E.vtmtcgia 3: unos benclicios scguros de 400 $.
cmprcsa las averfas de est<l maquinu.
;,Que estrategia tiene el mayor bcnelicio espcrado? Ex-
4.29. Un invcrsor csta considcrmtdo trcs estratcgias para in- plique por que aconsejarfa o no 4uc adoptara cstu cstra-
vcrtir 1.000 $. Sc cstima que los rcndimicntos probablcs tegiu'!
son los siguicntcs:
174 Estadistlca para adminlstrac16n y economia

Funciones lineales de variables aleatorias

Antes hemos definido Ia esperanza de una funci6 n de una Linica variable aleutoria. Ahora podemos exten-
der es ta definicion a funciones de varius variables aleutorias.

Valores esperados de funciones de variables afeatorias distribuidas conjuntamente

Sean X e Y un par de variables aleatorias discretas que tienen una distribuci6n de probabilidad conjunta
P(x, y). La esperanza de cualquier funci6n g(X, Y) de estas variables aleatorias se define de Ia manera
siguiente:
£ [g(X, Y)] = g(x, y)P(.x, y)LL (4.29)
X J'

Son especialmente interesantes numerosas aplicaciones que implicun combinaciones lineales de variables
aleatorius que tienen Ia forma general
W = aX + bY
Una importante aplicaci6n es Ia vmiable nleatoria de ingresos totales, W, resultantc de Ius ventas mensuales
de dos productos, donde X e Y son variables aleatorias que represcntan las venta.~; de cada producto y los
precios de venta son a y b. La media y Ia vnrianza, desarrolladas en el apcndicc del capitulo, son:

tt w = EI:Wl = aJ.I,y + bJt, (4.30)

tr~1, = (1:!11~ + liai- + 2ab Crw(X, Y) (4.31)

Estos resultados pueden extenderse a lu combinaci6n lineal de muchas variables aleatorias.

W = a 1X 1 + a:2X:2 + ··· + a"X" = L a;X;

K
J.l w = ElWI = L a, Jl ;
i I
K

L alrr?+2 L L" a;£~; Cov(X;, Y;)

1\' - 1

a~. = (4.32)
i I 1- I

El termino Cov(X, Y) es Ia covari<tnza entre las dos variables uleatorias, que se desarrolla a continuaci6 n.

covarianza
La covarianza es una medida de Ia relaci6n lineal entre dos variables alcatorias. Represcntu Ia variabilidad
conjunta de dos variables aleutorias y se utiliza con las varianzas de cada vari:.1ble uleatoria para calcular Ia
varianza de Ia combinaci6n lineal, como muestran las Ecuaciones 4.3 I y 4.32. Tam bien se utiliza para
calcular una medida estandarizada de lu variabilidad conjunta llamada con·e[aci6n. Primero dcfinimos Ia
covarianza en Ia Ecuaci6n 4.33 y, a continuaci6n, presentamos algunas apl icaciones importantes.
Supongamos que X e Y son un par de variables aleatorias que no son estadfsticumente independientes.
Nos gustaria tener alguna medida de Ia naturaleza y del grado de relaci6n entre elias. Eso es bastante diffcil
de lograr, ya que es razonable pensar que las variables uleatorius pueden estar relacionadus de diversas
formas. Para simplificar el analisis, nos limitamos a analizar Ia posibilidad de que tengan una relaci6n li-
neal. Por ejemplo, un elevado valor de X podrfa ir acompui'iado, en promedio, de un elevado valor de Y, y
un bajo valor de X de un bujo valor de Y; en ese caso, si se representuran en un gn1tico los valores relac io-
nados entre sf, Ia lfnea recta que se trazara pusando por ellos serfa una buena aproximaci6n.
Supongamos que Ia variable aleatoriu X tiene una media JLx y Ia variable aleatoria Y tiene una media J.lr
y consideremos el producto (X - llx) ( Y - Jly). Si los valores altos de X tienden air acompaiiados de valo-
 Dlstribuciones de probabilldad discretas 175

res altos de Y y los valores bajos de X tienden a ir acompaiiados de valores bajos de Y, es de esperar que
este producto sea positivo, y cuanto mayor sea Ia relaci6n, mayor sera Ia esperanza de (X - JLx} (Y - Jly ),
definida de Ia forma siguiente: £[(X- Jtx}(Y- Jly)). En cambio, silos valores altos de X van acompana-
dos de valores bajos de Y y los val ores bajos de X van acompafiados de valores altos de Y, el valor esperado
de este producto, E[(X - Jtx)( Y- Jty)], seria negativo. Una esperanza E[(X JtxH Y - /Lr)] igual a 0 im-
plicarfa Ia ausencia de una relaci6n lineal entre X e Y. Por tanto, se utilizuni el valor esperado,
E[(X - Jtx )( Y- Jt 1, )], como medida de Ia relaci6n lineal que existe en Ia poblaci6n.

Covarianza
Sea X una variable aleatoria de media J.lx e Y una variable aleatoria de media J.ly. El valor esperado de
(X- l•x)(Y- J.l.r) se llama covarianza entre X e Y y se representa por medio de Cov(X, Y). En el caso
de las variables aleatorias discretas,
Cov(X, Y) = E[(X - J.lx)( Y- J.ly)) = L L (.x- JtxHY- J.l.y)P(x, y) (4.33)
)( y
Una expresi6n equivalents es
Cov (X, Y) = E[ XY] - JLx J' r = L L ).)'P(.x, y) - l'xJiy
X y

correlacl6n
Aunque Ia covarianza indica el sentido de Ia relaci6n entre variables aleatorias, no tiene un lfmite superior
o inferior y su magnitud depende extraordinariamente de las unidades en las que se mida. Existe una estre-
chu relacion lineal cuando los puntos de observaci6n estan cerca de una lfnea recta. Es diffcil utilizar Ia
covarianza para medir el grado de relacion lineal, ya que no tiene lfmites. Una medida relacionada con esta,
el coeficiente de correlaci6n, es una medida del grado de relacion lineal entre dos variables alentorias cuyo
valor solo puede estar entre - I y 1.

Correlacl6n
Sean X e Y variables aleatorias distribuidas conjuntamente. La correlaci6n entre X e Y es

Cou(X, Y)
p - Corr(X, Y) = --- (4.34)
uxny

La correlacion es Ia covarianz.a dividida por las desviaciones tfpicas de las dos variables aleatorias. El
resultado es una medida estnndnrizada de Ia relacion que puede ir de - I a + I. Son importantes las si-
guientes interpretaciones:
I. Una correlaci6n de 0 indica que no existe una relaci6n lineal entre las dos variables aleatorias. Si
las dos variables aleatorias son independientes, Ia correlacion es igual a 0.
2. Una correlaci6n positiva indica que si una de las variables aleatorias es alta (baja}, Ia otra tiene una
probabilidad mayor de ser alta (baja) y decimos que las variables son dependientes positivamente.
La dependencia lineal positiva perfecta se indica por medio de una correlaci6n de + 1,0.
3. Una correlaci6n negativa indica que si una de las variables aleatorias es alta (baja), Ia otra tiene una
probabilidad mayor de ser baja (alta) y decimos que las variables son dependientes negativamente.
La dependencia lineal negativa perfecta se indica por medio de una correlaci6n de - 1,0.
La correlaci6n es m:is uti! que Ia covarianza para describir relaciones. Con una correlaci6n de + 1, las
dos variables aleatorias tienen una relaci6n lineal positiva perfecta y, por tanto, un valor especffico de una
176 EstadisUca para administraci6n y economia

variable, X, predice Ia otra, Y, exactamente. Una correlaci6n de - I indica Ia existencia de una relaci6n
lineal negativa perfecta entre dos variables; una de las variables, X, predice Ia negativa de Ia otra, Y. Una
correlaci6n de 0 indica que no existe una relaci6n lineal entre las dos variables. Los valores intermedios
indican que las variables tienden a estar relacionadas; las relaciones son mas estrechas cuando el valor
absoluto de Ia correlaci6n tiende a I.
Tumbien sabemos que el termino correluci6n se ha convertido en una palabra de uso comun. En mu-
chos casos, se utiliza para indicar que existe una relaci6n. Sin embargo, las variables que tienen relaciones
no lineales no tienen un coef1ciente de correlaci6n cercano a 1,0. Esta distinc i6n es importante para noso-
tros con el tin de evitar Ia confusion entre las variables uleutorias correlacionadas y las variables aleatorias
que tienen relaciones no lineales.

Ejemplo 4.17 Distribuci6n conjunta de los precios de las acciones

(calculo de Ia covarianza y de Ia correlaci6n)
Halle Ia covarianza y Ia correlaci6n de las acciones de las empresas A y B del Ejemplo 4.16 con Ia
distribuci6n de probabilidad conjunta de Ia Tabla 4.7.
Soluci6n. El c~lculo de Ia covarianza es tedioso incluso en un problema como este, que se ha
simplificado de manera que todas las probabilidades conjuntas, P(x, y), sean 0,0625 para todos los
pares de valores x e y. Por definici6n, tenemos que hallar

Cou(X, Y) = L L..\)IP(x,y) -JL,yJLr

X \

= 0[(0)(0,0625) + (0,05)(0,0625) + (0, 10)(0,0625) + (0, 15)(0,0625)}

+ 0,05[(0)(0,0625) + (0,05)(0,0625) + (0, 10)(0,0625) + (0, 15)(0,0625)]
+ 0,10[(0)(0,0625) + (0,05)(0,0625) + (0, 10)(0,0625) + (0,15)(0,0625)]
+ 0,15[(0)(0,0625) + (0,05)(0,0625) + (0,10)(0,0625) + (0,15)(0,0625)J
- (0,075)(0,075)
= 0,005625 - 0,005625 =0
Por tanto,
Cov (X, Y)
p = Corr(X, Y) = =0
uxay
Podemos utilizar el programa Microsoft Excel para realizar estos c~lculos siguiendo atentamente el
ejemplo de Ia Figura 4.5.

Covarianza e independencia estadistica

Si dos variables aleatorias son estadistlcamente independientes, Ia covarlanza entre elias es 0. Sin
embargo, lo contrario no es necesariamente cierto.

La raz6n por Ia que una covarianza de 0 no implica necel>ariamente que las variables aleatorias sean
estadlsticamente independientes se halla en que Ia covarianza pretende medir una relaci6n lineal y es posi-
ble que estu cantidad no detecte otros tipos de dependencia, como vemos en Ia siguiente ilustraci6n.
Supongamos que Ia variable aleatoria X tiene Ia distribuci6n de probabilidad

P(- 1) = 1/4 P(O) = 1/2 P(l) = 114

 Dlst.Jibuciones de probab!Udad discretas 177

Joint Probability Distribution of X and Y

YReturn%
X Retum% 0 0.05 0.1 0.15 P(x) f:(X)
0 0.0625 0.0625 0.0625 0.0625 0.25
0.05 0.0625 0.0625 0.0625 0.0625 025
0.1 0.0625 0.0625 0.0625 0.0625 0.25
0.15 0.0625 0.0625 0.0625 0.0625 0.25
0.25 0.25 0.25 0.25 0.075
E(Y) 0.075

Calculation of Covariance
xyP(x,y) xy P(x.y) xyP(x,y) xyP(x,y)
xyl'(x,y) 0 0 0 0
xyl'(x.v) 0 0.000156 0.000313 0.000469
xvP(x.vl 0 0.000313 0.000625 0.000938
xvP(x.vl 0 0.000469 0.000938 0.001406

Sum xy l'(x,y) 0 0.000938 0.001875 0.002813 0.005625

Covariance
Sum xy l'(x,y) -t~(X)I:'(Y) = 0.005625 - 0.005625 0

Figura 4.5. Calculo de Ia covarianza por medio del programa Microsoft Excel.

Delinamos Ia variable aleutoria Y de Ia forma siguientc:

Y= X2
Por tanto, para saber cual es el valor de X hay que saber emil es el valor de Y y, por tanto, estas dos varia-
bles aleatorias no son, dcsde luego, independientes. Siempre que X = 0, entonces Y = 0, y si X es - I o I,
cnlonccs Y = I. La distribuci6n de probabilidad conjunta de X e Yes

P(- I, I)= 1/4 P(O, 0) = 1/2 P(l, I)= 1/4

y Ia probabilidad de cualt}uier otra combinaci6n de valores es igual a 0. Es sencillo entonces verificar que

EIX] = 0 £[ Y] = 1/2 EIXY] = 0

La covariunza entre X c Yes 0. Vemos, pucs, que Jus variables uleutorias que no son independientes pueden
tcncr una covarianza igual a 0.
Para terminar el unalisis de las distribuciones conjuntas, considercmos kt media y Ia varianzu de una
variable alcatoria <!UC es Ia suma o Ia diferencia de otras variables aleatori:ts. Estos resultados se resumen a
continuacion y pueden obtcncrsc por medio de las Ecuaciones 4.30, 4.31 y 4.32.

Resumen de los resultados relativos a las sumas y las diferencias de variables

aleatorias
Sean x e Y un par de variables aleatorias que tienen las medias Px y J1y y las varianzas ai y a~. Se
cumplen las siguientes propiedades:
1. El valor esperado de su suma es Ia suma de sus valores esperados:
E(X + Yl = J1x + /ly (4.35)
178 Estadistica para administraci6n y economia

2. El valor esperado de su diferencia es Ia diferencia entre sus valores esperados:

E[X - Y] = l'x - Jlr (4.36)
3. Si Ia covarianza entre X e Y es 0, Ia varianza de su suma as Ia suma de sus varianzas:
Var(X + Y) = ai Y O"~ (4.37)
pero si Ia covarianza noes 0, entonces
V{lr(X + Y) = O"; + O"~ + 2 Cov (X, Y)
4. Si Ia covarianza entre X e Y as 0, Ia varianza de su dlferencla es Ia suma de sus varianzas:
Vur(X - Y) = ui + a~ (4.38)
pero si Ia covarianza noes 0, entonces
Vur(X- Y) = ai + a~+ 2 Cov(X, Y)
Sean X" X2• ... , xK K variables aleatorias que tienen las medias 11 1, p 2 , ... , J.lK y las varianzas
O"i, ai...., ai-. Se cumplen las siguientes propiedades:
5. El valor esperado de su suma es
(4.39)
6. Si Ia covarianza entre todo par de estas variables aleatorias es 0, Ia varianza de su suma es
(4.40)
7. Si Ia covarianza entre todo par de estas variables aleatorias noes 0, Ia varianza de su suma as
K K I K
Vur(X, + x2 + ... + X~:)= L u; + 2 L L Cov(XI, ¥;) (4.41)
i- 1 i- 1 j > l

Ejemplo 4.18 Sencilla cartera de inversion (medias y varianzas, funciones

de variables aleatorias)
Un inversor tiene 1.000 $ para invertir y dos oportunidades de inversi6n, cada una de las cuales re-
quiere un minimo de 500 $. Los beneficios por cada 100$ de la primera se pueden representar por
medio de una variable aleatoria X, que tiene las siguientes distribuciones de probabilidad:
P(X = -5) = 0,4 y P(X = 20) = 0,6
El beneficio por cada 100$ de Ia segunda viene dado porIa variable aleatoria Y, cuyas distribuciones
de probabilidad son
P(Y = 0) = 0,6 y P(Y = 25) = 0,4
Las variables aleatorias X e Y son independientes. El inversor tiene las siguientes estrategias posibles:
a. 1.000 $ en Ia primera inversi6n.
b. 1.000 $ en Ia segunda inversi6n.
c. 500 $ en cada inversi6n.
Halle Ia media y Ia varianza de los beneficios generados por cada estrategia.
Solucion. La variable aleatoria X tiene Ia media
J.lx == E[X] = L xP(x) = ( - 5)(0,4) + (20)(0,6) = 10 $
X
 Distribuclones de probabllldad discretas 179

y Ia varianza
!r~ = E[(X - ~-t.•i l = L (x- P.~)2 P(x) = (- 5 - 10)2 (0,4) + (20- 10)2 (0,6) = 150
X

La variable aleatoria Y tiene Ia media

Jty E[Y] = :L, y P(y) = (0)(0,6) + (25)(0,4) = 10 $

y Ia varianza

(J~ = E[(Y - /ty)2 ] = L (y - 2

JLy) P(y) = (0 - 10)2(0,6) + (25 - 10i (0,4) = 150

La estrutegia (a) tiene un beneticio media de E[IOX] = lOE[X] = 100$ y una varianza de

V(lf( I OX) = 100 Var(X) = 15.000

La estrategia (b) tiene un beneticio medio de £[lOY] = IOE [Y] = 100 $ y una varianza de
Var(10Y) = 100 Var(Y) = 15.000
Consideremos ahora Ia estrategia (c): 500 $en cada inversion. El rendimiento de Ia estrategia (c) es
5X + 5Y, que tiene una media de

E[5 X + SY] = £[5X] + E[SY] = 5£[X] + 5E[Y] = 100 $

Por tanto, las tres estrategias tienen el mismo beneficia esperado. Sin embargo, como X e Y son inde-
pendientes y Ia covarianza es 0, Ia varianza del rendimiento de Ia estrategia (c) es:

Var(5X + 5Y) = Var(5X) + Var(5Y) = 25 Var(X) + 25 Var( Y) = 7.500

Esta varianza es menor que las varianzas de las demns estrategias, debido a Ia disminuci6n que
experimenta el riesgo como consecuencia de Ia diversificacion de una cartera de inversion. La mayo-
rfa de los inversores preferirian Ia estrategia (c), ya que tiene el mismo rendimiento esperado que las
otras dos, pero un riesgo menor.

Analisis de carteras
Los gestores de inversiones realizan con.~iderables esfuerzos para crear carteras de inversion que contengun
llll conjunto de instrumentos linancieros que gencren cada uno de ellos unos rendimientos definidos por
una distribuci6n de probabi lidad. Las carterus se utilizan para conseguir una inversion combinada que ten-
ga un rcndimiento y un riesgo csperados determinados. Se pueden construir carteras de acciones de alto
riesgo combinando acciones de varias empresas cuyos valores tiendan a subir o a bajar al unfsono. Con una
cartera de ese tipo, un inversor experimentara grandes ganancias o grandes pcrdidas. Se pueden combinar
acciones cuyos valores varfen en sentido contrario para creur una cartera que tenga un valor mas estable, lo
cual implicu menos riesgo. Los descensos del precio de las acciones de una de las empresas son compensa-
dos por las subidas del precio de Ia.~ acciones de otra.
Este proceso de constntcci6n y anlilisis de carteras se reuliza utilizando distribuciones de probabili-
dad. El valor medio de Ia cartera es Ia combinaci6n lineal de los valores medias de las acciones de esa
cartera. La varianza del valor de Ia cartem se cnlcula utilizando Ia suma de las varianzas y Ia covarianza de
Ia distribuci6n conjunta de los valorcs de las acciones. Dcsarrollaremos el mctodo poniendo un ejemplo de
unn cartera formadn por acciones de dos empresas.
Consideremos una cartera formada por a acc iones de Ia empresa A y b acc iones de Ia empresa B. Que-
remos utiliwr Ia media y Ia varianza del valor de mercado, W, de una cartera, donde W es Ia funci 6n lineal
W = aX + bY. La media y Ia varianza se obtienen en el apendice del capitulo.
180 Estadistica para administraci6n y economia

La media y Ia varianza del valor de mercado de una cartera

La variable aleatoria X es el precio de las acciones de A y Ia variable aleatoria Y es el precio de las
acciones de B. El valor de mercado de Ia cartera, W, viene dado porIa funci6n lineal

W = aX+ bY

donde a es el numero de acciones de Ia empress A y b es el numero de acciones de Ia empresa B.

El valor medio de w es

Jlw = E[WJ = E[aX +bY)= OJ'x + bJtr (4.42)

La varianza de w es
(4.43)

o utilizando Ia correlaci6n, es

El amllisis de carteras desarrollado utilizando variables aleatorias discrctas se amplfa en el Capitulo 5 utili-
zando variables alcatorias continuas. El amilisis de carteras desarrollado utilizando variables ale<ttorias dis-
crctas cs mas intuitivo que el analisis realizado utilizando variables alcatorias continuus. Sin embargo, los
resultados de las medias, las varianzas, las covarianzas y las combinaciones lineales <.le variables aleatorius
tambien se aplican directamente a las variables aleatorias continuas. Dado que las carteras implican precios
que son variables aleatorias continuas, el desarrollo del Capitulo 5 es mas realista. Adcmas, Ia distribucion
normal desarrollada en ese capitulo proporciona imporcantes instrumentos de analisis.

Ejemplo 4.19 Analisis de carteras de acciones (medias y varianzas, funciones

de variables aleatorias)
Jorge Tellez tiene cinco acciones de Ia empresa A y diez de Ia empresa B: las variaciones de sus
precios siguen Ia distribuci6n de probabilidad de Ia Tabla 4.8. Halle Ia media y Ia varianza de Ia
cartera.

Tabla 4.8. Distribuci6n de probabilidad conjunta de las acciones de A y B.

Precio de las acciones de B

Precio de las acciones de A 40$ SO$ 60$ 70$
45$ 0,24 0,003333 0,003333 0,003333
50$ 0,003333 0,24 0,003333 0,003333
55$ 0,003333 0,003333 0,24 0,003333
60$ 0,003333 0,003333 0,003333 0,24

Soluci6n. El valor, W, de Ia cartera puede representarse por medio de Ia combinaci6n lineal

W=5X +lOY
 Disf:ribuciones de probabilidad discretas 181

Utilizando Ia distribuci6n de probabilidad de Ia Tabla 4.8 podemos calcular las medias, las varianzas
y las covarianzas de los precios de las acciones de las dos empresas. La media y Ia varianza de las
acciones de A son 53$ y 31 ,3, respectivamente, mientras que las de las acciones deB son 55$ y 125,
respectivamente. La covarianza es 59,17 y Ia correlaci6n es 0,947.
El valor medio de Ia cartera es

J.tw = E{W] = E[5X + JOY]= 5(53) + ( 10)(55) = 815$

La varianza del valor de Ia cartera es

a~= 52a} + 102

a~ +2 x 5 x 10 x Cov(X, Y)

=5 2 X 31,3 + 102 X 'J25 +2 X 5 X lOX 59,17 = 19.199,5

Jorge sabe que una elevada varianza implica un elevado riesgo. Cree que el riesgo de estn cartera
es demasiado alto, por lo que nos pide que le preparemos una cartera que tenga menos riesgo. Tras
algunas investigaciones, descubrimos un par distinto de acciones cuyos precios siguen Ia distribuci6n
de probabilidad de Ia Tabla 4.9. Comparando las Tablas 4.8 y 4.9 observamos que los precios de las
acciones tienden a variar directamente en el mismo sentido en Ia Tabla 4.8, mientras que vurfan en
sentido contrario en Ia Tabla 4.9.

Tabla 4.9. Distribuci6n de probabilidad de Ia nueva cartera de acciones deC yD.

Precio de las acciones de D
Precio de las acciones de C 40$ SO$ 60$ 70$
45$ 0,003333 0,003333 0,003333 0,24
50$ 0,003333 0,003333 0,24 0,003333
55 $ 0,003333 0,24 0,003333 0,003333
60$ 0,24 0,003333 0 ,003333 0,003333

Utilizando Ia distribuci6n de probabilidad de Ia Tabla 4.9 hemos calculado Ius medias, las varianzas y
Ia covarianza de Ia nueva cartera de acciones. La media de las acciones de Ia empresa C es de 53 $,
igual que la de las acciones de la empresa A. Asimismo, Ia media de las acciones de Ia empresa D es
de 55 $, igual que Ia de las acciones de Ia empresa B. Por tanto, el valor medio de Ia cartera no varia.
La varianza de las acciones de cada empresa tambien es la misma, pero ahara Ia covarianza es
- 59,17. Por tanto, Ia varianza de Ia nueva cartera incluye un termino de co11arianza negativa y es

=5 2 X 31,3 + 102 X 125 +2 X 5 X lOX ( - 59,17) = 7,365,5

Vemos que la covarianza negativa reduce la varianza y, por tanto, el riesgo de Ia cartera.
La Figura 4.6 muestra c6mo varfa Ia varianza de Ia cartera -y, por tanto, el riesgo- con diferen-
tes correlaciones entre los precios de las acciones. Observese que la varianza de Ia cartera esUi rela-
cionadn linealmente con la correlaci6n. Para ayudar a controlar el riesgo, los creadores de carteras de
acciones seleccionan las acciones bas~ndose en Ia correlaci6n entre los precios.
182 Esladlstka para administraci6n y economia

20.000

f
! 15.000
l1
..
..!!!
"0
10.000

=
c::
Ill
't: 5.000
~
0
-1 0

Correia cion

Figura 4.6. Varianza de Ia cartera en relaci6n con Ia correlaci6n de los precios de las acciones.

Como hemos visto en el Ejemplo 4. I 9. Ia correh1ci6n entre los precios de las acciones o entre dos varia-
bles nleatorias cualesquiera produce importantes efecto.~ en Ia variable alcatoria del valor de Ia cmtera. La
existencia de una correlaci6n positiva indica que los dos precios, X e Y, suben o bajan a! unfsono. Por tanto,
se magnilican los valorcs grandcs o pequcfios de Ia cartcra, par lo que el rango y Ia varianza son mayores
que cuando Ia con·elaci6n es cero. Y a Ia invcrsa, Ia existencia de una correlacion negativa indica que
cuando sube el precio de X, el precio de Ybaja. Como consecuencia, el rango y Ia varianza de Ia cartcra son
menorcs que cuando Ia con·elaci6n es cero. Seleccionando acciones que tienen determinad<Is combinacio-
nes de correlaciones, los gestores de l'ondos pueden controlar Ia varianzu y el riesgo de las carteras.

Ejercicios
Ejercicios basicos 4.73. Considerc Ia distribucion de probabilidad conjunw:
4.11. Un centro de ll<tnmdo.~s situado en Perth (Australia) red- X
be una media de I ,3 llamadas por minuto. Ohservando I a
2
fecha, se supone que esta variuble sigue una dislribucion
discretu de Poisson. Calculc lo siguicnte. y 0 0,30 0.20
u. La prob;~bilidad de no rccihi r ningun;~ llumada en cl I 0,25 0,25
primer minuto de sus horas de oficina.
b. La probubilidud de recibir una llo.~muda en cl primer
a. Calculc las distribuciones de probabilidad marginal
de X e Y.
minulo.
b. Calcule Ia covurianr.<t y Ia corrcl:tcil1n de X e Y.
c. La probabilidud de recibir tres Jlamadas en cl primer
c. Culcule Ia media y Ia varianzu de Ia runcion lineul
minuto.
W = 2X + Y.
4.72. Considere Ia distribuci6n de probabilidad conjuntu: 4.74. Considerc Ia distribucion de pmb<tbilidad conjunta:
X X
2 2
y 0 0.25 0,25 y 0 0,70 0,0
0,25 0,25 0,0 0,30

a. Calcule las distribuciones de probabilidad marginal
deX eY.
b. Caleule Ia covurianza y Ia correluci6n de X e Y.
c. Calcule Ia media y Ia varianza de Ia l'uncion lineal
W= X + Y.
u. Culcule las distribuciones de probo.~bilidad marginal
de X e Y.
b. Calcule Ia covarianza y Ia correlaci6n de X e Y.
c. Calcule Ia media y Ia varianza de lu funci6n lineal
W = 3X+ 4Y.
 Dts tribuciones de probabilidad discretas 183

4.75. Considcre Ia distri buci6n de probabilidud conjuntu: 4.78. Una agenciu inmobiliuriu tiene intcrcs en saber emil es Ia
re!uci6n entre el numcro de lfncas de un anuncio de
X prensu sobre un apartamenlo y el volumen de llamadas
2 de intcresados. Rcpresentemus el volumen de llamadus
por mcdio de Ia variable a!eatoria X, cuyo valor es 0
y () 0,0 0,60 cuundo el intcrcs por el anuncio es escuso, I c uando es
I 0.40 0,0 modcrudo y 2 cuando es grande. La agenda utilizo datos
histo ricos para calculur Ia distribuci6n de pro babilidad
a. Calcule las distribuciones de probabilidad marginal conjunta mostrada en Ia tabla adjunta.
de X c Y.
b. Calculc Ia covarianza y Ia correlaci6n de X e Y. Numero de Numero de llamadas (X)
c. Calculc Ia media y Ia vurianza de Ia funcion lineal lfneas
W = 2X - 4Y. ( Y) () 2
4.76. Considc rc Ia distribudun de probabilidad conjunta: 3 0,09 0,14 0,07
4 0,()7 O,B 0.16
X
5 0,03 0,10 0,11
2
y () 0, 70 0,0 a. Halle Ia pro bubilidad acumulada cunjunta e n X = I ,
0,0 0,30 Y = 4 c intcrprctc su rcsuhudo.
b. Halle c interprctc Ia d istribucion de probabilidad
a. Calculc las distrihucioncs de probnbilidad marginal condidonada de Y, dado X = 0 .
de X c Y. c. Halle c interprcle Ia distribucion de prob<.~bilidad con-
b. Calculc l<t cov:trianL<l y l<t co1Telacion de X c Y. dicionada de X. dudn Y = 4.
c. Calculc Ia mcdiu y Ia varianza de Ia funci on lineal d. I-I aile c imcrprete Ia covurianza e ntre X e Y.
W = WX + RY. t!. ;.Son el niimcro de )(ncas del anuncio y cl volumen
de llamadus indcpcndicntcs entre sf'!
Ejercicios aplicados
4.79. La tabla adjunta muestr:t las probabilidades conjuntas
4.77. Un invcstigador sospedwba que el nt.imcm de tcntcm- del niimcro de ta•jctas de credito (X) que poseen las per-
piCs que tumaban en un df:l los estudiantcs durante Ia somis que ticncn entre una y trcs tarjctas de crcdito y el
cpm:u de ex;imcncs linalc.~ dependla del numcro de exa- numcro de compnss semanulcs renli;radas con tarjeta de
mcncs lJUC tcnlan que realizar esc dfa. La Hlbla adju nta crcdito ( Y).
mucstra las probabilidades conjuntas, estimadas a partir
de um1 cncucsta. Numcro de Numero de compras scnwnales ( X)
tarjetas de
Numc ro de Niimcro de ex:'imcnes (X) crcdito ( Y) () 2 3 4
tcnte mpics
0.08 0,13 0,09 0,06 0,03
(Y} {) 2 3
2 0,03 0,08 O,OS 0,09 0,07
() 0,07 0,09 0.06 0.01
3 0.0 1 0.()3 0,06 O,OR 0,08
I 0,07 0,06 0,07 O.lll
2 0,06 0,()7 0,14 0,03
u. i.Cual cs lu distribuci~~n de probabilidad del numero
3 0,02 0,04 0,16 0,()4 de compras realizadas en una semana por una perso-
na de este grupo elegida alcatoriamcnte?
a. l-lalle Ia distribudon de probabilidad de X y calcule cl nti- b. (.Cmil es Ia distribuci6n de probabilidad del numcro
mcru medio de cx;imencs rcali.wdos pur los estudiantes esc de compras realizadas en una semuna por una perso-
dfa. na de este gn1po que tienc Ires tarjetm;?
h. Halle Ia disLribucion de probabilidad de Y y, por tanto, el c. (,Sun el numero de tu~jetas que posee unu persona y el
niimcro mcdio de tentempics tomados por los cstudiantcs numeru de compras e:.1adfsticamente independientcs?
ese dfa.
c. Halle e interprete Ia distribuci6n de probabi!idad condicio- 4.80. Una e mpresa de estudios de mercado quicre saber si un
nada de Y. dado X = 3. nuevo modelo de ordenador personal que sc anunciaha
d. Halle Ia covarianza entre X e Y. en un programa que se emitlu de madrugada ha conse-
e. <,Son el numero de tenLempics y el numero de ex:J.mc nes in- guido que sea una marca mas conocida para las personas
dependientes entre s(? que vefan el programa hubitualmente que para las que no
184 Estadistlca para administracl6n y economia

lo vefan. Tras realizar una cncuesta, observ6 que el 15 % cada categorfa. Halle Ia distribucion de probabilidad
de todas las personas vela el program:~ habitualmente y conjuntu suponiendo que las quejas sobre Ia comida y
podfa identit1car corrcctamente el producto. Ademas, el sobre el servicio son independientes entre sf.
I 6% de todas las personas vefa habitual mente el progra-
ma y el 45 % de todas las personas podfa identiticar co-
Numero de Numero de
rrectamente el producto. Detina un par de variables alea-
quejas sobre quejas sabre
torias de Ia forma siguiente:
Ia comida Probabi Iidad el servicio Probabilidad

0 0,12 () 0,18
X=I si se ve habitualmente X= 0 en caso contrario
cl programa 0,29 0,38
Y= I si se identilica correc- Y= 0 en caso contrario 2 0,42 2 0,34
tamente el producto 3 0,1 7 3 0,10

n. Halle Ia distribucion de probabilidad conjunta de X

e Y. 4.83. Vuelvu u Ia inl'onmtci6n del ejcrcicio anterior. Halle Ia
b. Halle Ia distribuci6n de probabilidad condicionada de media y Ia dcsviucion tfpica del numem total de queja.,
Y, dado X= I. recibidas en una semana. Llegadu a este punto, sospccha
c. Halle e interpretc Ia covarianza entre X c Y. que cl mimero de qucjas sobrc Ia comida y sobre cl ser-
vicio no son independientcs entre si. Sin embargo, no
4.81. Un vendedor de Iibras de texto uni versit~trios llama u los tiene ninguna informacion sobre Ia naturale7..a de su de·
despachos de los profesores y tiene Ia impresion de que pendencia. ;,Que puedc dccir ahora sabre Ia media y Ia
los profc:sorcs tienden mas a no cstur en su despacho los dcsviaci6n tfpica del numero total de quejas reci bidas en
viernes que los dcm;ls dfas laborules. Un rcpaso de l:1s
una semana?
llumadas, de las cuales un quinto se rculiza los vierncs,
indica que en el 16% de las llamadas realizadas los vier- 4.84. Una cmpresa tienc cinco represcntantes <tuc cubren
nes, el profesor no esta en su despacho, mientras que eso grandes territorios y dicz que cubrcn territorios mas pe-
ocurre tinicamente en c l caso del 12 % de Ins llnmadas quenos. La tabla udjunta muestra Ius distri bucioncs de
realizadas los demas dfas laborales. Defina h1s varbbles probabilidad del numero de pedidos recibidos por cada
aleatorias de Ia forma siguiente: uno de cstos tipos de reprcscnlantes en un dfa. Suponien-
do que el numero de pedidos que recibe cualquier rcprc-
X= I si Ia llamadu se X =0 en cuso contruriu sent:.mte es independienlc del ntimero que recibe cual-
realizu los vierncs quier otro, halle Ia media y Ia desvinci6n tfpica del numero
total de pedidos recibidos porIa emprcsa en un dfa.
Y= I si el prol'esur no esta Y= 0 en cuso contrario
en el despacho
Numcro de Nllmero de
pedidos pedidos
a. Halle Ia distribuci6n de probabilidad cunjunta de X (territories (tcrritorios
e Y. gnmdes) Probabilidad llllis pequei'ios) Prohahilidad
h. Halle Ia distribuci6n de probabilidad condicionadil de
Y, dado X = 0. 0 0,08 0 0,18
c. Halle lao; distribuciones de probabilidad marginal de 0, 16 0,26
Xe Y.
d. Halle e interprete Ia covarianzu entre X e Y. 2 0,28 2 0,36
3 0,32 3 0,13
4.82. El director de un restaurantc recibe quejas de vez en
cuando sobre Ia calidad tanto de Ia comida como del ser- 4 0,10 4 0,07
vicio. La tabla adjunta muestm las distribuciones de pro- 5 0,06
babilidad marginal del ntimero de quejas semanales de