Distribución uniforme

Experimento aleatorio: se predice el valor de una magnitud continua que toma valores, con la misma verosimilitud, en el intervalo continuo (a,b).

𝑋 : 𝑚𝑎𝑔𝑛𝑖𝑡𝑢𝑑   𝑝𝑟𝑒𝑑𝑖𝑐h𝑎 𝑋 𝑒𝑠 𝑈 (𝑎 ,𝑏) 𝑅 𝑋 = {( 𝑎 , 𝑏) }

𝑓 𝑋(𝑥)

{
1
, 𝑎 < 𝑥< 𝑏 1
𝑓 𝑋 ( 𝑥 )= 𝑏 −𝑎 𝑏−𝑎
0 ,𝑟𝑒𝑠𝑡𝑜
a b 𝑥

{
0,𝑡<𝑎 𝐹 𝑋 (𝑡)
𝑡 −𝑎 1
𝐹 𝑋 (𝑡 )= , 𝑎≤ 𝑡<𝑏
𝑏− 𝑎
1 ,𝑡 ≥𝑏
a b 𝑡

)]
𝑏

(
𝑏 2
1 𝑥 𝑏2 −𝑎 2 𝑎+ 𝑏
𝜇 𝑋 =𝐸 [ 𝑋 ]=∫ 𝑥 𝑑𝑥= = = 𝑓 𝑋(𝑥)
𝑎 𝑏−𝑎 2(𝑏 − 𝑎 ) 𝑎 2 ( 𝑏 −𝑎 ) 2 1
𝑏 2
𝑏−𝑎

( ) ( 𝑏− 𝑎 )
2
𝑎+𝑏 1
𝜎 =𝑉𝑎𝑟 [ 𝑋 ] =𝐸 [ ( 𝑋 − 𝜇 𝑋 ) ] =∫
2 2
𝑥− 𝑑𝑥 =
𝑋
𝑎 2 𝑏− 𝑎 12 a b
𝑥
𝑎+𝑏
𝜇𝑋 =
2
 Distribución uniforme
Ejemplo: se asume que las ventas diarias de una determinada empresa, en miles de euros, pueden variar entre 0 y 2 con la misma verosimilitud;
entonces puede evaluarse el nivel medio de ventas diarias, o bien, por ejemplo, la probabilidad de que las ventas en un día superen los mil euros.

𝑋: 𝑣𝑒𝑛𝑡𝑎𝑠   𝑑𝑖𝑎𝑟𝑖𝑎𝑠   𝑑𝑒   𝑙𝑎   𝑒𝑚𝑝𝑟𝑒𝑠𝑎  ( 𝑚𝑖𝑙𝑒𝑠   𝑒𝑢𝑟𝑜𝑠 ) 𝑋 𝑒𝑠 𝑈 (0,2) 𝑅 𝑋 = {( 0 , 2) }

𝑓 𝑋(𝑥)

{
1
, 0< 𝑥 <2 1
𝑓 𝑋 ( 𝑥 )= 2 2
0 , 𝑟𝑒𝑠𝑡𝑜
2 𝑥

{
0 , 𝑡 <0 𝐹 𝑋 (𝑡)
𝑡 1
𝐹 𝑋 (𝑡)= , 0 ≤ 𝑡 <2
2
1,𝑡 ≥2
2 𝑡
𝜇 𝑋 =𝐸 [ 𝑋 ]=1
𝑓 𝑋(𝑥) 𝑃 ( 𝑋 >1 )
1
2
1 1 2
𝑃 ( 𝑋 >1 ) =∫ 𝑑𝑥 =
2 2
1
2 𝑥
𝜇 𝑋 =1
 Distribución exponencial
Experimento aleatorio: se observa un proceso de Poisson de parámetro  y se predice la dimensión del espacio continuo en el que ocurren los sucesos desde que
comienza a observarse el proceso hasta que ocurre el primer suceso.

”
x
𝑅 𝑋 = { ( 0 ,+ ∞ ) }
0 x
( 𝜆𝑡 )0 − 𝜆 𝑡
𝑡 > 0 : 𝐹 𝑋 ( 𝑡 ) =𝑃 ( 𝑋 ≤𝑡 )=1 − 𝑃 ( 𝑋 >𝑡 ) =1− 𝑃 ( 𝑌 =0 ) =1− 𝑒 =1 −𝑒 − 𝜆 𝑡
0!
t
𝑌 : n ú mero   de  sucesos   en   el   espacio  de   dimensi ó n   t ⟹ 𝑌 𝑒𝑠 𝑃 ( 𝜆𝑡 )
0 t 𝑋 >𝑡 ⟹ 𝑌 =0
0 sucesos 𝑓 𝑋(𝑥)
𝐹 𝑋 (𝑡)=
{ 0 ,𝑡 ≤ 0
1− 𝑒
− 𝜆𝑡
,𝑡 >0
𝑓 𝑋 ( 𝑡 ) =
0 ,𝑡 ≤ 0
− 𝜆𝑡
𝜆𝑒 ,𝑡>0 { 𝜆

x
 Distribución exponencial
Experimento aleatorio: se observa un proceso de Poisson de parámetro  y se predice la dimensión del espacio continuo en el que ocurren los sucesos desde que
comienza a observarse el suceso hasta que ocurre el primer suceso.

{
x
0 ,𝑡 ≤ 0
𝑅 𝑋 = { ( 0 ,+ ∞ ) } 𝑓 𝑋 ( 𝑡 )= − 𝜆𝑡
0 x 𝜆𝑒 ,𝑡>0
;
+∞ 𝜆𝑥=𝑢 +∞ −𝑢
1 1 1
𝜇 𝑋 =𝐸 [ 𝑋 ]=∫ 𝑥 𝜆𝑒 −𝜆𝑥
𝑑𝑥 ¿⏞ ∫ 𝑢 𝑒 𝑑 𝑢= Γ ( 2 ) =
0 0
𝜆 𝜆 𝜆
𝜆
𝑚 𝑋 (𝑡 )= ,𝑡< 𝜆
𝜆 −𝑡

a b
La distribución exponencial no tiene memoria.
0 a a+b x

𝑃 ( 𝑋 > 𝑎+ 𝑏 ) 𝑒− 𝜆 (𝑎+𝑏 ) − 𝜆𝑏
𝑃 ( 𝑋 > 𝑎+𝑏 / 𝑋 >𝑎 ) = = − 𝜆 𝑎 =𝑒 = 𝑃 ( 𝑋 >𝑏 )
𝑃 ( 𝑋 > 𝑎) 𝑒
 Distribución exponencial
Ejemplo: se asume que los clientes entran a un negocio siguiendo un proceso de Poisson y que, en términos medios, entran 2 clientes por hora. Si el negocio se abre al
público a las 8 de la mañana, puede deducirse: a) el tiempo que se espera que transcurra hasta que entre el primer cliente; b) la probabilidad de que el primer cliente
entre después de las 9 de la mañana; y c) si en la primera hora de apertura entraron al negocio más de 2 clientes, puede evaluarse la probabilidad de que el primer
cliente que acude al negocio en la segunda hora lo haga después de las 9:30.

𝑋: 𝑡𝑖𝑒𝑚𝑝𝑜   𝑒𝑛   h𝑜𝑟𝑎𝑠   𝑑𝑒𝑠𝑑𝑒   𝑙𝑎𝑠  8  𝑑𝑒   𝑙𝑎   𝑚𝑎 ñ 𝑎𝑛𝑎   h𝑎𝑠𝑡𝑎   𝑞𝑢𝑒   𝑒𝑛𝑡𝑟𝑎   𝑒𝑙   𝑝𝑟𝑖𝑚𝑒𝑟   𝑐𝑙𝑖𝑒𝑛𝑡𝑒 → 𝑋𝑒𝑠 𝐸𝑥𝑝 ( 𝜆=2 )
1
E [ 𝑋 ]=
2
1
𝑃 ( 𝑋 >1 ) =1− 𝐹 𝑋 ( 1 )=𝑒 − 2= 2
𝑒

𝑌 : 𝑛 ú 𝑚𝑒𝑟𝑜   𝑑𝑒   𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠   𝑞𝑢𝑒   𝑎𝑐𝑢𝑑𝑒𝑛   𝑒𝑛   𝑙𝑎   𝑝𝑟𝑖𝑚𝑒𝑟𝑎   h𝑜𝑟𝑎   𝑑𝑒   𝑎𝑝𝑒𝑟𝑡𝑢𝑟𝑎 →𝑌 𝑒𝑠 𝑃 ( 𝜆 𝑠=2 )

𝑈: 𝑡𝑖𝑒𝑚𝑝𝑜   𝑒𝑛   h𝑜𝑟𝑎𝑠   𝑑𝑒𝑠𝑑𝑒   𝑙𝑎𝑠  9  𝑑𝑒   𝑙𝑎   𝑚𝑎 ñ 𝑎𝑛𝑎   h𝑎𝑠𝑡𝑎   𝑞𝑢𝑒   𝑒𝑛𝑡𝑟𝑎   𝑒𝑙   𝑝𝑟𝑖𝑚𝑒𝑟   𝑐𝑙𝑖𝑒𝑛𝑡𝑒 →𝑈𝑒𝑠 𝐸𝑥𝑝 ( 𝜆=2 )

( )
1
𝑈>
𝑃
2
𝑌 >2
=𝑃 𝑈>
1
2 (
=1 − 𝐹 𝑈
1
2
−1
=𝑒 = )
1
𝑒 ( )
 Distribución normal univariante
Experimento aleatorio: se predice el valor de una magnitud continua tal que los valores centrales son más verosímiles y a medida que los valores
de la magnitud se hacen más extremos menor es su verosimilitud.

𝑋 : 𝑚𝑎𝑔𝑛𝑖𝑡𝑢𝑑   𝑝𝑟𝑒𝑑𝑖𝑐h𝑎 𝑓 𝑋(𝑥)

( )
2
1 𝑥 −𝜇
1 −
𝑋 𝑒𝑠 𝑁 ( 𝜇 , 𝜎 ) ⟺ 𝑓 𝑋 ( 𝑥 )=
2 2 𝜎
𝑒 ,− ∞ < 𝑥 <+∞
𝜎 √2 𝜋

𝑆𝑖𝑚𝑒𝑡𝑟 í 𝑎: 𝑓 𝑋 ( 𝜇 −𝑘 )= 𝑓 𝑋 ( 𝜇+𝑘) , ∀ 𝑘 𝜇−𝑘 𝜇 𝜇+𝑘 𝑥

( ) − (
𝜎 )
2 2
+∞ 1 𝑥 −𝜇 +∞ 1 𝑥−𝜇 1 2 2
1 −
1 𝑡 𝜇+ 𝑡 𝜎
𝜇 𝑋 =∫ 𝜎 = ∫ ( 𝑥 − 𝜇)
2 𝜎 2 2 2 2 2
𝑥 𝑒 𝑑𝑥=𝜇 𝑋 𝑒 𝑑𝑥=𝜎 𝑚 𝑋 (𝑡 )=𝑒
−∞ 𝜎 √2 𝜋 −∞ 𝜎 √2 𝜋

}
1
𝑋 𝑒𝑠 𝑁 ( 𝜇 , 𝜎 2 ) ⟹ 𝑚 ( 𝑡 )=𝑒 𝑡 ( 𝑎 𝜇+𝑏 ) + 2 𝑡
2 2 2
𝑎 𝜎
⟺ 𝑌 𝑒𝑠 𝑁 ( 𝑎 𝜇+𝑏 , 𝑎 𝜎 )
2 2
𝑌
𝑌 =𝑎𝑋 +𝑏 , 𝑎 ≠ 0

}
{ 𝑋 1 , … , 𝑋 𝑛 } 𝑣 . 𝑎 . 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠
( ) (∑ ) ⟺ 𝑌 𝑒𝑠 𝑁
( )
𝑛 𝑛
1 2
𝑡 ∑ 𝑎𝑖 𝜇 𝑖 + 𝑡 𝑛 𝑛
2 2
𝑎𝑖 𝜎 𝑖
𝑋 𝑖 𝑒𝑠 𝑁 ( 𝜇𝑖 , 𝜎 𝑖 ) , 𝑖=1 , … ,𝑛
2
∑ 𝑎𝑖 𝜇 𝑖 , ∑ 𝑎2𝑖 𝜎 2𝑖
2
⟹ 𝑚𝑌 ( 𝑡 )=𝑒 𝑖=1 𝑖=1

𝑛 𝑖=1 𝑖 =1
𝑌 =∑ 𝑎𝑖 𝑋 𝑖
𝑖 =1
 Distribución normal estándar (Z)
𝑍 𝑒𝑠 𝑁 ( 𝜇 , 𝜎 2 )
2
𝜇= 0 , 𝜎 =1 }
⟺ 𝑍 𝑒𝑠 𝑁 ( 0 , 1 )
𝑓 𝑍 ( 𝑧)
1
1
2
− 𝑧
𝑍 𝑒𝑠 𝑁 ( 0 , 1 ) ⟺ 𝑓 𝑍 ( 𝑧 )= 𝑒 2 ,− ∞ < 𝑥 <+∞
√2 𝜋
𝑆𝑖𝑚𝑒𝑡𝑟 í 𝑎: 𝑓 𝑍 ( −𝑘 ) = 𝑓 𝑍 ( 𝑘) , ∀ 𝑘 𝜇 𝑋 =0 𝜎 2𝑋 =1 −𝑘 𝑘 𝑧
𝑁 𝑍 (𝑡)
𝐹 𝑍 ( 𝑡 )=𝑁 𝑍 ( 𝑡 )= ∫
𝑡
1
𝑒
1 2
− 𝑧
2
𝑑𝑧 ,− ∞ <𝑡 <+∞
1
−∞ √2 𝜋 1/2

𝑋 𝑒𝑠 𝑁 ( 𝜇 , 𝜎 2 )
𝑍=
𝑋 −𝜇
𝜎
}⟹ 𝑍 𝑒𝑠 𝑁 ( 0 , 1 ) 𝑡

𝑋 𝑒𝑠 𝑁 ( 𝜇 , 𝜎 )
} ( ) ( )
2
𝑋 −𝜇 𝑡 − 𝜇 𝑡 −𝜇
⟹ 𝐹 𝑋 ( 𝑡 ) =𝑃 ( 𝑋 ≤ 𝑡 ) =𝑃 ≤ =𝑁 𝑍
𝑍 𝑒𝑠 𝑁 ( 0,1 ) 𝜎 𝜎 𝜎
 Distribución normal estándar (Z)
𝑡 1
1
2
− 𝑧
𝑍 𝑒𝑠 𝑁 ( 0 , 1 ) 𝐹 𝑍 ( 𝑡 )=𝑁 𝑍 ( 𝑡 )= ∫ 𝑒 2 𝑑𝑧 ,− ∞ <𝑡 <+∞
𝑓 𝑍 ( 𝑧) −∞ √2 𝜋 𝑁 𝑍 (𝑡)
1
𝑁 𝑍 ( 0 )= 1
𝑁 𝑍 ( 𝑡 ) =𝛼 2
𝑁 𝑍 ( 𝑡 ) =1 − 𝑁 𝑍 ( −𝑡 ) , ∀ 𝑡 1/2

𝑡=𝑧 𝛼 𝑧 𝑡
Tablas de funci ó n de distribuci ó n : 𝑁 𝑍 ( 𝑡 ) , 𝑡>0 Nota: El valor de t se indica en la primera columna (entero y décima) y en la primera fila (centésima).
t 0 1 2 3 4 5 6 7 8 9
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6
0.7
0.8
0.7257
0.7580
0.7881
0.7291
0.7611
0.7910
0.7324
0.7642
0.7939
0.7357
0.7673
0.7967
0.7389
0.7704
0.7995
0.7422
0.7734
0.8023
0.7454
0.7764
0.8051
0.7486
0.7794
0.8078
0.7517
0.7823
0.8106
0.7549
0.7852
0.8133
𝑧 𝛼 =− 𝑧 1− 𝛼 , ∀ 𝛼
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0
1.1
1.2
0.8413
0.8643
0.8849
0.8438
0.8665
0.8869
0.8461
0.8686
0.8888
0.8485
0.8708
0.8907
0.8508
0.8729
0.8925
0.8531
0.8749
0.8944
0.8554
0.8770
0.8962
0.8577
0.8790
0.8980
0.8599
0.8810
0.8997
0.8621
0.8830
0.9015
𝑧 0.5 =0
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177

𝑁 𝑍 ( 1.96 )=0.975 ⟹ 𝑧 0.975=1.96

1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9
2.0
0.9713
0.9772
0.9719
0.9778
0.9726
0.9783
0.9732
0.9788
0.9738
0.9793
0.9744
0.9798
0.9750
0.9803
0.9756
0.9808
0.9761
0.9812
0.9767
0.9817
𝑁 𝑍 ( 1.96 )=0.975 ⟹ 𝑁 𝑍 ( − 1.96 ) =0. 025
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3
2.4
0.9893
0.9918
0.9896
0.9920
0.9898
0.9922
0.9901
0.9925
0.9904
0.9927
0.9906
0.9929
0.9909
0.9931
0.9911
0.9932
0.9913
0.9934
0.9916
0.9936 𝑧 0.975 =1.96 ⟹ 𝑧 0.025 =−1.96
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9987                  
 Distribución normal univariante
Ejemplo: Suponga que se sabe que los ingresos anuales de una empresa, en millones de euros, siguen una distribución normal y se asume que la probabilidad de que la empresa
obtenga unos ingresos inferiores a 2 millones es igual a la probabilidad de obtener ingresos superiores a esta cantidad, mientras que la probabilidad de que los ingresos superen los 3
millones es tan sólo del 2.5%. Se considera entonces que el año es normal si los ingresos se desvían de la media menos de medio millón de euros, y absolutamente anómalo si la
desviación en cuestión supera el millón de euros. En estas circunstancias puede evaluarse: a) el nivel esperado y la varianza de los ingresos anuales de la empresa; b) la probabilidad
de que un ejercicio sea normal o que sea absolutamente anómalo.

𝑋: 𝑖𝑛𝑔𝑟𝑒𝑠𝑜𝑠   𝑎𝑛𝑢𝑎𝑙𝑒𝑠  ( 𝑚𝑖𝑙𝑙𝑜𝑛𝑒𝑠   𝑑𝑒   𝑒𝑢𝑟𝑜𝑠 )

𝑋 𝑒𝑠 𝑁 ( 𝜇 , 𝜎 )
2
𝑓 𝑋(𝑥)
0.025 (
𝑃 | 𝑋 −2|<
1
2

𝑃 ( 𝑋 <2 )=𝑃 ( 𝑋 > 2 ) ⟹ 𝜇=2 𝜇=2 3 𝑥

𝑃 ( 𝑋 >3 )=0.025 ⟹ 𝑃 ( 𝑋 − 𝜇 3 −2
𝜎
>
𝜎
=0.025 ⟹
𝜎)
3 −2
=𝑧 0.97 5 =1.96 ⟹ 𝜎 =
1
1.96
1
| 𝑋 − 2|< ⟹ 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜 𝑛𝑜𝑟𝑚𝑎𝑙
2
𝑓 𝑍 ( 𝑧) (
𝑃 |𝑍 |<
1.96
2 )

- 0.98
| 𝑋 − 2|>1⟹ 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑎𝑚𝑒𝑛𝑡𝑒 𝑎𝑛 ó 𝑚𝑎𝑙𝑜
𝑃 (| 𝑋 − 2|>1 ) =𝑃 ( 𝑋 >3 )+ 𝑃 ( 𝑋 <1 )=0.025+0.025=0.05
 Distribución normal bivariante
Experimento aleatorio: se predice el valor de dos magnitudes continuas, posiblemente correlacionadas, y tales que, para cada una de ellas, los
valores centrales son más verosímiles y su verosimilitud se reduce a medida que los valores se hacen más extremos.

( 𝑋 ,𝑌 ) : 𝑝𝑎𝑟 𝑑𝑒 𝑚𝑎𝑔𝑛𝑖𝑡𝑢𝑑𝑒𝑠 𝑝𝑟𝑒𝑑𝑖𝑐h𝑎𝑠

)[( ) ( )( )( ) ], ∀ ( 𝑥 , 𝑦 )∈ ℝ
2 2

(
1 1 𝑥 −𝜇 𝑋 𝑥− 𝜇 𝑋 𝑦 − 𝜇𝑌 𝑦 − 𝜇𝑌
− −2 𝜌 +
1 2 1 − 𝜌2 𝜎𝑋 𝜎𝑋 𝜎𝑌 𝜎𝑌 2
( 𝑋 , 𝑌 ) 𝑒𝑠 𝑁𝐵 ⟺ 𝑓 𝑋 , 𝑌 ( 𝑥 , 𝑦 ) = 𝑒
2 𝜋 𝜎 𝑋 𝜎 𝑌 √ 1− 𝜌
2

𝜇 𝑋 =𝐸 [ 𝑋 ] 𝜇 𝑌 =𝐸 [ 𝑌 ] ()

𝜎 2𝑋 =𝑉𝑎𝑟 ( 𝑋 ) 𝜎 2𝑌 =𝑉𝑎𝑟 ( 𝑌 )
𝜌= 𝜌 𝑋 ,𝑌
𝑆𝑖 ( 𝑋 ,𝑌 ) 𝑒𝑠 𝑁𝐵 ,𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 :
𝑥
1 . 𝑋 𝑒𝑠 𝑁 ( 𝜇 𝑋 , 𝜎 2𝑋 ) ; 𝑌 𝑒𝑠 𝑁 ( 𝜇 𝑌 , 𝜎 2𝑌 )

𝑦 ( 𝜇 𝑋 , 𝜇𝑌 )

3. 𝜌=0⟹ 𝑋 ,𝑌 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠
4. 𝑊 =𝑎𝑋 +𝑏𝑌 𝑒𝑠 𝑁 ( 𝑎 𝜇 𝑋 +𝑏 𝜇 𝑌 , 𝑎 𝜎 𝑋 + 𝑏 𝜎 𝑌 +2 𝑎𝑏 𝜌 𝜎 𝑋 𝜎 𝑌 )
2 2 2 2
 Distribución normal bivariante
Ejemplo: Suponga que una empresa tiene dos negocios A y B y se asume que las variables que miden los ingresos de cada uno de los dos negocios, en millones de euros, siguen una
distribución normal normal bivariante. Suponga también que los ingresos esperados de los negocios A y B son, respectivamente, de 5 y 4 millones de euros, mientras que la
desviación típica es de 1 millón de euros en ambos casos. Si se supone también que el coeficiente de correlación entre los ingresos de ambos negocios es igual a ½, puede evaluarse:
a) la probabilidad de que los ingresos en el negocio A superen los 6 millones si los ingresos del negocio B ascienden a 4 millones; b) la probabilidad de que los ingresos del negocio A
superen a los del negocio B. Si se supone ahora que los ingresos de ambos negocios están incorrelados, puede evaluarse también la probabilidad de que ambos negocios proporcionen
ingresos superiores a sus niveles esperados.

𝑋: 𝑖𝑛𝑔𝑟𝑒𝑠𝑜𝑠   𝑎𝑛𝑢𝑎𝑙𝑒𝑠   𝑑𝑒𝑙   𝑛𝑒𝑔𝑜𝑐𝑖𝑜   𝐴  ( 𝑚𝑖𝑙𝑙𝑜𝑛𝑒𝑠   𝑑𝑒   𝑒𝑢𝑟𝑜𝑠 ) ( 𝑋 , 𝑌 ) 𝑒𝑠 𝑁𝐵 𝜇 =5 𝜇 =4 𝜎 =𝜎 =1

Y : 𝑖𝑛𝑔𝑟𝑒𝑠𝑜𝑠   𝑎𝑛𝑢𝑎𝑙𝑒𝑠   𝑑𝑒𝑙   𝑛𝑒𝑔𝑜𝑐𝑖𝑜   𝐵  ( 𝑚𝑖𝑙𝑙𝑜𝑛𝑒𝑠   𝑑𝑒   𝑒𝑢𝑟𝑜𝑠 ) 𝑋 𝑌 𝑋 𝑌
1
𝜌= =
2

( ( )
)
𝑋 1 1 𝑓 (𝑥)
𝑒𝑠 𝑁 5+ ( 4 − 4 ) , 1 − 𝑋
𝑌 =4 ⏟ 2 ⏟ 4 𝑌 =4

5 3
4

5 6 𝑥
( )
1
⏟
𝑋 −𝑌 𝑒𝑠 𝑁 5 − 4 ,1 +1− 2
⏟2
 
1

( )
1

𝑋 − 𝑌 −1 − 1
𝑃 ( 𝑋 >𝑌 )= 𝑃 ( 𝑋 − 𝑌 >0 ) ⏞
¿ 𝑃
1
>
1
= 𝑁 𝑍 ( 1 )=0.8413
𝜌=0
=
 Convergencia de sucesiones de variables aleatorias
Sucesión de variables aleatorias: conjunto infinito de variables aleatorias.

Propiedades de convergencia: comportamiento asintótico (n tiende a infinito) de alguna propiedad de las variables aleatorias de la sucesión.

Convergencia en ley (o distribución).

\{ 𝑋 𝑛 \}𝑛∈ ℕ / 𝐹 𝑛 ( 𝑡 )=𝑃 ( 𝑋 𝑛 ≤𝑡 ) , ∀ 𝑡 ∈ ℝ ,   𝑛 ∈ℕ
𝑋 / 𝐹 (𝑡 )=𝑃 ( 𝑋 ≤ 𝑡 ) , ∀ 𝑡 ∈ℝ   → }
: 𝑋 𝑛        𝐿 𝑋 ⟺ lim 𝐹 𝑛 ( 𝑡 )= 𝐹 ( 𝑡 ) , ∀ 𝑡 ∈ ℝ
𝑛→ ∞

{
Ejemplo: 1
, 𝑥 =0
𝑛+1 𝑛
\{ 𝑋 𝑛 \}𝑛 ∈ ℕ / 𝑃 ( 𝑋 𝑛 = 𝑥 𝑛 ) = 𝑛
, 𝑥 𝑛 =𝑘 𝑋 / 𝑋 ≡𝑘
𝑛+1
0 , 𝑟𝑒𝑠𝑡𝑜

{
0 ,𝑡 <0
𝐹 𝑛 ( 𝑡 )=
1
𝑛+1
,0≤ 𝑡<𝑘 lim 𝐹 𝑛 ( 𝑡 ) =
𝑛→ ∞ {
0,𝑡<𝑘
1, 𝑡 ≥ 𝑘
𝑋 / 𝑋 ≡𝑘 ⟹ 𝑃 ( 𝑋=𝑥 )=
{ 1 , 𝑥=𝑘 𝐹 ( 𝑡 ) = 0 ,𝑡 <𝑘
0 ,𝑟𝑒𝑠𝑡𝑜 1 ,𝑡 ≥ 𝑘 {
1,𝑡 ≥𝑘
lim 𝐹 𝑛 ( 𝑡 ) =𝐹 ( 𝑡 ) , ∀ 𝑡 ∈ℝ ⟹ 𝑋 𝑛        𝐿 𝑋
𝑛→ ∞ →
 Convergencia de sucesiones de variables aleatorias
Convergencia en probabilidad.

}
( Ω, 𝒜 , 𝑃 )
\{ 𝑋 𝑛 \}𝑛 ∈ ℕ : 𝑋 𝑛        𝑃 𝑋 ⟺ lim 𝑃 ( {𝜔 ∈ Ω /| 𝑋 𝑛 ( 𝜔 ) − 𝑋 ( 𝜔 )|> 𝜀 }) =0 , ∀ 𝜀 > 0
→ 𝑛 →∞
𝑋
𝑋 𝑛        𝑃 𝑋 ⟹ 𝑋 𝑛        𝐿 𝑋 𝑋 𝑛        𝐿 𝑋 ≡ 𝑘⟹ 𝑋 𝑛        𝑃 𝑋 ≡𝑘
→ → → →

Ejemplo: Ω : { 𝜔 1 , 𝜔2 }
𝑋 𝑛 : Ω⟶ ℝ 𝑋 : Ω⟶ ℝ
1 \{ 𝑋 𝑛 \}𝑛∈ℕ / 𝐹 𝑛 ( 𝑡 )= 𝑃 ( 𝑋 𝑛 ≤ 𝑡 ) , ∀ 𝑡 ∈ ℝ ,  𝑛∈ ℕ
𝑃 ( {𝜔 1 })= 𝜔1 ⟶ 1 𝜔1⟶ 2
2
𝜔2⟶ 2 𝜔2⟶ 1 𝑋 /𝐹 ( 𝑡 )= 𝑃 ( 𝑋 ≤𝑡 ) , ∀ 𝑡 ∈ ℝ  
1
𝑃 ( {𝜔 2 })=
2

{ {
0,𝑡<1 0 , 𝑡 <1
1 1 lim 𝐹 𝑛 ( 𝑡 ) =𝐹 ( 𝑡 ) , ∀ 𝑡 ∈ℝ ⟹ 𝑋 𝑛        L 𝑋
𝐹 𝑛 ( 𝑡 )= , 1 ≤ 𝑡 <2 𝐹 ( 𝑡 ) = , 1 ≤ 𝑡 <2
2 2 𝑛→ ∞ →
1,𝑡≥2 1,𝑡≥2
lim 𝑃 ( { 𝜔 ∈ Ω/| 𝑋 𝑛 ( 𝜔 ) − 𝑋 ( 𝜔 )|> 𝜀 })=𝑃 ( { 𝜔1 , 𝜔2 } ) =1 , ∀ 𝜀<1 ⟹ 𝑋 𝑛        𝑃 𝑋
𝑛→ ∞ →
 Convergencia de sucesiones de variables aleatorias

} {
Ejemplo: ( Ω, 𝒜 , 𝑃 ) 1
, ( 𝑥 𝑛 , 𝑥 )= ( 1, 0 ) , ( 0 ,1 ) , ( 2 , 2 )
\{ 𝑋 𝑛 \}𝑛 ∈ ℕ : 𝑃 ( 𝑋 𝑛=𝑥 𝑛 , 𝑋 = 𝑥 )= 3
𝑋 0 , 𝑟𝑒𝑠𝑡𝑜

{ {
0 ,𝑡 < 0 0,𝑡<0
1 1
, 0 ≤ 𝑡 <1 , 0 ≤ 𝑡 <1
\{ 𝑋 𝑛 \}𝑛∈ℕ / 𝐹 𝑛 ( 𝑡 )= 𝑃 ( 𝑋 𝑛 ≤ 𝑡 ) , ∀ 𝑡 ∈ ℝ ,  𝑛 ∈ ℕ 𝐹 𝑛 ( 𝑡 )= 3 3
2 𝐹 (𝑡)=
𝑋 /𝐹 ( 𝑡 )= 𝑃 ( 𝑋 ≤𝑡 ) , ∀ 𝑡 ∈ ℝ   , 1≤ 𝑡 < 2 2
3 ,1 ≤ 𝑡 < 2
3
lim 𝐹 𝑛 ( 𝑡 ) =𝐹 ( 𝑡 ) , ∀ 𝑡 ∈ℝ ⟹ 𝑋 𝑛        L 𝑋 1 ,𝑡 ≥ 2 1, 𝑡 ≥ 2
𝑛→ ∞ →

{
∀ 𝜔 ∈ Ω1 : 𝑋 𝑛 ( 𝜔 ) =1 , 𝑋 ( 𝜔 )=0
Ω : Ω1 ∪ Ω2 ∪ Ω3
Ω 𝑖 ∩Ω 𝑗 : ∅ , ∀ 𝑖 ≠ 𝑗 ,𝑖 , 𝑗=1,2,3 }
/ ∀ 𝜔 ∈ Ω2 : 𝑋 𝑛 ( 𝜔 ) =0 , 𝑋 ( 𝜔 ) =1
∀ 𝜔 ∈ Ω3 : 𝑋 𝑛 ( 𝜔 )=2 , 𝑋 ( 𝜔 ) =2
2
lim 𝑃 ( { 𝜔 ∈ Ω/| 𝑋 𝑛 ( 𝜔 ) − 𝑋 ( 𝜔 )|> 𝜀 })= lim 𝑃 ( Ω 1 ∪ Ω2 )= , ∀ 𝜀<1⟹ 𝑋 𝑛        𝑃 𝑋
𝑛→ ∞ 𝑛→ ∞ 3 →
 Convergencia de sucesiones de variables aleatorias
Convergencia en media cuadrática.

}
( Ω, 𝒜 , 𝑃 )
\{ 𝑋 𝑛 \}𝑛 ∈ ℕ : 𝑋 𝑛        2 𝑋 ⟺ lim 𝐸 [ ( 𝑋 𝑛 − 𝑋 ) ] =0
2

→ 𝑛→ ∞
𝑋

{
l ℑ 𝐸 [ 𝑋 𝑛 ]= 𝐸 [ 𝑋 ]
𝑋 𝑛        2 𝑋 ⟹ 𝑛→ ∞ 𝑋 𝑛        2 𝑋 ⟹ 𝑋 𝑛        𝑃 𝑋
l ℑ 𝐸 [ 𝑋 2𝑛 ] = 𝐸 [ 𝑋 2 ]
→ → →

{
𝑛→ ∞
1

}
Ejemplo: ( Ω , 𝒜 , 𝑃 )
, ( 𝑥 𝑛 , 𝑥 )= (1 , 2 )
𝑛+1
\{ 𝑋 𝑛 \}𝑛 ∈ ℕ : 𝑃 ( 𝑋 𝑛= 𝑥 𝑛 , 𝑋 = 𝑥 )= 𝑛
, ( 𝑥𝑛 , 𝑥 )= ( 2 , 2 )
𝑋 𝑛+1
0 , 𝑟𝑒𝑠𝑡𝑜

== lim 𝐸 [ ( 𝑋 𝑛 − 𝑋 ) 2 ]=0 ⟹ 𝑋 𝑛       2 𝑋

𝑛→ ∞ →

}
lim 𝑃 ( { 𝜔 ∈ Ω /| 𝑋 𝑛 ( 𝜔 ) − 𝑋 ( 𝜔 )|> 𝜀 })= 𝑃 ( ∅ )=0 , ∀ 𝜀 ≥ 1
𝑛→ ∞ ⟹ 𝑋 𝑛        𝑃 𝑋
lim 𝑃 ( {𝜔 ∈ Ω /| 𝑋 𝑛 ( 𝜔 ) − 𝑋 ( 𝜔 )|>𝜀 } )= lim 𝑃 ( { 𝜔 ∈ Ω / 𝑋 𝑛 ( 𝜔 )=1 , 𝑋 ( 𝜔 )= 2 } ) =0 , ∀ 𝜀<1 →

𝑛→ ∞ 𝑛→ ∞
 Convergencia de sucesiones de variables aleatorias
Convergencia casi segura.

}
( Ω, 𝒜 , 𝑃 )
\{ 𝑋 𝑛 \}𝑛 ∈ ℕ : 𝑋 𝑛        𝑐 . 𝑠 . 𝑋 ⟺ 𝑃
𝑋
→ ({ 𝜔 ∈ Ω / 𝑋 𝑛
→ })
( 𝑤 )       𝑛 → ∞ 𝑋 (𝑤 ) =1

𝑋 𝑛        𝑐 . 𝑠 . 𝑋 ⟹ 𝑋 𝑛        𝑃 𝑋
→ →

Relaciones entre distintos tipos de convergencia.

𝑋 𝑛        𝑐 . 𝑠 . 𝑋 ⟹ 𝑋 𝑛        𝑃 𝑋 ⟹ 𝑋 𝑛        𝐿 𝑋

→ → →
𝑋 𝑛        2 𝑋 ⟹ 𝑋 𝑛        𝑃 𝑋 ⟹ 𝑋 𝑛        𝐿 𝑋
→ → →
 Convergencia de sucesiones de variables aleatorias
Ley débil de los grandes números.

}
(Ω, 𝒜 , 𝑃)
2 2
\{ 𝑋 𝑛 \}𝑛 ∈ ℕ 𝑖. 𝑖 . 𝑑 . , 𝜇 𝑋 =𝜇 , 𝜎 𝑋 =𝜎
𝑛
𝑛 𝑛
⟹ 𝑋 𝑛        𝑃 𝜇
1 →
\{ 𝑋 𝑛 \}𝑛 ∈ ℕ / 𝑋 𝑛=∑ 𝑋 𝑖 ,𝑛 ∈ ℕ
𝑖 =1 𝑛
𝑋 𝑛        𝑃 𝜇 ⟺ lim 𝑃 (| 𝑋 𝑛 −𝜇|>𝜀 ) =0 , ∀ 𝜀>0
→ 𝑛→ ∞

Teorema central del límite.

}
(Ω,𝒜 , 𝑃)
2 2
\{ 𝑋 𝑛 \}𝑛∈ℕ 𝑖. 𝑖 . 𝑑 . , 𝜇 𝑋 =𝜇 , 𝜎 𝑋 =𝜎

{
𝑛 𝑛
𝑛
𝑍 𝑛        𝐿 𝑍 𝑒𝑠 𝑁 ( 0,1 )
\{𝑌 𝑛 \}𝑛∈ℕ / 𝑌 𝑛 =∑ 𝑋 𝑖 , 𝑛∈ ℕ →

( )
𝑖=1 2
𝑛 ⟹ 𝜎
1 𝑋 𝑛        𝐿 𝑋 𝑒𝑠 𝑁 𝜇 ,
\{ 𝑋 𝑛 \}𝑛∈ℕ / 𝑋 𝑛 =∑ 𝑋 𝑖 ,𝑛 ∈ ℕ → 𝑛
𝑖=1 𝑛
𝑌 𝑛        𝐿 𝑌 𝑒𝑠 𝑁 ( 𝑛 𝜇 , 𝑛 𝜎 )
2
𝑋𝑛 − 𝜇
\{ 𝑍 𝑛 \} 𝑛∈ ℕ / 𝑍 𝑛 = ,𝑛 ∈ ℕ →
𝜎
√𝑛
 Convergencia de sucesiones de variables aleatorias
Aproximación de la distribución binomial a la distribución normal.
\{𝑌 𝑛 \}𝑛∈ℕ /𝑌 𝑛 𝑒𝑠 𝐵 ( 𝑛, 𝑝 ) ⟹ 𝑌 𝑛        𝐿 𝑌 𝑒𝑠 𝑁 ( 𝑛𝑝 ,𝑛𝑝 ( 1− 𝑝 ))

}
→
𝑛
𝑌 𝑛=∑ 𝑋 𝑖
𝑖 =1
2
⟹ 𝑌 𝑛        𝐿 𝑌 𝑒𝑠 𝑁 ( 𝑛 𝑝 , 𝑛𝑝 ( 1 −𝑝 ) )
𝑋 𝑖 𝑒𝑠 𝐵 ( 𝑝 ) , 𝜇 𝑋 =𝑝 , 𝜎 =𝑝 ( 1 −𝑝 )
𝑖
𝑋𝑖
→

{ 𝑋 1 , … , 𝑋 𝑛 } 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠
Corrección de continuidad.

𝑃 ( 𝑌 𝑛 =𝑦 𝑛 ) 𝑌 𝑛 𝑒𝑠 𝐵 ( 𝑛 , 𝑝 ) 𝑃 ( 𝑌 𝑛 =𝑎 ) >0 𝑓 𝑌 ( 𝑦) 𝑌 𝑒𝑠 𝑁 ( 𝑛𝑝 ,𝑛𝑝 ( 1 −𝑝 ) )
𝑃 ( 𝑌 =𝑎 )=0
𝑃 ( 𝑌 𝑛 =𝑎 ) ≈ 𝑃 𝑎 −( 1
2
<𝑌 <𝑎 +
1
2 )
𝑎 𝑛 𝑦𝑛 𝑎 𝑛𝑝 𝑦

{
1 1
𝑎−
𝑃 ( 𝑎 <𝑌 𝑛 <𝑏 ) ≈ 𝑃 (𝑎+ 12 <𝑌 <𝑏 − 12 )   2 𝑎+
2
< 𝑏 ) ≈ 𝑃 (𝑎 −
2)
1 1
𝑃 (𝑎 ≤ 𝑌 𝑛 <𝑌 <𝑏 −
2
∀ 𝑎 , 𝑏 ∈ 𝑅𝑌 , 𝑎 <𝑏 :
≤ 𝑏 ) ≈ 𝑃 (𝑎 +
2)
𝑛
1 1
𝑃 (𝑎 <𝑌 𝑛 <𝑌 <𝑏 +
2

≤ 𝑏) ≈ 𝑃 ( 𝑎 −
2 )
1 1
𝑃 (𝑎 ≤ 𝑌 𝑛 < 𝑌 < 𝑏+
2
 Convergencia de sucesiones de variables aleatorias
Aproximación de la distribución binomial a la distribución normal.
\{𝑌 𝑛 \}𝑛∈ℕ /𝑌 𝑛 𝑒𝑠 𝐵 ( 𝑛, 𝑝 ) ⟹ 𝑌 𝑛        𝐿 𝑌 𝑒𝑠 𝑁 ( 𝑛𝑝 ,𝑛𝑝 ( 1− 𝑝 ))
→

Ejemplo: Suponga que se asume que, en un ejercicio contable en situación de crisis económica, cada una de las 10 mil empresas turísticas de una región puede ser rentable con
probabilidad 1/10, independientemente de que las demás empresas sean o no rentables. En estas condiciones, puede evaluarse por ejemplo la probabilidad de que menos de mil
de estas empresas sean rentables en un ejercicio de este tipo.

𝑋: 𝑛 ú 𝑚𝑒𝑟𝑜   𝑑𝑒   𝑒𝑚𝑝𝑟 𝑒𝑠𝑎𝑠   𝑟𝑒𝑛𝑡𝑎𝑏𝑙𝑒𝑠   𝑒𝑛𝑡𝑟𝑒   𝑙𝑎𝑠  10  𝑚𝑖𝑙   𝑑𝑒   𝑙𝑎   𝑟𝑒𝑔𝑖 ó 𝑛 𝑃 ( 𝑋 <1000 )

𝑓 𝑌 ( 𝑦) 𝑌 𝑒𝑠 𝑁 ( 1000 , 900 )

(
𝑋 𝑒𝑠 𝐵 𝑛=10000 , 𝑝=
1
10 )
⟶ 𝑌 𝑒𝑠 𝑁 ( 𝑛 𝑝=1000 , 𝑛𝑝 (1 −𝑝 ) =900 )

𝑦
999.5 1000.5
= 1000
 Convergencia de sucesiones de variables aleatorias
Aproximación de la distribución de Poisson a la distribución normal.
\{𝑌 𝑛 \}𝑛∈ℕ /𝑌 𝑛 𝑒𝑠 𝑃 ( 𝑛 𝜆 ) ⟹ 𝑌 𝑛        𝐿 𝑌 𝑒𝑠 𝑁 ( 𝑛 𝜆 ,𝑛 𝜆 )

}
→
𝑛
𝑌 𝑛=∑ 𝑋 𝑖
1 1 1
𝑖=1
2
⟹ 𝑌 𝑛        𝐿 𝑌 𝑒𝑠 𝑁 ( 𝑛 𝜆 , 𝑛 𝜆 )
(intervalo 1) (intervalo 2) (intervalo n) 𝑋 𝑖 𝑒𝑠 𝑃 ( 𝜆 ) , 𝜇 𝑋 =𝜆 , 𝜎 = 𝜆
𝑖
𝑋𝑖
→

{ 𝑋 1 , … , 𝑋 𝑛 } 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠
Ejemplo: se asume que los clientes entran a un negocio siguiendo un proceso de Poisson y que, en términos medios, entran 2 clientes por hora. Si el negocio está abierto 2000
horas al año, puede deducirse la probabilidad de que entren al negocio más de 4000 clientes en un año.

𝑋: 𝑛 ú 𝑚𝑒𝑟𝑜   𝑑𝑒   𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠   𝑞𝑢𝑒   𝑒𝑛𝑡𝑟𝑎𝑛   𝑎𝑙   𝑛𝑒𝑔𝑜𝑐𝑖𝑜   𝑒𝑛   𝑢𝑛   𝑎 ñ 𝑜 𝑃 ( 𝑋 > 4000 )

𝑓 𝑌( 𝑦)
𝑌 𝑒𝑠 𝑁 ( 4000 , 4000 )

𝑋 𝑒𝑠 𝑃 ( 𝜆 𝑠=4000 ) ⟶ 𝑌 𝑒𝑠 𝑁 ( 𝜆 𝑠=4000 , 𝜆 𝑠=4000 )

4000.5 𝑦

=
 TEMA 2. DISTRIBUCIONES CONTINUAS Y EL TEOREMA CENTRAL DEL LÍMITE

1.- Dos partidos políticos A y B concurren a determinadas elecciones. De acuerdo con resultados
anteriores, se piensa que los porcentajes de votos, X e Y , recibidos por los partidos políticos A y B
, respectivamente, dependen del porcentaje de individuos que posee vivienda propia, V . En
concreto, se tiene que
X  2V
Si el porcentaje de individuos con vivienda propia sigue una distribución uniforme en
Y  100  2V
el intervalo 0,50, responda las siguientes cuestiones.
a) ¿Es igual de probable que gane un partido u otro?
b)Si se sabe que más del 20% de los individuos posee vivienda propia: b.1) ¿cuál es la
probabilidad de que el partido A gane las elecciones?; b.2) ¿y la probabilidad de que
el partido A obtenga más del 40% de los votos?

2.- Una empresa dedicada a la venta de ordenadores está preocupada porque los
ordenadores que vende quedan rápidamente desfasados, es decir, aparece en el
mercado otro con prestaciones superiores. Ante las quejas de los clientes, la citada
empresa se ha comprometido a devolver una parte del importe total de la venta si el
tiempo T (en años) que transcurre desde que vende un ordenador hasta que éste queda
desfasado es menor de  años, siendo  un parámetro tal que la probabilidad de tener
que devolver una parte del importe sea sólo del 10%.
a)Si la empresa ha vendido 100 ordenadores exactamente iguales en el mismo instante
del tiempo, ¿cuál es la probabilidad de que todos queden desfasados en menos de 
años?
b) Si la empresa estima que T sigue una distribución exponencial de media un año,
¿cuál debe ser el nivel elegido para el parámetro  ?
c)Suponiendo ahora que T sigue una distribución normal de media un año y
desviación típica ¼ de año, responda el apartado b). ¿Encuentra usted alguna
explicación a la diferencia observada en el valor calculado para  con respecto al
obtenido en el apartado b?

3.- En la consulta de un hospital de la Seguridad Social, es habitual que exista un

retraso en la atención al paciente, definido como el tiempo que transcurre entre la
hora a la que un paciente está citado y el momento en que el paciente es atendido por
el médico. Suponga que dicho retraso, X , en horas, sigue una distribución
exponencial de parámetro   2 por hora.
d) ¿Cuál es el retraso medio que tiene que soportar un paciente?
e)Si un paciente acude 10 veces a dicha consulta, ¿cuál es la probabilidad de que al
menos una vez tenga que soportar un retraso de más de media hora?
f) Suponga que el gerente del hospital ha estudiado la magnitud del retraso y distingue
tres casos: retraso pequeño, si es menor de media hora; retraso moderado si está entre
media hora y 1 hora; retraso excesivo, si es mayor de 1 hora. Si un paciente acude a
la
 consulta 5 veces, ¿cuál es la probabilidad de que el retraso sea moderado el triple de
veces que aquéllas en que el retraso sea pequeño?
Nota: Suponga que los retrasos cada vez que se acude a la consulta son independientes.

4.- Suponga que cada uno de los 10 licenciados en determinada carrera tiene unas
posibilidades del 50 % de conseguir empleo.
a) Si el número de puestos de trabajo a los que estos licenciados pueden acceder es
menor que 10, ¿puede considerarse que el número de licenciados (de los 10
anteriores) que consiguen un empleo sigue una distribución binomial? Explique por
qué.
b)Suponga ahora que se desconoce el número exacto de puestos de trabajo a los que
estos 10 licenciados pueden acceder, pero se sabe que el hecho de que uno o más
licenciados consigan empleo no modifica la probabilidad de que otros licenciados lo
consigan. ¿Cuál es la probabilidad de que más de la mitad de los 10 licenciados
consigan empleo?
c)Suponga que el sueldo anual (en decenas de miles de euros) alcanzado por uno
cualquiera de los licenciados que obtengan un empleo, sigue una distribución normal
de media 2 y desviación típica ¼ y se supone, además, que los sueldos obtenidos por
estos licenciados son independientes entre sí. Se considera que el sueldo es alto si es
mayor que 2.5, es bajo si es inferior a 1.5, y en el resto de casos el sueldo es medio. Si
sólo 4 de los licenciados han conseguido empleo, ¿cuál es la probabilidad de que el
número de licenciados que consiguen un sueldo alto sea igual al número de
licenciados que consiguen un sueldo bajo?
d)Suponga que el tiempo, en años, que tarda uno cualquiera de los licenciados en
obtener su primer empleo, sigue una distribución exponencial de parámetro 2.
Suponga,
también, que los tiempos que tardan los licenciados en encontrar empleo son
independientes. ¿Cuál es la probabilidad de que uno de estos licenciados tarde más de
un año en encontrar su primer empleo? ¿Cuál es la probabilidad de que un licenciado
determinado tarde más de un año y otro concreto menos de un año?

5.- Un agricultor está planificando la siembra de sus cosechas y, para ello, necesita
información sobre las previsiones de lluvia. Un vendedor señala a este agricultor que
necesitará un equipo de riego si la lluvia anual es inferior a 80 litros/m2, y que su
empresa ha estimado que la cantidad de lluvia anual sigue una distribución normal de
media 100 litros/m2 y desviación típica desconocida  .
e)El agricultor responde que, si es cierto lo que dice el vendedor, es mayor la
probabilidad de que no necesite el equipo de riego que la probabilidad de que lo
necesite. ¿Cree usted que el agricultor tiene razón?
f)Si la probabilidad de que llueva menos de 80 litros/m2 es 0.025, ¿sabría usted calcular
la probabilidad de que llueva más de 120 litros/m2?
g) Si   10 , ¿cuál es la probabilidad de que el agricultor necesite el equipo de riego?

6.- Los gobernantes de una región han encargado un análisis coste-beneficio de la

construcción de una autopista. Valorando tanto los beneficios, B , como los costes, C
(en millones de euros), en función del número de km construidos, X , se han obtenido
las siguientes relaciones: B  5 X , C  40  3X . Por otro lado, aunque se desconoce
 el número de km que finalmente se construirán, se ha llegado a la conclusión de que
dicho número sigue una distribución normal de media 30. Con esta información, los
gobernantes han considerado dos criterios para decidir si vale la pena construir la
autopista: a) construir la autopista si se espera que los beneficios superen a los costes;
b) construir la autopista si la probabilidad de que los beneficios superen los costes es
mayor o igual que 0.5. ¿A qué conclusión llegarán con cada uno de los criterios?

7.- Sean X e Y los porcentajes de individuos casados entre los mayores de edad residentes en las
regiones A y B , respectivamente.
a) Suponga que X ,Y  es una variable aleatoria normal bivariante con  X  50
,  55 , 2  36 ,  2  36 , 
Y X Y
1) .
X ,Y¿Qué diferencia se espera que se18produzca entre ambos porcentajes?
2)¿Cuál es la probabilidad de que el porcentaje de casados en la región A sea mayor
que la mitad del porcentaje correspondiente a la región B si este último es del 60%?
3)Si el porcentaje de casados en la región A es del 60%, ¿cuál es el porcentaje de
casados en la región B tal que la probabilidad de superarlo sea 0.95?
b) Suponga ahora que X ,Y  es normal bivariante, pero considere que los
porcentajes
esperados de casados en ambas regiones son iguales y que ambos porcentajes están
incorrelados linealmente.
1)¿Cuál es la probabilidad de que el porcentaje de casados en la región A no alcance su nivel
mediano y el de la región B supere su nivel medio?
2) ¿Cuál es la probabilidad de que el porcentaje de casados en la región A supere al
de la región B ?

8.- Suponga que se está estudiando la convergencia del porcentaje de individuos por
debajo del umbral de la pobreza de un país A recientemente ingresado en un
organismo internacional con respecto al porcentaje medio en los países de su entorno.
Se denota por X n n 1, 2,3,... a la sucesión de variables aleatorias tales que X n indica
el valor de
este porcentaje en el país A en el año n . Además, suponga que la variable aleatoria
X representa el porcentaje anterior en el caso de los países miembros del organismo
antes citado, que se supone que año tras año puede tomar los valores 1 o 2 con la
misma probabilidad.
X \ Xn Si la1 función de probabilidad
2 de la 3variable aleatoria
bidimensional
1 que se indica
X n , X  es la n  1en2elnsiguiente
 1 1 2 n  1 
cuadro, 1 2 n  1 
2
1 2n 
a)compruebe que el porcentaje 1 correspondiente
medio n  1 2n al  país1 A2converge
n  1 al
porcentaje medio en los países integrados en el organismo
1 señalado;
b)compruebe también que el porcentaje correspondiente al país A converge en ley, en
probabilidad y en media cuadrática al porcentaje registrado en los países miembros de
dicho organismo.
9.- Suponga que se está estudiando el grado de satisfacción general con su vida de los
habitantes de una población, para lo cual se ha decidido preguntar a 100 individuos
elegidos de forma que sus respuestas sean independientes para que valoren su grado
de satisfacción en una escala entre 0 y 100. Sean X i , i  1,...,100 , variables aleatorias
continuas, idénticamente distribuidas y tales que E X i    , i  1,...,100 , donde
X i indica el grado de satisfacción declarado por el individuo i -ésimo, i  1,...,100 .
a)¿Cuál es la probabilidad aproximada de que la media de los grados de satisfacción
declarados por los 100 individuos a los que se ha preguntado sea menor que  ?
¿Podría usted afirmar que la probabilidad aproximada de que esta media sea mayor
que 2 , es
menor que ½?
b) Si las variables X i , i  1,...,100 , poseen distribuciones simétricas, ¿cuál es la
probabilidad aproximada de que al menos la mitad de los entrevistados declaren un
grado de satisfacción superior a  ?
Nota: No realice corrección de continuidad.

10.- Suponga que entre las toneladas de tomates recolectadas cada campaña en
Canarias, existe siempre un cierto número de frutos no aptos para la exportación. Si se
considera que los frutos no aptos aparecen siguiendo un proceso de Poisson tal que,
en términos medios, hay 100 tomates no aptos por tonelada, responda las siguientes
cuestiones.
c) ¿Cuál es la probabilidad de que en 100 kg aparezcan entre 8 y 10 tomates no aptos?
d)¿Cuál es la probabilidad aproximada de que en 2 toneladas el número de tomates no
aptos varíe entre 190 y 210?
 Tema 2: ejercicio
1. Dos partidos políticos A y B concurren a determinadas elecciones. De acuerdo con resultados anteriores, se piensa que los porcentajes de votos, e , recibidos por los partidos
políticos A y B, respectivamente, dependen del porcentaje de individuos que posee vivienda propia, . En concreto, se tiene que , mientras que . Si el porcentaje de individuos con
vivienda propia sigue una distribución uniforme en el intervalo , responda las siguientes cuestiones.
a) ¿Es igual de probable que gane un partido u otro?
b) Si se sabe que más del 20% de los individuos posee vivienda propia: b.1) ¿cuál es la probabilidad de que el partido A gane las elecciones?; b.2) ¿y la probabilidad de que el partido
A obtenga más del 40% de los votos?

𝑋 =2 𝑉 𝑓 𝑉 (𝑣 )
𝑌 =100 − 2𝑉 𝑉 𝑒𝑠 𝑈 ( 0,50 )
”
x , y100 y x a) 50 v

50 𝑓 𝑉 (𝑣 )

25 50 v
25 50 v
b) 𝑉 > 20 1
𝑓 𝑉 (𝑣 )
𝑃 ( 𝑉 >25 ) 2 5
b.1) 𝑃 ( 𝑋 >𝑌 / 𝑉 >20 ) = 𝑃 ( 𝑉 > 25/ 𝑉 >20 ) = = =
𝑃 ( 𝑉 >20 ) 3 6
5 20 50 v
b.2) 1
 Tema 2: ejercicio
7. Sean e los porcentajes de casados entre los mayores de edad residentes en las regiones A y B, respectivamente.
a) Suponga que es una variable aleatoria normal bivariante con , , , , . a.1) ¿Qué diferencia se espera que se produzca entre ambos porcentajes? a.2) ¿Cuál es la probabilidad de que el
porcentaje de casados en la región A sea más de la mitad del porcentaje correspondiente a la región B si este último es del 60%? a.3) Si el porcentaje de casados en la región A es del
60%, ¿cuál es el porcentaje de casados en la región B tal que la probabilidad de superarlo sea del 95%?
b) Suponga ahora que es normal bivariante, pero considere que los porcentajes esperados de casados en ambas regiones son iguales y que ambos porcentajes están incorrelados
linealmente. b.1) ¿Cuál es la probabilidad de que el porcentaje de casados en la región A no alcance su nivel mediano y que el de la región B supere su nivel medio? b.2) ¿Cuál es la
probabilidad de que el porcentaje de casados en la región A supere al de la región B?

𝑋: %  de casados en la regi ó n A “ ; 𝑌2: %  de casados

2
 en  la regi ón  B“
a) ( 𝑋 , 𝑌 ) 𝑒𝑠 𝑁𝐵 ;𝜇 𝑋 =50 ;𝜇 𝑌 =5 5 ;𝜎 𝑋 =𝜎 𝑌 =36 ; 𝜎 𝑋 ,𝑌 =18
a.1) 𝐸 [ 𝑋 −𝑌 ] =50 − 55=−5
( )
52.5 27

a.2)
(
𝑃 𝑋>
𝑌
2 )
/ 𝑌 =60 = 𝑃 ( 𝑋 >30 / 𝑌 =60 ) =𝑃
𝑌 =60
𝑋 𝑋
>30 𝑌 =60 (⏞ 1
2
⏞
)
𝑒𝑠 𝑁 50+ ( 60 −55 ) ,36 ( 1 − )
1
4

( 𝑌
𝑃 𝑋 > / 𝑌 =60 = 𝑃
2 ) (
𝑋
𝑌 =60 )
>30 =1 − 𝐹 𝑋 / 𝑌 =60 ( 30 )=1− 𝑁 𝑍
30 −52.5
√ 27
=1 − 𝑁 𝑍 ( − 4.33 ) ≈ 1
( )
a.3) 𝑦 0 / 𝑃 ( 𝑌 > 𝑦 0 / 𝑋 =60 )=0.95 𝑓 𝑌 / 𝑋 =60 ( 𝑦 )
0.05
( ))
60 2 7

⏞ ⏞
𝑌
𝑋 =60
1
𝑒𝑠 𝑁 5 5+ ( 60 − 5 0 ) , 36 1 −
2
1
( 4
𝑦0 6 0 y
𝐹 𝑌 / 𝑋 =60 ( 𝑦 0 )= 𝑁 𝑍
( 𝑦 0 − 60
√ 27 )
=0.05 ⟹
𝑦 0 − 60
√ 27
=𝑧 0.05=−1.645 ⟹ 𝑦 0 =51.45
( 𝑋 , 𝑌 ) 𝑒𝑠 𝑁𝐵 ;𝜇 𝑋 =𝜇 𝑌 ; 𝜌 𝑋 , 𝑌 =0 ( )
0
b)
b.2) 𝑃 ( 𝑋 >𝑌 ) ⏞
𝑋 − 𝑌 𝑒𝑠 𝑁 𝜇 𝑋 − 𝜇𝑌 , 𝜎 𝑋 +𝜎 𝑌
2 2

1
b.1) = 𝑃 ( 𝑋 >𝑌 )= 𝑃 ( 𝑋 −𝑌 >0 )=
2
 Tema 2: ejercicio
9. Suponga que se está estudiando el grado de satisfacción general con su vida de los habitantes de una población, para lo cual se ha decidido preguntar a 100 individuos elegidos de
forma que sus respuestas sean independientes para que valoren su grado de satisfacción en una escala entre 0 y 100. Sean variables aleatorias continuas, idénticamente distribuidas y
tales que , donde indica el grado de satisfacción declarado por el i-ésimo individuo, .
a) ¿Cuál es la probabilidad aproximada de que la media de los grados de satisfacción declarados por los 100 individuos a los que se ha preguntado sea menor que ? ¿Podría usted
afirmar que la probabilidad aproximada de que esta media sea mayor que es menor que ?
b) Si las variables aleatorias poseen distribuciones simétricas, ¿cuál es la probabilidad aproximada de que al menos la mitad de los entrevistados declaren un grado de satisfacción
superior a ?
Nota: no realice corrección de continuidad.

𝑋 : grado de satisfacci ó n de un individuo   { 𝑋 1 , … , 𝑋 100 } 𝑋 𝑖 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎, 𝐸 [ 𝑋 𝑖 ]=𝜇 ,𝑖=1 , … ,100

( )
100 2
a)
1 𝜎
𝑋=∑
𝑋
𝑋 𝑖 𝑋 ⟶ 𝑌 𝑒𝑠 𝑁 𝜇 , 𝑛
𝑖=1 100
1 1
𝑃 ( 𝑋 <𝜇 ) ≈ 𝑃 ( 𝑌 <𝜇 )= 𝑓 𝑌( 𝑦)
2
2 ¿
1
1 2
𝑃 ( 𝑋 >2 𝜇 ) ≈ 𝑃 ( 𝑌 >2 𝜇 ) <
2 μ 2μ y
b) 𝑋 𝑖 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎 𝑦 𝑠𝑖𝑚 é 𝑡𝑟𝑖𝑐𝑎, 𝐸 [ 𝑋 𝑖 ] =𝜇, 𝑖=1 , … , 100
𝑈: n ú mero de entrevistados que declaran un grado de satisfacci ó n superior a μ  
𝑈 𝑒𝑠 𝐵 100 ,( 1
2 )
⟶ 𝑉 𝑒𝑠 𝑁 (50,25 )
1
𝑃 ( 𝑈 ≥ 50 ) ≈ 𝑃 (𝑉 ≥ 50 ) =
2