4. Variables aleatorias y distribución de probabilidad.

Sergio Vázquez Razo.

4.1 Introducción.

Se han considerado
considerado las distribuciones
distribuciones de frecuencias
frecuencias de conjuntos
conjuntos de datos, y los fundamentos
fundamentos
de probabilidades. Ahora se combinaran estas ideas para elaborar distribuciones de probabilidad, las
cuales
cuales se asemejan
asemejan a las distribucion
distribucioneses de frecuencias,
frecuencias, la diferencia
diferencia básica entre
entre estos dos
dos tipos de
distribucione
distribucioness es el uso de la variable
variable aleatoria
aleatoria o las medidas de ciertas
ciertas magnitudes. Estas medidas se
repre
represen
senta
tann medi
medianante
te varia
variabl
bles
es alea
aleato
tori
rias
as discr
discret
etas
as o cont
contin
inua
uas.
s. La vari
variab
able
le alea
aleato
tori
riaa de una
distribución de probabilidad corresponde a la variable de respuesta de una distribución de frecuencias.
4.2 Variables aleatorias.

Al describir el espacio muestral de un experimento, no se específica que un resultado individual

necesar
necesariam
iament
entee tiene
tiene que ser un número.
número. Por ejempl
ejemplo,
o, al clasif
clasifica
icarr un artícu
artículo
lo manufac
manufactura
turado
do
simplemente podríamos usar las categorías "defectuoso" y "no defectuoso". En otro caso, para observar 
la temperatura durante un período de 24 horas sencillamente podríamos mantener un registro de la
curva
curva trazada
trazada por el termóg
termógrafo
rafo.. Sin embargo
embargo,, en muchas
muchas situaci
situaciones
ones experimen
experimental
tales
es vamos
vamos a
interesarnos en medir algo y anotarlo como un número. Aún en los casos citados anteriormente
  podremos asignar un número a cada uno de los resultados (no numéricos) del experimento. Por 
ejemplo, puede asignar el valor 1 a artículos
artículos no defectuosos y el valor cero a los defectuosos. Pudimos
anotar la temperatura máxima del día, o la mínima, o el promedio de las temperaturas máxima y
mínima.
Se ha definido un experimento como el proceso que culmina con la toma de una medición (o
una observación). La mayoría de los experimentos producen una medición numérica que desde luego
varía al considerar distintos puntos muéstrales y esta variación es aleatoria. La medición es llamada
una variable aleatoria X, que el hecho de que tome un valor particular es en sí mismo un evento
aleatorio. Así en muchas situaciones experimentales deseamos asignar un número real x a cada uno de
los elementos s del espacio muestral S. Esto es, x = X(s) es el valor de una función X del espacio
muestral a los números reales.
Por ejemplo si se lleva a cabo un experimento aleatorio y ocurre el evento correspondiente a un
número a, entonces se dice que, en esta prueba, la variable aleatoria X correspondiente a ese
experimento ha tomado el valor a. También se dice que se ha observado el valor X = a. En lugar de “el
evento correspondiente a un número a” se dice, más brevemente, “el evento X = a”,
De acuerdo a esto damos la siguiente definición:
Sea un experimento y S el espacio muestral asociado
asociado con el experimento.
experimento. Una función X
que asigna a cada uno de los elementos s S, un número real X(s), se llama variable aleatoria.

Una varia
variable
ble aleato
aleatori
ria
a es una fun
funció
ción
n de valor
valores
es reale
realess cuyo
cuyo domin
dominio
io es un espac
espacio
io
muestral.

1
 Una variable aleatoria
aleatoria discreta es aquella que toma, a lo más, una cantidad numerable de
valores distintos, el espacio muestral de un experimento probabilístico.

Una variable aleatoria continua es aquella que puede tomar cualquier valor de entre todos los
contenidos en un intervalo.
Observacione
Observaciones:
s: (a) La term
termin
inol
ologí
ogíaa ante
anteri
rior
or es algo
algo desaf
desafort
ortuna
unada
da,, pero
pero como
como es tantan
universalmente aceptada, nosotros no nos apartaremos de ella. Es claro que X es una función y todavía
la llamamos variable aleatoria. (b) Resulta que no toda función que se conciba puede ser considerada
como una variable aleatoria. Una exigencia (aunque no la más general) es que para todo número real x
el suceso {X(s) = x} y para todo intervalo I, el suceso {X(s) ∈ I} tiene probabilidades bien definidas y
consecuentes con los axiomas básicos. (c) En algunos casos el resultado s del espacio muestral es ya la
característica numérica que queremos anotar. Sencillamente tomemos X(s) = s, la función de identidad.
(d) En la mayoría de las discusiones de variables aleatorias que siguen, no necesitamos indicar la
naturaleza funcional de X. Generalmente nos interesamos en los valores posibles de X, en vez de
indagar de donde provienen esos valores. Por ejemplo, supongamos que lanzamos dos monedas y
consideremos el espacio muestral asociado con este experimento.
Eje. Sea el experimento aleatorio de lanzar tres monedas. Los resultados posibles son:
S = {(a, a, a), (a, a, s), (a, s, a), (s, a, a), (a, s, s), (s, a, s), (s, s, a), (s, s, s)}
Se puede definir, la variable aleatoria:
X: Número de águilas al tirar las tres monedas.
La variable aleatoria x asigna un número real a cada elemento de S:
X(a, a, a) = 3, X(a, a, s) = X(a, s, a)=X(s, a, a) = 2,
X(a, s, s) = X(s, a, s)=X(s, s, a) = 1, X(s, s, s) = 0
El conjunto de los posibles valores de X es {0, 1, 2, 3}.

S = espacio muestral de ε R X = valores posibles de X (recorrido)

2
 El espacio R X, el conjunto de todos los valores posibles de X, se llama algunas veces el
recorrido. En ciertos sentidos podemos considerar a R X como otro espacio muestral. El espacio
muestral (original) S corresponde a los resultados no numéricos (posiblemente) del experimento,
mientras que R X es el espacio muestral asociado con la variable aleatoria X, que representa la
característica que puede ser de interés. Si X(s) = s, tenemos S = R X.
(e) Es muy importante comprender que una exigencia básica de una función (uni-variada): a cada s ∈ S
le corresponde exactamente un valor X(s). Valores diferentes de s pueden dar el mismo valor de X. Por 
ejemplo en la ilustración anterior encontramos que X(a, s) = X(s, a) = 1.
Concepción de una variable aleatoria X:
(a) Realizamos el experimento ε que tiene como resultado s ∈ S. Luego evaluamos en número
X(s).
(b) Efectuamos ε , y obtenemos el resultado s, e inmediatamente calculamos X(s). El número
X(s) se considera entonces como el resultado obtenido en el experimento.
Teniendo en cuenta que los valores de una variable aleatoria quedan determinados por el
resultado de un experimento aleatorio, es posible asignar probabilidad a cada uno de ellos en el caso de
las variables aleatorias discretas o bien definir una función para evaluar la probabilidad en intervalos
en el caso de las continuas.
Así como nos interesamos por los sucesos asociados con el espacio muestral S, también será
necesario tratar suceso con respecto a la variable aleatoria X, esto es, subconjunto del recorrido R X.
Muy a menudo ciertos sucesos asociados con S están "relacionados" con sucesos asociados con R X de
la manera siguiente.
Sea ε un experimento y S su espacio muestral. Sea X una variable aleatoria definida en S y sea
R X su recorrido. Sea B un suceso respecto a R X, esto es, B ⊂ R X. Supongamos que A se define
A = {s ∈ S | X(s) ∈ B}

3
 Fig. 4.1
A consta de todos los resultados en S para los cuales X(s) ∈ B. En este caso decimos que A y B
son sucesos equivalentes
Para denotar las variables aleatorias se emplea mayúsculas, como X, y minúsculas como x, para
representar valores particulares que puede tomar una variable aleatoria. Por ejemplo, supongamos que
X denota cualquiera de los seis valores posibles que pueden observarse en la cara superior al lanzar un
dado. El número que se observa, después de arrojar el dado, se representará mediante el símbolo x.
Observe que X es una variable aleatoria, pero el valor específico observado, x, no es de naturaleza
aleatoria.
La expresión (X = x) puede leerse: el conjunto de todos los puntos de S asignados al valor x
mediante la variable aleatoria.
La probabilidad de que X adopte el valor x, P(X=x), se define como la suma de las
 probabilidades de los puntos muestrales de S asignados al valor x.
La probabilidad correspondiente de un valor observado x en un experimento se denota por P(X
= x) = P(x) o bien F(x) donde X denota el valor abstracto o general, mientras que x denota un valor 
específico o concreto. De manera semejante, la probabilidad del evento
X toma cualquier valor en el intervalo a < X < b

Se denota por P(a < X< b). La probabilidad del evento

 X  ≤c ( X  T  o m a c u a l  q u i e r  v a l  o r  q u e  sea menor  o i  g  u a l  a c )

se denota por P(X ≤c ) y la probabilidad del evento

X > c(X toma cualquier valor mayor que c)
Se denota por P(X>c).
Los dos últimos eventos son mutuamente exclusivos. De donde
 P ( X  ≤c ) + P ( X  > c ) = P ( −
∞ <X  <∞) =1
y

4
  P ( X  >c ) =1 − P ( X  ≤c )

Por ejemplo, si X es el número que queda arriba al lanzar un dado perfecto, P(X = 1) = 1/6,
P(X = 2) = 1/6, etc., P(1<X<2) = 0,
 P (1 ≤ X  ≤2) =1 / 3, P (0 ≤ X  ≤3.2) =1 / 2, P ( X  >4) =1 / 3, P ( X  ≤0.5) =0, e t  c.

Eje. Consideremos el lanzamiento de dos monedas. En este caso S = {a a, s a, a s, s s}. Sea X el

número de águilas obtenidas. En este caso R X = {0, 1, 2}. Sea B = {1}. Puesto que X(a s) = X{a s} = 1
si sólo si X(s) = 1, tenemos que A = {a s, s a} es equivalente a B.
Sea B un suceso en el recorrido R X. Definimos entonces P(B) como sigue:
P(B) = P(A), en donde A = {s ∈ S | X(s) ∈ B}
O sea, definimos P(B) igual a la probabilidad del suceso A ⊂ S, que es equivalente a B.
Eje. Si las monedas consideradas en el ejemplo anterior son "normales", tenemos P(a s) = P(s a)
= 1/4. Por tanto P(a s, s a) = 1/4 + 1/4 = 1/2. Puesto que el suceso {X = 1} es equivalente al suceso {a
s, s a}, tenemos que P(X=1) = P(a s, s a) = 1/2. En este sentido se inducen las probabilidades asociadas
con suceso R X.

4.3 Funciones de una variable aleatoria.

Sea X una variable aleatoria discreta y sea x i uno de los valores que toma dicha variable, la
 probabilidad de que la variable tome dicho valor se denota por P(X = xi) = pi.
Eje. Sea la variable aleatoria X: Número de aguilas al tirar dos monedas, que toma los valores
{0, 1, 2}. Entonces:
P(X=0) = P(s, s) = ¼
P(X=1) = P{(s ,a) (a, s)} = ½
P(X=2) = P(a, a) = ¼

Se llama función de masa o función de probabilidad puntual de una variable aleatoria

discreta a la función que asigna a cada valor de la variable aleatoria la probabilidad con que lo toma.
X 0 1 2
P(x) ¼ ½ ¼

5
 Para N = 12 monedas
xi f(xi)
0 0.00024414
1 0.00292969
2 0.01611328
3 0.05371094
4 0.12084961
5 0.19335994
6 0.22558594
7 0.19335938
8 0.12084961
9 0.05371094
10 0.01611328
11 0.00292969
12 0.00024414

La función f(x) que suministra esta gráfica es

 12  
  
  x  
 
  f  ( x) =
212

Eje. El supervisor de una planta de manufactura tiene a tres hombres y tres mujeres a su cargo.
Debe elegir dos trabajadores para una tarea especial. Como no desea actuar con prejuicio en la
selección del personal, decide elegir dos trabajadores al azar. Si X es el número de mujeres en el grupo
elegido, determine la distribución de probabilidad para X.

 6  
El supervisor puede elegir dos trabajadores de seis de  2  
 = 15 maneras. En consecuencia, S
   
contiene 15 puntos muestrales, que suponemos tiene la misma probabilidad, puesto que se aplicó un
6
 Fig. 4.2
Hemos señalado antes que podría ser matemáticamente más fácil idealizar la anterior descripción
 probabilística de X al suponer que X puede tomar todos los valores posibles, 0 ≤ x ≤ 1 . Si hacemos
esto, ¿qué le sucede a las probabilidades puntuales p(xi)? Puesto que los valores posibles de X no son
contables, no podemos hablar realmente del i-ésimo valor de X y por lo tanto p(xi) pierde significado.
Lo que se hace es sustituir la función p, definida sólo para x 1, x2, ..., por una función f definida para
todos los valores de x, 0 ≤  x ≤ 1 . Las propiedades de la probabilidad se sustituyen por f(x) ≥ 0 y
1

∫   f  ( x )dx
0
=1 .

Se dice que X es una variable aleatoria continua si existe una función f, llamada función de
densidad de probabilidad (fdp) de X, que satisface las siguientes condiciones:

( a )  f  ( x) ≥0  para todo  x

∞
(b) ∫    f  ( x)dx =1
−∞
b
( c) Para cualquier  a, b, tal  que − ∞ < a < b < +∞, tenemos  P ( a ≤  X  ≤ b) =∫ a   f  ( x) dx

Las funciones de densidad de probabilidad se obtienen de más mediciones pudiéndose reducir 

la longitud de dichos intervalos. La forma del histograma cambiaría un poco, sobre todo tornándose
cada vez menos irregular al ir aumentando el número de mediciones. Cuando éstas fuesen muy grandes
en número y los intervalos muy pequeños en longitud, el histograma aparecería para todo propósito
como una curva continua.
Para una variable continua la frecuencia relativa asociada a una clase particular de una
 población, es la fracción de mediciones de la población que corresponden a ese intervalo de clase, y es
también la probabilidad de que una medición extraída de esa población caiga en la mencionada clase.
Si se ajusta el histograma de frecuencias relativas para que el área total bajo la curva que lo describe
valga 1, las áreas bajo dicha curva sobre distintos intervalos corresponden a las probabilidades de
dichos intervalos.

13
 Fig. 4.3 La densidad de probabilidad f(x)
La figura 4.3 muestra la densidad de probabilidad que varía con x, se puede representar por una
fórmula matemática f(x), esta nos proporciona un modelo matemático para el histograma de
frecuencias relativas. El área total bajo la curva figura 4.3 es 1. El área bajo la curva sobre un intervalo
dado, es la probabilidad de ese intervalo. Así la probabilidad de que a < x < b es el área bajo la función
de densidad entre los puntos a y b.
La función de densidad permite calcular la probabilidad de cualquier intervalo:
b
 P ( a ≤  x ≤ b) = ∫ 
a
  f  ( x) dx

Una consecuencia de la descripción probabilística de X para cualquier valor especifico de X,

 x
  por ejemplo xo es que tenemos  P ( X  = xo ) = ∫    f  ( x ) dx = 0. Este resultado puede parecer muy
o

 x o

contrario a nuestra intuición. Debemos establecer, sin embargo, que si permitimos que X tome todos
los valores en un intervalo, entonces la probabilidad cero no es equivalente con la imposibilidad. Por 
tanto, en el caso continuo, P(A) = 0 no implica A = Ø, el conjunto vacío. Para decirlo de un modo más
informal, consideremos que elegimos un punto al azar en el segmento {x | 0 ≤  x ≤ 2 }. Aunque
quisiéramos estar de acuerdo (como un objetivo matemático) conque cada punto concebible del
segmento pudiese ser el resultado de nuestro experimento, nos sorprenderíamos mucho si en realidad
escogiéramos precisamente el punto medio del segmento, o cualquier otro punto específico de ese
elemento. Cuando indicamos esto en un lenguaje matemático preciso, decimos que el suceso tiene
“probabilidad 0”.
Supóngase que se ha llevado a cabo un experimento con objeto de medir la vida útil de 50
 baterías de determinado tipo, seleccionadas de entre una población.
Vida útil de las baterías (cientos de horas):
0.406 2.343 0.538 5.088 5.587
2.563 0.023 3.334 3.491 1.267
0.685 1.401 0.234 1.458 0.517
0.511 0.225 2.325 2.291 1.702
8.233 2.920 1.064 3.810 4.778
1.507 4.025 1.064 3.246 2.782
1.514 0.333 1.624 2.634 1.725
0.294 3.323 0.774 2.330 6.426
3.214 7.514 0.334 1.849 2.230
0.761 0.836 0.968 4.490 0.186

14
 Histogram

16

12
     y
     c
     n
     e
     u
     q
8
     e
     r
      f

0
-1 1 3 5 7 9 11
vida

Fig. 4.4
El histograma de frecuencia relativa para estos datos muestra con claridad que la mayor parte
de las vidas útiles están cerca de cero, y que la frecuencia disminuye con mucha uniformidad cuando se
 pasa a las vidas útiles mayores. En este caso, el 32% de las 50 observaciones caen dentro del primer 
subintervalo y otro 22% dentro del segundo. Hay una disminución en la frecuencia cuando se avanza
hacia otros subintervalos, hasta que el último (de 8 a 9) contenga sólo una observación.
Este histograma de frecuencia relativa de la muestra no sólo permite retratar el comportamiento
de la muestra, sino que da idea de algún modelo probabilistico posible de la variable aleatoria X. Dicho
histograma se ve como si se pudiera representar con mucha aproximación mediante una curva
exponencial negativa. La función especial

  f  ( x) = 1 e −x / 2
2

se representa en el histograma figura 4.4 y parece que se ajusta razonablemente bien a los datos. Así, se
 podría tomar esta función como modelo matemático del comportamiento de la variable aleatoria X.
 Nótese que el área bajo f(x) es igual a uno. Si uno desea usar en el futuro una batería de este tipo, quizá
deseara conocer la probabilidad de que dure más de cuatrocientas horas. Esta probabilidad se puede
calcular aproximadamente mediante el área bajo la curva a la derecha del valor 4; es decir,
∞1
∫  2 e
4
−x / 2
dx = 0.135

 Nótese que este resultado es bastante cercano a la fracción observada de la muestra con duración mayor 
que 4, o sea, (8/50 = 0.16). Uno podría sugerir que, como ya se sabe que la fracción es 0.16, no se
necesita en realidad el modelo. Pero hay otras preguntas para las cuales el modelo daría respuestas más
satisfactorias que las que se podrían obtener por otros medios. Por ejemplo, supóngase que se desea
conocer la probabilidad de que X sea mayor que 9. Entonces, el modelo sugiere la respuesta
∞1
∫  2 e
9
−x / 2
dx = 0.111

15
 10 10 1
 E (W ) = ∫ 
0
0.003 V  2  f  (V )dV  =∫ 
0
0.003 v 2
10
dv =0.1 lb / pie 2

Eje.
Eje. En much
muchosos probl
problem
emasas nos
nos inte
intere
resa
sa sólo
sólo la magn
magnit
itud
ud de una
una vari
variab
able
le alea
aleato
tori
riaa sin
sin
consideración a su signo algebraico. Es decir, nos interesa |X|. Supongamos que X es una variable
aleatoria continua con la siguiente fdp:

 e x
  si x ≤ 0
 f  ( x) =  2− x
e  si x > 0
 2

Sea y = |X|. Para obtener E(Y) debemos proceder como sigue:

∞ 1 ∞
=  ( − x )e dx + ∫  ( x )e dx  = 1 [1 +1] =1
0

∫ 
 E (Y  ) =
−∞
|  x |   f  ( x )dx
2∫ 
−∞
 x
0
−x

 2

Eje. En los concursos para obtención de contratos, es usual que los contratistas sometan los
 precios
 precios de sus proyectos
proyectos si sus expectativas,
expectativas, tomando
tomando en cuenta el tipo de proyecto
proyecto y al resto de los
 participantes, les indican que sus ganancias estarán por encima de cierta cantidad. Suponga que un
contratista considera un proyecto en el cuál ganará 50,000 pesos si le es otorgado. El costo de la
  preparación del proyecto, si lo somete, es de 5,000 pesos y el propio contratista piensa que la
 probabilidad en esas circunstancias, de que gane el concurso es de 0.4. Finalmente, el contratista ha
decidido
decidido someter propuesta para proyectos cuya ganancia esperada sea de por lo menos 12,000 pesos.
¿Debe someter propuesta en este proyecto?
La ganancia x del contratista puede tomar cualquiera de los valores: x = -$5,000, si pierde; o si
lo gana x = $45,000. Las probabilidades de estos valores son 0.6 y 0.4 respectivamente. La distribución
de probabilidad de su ganancia x se muestra en la tabla siguiente;
x -$5,000.00 $45,000.00
P(x) 0.6 0.4
La ganancia esperada es

E(x) = ∑ x P(x) = (-$5,000)(0.6) + ($45,000)(0.4) = $15,000.00

Como E(x) = $15,000.00 excede a $12,000.00, el contratista debe someter su propuesta.

Eje. Considere el problema de determinar la prima anual para un seguro de daños de automóvil
de $100,000 pesos. La póliza cubre un tipo de eventos que por experiencia previa se sabe que ocurre a
3 por cada 5,000 automovilistas cada año.
Sea x la ganancia anual de la compañía resultante de la venta de una póliza y sea C la cantidad
(desconocida) que representa al valor de la prima anual. Se desea calcular C de modo que la ganancia
esperada E(x) sea 0. En otras palabras se desea calcular C para no ganar ni perder. Al valor calculado,
desde luego, la compañía agregará los gastos administrativos correspondientes y un margen de utilidad.

22
 Se ha supuesto que la ganancia esperada E(x) depende de C, y utilizando este hecho sólo se
requiere encontrar C de manera que esta ganancia esperada sea 0, o sea

E(x) = ∑ x P(x) = 0
El primer paso para encontrar la solución es el de determinar los valores que la ganancia x
 puede tomar y después determinar P(x). Si el evento que cubre la póliza no ocurre en el año, la
compañía gana x = C pesos. Si el evento ocurre, la ganancia será negativa, esto es será de hecho una
 pérdida; x = C - 100,000 pesos. Las probabilidades asociadas a estos dos valores de x son 4997/5000 y
3/5000 respectivamente. La distribución de probabilidad de la ganancia se muestra en la tabla.
x, ganancia C -(100,000-C)
-(100,000- C)
p(x) 4997/5000 3/5000
Igualando el valor esperado de x a cero y resolviendo para C se tiene

E(x) = ∑ x P(x) = C(4997/5000) + [-(100,000-C)](3/5000) = 0

C = $60.00
Lo anterior quiere decir que si la compañía cobra una prima anual de 60 pesos, entonces su
ganancia promedio sobre un número grande de pólizas similares será cero. La prima final que la
compañía debe cobrar será $60.00 más los gastos administrativos y la utilidad.
La esperanza de una función aleatoria.
Sea X una variable aleatoria discreta con función de probabilidad p(x) y sea g(X) una función
del valor real de X, entonces la siguiente expresión da el valor esperado de g(X):

 E [ g ( X )] = ∑ g ( x) p( x)
 x

Dem. Si X toma un número finito de valores  x1 ,  x 2 ,...,  x n . Como es posible que la función
g(x) no establezca una correspondencia biunívoca (uno a uno), supongamos que g(X) adopta los
valores  g 1 ,  g 2 ,...,  g n (donde m ≤ n ). Se infiere que g(X) es una variable aleatoria tal que para i =
1,2,..,m,

 P g [  X 
( ) = g i ] = ∑  p x( ) =  p *(g )
 j
t o ld  xa a j st sa ql eu s e
i

 g  x(  j )= g i

Por consiguiente,

23
 m
[
 E   g (  X   ) ]=∑ g    p * ( g  i i )
i=
1


m
=∑  g i  ∑
  p ( x    j )
i=
1 
tod
a s la
s  x   j ta
les q
ue

 g  (  x    j )=  g    j

m
=∑ i=
1 tod
a s las
∑
 g    p (  y
 x   j ta
les
i
q
ue
   j )
 g  (  x   j ) =  g    j

n
=∑ g ( x   j )  p ( x   j )
   j =
1

Para una función continua:

∞
 E [ g ( X  )] = ∫   g ( x)  f  ( x)dx
−∞

Eje. Un vendedor minorista de un producto derivado del petróleo vende una cantidad aleatoria,
X, cada día. Suponga que X, medida en miles de galones, tiene una función de densidad de
 probabilidad

 3  x 2 , 0 ≤  x ≤ 2
 f  ( x) =  8
 0, c.o. p

Las utilidades del minorista ascienden a 100 dólares por cada 1000 galones vendidos (10 centavos por 
galón) si  X  ≤ 1 , y a $40 más por cada 1000 galones (4 centavos más por galón) si X > 1. Calcule las
ganancias esperadas por el minorista un día cualquiera.
Si g(X) es la ganancia del minorista, entonces

100
100 X  0 ≤  X  ≤ 1
 g ( X ) =
140
140  X  1 <  X  ≤ 2

Deseamos calcular la ganancia esperada; por lo tanto, el valor esperado es de

∞
 E [ g ( X ) ] = ∫ −∞ g ( x)  f  ( x) dx
= ∫ 0 100  x 3  x 2 dx + ∫  3 
1 2
140  x   x 2 dx
8  1
8 
1 2

= 300  x 4 + 420  x 4 = 300 (1) +

420
(15 ) = 206 .25
(8)( 4) 0
(8)( 4) 1
32 321

Así el vendedor puede esperar utilidades de $206.25 por la venta diaria de su producto.

Propiedades del valor esperado.

1. Si X = C en donde C es una constante, entonces E(X) = C o  E [cg ( X ) ] = cE [ g ( X ) ] .

24
 2. Supongamos que C es una constante y X es una variable aleatoria. Entonces E(CX) = C
E(X).
3. Sean X y Y dos variables aleatorias cualquiera. Entonces E(X + Y) = E(X) + E(Y).
4. Sean X y Y variables aleatorias independientes. Entonces
E(XY) = E(X) E(Y).
Demostración:

 E ( kX  ) = ∑kx   f  ( x ) =k ∑ x   f  ( x ) =k  E ( X )

i i i i

 E ( X  + k ) = ∑( x + k )  f  ( x ) =∑ x   f  ( x ) + ∑kf   ( x ) = E ( X  ) + k 

i i i i i

 E ( X  +Y  ) =∑ x   f  ( x ) + ∑ y   f  ( y ) = E ( X  ) + E (Y  )

i i i i

 E ( XY  ) = ∑ ∑ x  y   f  ( x ) g ( y ) =∑ x   f  ( x ) ∑ y  g ( y ) = E ( X  ) E (Y  )
i   j i   j i i   j   j
i ,  j i j

La mediana τ de una distribución continua F(x) es aquel valor que verifica:

{
 P   X  < τ  } =  P { X  > τ } = 12
La moda, se define como el valor x para el que f(x) o P(xi) toman el valor máximo.
Eje- Dos urnas contienen, cada una, bolitas numeradas del 1 a 10. Se saca una bolita de cada
urna y se suman los números obtenidos, ¿cuál es el valor medio de la suma?
Si anotamos todas las combinaciones posibles, obtenemos la tabla siguiente:

Urna 1 Urna 2 Suma

1 1 2
1 2 3
1 3 4
1 4 5
1 5 6
1 6 7
1 7 8
1 8 9
1 9 10
1 10 11
2 1 3
2 2 4
2 3 5
…. …. ….
10 9 19
10 10 20

25
Suma, X Frec. P(X) XP(X)
2 1 1/100 2/100
3 2 2/100 6/100
4 3 3/100 12/100
5 4 4/100 20/100
6 5 5/100 30/100
7 6 6/100 42/100
8 7 7/100 56/100
9 8 8/100 72/100
10 9 9/100 90/100
11 10 10/100 110/100
12 9 9/100 108/100
13 8 8/100 104/100
14 7 7/100 98/100
15 6 6/100 90/100
16 5 5/100 80/100
17 4 4/100 68/100
18 3 3/100 54/100
19 2 2/100 38/100
20 1 1/100 20/100
∑ 1100/100=11

Si X e Y son las variables aleatorias que expresan el número sacado de cada urna, Es E(X) =
E(Y) = (1/10)(1+2+…+10) = 11/2 y por tanto la solución es E[X+Y] = 11.

Eje. Dos urnas contienen, cada una, 5 bolitas numeradas del 1 al 5. Si se saca una bolita de cada
urna y se multiplican los números obtenidos, ¿cuál es el valor medio de este producto?
Si anotamos todas las combinaciones posibles, obtenemos la tabla siguiente:

Urna 1 Urna 2 Producto

1 1 1
1 2 2
1 3 3
1 4 4
1 5 5
2 1 2
2 2 4
2 3 6
2 4 8
2 5 10
3 1 3
3 2 6
3 3 9
3 4 12
3 5 15
4 1 4
26
4 2 8
4 3 12
4 4 16
4 5 20
5 1 5
5 2 10
5 3 15
5 4 20
5 5 25

x frec P(x) xP(x)

1 1 1/25 1/25
2 2 2/25 4/25
3 2 2/25 6/25
4 3 3/25 12/25
5 2 2/25 10/25
6 2 2/25 12/25
8 2 2/25 16/25
9 1 1/25 9/25
10 2 2/25 20/25
12 2 2/25 24/25
15 2 2/25 30/25
16 1 1/25 16/25
20 2 2/25 40/25
25 1 1/25 25/25
25 ∑ 225/25=9

Como las variables aleatorias X e Y que representan los números sacados de cada urna, son
independientes, y E(X) = E(Y) = (1/5)(1+2+…+5) = 3, resulta E(XY) = 9.
Eje. Una urna contiene 5 bolitas numeradas del 1 a 5. Se sacan dos bolitas al azar y se
multiplican los números obtenidos. ¿Cuál es el valor medio del producto?
Ahora las variables X e Y son dependientes y por tanto se tiene que hacer el cálculo directo.
Los casos posibles son (1, 2), (1, 3), …, (4, 5), y de cada uno de ellos la probabilidad es 1/10.

27
 1 −2 −2
1 −3 −3
1 −4 −4
1 −5 −5
2 −1 −2
 E ( XY  ) = ∑XYP  ( XY  )
2 −3 −6
1 −2 ⇒2
2 −4 −8
1 −3 ⇒3
2 −5 −10
1 −4 ⇒4
3 −1 −3
1 −5 ⇒5
3 −2 −6
2 −3 ⇒6
3 −4 −12
2 −4 ⇒8
3 −5 −15
2 −5 ⇒10
4 −1 −4
3 −4 ⇒12
4 −2 −8
3 −5 ⇒15
4 −3 −12
4 −5 ⇒20
4 −5 −20
5 −1 −5 ∑85
5 −2 −10
5 −3 −15
5 −4 −20

Por tanto, E(XY) = 8.5. Lo que resulta diferente del problema anterior.

4.7 La varianza de una variable aleatoria .

El valor esperado de una variable aleatoria es una medida de tendencia central de su

distribución de probabilidad del mismo modos que x es también una medida de tendencia central del
histograma de frecuencias relativas de una muestra. El término “valor esperado” tiene una
interpretación intuitiva en el sentido de que se espera que los valores de x se observen cerca del
“centro” de la distribución de probabilidad.
Al igual que x proporciona una descripción sólo parcial del correspondiente histograma de
frecuencias relativas de la muestra, el valor esperado  µ  sólo da una descripción parcial del
comportamiento de la variable aleatoria. Para una descripción más adecuada se requiere una medida de
dispersión de la distribución de probabilidad P(x).
Para ilustrar este hecho, supongamos que como administrador de una clínica de salud, debe
decidir el número de vacunas contra el tétano que hay que mantener constantemente almacenadas. Más
aún suponga que el abastecimiento de vacunas debe ser suficiente para satisfacer tres días de demanda
y que la distribución de probabilidad para esta demanda x, de tres días es

28
 Fig. 4.7 Distribución de probabilidad de x
Puede observarse en la figura 4.7 que la demanda esperada µ no proporciona información sobre
el número máximo de vacunas que podrían ser requeridas durante el periodo. Se requiere, entonces un
valor para x, por ejemplo xa, a la derecha de la gráfica de P(x) tal que la probabilidad de que la
demanda exceda a xa sea suficientemente pequeña.
El encontrar el valor xa de vacunas que deben mantenerse almacenadas sería relativamente
sencillo si se conociese P(x), ya que podría ir evaluando P(x ≥ xa) para valores cada vez más grandes
de xa hasta lograr que dicha probabilidad fuese suficientemente pequeña. Si P(x) no es conocida, una
medida de su dispersión podría satisfacernos. Esta medida permitirá encontrar aproximadamente el
valor xa.
Sea x una variable aleatoria discreta con distribución de probabilidad P(x) y valor esperado
E(x) = µ . La varianza de la distribución de probabilidad P(x) (o de la variable aleatoria x) es,

V ( X ) = σ 
2
=  E ( xi −  µ ) 2 = ∑ ( xi − µ ) 2 P ( xi )

en donde la suma se extiende sobre todos los valores de la variable aleatoria x.

o
V ( X ) =  E [ X  − E ( X )]2
 g ( X ) = ( X  − µ )
2

 E [( X  − µ ) ] = V ( X )

2

Asimismo

V ( X ) =  E [ X  − E ( X ) ]2

=  E [ X 2 + 2 XE ( X ) + ( E [ X ]) 2 ]
=  E ( X 2 ) − E ( X ) E ( X ) + ( E [ X ]) 2
=  E ( X 2 ) − [ E ( X ) ]2

La desviación estándar de una variable aleatoria es la raíz cuadrada de su varianza.

Para una distribución continua:
29
  r   k 
 µ r * = ∑(−1) k    
  µ  µ r −k  , k  = 0,1,2,...
 k  

Si el primer momento central existe, debe ser necesariamente cero  µ 1* = 0 ; por otra parte, el
segundo momento central de una variable aleatoria X se denomina varianza (si es que existe), y se
denota por  V ( X ) = σ  2 =  E [( X  − µ ) 2 ] . La raíz cuadrada no negativa de la varianza se llama desviación
estándar .

Es muy fácil probar que, tanto para una variable aleatoria discreta como para una continua, se
cumple la relación:

σ 2 =  µ 2 * =  µ 2 − µ 2

esto es:

 E  ( X  − µ )

2
= σ  2 =  E ( X  2 ) − µ 2

Lo anterior se generaliza como sigue:

[(
 E   X  −  µ  ) ] =  E ( X  ) − 3 µ  E ( X  ) + 2 µ 
3 3 2 3

 E [( X  −  µ ) ] =  E ( X  ) − 4 µ  E ( X  ) + 6 µ   E ( X  ) − 3 µ 

4 4 3 2 2 4

y así sucesivamente.
Una condición necesaria, pero no suficiente, para que la gráfica de una función de densidad de
 probabilidad sea simétrica con respecto a la perpendicular del eje X trazada en la media, es que el
tercer momento central sea cero. En otras palabras, si la gráfica de f(x) es simétrica con respecto a la
media, entonces  µ 3* = 0 , pero lo recíproco no siempre es verdad. Cuando la gráfica de f(x) no es
simétrica con respecto a la media, entonces se llama sesgada.
Si X es una variable aleatoria, entonces el sesgo (o asimetría) de X se denota por cualquiera de
los símbolos siguiente: α 3 = γ  , β3

Y se define en términos del tercer momento central:

*
1 3  µ 3
α 3 = γ   = 3
 E ( X  −  µ ) = 3
σ  σ 

Si γ  = 0, la gráfica de f(x) es perfectamente simétrica respecto de la media, si γ  es positiva, la gráfica

 presenta una especie de cola alargada del lado derecho; mientras que si γ  es negativa, entonces la
gráfica presenta una cola notoria del lado izquierdo. El motivo para definir el sesgo mediante γ , en
lugar de hacerlo directamente con  µ 3* estriba en que γ  es independiente de las unidades de medición,
mientras que el tercer momento central  µ 3* no lo es.

38
 En particular, γ 1 se llama tipificación de la variable X, γ 3 es el  sesgo, α4 = κ es el Kurtossis (o
exceso)
*
1 4  µ 4
α 4 = κ  = 4
 E ( X  −  µ ) = 4
σ  σ 

La magnitud κ  = α4 proporciona un indicador de qué tan “picuda” es la gráfica de la función de

densidad f(x). Mientras mayor sea la cantidad, tanto más picuda o pronunciada será la cresta en la
gráfica de f(x). Es pertinente señalar, sin embargo, que la Kurtossis de una distribución es poco usual,
 por considerarse que la interpretación que se tiene de ella es vaga y de valor dudoso.
Eje. El diámetro (en centímetros) de unos balines metálicos para uso industrial, es una variable
aleatoria continua x, cuya función de densidad esta dada por:

2cx − cx 2 − 0.99 c 0.9 <  x < 1.1

  f  ( x) =
 0, c.o. p.

a) Obtenga
Obtenga el valo
valorr de la
la const
constant
antee c.
b) La me
media.
c) Halle
Halle la varia
varianza
nza y la desvi
desviaci
ación
ón estánd
estándar.
ar.
d) Mediana.
e) La moda.
a)
1.1

∫ c(2 x − x
0. 9
2
− 0.99 ) dx = 1
1 .1
 x 3
∫ 
c ( 2 x − x 2
0. 9
− 0.99 ) dx = 1 ∴c[ x 2 −
3
− 0.99 x]10..19 = 1

(1.1) 3 ( 0 .9 ) 3
c[(1.1) − 2
− 0.99 (12 .1) − (0.9) + 2
+ 0.99 (0.9)] = 1
3 3
.0013333 c = 1
c = 750
 b)
1. 1
1. 1 1 .1
2 x 3  x 4 0.99 x 2 
∫
 µ  = c  x( 2 x − x
0 .9
2
− 0.99 ) dx = c ∫ ( 2 x − x − 0.99 x) dx
0. 9
2 3
= 750 
 3
− −
4 2

0.9
2(1.1) (1.1) 3
0.99 (1.1) 2 4
2 ( 0. 9 ) 3 (0 . 9 ) 4 0.99 (0.9 ) 
2
= 750  − − − + +  =1
 3 4 2 3 4 2 
 µ  = 1
c)

39
 1.1
 2 x 4  x5 0.99 x3 
σ  2
= ∫  x   f  ( x)dx − µ  = c ∫ (2 x − x − 0.99 x
2 2 3 4 2
) dx − µ 
2
= c − −  − µ 2
 4 5 3 0.9
 2(1.1) 4 (1.1)5 0.99 (1.1)3 2(0.9) 4 (0.9)5 0.99 (0.9)3 
= 750  − − − + +  −1
 4 5 3 4 5 3 
σ 2 = 2−3

σ  = 2−3 = 0.04472
d)
 x
 x  x
 t 3 
me = c ∫ ( 2 x − x − 0.99 ) dx
2
= c ∫ ( 2t  − t  − 0.99 ) dt  = 750 t 2 − − 0.99 t ) 
0.9 0. 9  3 0.9
igualamos =1 / 2
∴
 x 3 97
 x 2
− − 0.99 x + =0
3 300
 soluciones :
 x1 = 0.8267
 x2 = 1
 x3 = 1.173

Con estos resultados podemos observar que x 1 y x3 no pueden ser considerados dado que se encuentran
fuera de los limites señalados y por lo tanto la solución es: me = 1
e)
  f  ( x ) = c( 2 x − x 2 − 0 .99 ) = 0
  f  ´( x ) = c[ 2 − 2 x] = 0
2 − 2 x =
 x = 1
mo = 1

Una gráfica de esta función  y =1500  x − 750 x 2 − 742 .5 es:

grafica de y=1500x-750x2-742.5
8

      y
4

0
0.9 0. 95 1 1.05 1.1 1.15
x

40
 Teorema de Chébyshev.

En el siglo XIX, el matemático ruso Pafnuty L. Chébyshev (1821-1894) obtuvo una importante
desigualdad que asegura lo menos que puede valer la probabilidad de que una variable aleatoria
cualquiera (discreta o continua) asuma un valor dentro de k desviaciones estándar alrededor de la
media ( k > 1). Aunque la garantía mínima propuesta por Chébyshev no siempre es precisa al
compararla con el valor verdadero, la ventaja de este teorema es su gran generalidad, pues es aplicable
a cualquier  variable aleatoria con cualquier distribución de probabilidad, ya sea discreta o continua, y
generalmente es útil cuando la distribución de probabilidad es desconocida.
El teorema de Tchebysheff. Dados un número k, y un conjunto de observaciones x1, x 2, ...., xn,
al menos (1 - 1/k 2) de las observaciones caen dentro de k desviaciones estándar de la media. La
 probabilidad de que cualquier variable aleatoria X tome un valor dentro de k desviaciones estándar de
la media es al menos 1 – 1/k 2. Es decir.

1 1
 P ( µ  − k σ  <  X  <  µ  + k σ ) ≥1 − o  P (  X  −  µ  ≤ k σ ) ≤
2
k  k 2

Dem. Por la definición de varianza de X podemos escribir 

σ  2 = E  ( X  − µ ) 2

+∞
=∫ 
−∞
( x − µ )   f  ( x)dx
2

 µ −k σ    µ +k σ   ∞
=∫ 
−∞
( x − µ )   f  ( x)dx
2
+ ∫  ( x − µ )   f  ( x)dx +∫ 
 µ −k σ  
2
( x − µ )   f  ( x )dx
 µ +k σ  
2

 µ −k σ   ∞
≥∫ 
−∞
( x − µ ) 2  f  ( x )dx +∫  ( x − µ )2  f  ( x )dx
 µ +k σ  

debido a que la segunda de las tres integrales es no negativa. Ahora bien, como  x − µ  ≥ k σ   para

 ( −  x( − µ ) ≤ k σ  ≤  x( − µ ) 

cualquier 
 x ≥ µ + k σ   ≥  µ + k σ  o  x ≤  µ − k σ , tenemos que
 
 x

 − x + µ ≤ k σ  − x ≤ k σ  − µ  x ≥ µ − k σ  

( x − µ ) 2 ≥ k 2σ 2 en ambas integrales. Se sigue que
−k σ   ∞
≥ ∫  + ∫ +k 
 µ 
2
σ   k 2σ  2  f  ( x )dx k 2σ  2  f  ( x )dx
−∞  µ  σ  

y que
 µ −k σ  ∞ 1
∫ 
−∞
  f  ( x ) dx + ∫    f  ( x ) dx ≤
 µ +k σ  k 2

41
De aquí
 µ + k σ  1
 P ( µ  − k σ  <  X  <  µ  + k σ ) = ∫    f  ( x)dx ≥1 − .
 µ − k σ  k 2

El teorema de Tchebysheff se refiere a cualquier conjunto de observaciones, por lo tanto se

 puede aplicar tanto a una muestra como a la población independientemente de que el histograma de
 probabilidades tenga o no forma de campana. Los resultados del teorema son muy conservativos en el
sentido de que la probabilidad real de que X se localice en el intervalo  µ ± k σ  por lo común rebasa la
1
cota o límite inferior par la probabilidad, 1 − 2
, por una cantidad considerable.
k 

Eje. La cantidad de clientes que llega cada día aun mostrador, X, observada por un periodo
 prolongado tiene una media de 20 y una desviación estándar de 2. Se desconoce la distribución de
 probabilidad ¿Qué se puede decir de la probabilidad de que, mañana, X esté entre 16 y 24?

Deseamos calcular   P (16 < X  < 24 ) , del teorema de Chebyshev, sabemos que, para cualquier 
1
k  ≥ 0 ,  P ( µ  − k σ  <  X  <  µ  + k σ ) ≥1 − 2
, Como  µ  = 20 y σ  = 2 , se infiere que  µ − k σ  = 16 y
k 
 µ + k σ  = 24 si k = 2. Por lo tanto,

1 3
 P (16 <  X  < 24) =  P [ ( µ  − 2σ  ) < X  < ( µ  + 2σ ) ] ≥ 1 − 2
=
2 4

En otras palabras, la cantidad total de clientes que llegará mañana estará entre 16 y 24 con una
 probabilidad al menos de ¾.
Eje. La función de distribución acumulada exponencial es

0  si x <0
 F ( x) =  − x
1− e  si  x ≥ 0

La función de distribución de probabilidades es f(x) = e-x, x ≥ 0. Así, para esta distribución

∞
 µ 1 = ∫ 0  xe − x dx = 1
∞
 µ 2 = ∫ 0  x 2 e − x dx = 2
∞
 µ 3 = ∫ 0  x 3e − x dx = 6
∞
 µ 4 = ∫ 0  x 4 e − x dx = 24

Por consiguiente

42
 V ( X  ) = µ 2 − µ 12 = 1
σ  = 1
= µ 4 − 4 µ 3 µ 1 + 6 µ 2 µ 12 − 3 µ 14
 µ 4*
= 24 − (4)(6)(1) + 6( 2)(1) − 3 = 9
α 4 = 9.

Eje. Suponga que los editores de la revista Playboy desean aumentar sus suscriptores. Para ello,
envían cartas (o mensajes por e-mail) a un número aleatorio de personas, invitándolas a suscribirse con
ciertas ventajas. De las personas que reciben esa correspondencia, un gran número ni siquiera la leen y
la tiran a la basura, pero otros la leen y responden. Supongamos que la proporción de personas que
responden a la invitación (0 = 0%, 1 = 100%) es una variable aleatoria (continua) X, cuya función de
densidad de probabilidad está dada por:

 2( x + 2) ,  si 0 ≤  x ≤1
  f  ( x) =  5
 0, c.o. p

a) Verifique que, en efecto, f(x) es una función de densidad de probabilidad.

 b) Encuentre la distribución acumulada de probabilidad F(x).
c) Calcule la probabilidad de que entre 30 y 60% de personas que reciben la correspondencia,
la respondan.
d) Encuentre el porcentaje esperado (media) de personas que responderán a la invitación.
e) Determine la varianza y la desviación estándar de la variable aleatoria X.
f) Calcule el coeficiente de sesgo.
1
2( x +2) 2   x  
2
2  1
+2  
∞ 1

∫    f  ( x)dx = ∫ 
−∞ 0 5
dx = 
5
  2
+2 x  
  = 5 
 0  2
 =1
 
 x
2(t  +2) 2  t    2   x    x 2 +4 x
2 2
 x  x
 F ( x) = ∫    f  (t )dt  = ∫  dt  =  +2t   =  +2 x  
 = ,  x ∈[0,1]
−∞ 0 5 5
  2
  
 0 5   5   5

 F ( 0.6) − F ( 0.3) = 0.552 −.258 = 0.294

∞ 2 1 2 1
 µ = E ( X  ) = ∫   xf   ( x)dx = 5 ∫  x( x +2)dx = 5 ∫ ( x
−∞ 0 0
2
+2 x)dx
1
  x 3  
=     8 ≈53 .3%
2 2 1
=  + x 2  
   +1 =
5   3  0 5  3   15

− 
∞ 2 1 8  
σ   =V ( X  ) =
2
∫   x
−∞
2
  f  ( x )dx − µ  = 2

5 ∫  x
0
2
( x +2)dx   
 15  
2 64 37
( x +2 x ) −
1 2

5 ∫ 
= 3
= ≈ 0.08222
0 225 450

La desviación estándar es,

37
σ  = ≈ 0.286744
450

43
 Tenemos que calcular las probabilidades respectivas en esas 11 cantidades, usando la fórmula
 para ensayos sin reposición. Por ejemplo, la probabilidad de que se lleve 35 pesos está dada por:

 3   5   7    3   5   7  

     
   
       
   
 
 0   3   1  +  1   0   3   = 2 + 1 = 5
 15    15   39 13 39
     
 4    
 4      

De esta manera encontramos, uno por uno, los valores de f(t) para cada uno de los 11 números
 posibles de la variable aleatoria T, que representa el total de dinero que se lleva el niño cada día.
Por tanto, la distribución de probabilidad de la variable aleatoria T es la siguiente:

ti 20 25 30 35 40 45 50 55 60 65 70
 pi 1/39 5/39 2/13 5/39 64/27 2/13 31/45 1/13 2/91 1/195 1/273
3 5

Podemos obtener la media o valor esperado de:

  1  + 25  5  + 30  2  + 35  5  + 40  64  + 45  2  + 50  31  + 55  1  
 µ  = 20                       
 39    39    13    39    273    13    455    13  
+ 60 
2     1  + 70  1  = 116 ≈ 38.6667
  + 65     
 91    195    273   3

Esto significa que, en promedio, el niño se lleva a la escuela aproximadamente $38.70.

La varianza es el segundo momento central de orden 2:
2 2 2 2

=  
116   1   116   5   116   2   116   5
σ 2
 20 −   +  25 −   +  30 −   +  35 −   +
  3   39   3   39   3   13   3   39
2 2 2 2
 40 − 116   64 +  45 − 116   2 +  50 − 116   31 +  55 − 116   1 +
           
  3   273   3   13   3   455   3   13
2 2 2
 60 − 116   2 +  65 − 116   1 +  70 − 116   1 = 6248 ≈ 99.1746
        
  3   91   3   195   3   273 63

Por consiguiente, la desviación estándar es:

6248
σ  = ≈ 9.958645 ≈ $10.
63

Una desviación estándar de casi $10 es considerable. ¿Qué significa? Significa que existe
 bastante dispersión de los valores de T alrededor de la media, es decir, que las cantidades que el niño
se lleva en realidad a la escuela son bastante heterogéneas.
El histograma es.

45
 Barchart for Col_2
0.24

0.2
     y
     c
     n 0.16
     e
     u 0.12
     q
     e
     r 0.08
       f

0.04

0
20 30 40 50 60 70
25 35 45 55 65

El teorema de Chébyshev proporciona la garantía de que para cualquier k > 1 ocurre que
1
 P ( µ  − k σ  <  X  <  µ  + k σ ) ≥ 1− 2
. Empero, para variables aleatorias discretas, la desigualdad de
k 
Chébyshev sólo es aplicable en casos excepcionales, porque deberíamos tener mucha suerte para que
ambos  µ − k σ  y  µ + k σ  estuviesen en el dominio de definición de X. En este caso, es fácil
convencerse de que ningún valor de k > 0 produce el efecto deseado, porque si hubiese números
naturales n, m tales que  µ − k σ  = n , y  µ + k σ  = m , necesariamente se llegaría a
116 116 232
m− = −n ⇒m +n = , lo cual es imposible. Además, la condición k > 1 nos obliga a tomar 
3 3 3
n < 28.67 y m > 48.67. Mediante el intervalo 25 < X < 52 1/3 como una aproximación del intervalo 20
< X < 55, entonces sí es posible emplear la desigualdad de Chébyshev. Tenemos así dos ecuaciones de
 primer grado:

116 6248 116 6248 1 157

− k  = 25; + k  = 52 =
3 63 3 63 3 3

Resolviendo cada una de estas ecuaciones, obtenemos, como era de esperarse, el mismo valor:

41 1562
k  =
2 7

lo cual significa que, en efecto, el intervalo tiene su centro en la media. Por tanto, la estimación
mínima, según el teorema de Chébyshev, es:
1 6248 5519
1− = 1− = ≈ 0.4690
k 2 11767 11767

Para obtener el valor exacto, se calcula primero la distribución acumulada de probabilidad F(x)
mediante una tabla y se evalúa F(50) – F(25).
Eje. En la teoría de fiabilidad de los dispositivos automáticos, la fiabilidad de un elemento o de
un sistema se caracteriza por la llamada intensidad media de fallos λ (t), la cual representa una función
de tiempo tal, que siendo multiplicada por dt, ofrece (con exactitud de infinitesimales de orden
superior) la probabilidad condicional del fallo del elemento en el intervalo de tiempo (t, t + dt),

46
suponiendo que hasta el momento t el elemento funcionaba normalmente. Conociendo la función λ(t),
se puede hallar la ley de distribución de la duración de servicio.
Para hallar la ley de distribución de la duración de servicio del elemento T, examinemos dos
acontecimientos: A (buen funcionamiento del elemento hasta el momento t) y B (fallo del elemento en
el intervalo de tiempo (t, t + dt)). Es evidente que el acontecimiento B no puede suceder sino junto con
el acontecimiento A, porque el elemento puede fallar en el intervalo de tiempo (t, t + dt) solamente en
el caso de funcionar bien hasta el momento t. Por eso P(B) = P(A∩B), y basándonos en el principio de
multiplicación de probabilidades, podemos escribir 
 P ( B ) = P ( A) P ( B | A)

Designemos las funciones incógnitas de distribución y la densidad de probabilidad de la duración de

servicio del elemento T por F(t) y f(t) respectivamente.La probabilidad del acontecimiento B es igual,
con exactitud hasta infinitesimales de segundo orden, al elemento de probabilidad correspondiente:
 P ( B ) = P (t  < T  < t  + dt ) =   f  (t ) dt  =  F (t )dt 

La probabilidad del acontecimiento A se expresa por medio de la función de distribución de la

duración de servicio del elemento T.
 P ( A) = P (T  ≥ t ) =1 − P (T  < t ) =1 − F (t )

Por fin, la probabilidad condicional P(B|A) se expresa por la intensidad media de fallos del elemento
λ(t):
 P ( B |  A) = λ (t ) dt 

Sustituyendo las expresiones obtenidas, obtendremos después de dividir ambos miembros por dt, la
ecuación diferencial para la función de distribución F(t):

 F ′(t ) = [1 − F (t )]λ (t )

Dado que la duración de servicio del elemento no puede ser negativa, el acontecimiento T < 0 es
imposible y, por lo tanto F(0) = 0.
Integrando la ecuación anterior, con la condición inicial de que F(0) = 0, hallamos la función de
distribución de la duración de servicio del elemento:
t 

=1 −e ∫ 
−
λ ( t ) dt 
 F (t ) 0

De aquí, por derivación, hallamos la densidad de probabilidad de la duración de servicio del elemento:
t 

  f  (t ) =λ (t )e
∫  − λ ( t ) dt 
0

En el caso particular, de que la intensidad de fallos λ (t ) = λ  sea constante, se tiene

 F (t ) = 1 − eλ t    f  (t ) = λ e−λ t 

47
 Sea A el evento en que se logra el resultado socialmente útil, de manera que
 P ( A | r ) = λ r e −λ  / r !

∞
 P ( A) = ∑(λ r e −λ  / r !)θ (1 −θ ) r −1
1

[ ]
= θ e −λ  e λ (1−θ ) −1 /(1 −θ )
= θ (e −λθ  − e −λ  ) /(1 −θ )

Eje. Hay que ajustar una máquina para que produzca un lote grande de piezas. Para un ajuste
dado, cada una de las piezas producidas por la máquina tiene una probabilidad constante p de salir 
defectuosa; sin embargo, el proceso de ajuste es tal que esta probabilidad varía de ajuste a ajuste y
 puede tomarse como una variable aleatoria con la función de densidad de probabilidad (1-p)m(m+1),
0<p<1. El inspector que controla la calidad de las piezas no comete errores respecto a las piezas
  buenas, pero puede dejar pasar un artículo defectuoso como bueno. Si la proporción de piezas
defectuosas en el lote es p, entonces el inspector dejará pasar un artículo defectuoso como bueno con
una probabilidad de kp(1-p)2. En este momento la máquina se está ajustando para la producción; ¿qué
 pronóstico se puede hacer sobre la proporción de piezas defectuosas que habrá en el lote después de
que el inspector lo haya revisado?
La proporción de piezas defectuosas en el lote es la proporción de piezas defectuosas que el
inspector ha dejado pasar como buenas. Como el lote es grande, tomamos esta proporción como la
 probabilidad apropiada. Al suponer que A es el evento en que el inspector deja pasar un artículo
defectuoso, entonces P(A|p) = kp(1-p)2 y nos gustaría calcular P(A).
1 1
 P ( A) = ∫ 
0
 P ( A |  p)  f  ( p )dp = k (m +1) ∫  p(1 − p) m 2 dp
0
+

= k (m +1) /( m +3)( m +4)

Eje. En la tabla se da la distribución de probabilidad de una variable aleatoria R. Calcular 

E(R  +2R)/(R+1).
2

r 0 1 2 3 4 5
P(R = r) 0.1 0.3 0.1 0.2 0.2 0.1

 R 2 + 2 R  5  r 2 + 2r 

 E   = ∑  P (r ) = 3.01
  R +1  r =0  r  + 1 

Eje. Se lanza una moneda hasta lograr un águila. Pedro recibirá $2r  si la primera águila aparece
en el r-ésimo lanzamiento. Calcular la ganancia que espera Pedro. Al alterar las reglas Pedro recibirá
$2r  para r ≤ 20 pero recibirá $220 para r ≥ 21; calcular la ganancia que espera Pedro.
r 

Sea P(r) = P(primera águila en el r-ésimo lanzamiento). Por tanto,  P (r ) =  1  
   y
 2  

63
 ∞ r 

= ∑2  1  
 E ( ganancia ) r 
  
r =1  2  

la cual es infinita. Con las reglas alteradas,

r  r 
20
 1   + 2 20 ∞  1   = 21
 E ( ganancia ) = ∑= 2
r  1
r 
  
 2  
∑   
21  2  

Es interesante notar que la esperanza de la ganancia de Pedro es pequeña, pues está limitada, a
 pesar de que este límite es muy grande.

Eje. Un buen modelo para explicar que una característica de calidad de determinado producto
manufacturado varía de artículo a artículo es una variable aleatoria X con la fdp proporcional a x, en el
intervalo 0<x<λ y 0 en cualquier otro punto. Al someter a control de calidad cada uno de los artículos
manufacturados se aprueban aquellos para los que X > l, donde 0<l<λ, y el resto se rechaza. El costo
de un artículo rechazado es $C1 = $(aλ + b) y la utilidad de un artículo aprobado es $(C 2 – C1). El
 parámetro λ es una variable del proceso de manufactura y puede ajustarse a cualquier valor deseado.
Determinar λ tal que se maximice la utilidad esperada.
λ 
Sea f(x) = Kx, 0<x<λ. ∫  Kxdx
0
=1 da  K  = 2 / λ 2 . Ahora bien, la utilidad esperada S está dada
 por 

(
S  = C 2 − aλ − b ) ∫ l  2 x / λ 2 dx − (aλ + b) ∫ 0 2 x / λ 2 dx
λ  l 

= C 2 (1 − l 2 / λ 2 ) − aλ − b

dS/dλ = 0 da λ  = ( a / 2C 2 l 2 ) −1 / 3 . Notar que 2

d  S  / d λ 
2
= −6C 2 / λ 4 < 0 , de modo que se ha encontrado un
máximo.

Eje. Una variable aleatoria R toma el valor r con probabilidad ar, r = 1, 2, ..., l. Hallar E(R) y
V(R).
l 

∑ ar  = al (l  + 1) / 2 = 1 da a = 2 / l (l  +1) . De aquí que

1

l 
 E ( R) = ∑ ar  2
= 1 al (l  + 1)(2l  + 1) = (2l  + 1) / 3
1 6
l 
 E ( R ) =
2
∑ ar 1
3
= al 2 (l  + 1) 2 / 4 = l (l  + 1) / 2

de modo que
1
V ( R) = l (l  + 1) / 2 − (2l  + 1) 2 / 9 = (l 2 + l  − 2)
18

64
 Eje. Una variable aleatoria X tiene la función de densidad de probabilidad   f  ( x) = kx θ  , 0<x<θ.
Encontrar E(X) y V(X).
θ 
Ahora ∫  kx
0
θ 
dx = k θ θ +1 /(θ  +1) = 1 da k  = (θ  +1) / θ θ +1 . De aquí que

θ 
 E ( X ) = ∫ 
0
k θ θ +1 dx = θ (θ  +1) /(θ  + 2)
θ 
 E ( X  2 ) = ∫ 
0
kx θ +2 dx = (θ  +1)θ 2 /(θ  + 3)

de manera que

V ( X ) =  E ( X  2 ) − [ E ( X )] 2 = θ 2 (θ  + 1) /(θ  + 2) 2 (θ  + 3)

Eje. Una variable aleatoria X tiene la fdp f(x) = 1/2a, -a<x<a. Encontrar   µ r * y de aquí
determinar los coeficientes de asimetría y kurtosis.
a
r +1
a  x
 µ  = E ( X ) = ∫  x / 2 a dx = 0 . De donde
−a
 µ r  = E ( X  r 
) =
2a( r  +1)
, de modo que  µ r  = 0 si r 
−a
es impar. Esta es una reflexión de la simetría de f(x). El coeficiente de asimetría es cero. Ahora bien,
2 r 
a
 µ 2 = + 1 , r = 1, 2, 3, ... De aquí que el coeficiente de kurtosis es  µ 4 / µ 22 = 9 / 5
2r 

Eje. Una variable aleatoria X tiene la fdp,   f  ( x) =1 / 2a , donde –a<X<a. Encontrar la
 probabilidad de que  X   ≥1.5 V  ( X  ) y comparar esto con la cota superior de Chebyshev.

Se tiene E(X) = 0 y V(X) = a2/3. Ahora bien,

(
 P   X  > 1.5a / 3 ) =  P (  X  > 0.866 a )
= 2 P ( X  > 0.866 a ) a  partir  de la  simetría
= 0.134

La desigualdad de Chebyshev da
(
 P   X  ≥1.5a / 3 ) ≤ (1 / 1.15 ) 2
= 0.444

De donde esta cota superior es más bien amplia en relación con la probabilidad exacta calculada a
 partir de un conocimiento completo de la función de densidad.

Eje. El nivel de ruido X de cierto aparato electrónico, varía de aparato a aparato. Un modelo
adecuado para esta variación es decir que X es una variable aleatoria con la fdp   f  ( x) = 2 xe −x , x >
2

0. Si X > c, donde c es una constante especificada, se dice que el aparato es de calidad grado II; en caso

65
 ∞
∫  x
0
2
⋅ e -x dx →2

1
∞
La variable c se calcula considerando la probabilidad, como sigue ∫ 
c e −x dx
0
= 1 , por lo tanto:
c =1

La media se determina por medio de la siguiente expresión:

∞

∫ 
 µ  = 1*  x e − x dx
0

los cálculos realizados en MATHCAD arrojan un resultado para la expresión anterior de:
 µ  = 1
La varianza es:
∞
σ  2
= 1* ∫  x 2 ⋅ e − x dx
0
=1 σ  2

Considere las tres funciones dadas a continuación. Determine cuales funciones son de
distribución (FDC).
Por definición, una función es FDC si cumple con lo siguiente:
1)  f  x ( x) ≥ 0 para toda x ∈ en R x
∫ 
2)  f  x ( x ) dx = 1
 R x

3)  f  x ( x) es un tramo continuo

4)  F  x ( x) = 0 si x no esta en el rango R x
a.  F  x ( x) = 1 − ce − x 0<x<∞
d 
1.  f ( x) = 1 − e − x
dx
∞
2.  f ( x) = ∫ 1 − e
0
− x
dx

3. Se observa en la grafica de la función la continuidad de f(x).

d d
1+ − e-x → exp(-x)
dx dx

∞
∫  e
0
-x
dx →1

68
 4. Para cualquier otro valor no incluido en el rango de R x = { 0 < x < ∞} la función Fx vale cero.

e − x 0 ≤ x < ∞ d -x

 b) G x ( x ) =  e → − exp( - x )
0  x < 0 dx

∞
∫  - exp(-x)dx → -1
0

d  − x
1.  f  x ( x ) = e
dx
La función no es una FDC, dado que no cumple con lo estipulado de que,  f  x ( x) ≥ 0 para 0 ≤ x < ∞ .
Al evaluar  f(x) en el rango dado, siempre se obtendrán valores negativos.

∞
2.  f  x ( x ) = ∫ − e
0
− x
dx

Al integrar la función en los limites especificados se obtiene un valor negativo (-1), por lo tanto no
cumple con lo estipulado de que :

∫  f  ( x)dx = 1
 R x
 x

En este caso la función no es de distribución continua.

e x − ∞ < x ≤ ∞ d
c)  H  x ( x) =  ex → exp(x)
0  x > 0 dx

0 x
∫  e dx → 1
-∞

d  − x
1.  f  x ( x ) = e
dx
Se tiene solo valores mayores o iguales a cero para esta función.

69
 0

2.   f   x ( x) = ∫ − e −x dx

∞
Al evaluar la función en los limites se obtiene la unidad lo que viene a comprobar al punto 2 antes
mencionado.
3. Se observa en la grafica de la función la continuidad de f(x).

4. Para cualquier otro valor no incluido en el rango de R x = { - ∞ < x ≤ 0} la función  F  x vale
cero.

3-7 Se tiene una función de distribución de probabilidad discreta si X es una variable aleatoria
discreta, asociando un numero  p x ( xi ) ≥ 0 =  p x ( x = x) con cada resultado xi, en R x para i = 1, 2, 3,
...,n,..., donde los números  p x ( xi ) satisfacen.

1  p x ( xi ) ≥ 0  para todo i

2 ∑ x
 P ( xi ) = 1
i =1  x

1
 3  x = 0
a)  P  x ( x) =  2 3  x = 1
 0 de otro modo

La función cumple con los dos aspectos anteriormente señalados, ya que la suma de las
 probabilidades dan como resultado la unidad, así mismo, se tiene que la probabilidad individual de X,
es mayor que cero, por tanto se trata de una función de probabilidad discreta.
(1)

  1   1   x  1  5− x

         x= 0 , 1 , 2 , 35,
   x   3    3  
 P  x ( x) = 
0 o t r om o d o 70


 5.20.- Simule el experimento descrito en el ejercicio 5.18 marcando 5 piezas de cartón o
monedas de manera que 3 representen a las acciones ordinarias y 2 a las preferentes. Póngalas en un
sombrero, agítelo y seleccione tres, anotando  y. Regrese las piezas o monedas al sombrero y de nuevo
agítelo y extraiga otras tres, etc. Repita la selección y registro de  y 100 veces. Construya un histograma
de frecuencias para esta muestra y compárela con el histograma de probabilidad que obtuvo en el
ejercicio 5.18. Si en lugar de basar el histograma de frecuencias en n = 100 observaciones, lo hubieran
 basado en n = 100,000 ¿Cómo se compararía con el histograma de probabilidad?

y 0 1 2
P(y) 6 69 30

Y = Numero de años que dura de moda un vestido

4
  1   + 2  3   + 3  4   + 4  4   = 35 = 2.916
∑
 µ  = E ( y ) =
 y =1
 yp( y ) = 1
 12    12    12    12   12
4
  1     4  
σ  = E ( y − µ ) = ∑ ( y − µ ) 2 p ( y ) = (1 − 2.9167) 2   + (4 − 2.9167) 2   = 0.9097
2 2

 y =1  12    12  

5.23 Construya un histograma de probabilidad para y. Calcule σ  y encuentre la probabilidad de

que X caiga a no mas de dos desviaciones estándar (2 σ  ) de la media  µ  . ¿Esta esto de acuerdo con el
teorema de Tchibyshef? ¿Caracterizan  µ  y σ  a p(x)?
σ  = 0.9535
2σ  = 1.9076
( µ  ± 2σ ) = ( 2.916 ± 1.908) = (1.008,4.824)
Probabilidad de que y caiga a no mas de 2 desviaciones estándar = 11/12
Teorema de Tchebyshef 
Al menos (1-1/4) = 3/4 caen dentro de 2 desviaciones estándar.
Como 11/12 de las observaciones caen dentro de 2 desviaciones estándar, el teorema de Tchebyshef 
 si_se cumple.

83
 y 1 2 3
p(y) 1/2 1/4 ¼ 5.24 Refiérase al ejercicio 5.18. Encuentre
el valor esperado y la varianza de y. Se hizo la simulación del ejercicio 5.20, calcule de ahí  y′ , s2 para
las 100 mediciones. Compare esos valores con el valor esperado y la varianza de y.

∑ yp( y) = 0   101    + 1   106    + 2   103    = 12
2
 E ( y ) = = 1.2
 y = 0 10

= E ( y − µ ) = ∑ ( y − µ ) 2 p( y ) = (0 − 1.2) 2   1   + (1 − 1.2) 2   6   + (2 − 1.2) 2   3   = 0.36
2
2 2
σ 
 y =0  10    10    10  

5.25 Refiérase al ejercicio 5.24. Calcule σ  y encuentre la probabilidad de que y caiga a no mas
de 2 σ  de  µ  ¿Caracterizan  µ  y σ  a p(y)? ¿Qué proporción de las 100 mediciones caen a no mas de 2
σ  de y?

σ 2 = σ 2 = 0.6

 µ  = 1.2
( µ ± 2σ ) = (1.2 ±1.2 ) = ( 0,2.4 )
 p ( µ ± 2σ ) = 1
 
1 − 2  
1
  donde k  = 2
  k   
 
1 − 2  
1
 =
3
al menos
3
de la muestra caen dentro, si se cumple el teorema de Tchebyshef  f.
  2   4 4

 No caracterizan, el 100% de las mediciones caen dentro.

5.27 Una agencia de suscripciones por correo maneja suscripciones por uno, dos y tres años con
 probabilidades 12 , 14 , 14 respectivamente. Si por cada año de suscripción la agencia recibe un dólar 
de comisión, ¿Cuál es la comisión esperada por suscripción?
3
 1   + 2  1   + 3  1   = 7
 E ( y ) = ∑
 y =1
 yp( y ) = 1
 2    4    4   4
Se esperan 1.75 dólares de comisión por suscripción.

5.28 Un cliente potencial para una paliza de seguro contra incendio de 20,000.00 dólares tiene
su resistencia en una área que de acuerdo a la experiencia pasada puede tener un incendio que
represente una perdida total en un año determinado con probabilidad 0.001. Si se ignora todas las otras
 perdidas parciales, ¿Qué prima anual se le debería de cobrar para que la compañía y el cliente salgan
empatados?
Y = Perdida

y 1 0.5

84
 p(y) 0.001 0.01

Póliza por 20,000

2
 E ( y ) = ∑ yp( y) = 1(0.001) + 0.5(0.01) = 0.006
 y =1

Prima anual = (0.005)(20000)=120

 Note por X la cantidad de tiempo para el que un libro, disponible durante 2hrs, en la biblioteca
de una universidad, se lo lleva prestado un estudiante seleccionando al azar y suponga que X tiene una
función de densidad.

0.5 x 0≤X≤2

 f ( x ) = 
0 otro caso

Calcule las siguientes probabilidades:

1
0.5 2 1 0.5
∫ 
a)  p( x ≤ 1) = 0.5 x dx =
0
 x =
2 0 2
= 0.25
1.5
0.5 2 1.5
∫ 
 b)  p(0.5 ≤  x ≤ 1.5) = 0.5 x dx =
0.5
 x
2 0.5
= 0.5625 − 0.0625 = 0.5
2
0.5 2 2
∫ 
c)  p(1.5 ≤ x) = 0.5 x dx =
1.5
 x
2 1.5
= 1 − 0.5625 = 0.4375

Suponga que la distancia X entre un blanco puntual y un disparo dirigido al punto, en un juego
de tiro al blanco accionado por monedas, es una υ a con pdf.

0.75(1 − x 2 ) -1 ≤ X ≤ 1

 f ( x ) = 
0 otro caso

a) Trace la grafica de f(x).

85
 b) Calcule P(X > 0)
1
1
   x 3  
 p ( x > 0) = ∫ 0.75(1 − x ) dx = 0.75 x −  
2
  = 0.5
0   3  0
c) Calcule P(0.5 < X < 0.5)
0.5 0.5
 p (0.5 < x < 0.5) = ∫  0.75(1 − x )dx = 0.75 x − x
2 3
( 3 )− 0.5
= 0.6875
− 0.5

d) Calcule P(X > -0.25 o X > 0.25)

1 1
 p ( x < 0.25) = ∫  0.75(1 − x ) dx = 0.75 x − x
2 3
( 3 ) 0.25
= 0.3164
0.25

Un maestro universitario nunca termina su clase antes que suene la campana, y siempre termina
su clase a menos de 1min después que suena la campana. Sea X= el tiempo que transcurre entre la
campana y el tiempo de la clase y suponga que la pdf de x es

kx 2 0 ≤ x ≤1

 f ( x ) = 
0 otro caso

a) Encuentre el valor de k; (Sugerencia: el área total bajo la grafica de ½ min. de f(x) es 1)
∞ 1 1
kx 3 k 
∫
-∞
 f ( x) dx = 1 ∫ 
0
kx dx =
2
3 0
3
− 0 = 1∴ k  = 1

 b) ¿Cuál es la probabilidad de que la clase termine a menos de ½ min. de que suene la campana?
c)
1
2 1
 p ( x ≤ 1 ) = 3 x 2 dx =  x 3 2 = 0.125
∫ 
2 0
0

86
 d) ¿Cuál es la probabilidad de que la clase continué entre 15 y 30 seg., después de que suene la
campana?
0.5
0.5
 p (0.25 ≤ x ≤ 0.5) = ∫ 3 x 2 dx = x 3 0.25 = (0.5)3 − (0.25)3 = 0.125 − 0.015625 = 0.109375
0.25

e) ¿Cuál es la probabilidad de que la clase continué por lo menos 4 seg., después que suene la
campana?
1
1
 p ( x ≥ 0.67 ) = ∫ 3 x 2 dx = x 3 0.66 = 0.70459
0.66

760. Sea X una variable aleatoria discreta con distribución de probabilidad dad por la siguiente
tabla:

xi 2 3 4 5
 pi 0. 0. 0. 0.11
2 4 3
a) Obtenga la función de distribución acumulativa de la variable x.
 b) Calcule P(x < 3.5) y P(3 ≤ x < 4.5).

a)
0.2 0≤ x<2
F(x)= 0.6 2≤ x<3
0.9 3≤ x<4
1 4≤ x<5
 b)
P(x < 3.5)= F(3.5) – 0= 0.9
P(3 ≤ x < 4.5)= F(4.5) – F(3)=1 – 0.9= 0.1

761. Sea F(x) la función de distribución acumulada de la variable aleatoria discreta X dada por 
la siguiente tabla:

x (-∞ ,- (- (3,5 (5,

2] 2,3] ] ∞)
F(x 0 0.4 0.5 1
)

Encuentre la función de densidad de f(x) si x toma sólo los valores –2, 3 y 5.

87
P(x = -2)= F(-2) – 0= 0.4 – 0= 0.4
P(x = 3)= F(3) – F(2)= 0.5 – 0.4= 0.1
P(x = 5)= F(5) – F(3)= 1 – 0.5= 0.5
∴
xi -2 3 5
 pi 0. 0. 0.5
4 1

762. Sea X una variable aleatoria discreta con una distribución dada por la siguiente tabla:

x -2 2 4
p 0. 0. 0.2
5 3

Calcule la media, mediana, varianza, y desviación estándar.

 E ( x)= (−2)( 0.5) +(2)( 0.3) +(4)( 0.2) = 0.4
Me = ( −2,2)
V ( x) = ∑( x − µ )  p ( x) = (−2 −0.4) 2 (0.5) +(2 −0.4) 2 (0.3) +( 4 −0.4) 2 (0.2) = 6.24
2

σ  = V ( x ) = 2.5

763. Sea {Pn} la sucesión infinita de la forma pqk-1 , k ∈ N donde 0<p<1 y q=1- p
a)Verifique si la sucesión {P N} puede ser la función de densidad de una variable aleatoria k.
 b)Calcule la media y la varianza de la variable k.

764. Sea X una variable aleatoria discreta con distribución de probabilidad dada por la siguiente
tabla:

xi 0 1 2 5
 pi 0. 0. 0. 0.2
1 4 3

Calcule el coeficiente de sesgo.

765. Calcule el coeficiente de sesgo para la siguiente distribución (ensayos sin reposición):

 k     N  − k   
    
 x    n − x  
 
  f  ( x) = ;
  N   
  
  n  
  para: x= 0, 1, ..... ,n;
n ≤ N, x ≤ k;
n-x ≤ N-k 

88
 ¼ senx para 0<x<2π

f(x)=
0 para las demás x

d ¼ senx =0 ; -1/4cosx=0 ; x=cos-10 ; x=90

dx
∫¼ senx =-2/4 cosx =1/2; cosx =-1; x=180

∫x¼ senx =1/4 ∫xsenx ; x=180

807. calcule la moda y el tercer momento inicial para la variable aleatoria X con función de
densidad:

exp (-1/X)
n!Xn+2 para x>0 para n =3,4,…
f(x)=
0 para las demás x.

d℮(-1/x) ; ℮x-2xn+2 =n + 2 ; x = 1
n!x(n+2) ℮x-1xn+1 n+2

808. Calcule la mediana, la media y la varianza para la variable aleatoria X con función de
densidad:
1
2X2   para x >1
f(x)=

0 para las demás x.

104
μ=∫x/2x2= ∫1/2x=[ ln2x]01= no existe

v(x)=∫x2/2x2 –μ2= no existe

∫ 1/2x2 =-x-1/2=1/2; x=-1

809. Calcule el coeficiente de sesgo y de curtosis para la f.d.p.:

6x(1-x) para 0<x<1
f(x)=
0 para las demás x.

μ= ∫ x6x(1-x)=1/2
v(x)= ∫x26x(1-x)-(1/2) 2=1/20
∫x36x(1-x) -3∫x6x(1-x)∫x26x(1-x)+2[∫x6x(1-x)] 3 = Y= 0
(1/20)3

k= ∫x46x(1-x) -4∫x6x(1-x) ∫x26x(1-x) +6[∫x6x(1-x)]2∫x26x(1-x) -3[∫x6x(1-x)]4 =2.16

(1/20)4

810. Sea X1 una variable aleatoria con función de densidad:

1/6(x-2) para -2<x<0
f(x)= -1/12(x-4) para 0<x<4
0 para las demás x.
y X2 con la función de densidad:
1/12(x-2) para -2<x<2
g(x)= -1/6(x-4) para 2<x<4
0 para las demás x.

105
Calcule los coeficientes de sesgo para f(x) y g(x), y compare los resultados obtenidos.

811. Calcule la media, la varianza y el coeficiente de curtosis para las siguientes distribuciones:
¾(2x-x2) para 0<x<2
a) f(x)=
0 para las demás x.
μ=∫x¾(2x-x2)=1; v(x)= ∫x2 ¾(2x-x2)- μ2=1/5
k = ∫x4¾(2x-x2) -4∫x¾(2x-x2) ∫x2¾(2x-x2) +6[∫x¾(2x-x2)]2∫x2¾(2x-x2) -3[∫x¾(2x-x2)]4 ; k = 15/7
(√1/5)4
4
  b) f(x)= exp(- x-1 / 10 )
2 10

Compare los resultados obtenidos.

812. La variable aleatoria X tiene la distribución acumulada dad por:

0 para x<1
F(x)= (x-1)/2 para 1<x<3
1 para x>3
σ=v(x)2= ∫x2(x-1)/2 – [∫x(x-1)/2]2=3/9
σ=0.5773
Calcule la desviación típica de la variable X.

813. Exprese el tercer momento central de la variable aleatoria X por sus momentos iniciales.
μ3=E(x- μ)3=E(x3-3x2 μ+3x μ2- μ3)=E(x3)-3E(x2)E(μ)+2E(μ)3=
μ3=α3-3α1α2+2α13
814. Exprese el tercer momento inicial de la variable aleatoria X por sus momentos centrales.
α3= μ3 + 3α1α2-2α13= μ3 + 3 μ 1(μ2 +μ12) -2 μ 13
α3= μ3 + 3 μ 1μ2 + μ 13

106
 815. Aplicando la propiedad de la media: E(x)= E(X-a) + a, calcule la media de la variable
aleatoria X cuya función de densidad es:
7(x-1)6 para 0<x<1
f(x)=
0 para las demás x.
E(x)=∫x[7(x-1)6]=1/8

816. El tiempo T (en minutos) entre llegadas consecutivas de dos taxis en cierto punto de una
variable aleatoria con función de distribución acumulada dada por:
1-exp(-1/3t) para t>0
F(t)=
0 para las demás t.

a) Calcule P(1<T<2).
P(1<T<2)=∫[ 1-exp(-1/3t)]= exp(-1/3)- exp(-2/3)
 b) Obtenga la función de densidad de T.
1/3exp(-1/3t) para t>0
F(t)=
0 para las demás t.

c) Calcule E(T) y V(T).

E(T)=∫t[1-exp(-1/3t)]dt=3
V(T)=∫t2[1-exp(-1/3t)]-9=9

817. Sea X una variable aleatoria con función de densidad:

axe-4x2  para x>0
f(x)=
0 para las demás x.
a) Determine el valor de la constante a.
 b) Calcule E(X) y V(X).

107
 818. Aplicando la formula μ3=α3-3 α1α2+2 α13, calcule el coeficiente de sesgo para la
distribución dad por la siguiente función de densidad:
1 xn-1 exp (-x/λ) para x>0
λ n(n-1)!
f(x)=
0 para las demás x.

819. Calcule la moda y la media de la variable aleatoria X con función de densidad dada por:
(4 / π )x2exp(-x2) para x>0
f(x)=
0 para las demás x.
d(4 / √ π )x2exp(-x2) =0 ; x=1;moda=1
dx
E(x)=∫x(4 / √ π )x2exp(-x2)=2/√n

836. Demuestre que:

V(X)=E(X-c)2-[c-E(X)]2
V(X)= E[X-E(X)]2= E[(X-c)+(c-E(X))]2= E[(X-c)2+2(X-c)(c-E(X))+(c-E(X)) 2]= E(X-c)2-2(c-
E(X))E(c-X)+(c-E(X))2= E(X-c)2-[c-E(X)]2

750.-
Se lanza una moneda una sola vez. Denotemos x a la variable aleatoria discreta que
representa el número de águilas que salen.
a) Obtenga la distribución de probabilidad de la variable aleatoria x.
 b) Determine la media y la varianza de x.
Para el inciso (a)
xi 0 1
 pi 1/2 1/2

n
 µ  = ∑ XiPi = (0)(1/ 2) + (1)(1/ 2) = 1/ 2
i =1
108
 La media

σ 2 = ∑ ( Xi − µ ) 2 Pi = (0 − 1 / 2) 21 / 2 + (1 −1 / 2) 21 / 2 =1 / 8 + 1 / 8 = 2 / 8 =1 / 4 La varianza

751.- Considere una variable aleatoria x continua, cuya función de densidad de probabilidad es:

2 cos 2x para 0 ≤ x < π/2

f(x) =
0 en cualquier otro caso.
a) Verifique que en efecto es una función de densidad de probabilidad.
 b) Calcule la media y la varianza.
c) Obtenga la función de distribución acumulada F(X).
d) Determine la media.
e) Determine la moda.

π/4 π / 4
2 sen 2 x
a) ∫ 2 cos 2 xdx = 2 ∫ cos 2 xdx =
0 0
2
π / 4
0 = sen (2)(π  / 4) − sen (0) = 1 por lo tanto es
una función de densidad

La media
u 1 1 1
∫  = ∫ x cos udu = ∫  u cos udu = [ cos u + usenu ]
2 ∫ 
 µ =  x 2 cos 2 xdx = =
π / 4
cos udu 0
2 2 2
 b) [cos 2 x + 2 xsen 2 x] π / 4
0 =1 / 2[cos 2(π / 4) + 2(π / 4) sen 2(π / 4) − cos( 0) ] = −1 / 2 + π / 4
π  − 2
=
4
la varianza
∞ π / 4 π / 4 π / 4
u2
σ 2
= ∫  x   f  ( x)dx − µ  = ∫  x 2 cos 2 xdx = ∫  4 cos udu − µ  =1/ 4 ∫ u
−∞
2 2

0
2

0
2

0
2
cos udu − µ 2
π  − 3
= 1 / 4[2ucsu + (u 2 − 2) senu ]0 − µ 2 = 1 / 4[4 x cos 2 x + (4 x 2 − 2) sen 2 x]0 − µ 2 =
π  / 4 π / 4

c) La función de distribución acumulada esta dada por:

 0  para <0
 x

f(x)=  sen 2 x  para 0 ≤ x ≤π / 4
 1  para  x >π / 4


109
 0 <0
 x
0.2 2 ≤  x < 3


 F ( x) = 0.6 3 ≤  x < 4
0.9 4 ≤  x < 5


1 5 ≤  x

 b)
P(x < 3.5) = 0.6
P(3 ≤ x < 4.5) = F(4.5) – F(3) = 0.9 - 0.6 = 0.3

764. Sea x una variable aleatoria discreta con distribución de proporcionalidad dada por la
siguiente tabla.

xi 0 1 2 5
 pi 0.1 0.4 0.3 0.2

Calcule el coeficiente de sesgo.

 solucion :
n
 µ  = ∑( x  p ) = (0)(0.1) + (1)(0.4) + (2)(0.3) + (5)(0.2) = 2
i =1
i i

σ 2 = ∑( xi − µ ) 2  pi = (0 − 2) 2 (0.1) + (1 − 2) 2 (0.4) + ( 2 − 2) 2 (0.3) + (5 − 2) 2 (0.2) = 2.6

i

σ  = 2 .6 = 1.612

 sesgo

α 3 = ( x / 2 − µ ) 3

= [ ((0 +1 + 2 + 5) / 2) − 2) ]
3

= 1.909
σ 3 (1.612 )3

772.- Tenemos dos urnas, de las cuales la primera contiene n bolas blancas y 2n bolas negras, y
la segunda contiene 2n bolas blancas y n bolas negras. Se escoge al azar una urna 7y de ella se saca una
 bola. Si es blanca, se saca de la misma urna(sin reemplazo) otra bola y en caso contrario se saca una
 bola de la otra urna. Sea x una variable que representa el número de bolas blancas extraídas. ¿Para que
valor de n se cumple E(x) < 1?

Xi 0 1 2
Pi 2/9 (27n-5)/(18(3n-1)) (5n-3)/(6n(3n-1))

115
  2  + (1) 
 µ  = ( 0)  27 n − 5  
    5n −3   27 n − 5
+ ( 2)  = +
10 n − 6
     
 9    18 (3n −1)    6n(3n −1)   18 (3n −1) 6 n(3n −1)
27 n 2 − 5 n + 30 n −18 27 n 2 + 25 n −18
= =
18 n(3n −1) 18 n(3n −1)

57 n − 23
 E ( x ) = <1
18 (3n −1)
Para n = 1

822.- Según la propiedad de la varianza para la cual v(x) = v(x-a) donde a = constante, calcula
la varianza de la variable aleatoria x cuya función de densidad esta dada por.
1/24 (x-1)4 exp[-(x-1)] para x >1
f(X) =
0 para las demás x.

∞
 x
 µ  = ∫ 24 ( x −1)
1
4
e (1− x ) dx =6

∞
 x 2
σ 2
= ∫  ( x − 1) 4 e (1− x ) dx − µ 2 = 41 − (6) 2 = 5
1
24

 Nota: Para resolver estas integrales se utilizo el Matlab

840.- Dada la v.a continúa x con función de probabilidad

 senx  si 0 ≤ x ≤ π 

 2

  f  ( x) = 
 0 otra  parte


Halle µ y σ 2

116
 ∞ π  π  π 
 xsex 1 1 1
∫ 
 µ  =  xf  ( x)dx = ∫  2
dx =
2 ∫ 
 xsexdx =
2 ∫ 
usenudu =
2
[ senx − x cos  x] π 
0
−∞ 0 0 0

1 π 
=
2
[ sen π  − π  cos π  − sen 0 + 0 cos 0] =
2

∞ π  π 
1 π 2 1 π 2
σ  2
= ∫  x   f  ( x)dx − µ 
−∞
2 2
=
20 ∫ 
 x  senxdx −
2

4
=
20 ∫ 
u  sendx −
2

4
1 π 2 1 π 2
= [2 xsex + (2 − x 2
cos  x ] π 
0
− = [2π  sen π  + (2 − π  ) cos π  − 2(0) sen 0 − (2 − 0) cos 0] −
2

2 4 2 4
π 2
= −2
4

841.- Si la f.d.p de una v.a.c es:

c(4 x − x 3 )  si 0 ≤  x ≤2

  f  ( x) = 
 0 otro caso

Halle
a) El valor de c.
 b)  µ  y σ 

  f  ( x) = c(4 x − x 3 )

2
 2  x 4   24 (0 ) 4 
∫ 
c ( 4 x − x ) dx 3
= c 2 x −  = c 2(2) − − 2(0) +
 4 0 
2

4
2

4 
 = 4c
igualamos
4c =1
1
c =
4

b)
2
2 2
 4 x 3  x 5  1  4(2) 3 2 5  16
 µ  = ∫  xf  ( x) dx = c ∫ ( 4 x −  x ) dx = c  −  = 
2 4
−  = 0.0666 =
0 0  3 5 0 4 3 5  15
2 2 2
1  4  x 6  1  4 2 6  16 
2

σ  = c ∫ (4 x −  x ) dx − µ  =  x −

2 3 5 2 16 
−   = (2) −  −   =
44
4

6  0 15  4 6  15  225
0

44
σ  =
225

Dada la variable aleatoria continua x, cuya f.d.p es f(x) = ∝ exp[2x-x2] , ∝ > 0, x E R.

842.-
Encuentre la moda sin necesidad de calcular el valor de la constante ∝.
  Para encontrar la moda derivamos la función de densidad e igualamos a cero para obtener así 
abscisas críticas. Cualquier abscisa crítica pude ser evaluada en la segunda derivada ya que si resulta

117
  x
 x
   s 3  x  x
 4 s − s 3    x
1  4 s 2  s 4 
 F ( X ) = ∫  f  ( s )ds = ∫ 
 s −
4
 
ds
  = ∫  
 4    
ds =
1
4 ∫  ( 4 s − s 3
)ds =
4
 2 − 4 =
−∞ 0     0     0  0
 x
 2 4
=  4 s −  s  =  x −  x = 8 x −  x
2 4 2 4

 4( 2) 16  0 2 16 16

8 x 2 − x 4 1
=
16 2

− x 4 = 16 
1  
8 x 2   
 2  
8 x 2 − x 4 = 8
 x − 8 x + 8 = 0
4 2

si w =  x 2
w 2 − 8w + 8 = 0

− ( − 8) ± ( − 8) 2 − 4(1)( 8) 8± ( )
= 8± = 8± 4
32 2 16 2
w= = = 4±2 2
()
21 2 2 2

Sustituyendo  x 2 por w

 x 2 =4±2 2
 x =± 4 ±2 2

 x1 = 4 +2 2 = 2.6131
 x2 = 4 −2 2 = 1.0823

El valor que cae dentro del intervalo [0,2] es 1.0823= 4 −2 2 = x2 que es igual a la mediana.

m = 1.0823
e

Suponga que X y Y son dos variables aleatorias tales que E(X) = 5, E (Y) = 3. Si Z =
854.-
X + 2Y, obtenga E (Z).
E (Z) = E(X + 2Y) = E(X) + E (2Y) = E(X) + 2E (Y)
= 5 + 2(3) = 5 + 6
= 11

855.- Dado que E(X) = 2, E(Y) = 6, y suponiendo que Z = 3X + 4Y, halle E(Z).

123
Z = 3X + 4Y
E (Z) = E (3X + 4Y) = E (3X) + E (4Y) = 3E(X) + 4E (Y)
= 3(2) + 4(6) = 6 + 24
= 30

856.- Si X es una variable aleatoria discreta que solo puede tomar los valores X 1 = -1, X2 =
0 y X3 =1, con probabilidades de p 1, p2 y p3, respectivamente, y si se sabe además que E(X) =
0.1; E(X2) = 0.9, encuentre los valores de p 1, p2 y p3.

xi -1 0 1
 pi  p  p2 P3
1

E(X) = μ = 0.1
E(X2) = σ2 = 0.9

(1)  p1 + p2 + p3 = 1
(2) (-1)p1 + (0)p2 + (1)p3 = 0.1 = E(X)
(3) (-1)2 p1 + (0)2 p2 + (1)2 p3 = 0.9 = E(X2)

t
  1 1 1 1     1 1 1 1    1 0 −1 − 0.1   1 0 −1 − 0.1 
    R + R     R − R     R − R     R − R
 −1 0 1 0.1     
2
  → 0 1 2 1.1   
1
    → 0 1 2 1.1    
1 2
   → 0 1 2 1.1    
3 1
 2
  →
3

 1 0 1 0.9   1 0 1 0.9    1 0 1 0.9    0 0 2 1  

               
 1 0 −1 − 0.1   R  1 0 −1 − 0.1   1 0 0 0.4  
   2 3
   R + R   
 0 1 0 0.1      → 0 1 0 0.1        → 0 1 0 0.1 
1 3

 0 0 2 1    0 0 1 0.5    0 0 1 0.5  
           
  p1    0.4  
     
 P  =  p 2  =  0.1  
  p    0.5  
  3      
entonces
 p1 = 0.4,  p 2 = 0.1,  p3 = 0.5

857.-Una variable aleatoria discreta X tiene la siguiente distribución de probabilidad:

xi 4 6 x3
 pi 0.5 0.3 p3

Si se sabe que E(X) = 8, halle x3 y p3.

124
  P ( x ) =100 % =1
 P ( x ) = P (1) + P ( 2 ) + P (3 )
1 = 0 .5 + 0.3 + P (3)
 P ( 3) =1 − 0 .5 − 0 .3
 P ( 3) = 0.2

n
 µ = E ( X ) = ∑ xi  pi
i =1

8 = 4( 0.5 ) + 6( 0.3) + x3 ( 0.2)

8 = 2 +1.8 + 0 .2 x3
0 .2 x3 = 8 − 2 −1.8 = 4.2

4 .2
 x 3 =
0.2

 x 3 = 21

858.- Sea X una variable aleatoria discreta con la siguiente distribución de probabilidad:

xi 1 2 3
 pi  p1  p2  p3
Si se sabe que E(X) = 2.3; E(X2) = 5.9, determine los valores de p1, p2 y p3.

(4)  p1 + p2 + p3 = 1
(5) (1)p1 + (2)p2 + (3)p3 = 2.3 = E(X)
(6) (1)2 p1 + (2)2 p2 + (3)2 p3 = 5.9 =E(X2)

125
  5120( x − 1)  x
5120 ( x −1)
 f  ( x) =  (4 x − 3) 6
 para  x a)  F ( x) = ∫  (4 x − 3)
1
6
dx

 0  x La evolución obtenida de la integral es:

 para
16(20 x − 19) x
 F ( x) = 16 −
De la definición de una f. d. p. (4 x − 3) 5
1

 x 16 − 16(20 x − 19)  para  x ≥ 1

 F ( x) = ∫   f  (t )dt   F ( x) =  (4 x − 3) 5
−∞  0  para  x ≤ 1
> 2)
 P ( X 
16 ( 20 ( 2) −19 )
 P (2 ≤ X  ≤ 3) b)  P ( X  > 2) =16 −
( 4( 2) −3) 5
 P ( X  > 2) =15 .8925
c)  P ( 2 ≤  X  ≤ 3) = 16 − 16 ( 20 (3) −19 ) 
 − 16
 ( 4 ( 3) − 3) 5
 
 P ( 2 ≤  X  ≤ 3) = 15 .9889 −15 .8925
 P ( 2 ≤  X  ≤ 3) = 0.09642
16 − 16(20 x − 19)  para  x ≥ 1
 La f. d. a. es:  F ( x) =  (4 x − 3)
5

 0  para  x ≤ 1
 La probabilidad es:  P ( X  > 2) =15 .8925
 La probabilidad es:  P ( 2 ≤  X  ≤ 3) = 0.09642

882.-Sea X la v. a. c. con f. a. p. dada por:

1 0 ≤  x ≤ 1
2

 F ( x) = 1 2.5 ≤  x ≤ 3
0 c.o. p.


Determine la mediana o mediana de X, si es que hay
Datos del problema Desarrollo

1 0 ≤  x ≤ 1
 x
1
2  F ( x) = ∫ 12 dt  =

 F ( x) = 1 2.5 ≤  x ≤ 3 0
2
0 c.o. p. me =
 x
=
1

 2 2

 x
1
De la definición de una f. d. p.  F ( x) = ∫ 1dt  =
2.5
2
 x 1
1 me = x −2.5 =
me = ∫   f  (t )dt  = 2
−∞
2

Obtenemos los cero de la ec. Obtenida

anteriormente:
139
 me =1
me =3

 Existen una infinidad de medias, solo se expresan algunas de las que existen entre
estos intervalos que existen entre ∀ x ∈[1, 2.5] es adecuada para ser  me de X 

3 t  1 −t 
883.- Si X es una v. a. c. con función generatriz de momento ψ  (t ) = e + e , para
4 4
t  ∈8 − ∞, ∞) , determine el valor esperado y la varianza de X

Datos del problema Desarrollo

3 t  1 −t 
ψ  (t ) = e + e
4 4  3 et  + 1 e−t   
,
= d 
1

  t =0
 µ 1 1
dt   4 4  
Forma general para obtener los  3 1  
momentos normales de X:  µ 1, =  et  − e−t   t =0
r   4 4  
d 
 µ r , = M  x (t ) t =0
 µ 1, = −
3 1
dt r 
4 4
 µ 1, =  E ( x) = 1
2

 µ 2, =  3 et  + 1 e −t   

d  2

 2  t =0
dt   4 4  
 3 1  
 µ 2, =  et  + e −t   t =0
 4 4  
3 1
 µ 2, = +
4 4
= V ( x) =  µ 2, − ( µ 1, )
2
 µ 2,
2

= V ( x) = 1 −  
, 1  
 µ 2   
 2  
3
 µ 2, = V ( x) =
4

 La esperanza es:  µ 1

,
=  E ( x) = 1
2
3
 La varianzaza es:  µ 2 = V ( x) =
,

884.- Si la media, varianza y función generatriz de momentos de una v. a. X están dadas,

respectivamente, por   µ , σ 2 ,ψ  1 (t ) , para t  ∈(−
∞ , ∞), y si Y es otra v. a. cuya función generatriz de
momentos está dada por  ψ 2 (t ) = e c (ψ  −1) , − ∞ < t  < ∞ , donde c es una constante positiva, exprese la
1

media y la varianza de Y en términos de la media y la varianza de X.

140
 Datos del problema Desarrollo
ψ   (t ) =  µ 
,
1
ψ  2 (t ) = e c ( µ −1)
ψ  
,,
(t ) = σ  2  µ 1, = M  x (t ) t =0
1

d 1
c (ψ 1 −1)
 µ 1, = 1
(e c ( µ −1)
)= t  0
ψ 2 (t ) = e dt 
=c  µ 1,
Forma general para obtener los ψ  1,(t ) = µµ 1,
momentos normales de X: ψ  1,(t ) = µ c
r 
d 
 µ r , = r  M  x (t ) t =0 ψ  2 (t ) = e c ( µ −1)
dt 
 µ 2, = M  x (t ) t =0

 µ ,
2 =
d 2
dt  2
(e c ( µ −1)
) t =0

 µ 2, = c2
ψ  .,1(t ) = c 2σ 2 − (c µ ) 2
ψ  .,1(t ) = c 2 (σ 2 − µ 2 )

 La esperanza es: ψ  1,(t ) = µ c

 La varianzaza es: ψ .,1(t ) = c 2 (σ 2 − µ 2 )

887.- Si la v. a. c. X tiene f. d. p. dada por :

cx 2e−bx 0 ≤  x < ∞


  f  ( x) = 
 0  x <0


donde b es un parámetro positivo:

a) Encuentre el valor de la constante c
 b) Calcule P(0<X<1/b)
Datos del problema Desarrollo

cx 2e−bx 0 ≤  x < ∞ ∞


  f  ( x) = 
a)   f  ( x) = ∫ cx 2e−bxdx = 1
 0  x <0
0
 La evolución obtenida de la integral es:
De la definición de una f. d. p.

141
 ∞
− c(b 2 x 2 + 2bx + 2)e −bx
∫   f  ( x)dx =1
−∞ b 3
∞
0 =1
 x
0−
[− c(2)e ] = 1 0

 F ( x ) = ∫   f  (t )dt 
−∞
b3
 P ( 0 ≤  X  ≤1 / b) b3
c=
2
∞
b3
b)  F ( x) = ∫ 2  x e
0
2 −bx
dx

 (2ebx − b 2 x 2 − 2bx − 2)e −bx


 F ( x) =  0 ≤  x < ∞
2

 0  x < 0
 P (0 ≤  X  ≤ 1/ b) ≈ 0.080301

3
b
 La constante c es: c =
2
 La probabilidad es:  P (0 ≤  X  ≤1 / b) ≈ 0.080301

Eje. Supóngase que un fabricante produce cierto tipo de aceite lubricante que pierde alguno de
sus atributos especiales si no se usa dentro de cierto periodo de tiempo. Sea X el número de unidades
de aceite pedidas al fabricante durante cada año. (Una unidad es igual a 1000 galones) Supongamos
que X es una variable aleatoria continua, distribuida uniformemente en [2, 4]. Por lo tanto la fdp tiene
la forma,


 1
2 ≤  x ≤4
  f  ( x) =  2

0 cualquier  otro valor 

Supongamos que por cada una de las unidades vendidas se obtiene una utilidad de $300, mientras que
cada una de las unidades no vendidas (durante un año determinado) produce una pérdida de $100, ya
que una unidad no utilizada tendrá que ser descartada. Suponiendo que el fabricante debe decidir pocos
meses antes del comienzo de cada año cuánto producirá, y que decide fabricar Y unidades (Y no es una
variable aleatoria, está especificada por el fabricante) Sea Z la utilidad por año. Aquí Z es
evidentemente una variable aleatoria puesto que es una función de la variable aleatoria X.
Específicamente, Z = H(X) en donde

300 Y   si  X  ≥ Y ,

 H ( X ) = 
300  X  +( −100 )( Y  − X ),  si  X  < Y .

A fin de obtener E(Z), tenemos de

∞
 E ( Z ) = ∫ −∞ H ( x )  f  ( x )dx
1 4
=
2 ∫  H ( x )dx
2

142
Para evaluar esta integral debemos considerar tres casos; Y < 2, 2 ≤ Y  ≤ 4 , y Y > 4. Con la ayuda de la
figura y después de algunas simplificaciones obtenemos:

 1 4300YdX  = 1 300YX  |4 =300Y 

 2 ∫ 2 2
2  si Y  ≤ 2

 E ( Z ) = − 100Y 2 + 700Y  − 400  si 2 < Y  < 4
 1 4 1
 2 ∫ 2 (300 X  − 100Y  + 100 X )dX  = 2 [150 X  − 100YX  + 50 X  ]2 =1200 − 100Y 
2 4
2
 si Y  ≥ 4


La pregunta siguiente es de interés, ¿Cómo elegiría el fabricante el valor de Y a fin de

maximizar la utilidad esperada? Podemos responder fácilmente esta pregunta al poner simplemente
dE(Z)/dY = 0. Esto produce Y = 3.5

143