1

1.
REGLAS BÁSICAS DE LA PROBABILIDAD

En esta sección, se repasaran algunas reglas básicas y definiciones, que puede ya haber visto durante su
estudio previo de la probabilidad.

DEFINICIÓN Cualquier situación, en la cual el resultado es inseguro, se llama un experimento.

Por ejemplo, sacar un naipe de una baraja sería un experimento.

DEFINICIÓN Para cualquier experimento, el espacio muestral S del mismo consiste en todos los
resultados posibles de este.

Por ejemplo, si lanzamos un dado y si nos interesa el número de puntos que se ve, entonces S = {1, 2, 3, 4, 5, 6}.

DEFINICIÓN Un evento E es cualquier colección de puntos (conjunto de resultados) del espacio muestral.
Así se tiene que E  S.

Se dice que una colección de eventos E1, E2, ..., En es una colección mutuamente excluyente de eventos si para
i ¿ j (i = 1, 2, ..., n y j = 1, 2, ..., n), Ei y Ej no tienen puntos en común, es decir EiEj = . Así, si E1, E2, ..., En es una
colección de eventos mutuamente excluyentes y ocurre Ei podemos estar seguros que ninguno de los demás
eventos de la colección ocurrió. Por ejemplo, si lanzamos un dado y si nos interesa el número de puntos que
este muestra en su cara superior, la siguiente colección de eventos es mutuamente excluyente, ya que dado
uno de ellos es imposible que los otros se presenten:

E1 = El dado muestra un punto.

E2 = El dado muestra dos puntos.

E3 = El dado muestra tres puntos.

E4 = El dado muestra cuatro puntos.

E5 = El dado muestra cinco puntos.

E6 = El dado muestra seis puntos.

__ __
Con cada evento E, asociamos un evento E , tal que E esta formado por los puntos del espacio muestral
S que no están en E. Con cada evento E, asociamos también un número P(E), que es la probabilidad de que
ocurra el evento E al realizarse el experimento. Las probabilidades de eventos tienen que satisfacer las
siguientes reglas de la probabilidad:

Regla 1 Para cualquier evento E, P(E)  0.

Regla 2 Si E = S (es decir, si E contiene todos los puntos del espacio muestral), entonces P(E) = 1.
Regla 3 Si E1, E2, ..., En es una colección de eventos mutuamente excluyentes, entonces
n
P( E1 ∪E2 ∪⋯∪E n )=∑ P( Ek )
k =1
 2

__
Regla 4 P( E ) = 1 - P(E).

En algunas situaciones se debe dar respuesta a la probabilidad de un evento cuando éste se halla sujeto a
ciertas condiciones, tal como en el caso de determinar la probabilidad de pérdida de la asignatura Modelos III
dado que el alumno no ha visto la asignatura Probabilidad. En este caso se presentan dos eventos: E1 y E2
donde E1 es el evento “el alumno no ha visto la asignatura probabilidad” y E2 representa el evento “el alumno ha
perdido la asignatura Modelos III”. De igual manera, aquí se da que E1 condiciona la ocurrencia de E2 o, de otra
manera, la posibilidad de ocurrencia de E2 esta determinada por la posibilidad de que E1 ocurriera o porque E1 ya
había ocurrido. Lo anterior motiva la siguiente definición:

DEFINICIÓN Para dos eventos E1 y E2, P(E2|E1) (probabilidad condicional de E2 dado E1) es la probabilidad
de que ocurra el evento E2 dado que ha ocurrido E1. Entonces
P( E1 ∩E2 )
P( E2|E1 )=
P( E1 ) (1)

No obstante, en muchos casos la ocurrencia de un suceso no influye ni esta influenciada por la ocurrencia de
otro. Por ejemplo, ¿qué tiene que ver la probabilidad de ganarse la lotería con la eventualidad de que mañana
sea un día lluvioso? Luego intuitivamente decimos que los eventos E1 y E2 son independientes si y sólo si el
saber que ha ocurrido E1 no cambia la probabilidad de que ocurra E2, y viceversa.

DEFINICIÓN Suponga que se presentan los eventos E1 y E2 con probabilidades positivas. Los eventos E1 y
E2 son independientes si y sólo si P(E2|E1) = P(E2) (o equivalentemente, P(E1 |E2) = P(E1)).

A partir de (1), E1 y E2 son independientes si y sólo si

P( E 1∩E 2 )
=P( E 2 )
P( E 1 ) o P( E1 ∩E2 )=P( E1 )P ( E2 ) (2)

EJEMPLO 1 Suponga que sacamos un solo naipe de una baraja de 52 cartas.

1. ¿Cuál es la probabilidad de que se saque corazones o picas?

2. ¿Cuál es la probabilidad de que el naipe sacado no sea un 2?
3. Dado que se ha sacado un naipe rojo, ¿cuál es la probabilidad de que haya sacado
una diamante? ¿Son los eventos E1 = sacar una naipe rojo y E2 = sacar un diamante,
independientes?
4. Demuestre que los eventos E1 = sacar una pica y E2 = sacar un 2, son independientes.

Solución 1. Sean los eventos

E1 = sacar un corazón
E2 = sacar una pica
E1 y E2 son eventos mutuamente excluyentes, con P(E1) = P(E2) = 1/4. As´+i, se cumplen los
requisitos de la regla 3 de la probabilidad y por lo tanto,
1 1 1
P( E1 ∪E2 )=P( E1 )+P( E2 )= 4 + 4 = 2

2. Sea el evento E = sacar un 2. Entonces P(E) = 4/52 = 1/13. Según la regla 4 de la

probabilidad,
 3

__
P( E ) = 1 - 1/13 = 12/13.

3. A partir de la Ecc. 1,
P( E1 ∩E2 )
P( E2|E1 )=
P( E1 ) ,
13 1
pero,
P( E2 ∩E1 )=P( E2 )= 52 = 4 y P(E1) = 26/52 = ½
Así,
1
4 1
P( E2|E1 )= =
1 2
2

Como P(E2) = 1/4, se ve que P(E2|E1) ¿ P(E2). Por lo tanto, E1 y E2 no son eventos
independientes. (Esto se debe a que si se sabe que se ha sacado un naipe rojo
aumenta la probabilidad de que se saque un diamante.)

4. P(E1) = 13/52 = 1/4, P(E2) = 4/52 = 1/13 y P(E1 ¿ E2) = 1/52. Como P(E1)P(E2) = P(E1 ¿ E2),
E1 y E2 son eventos independientes. Intuitivamente, como 1/4 de todos los naipes en la
baraja son picas y 1/4 de todos los dos en la baraja son picas, saber que se ha sacado
un 2 no cambia la probabilidad de que el naipe que se extraiga sea una pica.

• PROBLEMAS

GRUPO A independientes?
(d) ¿Son los eventos
1. Se lanzan dos dados (para cada dado, es
E1 = el primer dado muestra un 3
equiprobable que aparezcan 1, 2, 3, 4, 5 o 6 puntos).
(a) ¿Cuál es la probabilidad de que la suma de los E2 = la suma de los dos dados es 7
puntos en los dos dados sea 7 u 11?
independientes?
(b) ¿Cuál es la probabilidad de que la suma de los
puntos en los dos dados sea un número diferente (e) Dado que la suma de los dados es 5, ¿cuál es la
a 2 o 12? probabilidad de que el primer dado haya tenido 2
puntos?
(c) ¿Son los eventos
E1 = el primer dado muestra un 3 (f) Dado que el primer dado muestra un 5, ¿cuál es
la probabilidad de que la suma de los dos dados
E2 = la suma de los dos dados es 6 sea par?

2. LA REGLA DE BAYES

Una decisión importante depende frecuentemente del “estado del mundo”. Por ejemplo, podríamos querer
saber si una persona tiene tuberculosis o no. Entonces nos interesaría la probabilidad de los siguientes estados
del mundo:
S1 = la persona tiene tuberculosis

S2 = la persona no tiene tuberculosis

En general, se pueden presentar n estados del mundo mutuamente excluyentes (S1, S2, ..., Sn). Los estados del
mundo son colectivamente exhaustivos: ya que S1, S2, ... Sn son mutuamente excluyentes e incluyen todas las
 4

posibilidades. Suponga que quien toma decisiones asigna una probabilidad P(Si) a la ocurrencia del estado Si.
P(Si) es la probabilidad a priori de Si. Para obtener más información acerca del estado del mundo, quien toma
las decisiones puede observar el resultado de un experimento. Supóngase que para cada resultado posible Oj y
para cada estado del mundo posible Si, quien toma las decisiones conoce P(Oj | Si), la verosimilitud del
resultado Oj, dado el estado del mundo Si. La regla de Bayes combina las probabilidades a priori y las
verosimilitudes de los resultados experimentales para determinar una probabilidad postexperimental, o
probabilidad a posteriori, para cada estado del mundo. Para deducir la regla de Bayes, obsérvese que (1)
significa que
P(S i∩O j )
P(s i|O j )=
P(O j ) (3)

A partir de (1), también se infiere

P(Si  Oj) = P(0j | Si)P(Si) (4)

Los estados del mundo S1, S2, ..., Sn son colectivamente exhaustivos y, por lo tanto, el resultado experimental Oj
(si ocurre) tiene que ocurrir con uno de los Si (Fig. 1). Como S1  Oj, S2  Oj , ... , Sn  Oj son eventos mutuamente
excluyentes, la regla 3 de la probabilidad significa que

P(O j )=P( S1 ∩O j )+P( S2 ∩O j )+…+P( S n∩O j ) (5)

Las probabilidades de la forma P(Si  Oj) se llaman frecuentemente probabilidades conjuntas, y las
probabilidades P(Oj) es llaman probabilidades marginales. Al sustituir (4) en (5), obtenemos
n
P(O j )= ∑ P(O j|S k ) P (S k )
k=1 . (6)

Figura 1 P(O j )=P(O j∩S 1 )+P(O j∩S 2 )

Ilustración de la +P(O j ∩S 3 )+P (O j ∩S 4 )
Ecc. 6

La sustitución de (4) y (6) en (3), proporciona la regla de Bayes:

P(O j|Si )P (S i )
P(S i|O j )= n
∑ P(O j|S k ) P( Sk )
k =1 (7)

Con el ejemplo siguiente se ilustra el uso de la regla de Bayes.

EJEMPLO 2 Suponga que el 1% de todos los niños tiene tuberculosis (TB). Cuando se aplica a un niño
con TB la prueba de Mantoux, se presenta un resultado positivo en 95% de los casos.
Cuando se aplica a un niño sin TB la prueba de Mantoux, se presenta un resultado positivo
en 1% de los casos. Dado que se aplica la prueba a un niño y el resultado es positivo, ¿cuál
es la probabilidad de que el niño tenga TB?

Solución Los estados del mundo son

 5

S1= el niño tiene TB

S2 = el niño no tiene TB

Los posibles resultados experimentales son

O1 = prueba positiva

O2 = prueba negativa

Como las probabilidades a priori P(S1) = 0.01 y P(S2) = 0.99, y las verosimilitudes P(O1 | S1) = 0.95,
P(O1 | S2) = 0.01, P(O2 | S1) = 0.05 y P(O2 | S2) = 0.99, A partir de (7),
P(O1|S 1 )P( S1 )
P(S 1|O1 )=
P(O1|S 1 )P( S1 )+P(O1|S 2 )P( S2 )
0 . 95(0 .01 ) 95
= = =0. 49
0 . 95(0 .01 )+0 . 01( 0. 99 ) 194

La razón por la cual un resultado positivo en la prueba significa solamente una probabilidad del 49% de que el
niño tenga TB, es que muchos niños del 99% de todos los niños que no tiene TB tendrán un resultado positivo.
Por ejemplo, en un grupo típico de 10 000 niños, 9 900 no tendrán TB y 0.01(9 900) = 99 niños presentarán un
resultado positivo en la prueba. En el mismo grupo de 10 000 niños, 0.01(10 000) = 100 niños tendrán TB y
0.95(100) = 95 niños presentarán un resultado positivo en la prueba. Así, la probabilidad de que un resultado
95 95
positivo indique TB es
=
95+99 194 .

• PROBLEMAS

GRUPO A existencia de petróleo. Si las pruebas de Digger

indican que no hay petróleo en el campo, ¿cuál es la
1. Un escritorio tiene tres cajones. En el cajón 1 hay probabilidad de que el campo contenga petróleo?
dos monedas de oro. En el cajón dos hay una Antes de que Digger realice las pruebas, Cliff cree
moneda de oro y una moneda de plata. En el cajón que hay una probabilidad de 10% de que haya
tres hay dos monedas de plata. Escojo un cajón al petróleo en el campo.
azar y después escojo una moneda al azar. Si se
escoge una moneda de plata, ¿cuál es la probabilidad 3. Un cliente fue a un banco para pedir un préstamo. Sin
de que haya escogido el cajón 3? información adicional, el banco opina que hay una
probabilidad de 4% de que el cliente no cumpla con
2. Cliff Colby quiere determinar si su campo de petróleo sus compromisos. El banco puede investigar la
en el sur de Japón producirá petróleo. Ha contratado solvencia del cliente. La verificación producirá un
al geólogo Digger Barnes para realizar algunas informe favorable o desfavorable. A partir de la
pruebas en el campo. Si hay petróleo en el campo, experiencia pasada, el banco opina que P (recibir un
hay una probabilidad de 95% de que las pruebas de informe favorable | el cliente no cumple con sus
Digger indiquen la existencia de petróleo. Si el compromisos) = 1/40, y que P (informe favorable |
campo no tiene petróleo, existe una probabilidad del cliente cumple con sus compromisos) = 99/100. Si se
5% de que las pruebas de Digger indiquen la recibe un informe favorable, ¿cuál es la probabilidad
de que el cliente falte a sus compromisos?

3. VARIABLES ALEATORIAS, MEDIA, VARIANCIA Y COVARIANCIA

Se utilizan los conceptos de variables aleatorias, media, variancia y covariancia en varios capítulos posteriores.

DEFINICIÓN Una variable aleatoria es una función que asocia un número a cada punto del espacio
muestral de un experimento. Representamos las variables aleatorias mediante mayúsculas en
negrilla (normalmente X, Y o Z).
 6

3.1. VARIABLES ALEATORIAS DISCRETAS

DEFINICIÓN Una variable aleatoria es discreta si puede tomar solamente valores discretos x1, x2, ... Una
variable aleatoria discreta X se caracteriza por el hecho de que conocemos la probabilidad
de que X = xi, (se representa con P(X =xi)).

P(X = xi) es la función de masa de probabilidad (f.m.p.) para la variable aleatoria X.

DEFINICIÓN La función de distribución acumulativa F(x) para cualquier variable aleatoria X se define
como F(x) = P(X  x). Para una variable aleatoria discreta X,

F( x )= ∑ P( X =x k )
x k ≤x

Sigue un ejemplo de una variable aleatoria discreta.

EJEMPLO 3 Sea X el número de puntos en la cara superior de un dado después de lanzarlo. Entonces,
para i = 1, 2, 3, 4, 5, 6, P(X = i) = 1/6. La función de distribución acumulativa (f.d.a.) para X se
muestra en la Fig. 2.

Figura 2
Función de
distribución
acumulativa para
el ejem. 3

3.2. VARIABLES ALEATORIAS CONTINUAS

Si en algún intervalo la variable aleatoria X puede tomar todos los valores del intervalo, entonces X será una
variable aleatoria continua. Afirmaciones probabilísticas acerca de una variable aleatoria continua X requieren
conocer la función de densidad de probabilidad (f.d.p.). Se puede interpretar la función de densidad de
probabilidad f(x) para una variable aleatoria X de la manera siguiente: para un  pequeño,

P( x≤X ≤x+ Δ)≃Δf (x )

De la Fig. 3, vemos que para una variable aleatoria X, con la función de densidad f(x),
Área 1 = P(a  X  a + )  f(a)
 7

Área 2 = P(b  X  b + )  f(b)

Figura 3
Ilustración de la
función de
densidad de
probabilidad

Así, para una variable aleatoria X, con la función de densidad f(x) como la de la Fig 3, es más probable que se
presenten valores de X cercanos a a que cercanos a b.

Del estudio anterior sobre el Teorema Fundamental del Cálculo, se deduce que
b
P(a≤X≤b)=∫a f ( x )dx

Así, para una variable aleatoria continua, cualquier área bajo la f.d.p. de la variable aleatoria corresponde a una
probabilidad. Mediante el concepto de área como una probabilidad, vemos que la f.d.a. para una variable
aleatoria continua X, con una función de densidad f(x), está dada por
a
F( a)=P ( X≤a)=∫−∞ f ( x )dx

EJEMPLO 4 Considere una variable aleatoria continua X con una función de densidad dada por

f (x )= 2 x 0≤x≤1
{
0 caso contrario

Obtenga la f.d.a. para X. También encuentre P(1/4  X  3/4).

Solución Para a  0, F(a)=0. Para 0  a  1,

a
F( a)=∫0 2 x dx

Para a  1, F(a) = 1. La gráfica de F(a) se encuentra en la Fig. 4.

3/4 1
P( 14 ≤ X≤ 34 )=∫1/4 2 x dx=
2
 8

Figura 4
Función de
distribución
acumulativa para
el ejemplo 4

3.3. MEDIA Y VARIANCIA DE UNA VARIABLE ALEATORIA

La media (o valor esperado) y la variancia son dos medidas importantes que se utilizan frecuentemente para
resumir la información contenida en la distribución de probabilidad de una variable aleatoria. La media de una
variable aleatoria X (representada por E(X)) es una medida del lugar central de la variable aleatoria.

MEDIA DE UNA VARIABLE ALEATORIA DISCRETA. Para una variable aleatoria discreta X,

E( X )= ∑ x k P( X =x k )
Toda k (8)

MEDIA DE UNA VARIABLE ALEATORIA CONTINUA. Para una variable aleatoria continua
x
E( X )=∫−∞ x f (x ) dx (9)

Observe que en el cálculo de E(X), se pondera cada valor posible de una variable aleatoria mediante su
probabilidad de ocurrencia. Así, la media de una variable aleatoria es, en realidad, el centro de masa de la
variable aleatoria.

Para una función h(X) de una variable aleatoria X (como X2 y ex), se puede calcular E[h(X)] de la manera
siguiente. Si X es una variable aleatoria discreta,

E[ h( X )]= ∑ h( x k ) P( X=x k )
Toda k (8')

Si X es una variable aleatoria continua,

∞
E[h(X )]=∫−∞ h(x )f (x) dx (9')

La variancia de una variable aleatoria X (que se representa var X) mide la dispersión de X con respecto a E(X).
Entonces var X se definirá como E[X - E (X)]2.

VARIANCIA DE UNA VARIABLE ALEATORIA DISCRETA. Para una variable aleatoria discreta X, (8') produce

var X= ∑ [ x k −E( X )]2 P( X =x k )

Toda k (10)
 9

VARIANCIA DE UNA VARIABLE ALEATORIA CONTINUA. Para una variable aleatoria continua X, (9')
produce
∞
var X=∫−∞ [ x−E( X )]2 f ( x) dx (11)

Se puede obtener también var X mediante la relación

var X = E(X2) - E(X)2 (12)

Para cualquier variable aleatoria X, (var X)1/2 es la desviación estándar (se representa con x).

Con los Ejemplos 5 y 6 se ilustra el cálculo de la media y de la variancia para una variable aleatoria discreta y
para una variable aleatoria continua.

EJEMPLO 5 Considere la variable aleatoria discreta X con P(X = i) = 1/6 para i = 1, 2, 3, 4, 5, 6. Obtenga
E(X) y var X.

1 21 7
Solución
E( X )= 6 (1+2+3+4 +5+6 )= 6 = 2

var X=16 [( 1−3 . 5)2 +( 2−3 . 5)2 +(3−3. 5 )2 +( 4−3 .5 )2 +(5−3 .5 )2 +( 6−3 . 5)2 ]
=35
12

EJEMPLO 6 Encuentre la media y la variancia de la variable aleatoria continua X con la función de

densidad siguiente:

f (x )= {02 xcaso0≤x≤1
contrario
1
2 x3 2
Solución
1
E( X )=∫0 x(2 x)dx= =
3 0 3 [ ]
1
2 x4 8 x3 8 x2 1
var X=∫
1
0 (2 2
x− 3 2 x)
1
dx=∫0 ( x 24x 4
− 3 +9 ) 2 x dx = [4
− +
9 18 0 18
= ]
3.4. VARIABLES ALEATORIAS INDEPENDIENTES

DEFINICIÓN Dos variables aleatorias X y Y son independientes si y sólo si para dos conjuntos A
y B cualesquiera,

P( X ∈ A∧Y ∈ B )=P( X ∈ A ) P(Y ∈ B) (13)

A partir de esta definición, se puede demostrar que X y Y son variables aleatorias independientes si y sólo si el
conocimiento acerca del valor de Y no cambia la probabilidad de cualquier evento que incluya X. Por ejemplo,
suponga que X y Y son variables aleatorias independientes. Esto significa que P(X  10) será igual para Y = 8, Y =
10, Y = 0 o Y = cualquier valor. Si X y Y son independientes, entonces E(XY) = E(X)E(Y) (la variable aleatoria XY tiene
un valor esperado igual al producto del valor esperado de X por el valor esperado de Y).
 10

La definición de independencia se puede generalizar para más de dos variables de interés. Hablando sin rigor,
un grupo de n variables aleatorias es independiente si el conocimientote los valores de cualquier subconjunto de
las variables aleatorias no cambia nuestra visión de la distribución de cualquiera de las otras variables
aleatorias (vea Prob. 5 al final de esta sección).

3.5. COVARIANCIA DE DOS VARIABLES ALEATORIAS

Un concepto importante en el estudio de modelos financieros es la covariancia. Para dos variables aleatorias X
y Y, la covariancia de X y Y (representada por cov (X, Y)) se define por

cov ( X , Y )=E {[ X−E ( X )] [ Y −E(Y ) ] } (14)

Si X > E(X) tiende a ocurrir cuando Y > E(Y), y si X < E(X) tiende a ocurrir cuando Y < E(Y), entonces cov (X,Y) será
positiva. De otra manera, si X > E(X) tiende a ocurrir cuando Y < E(Y), y si X < E(X) tiende a ocurrir cuando Y > E(Y),
entonces cov (X,Y) será negativa. El valor de cov (X,Y) mide la relación (en realidad, la relación lineal) entre las
variables aleatorias X y Y. Se puede demostrar que si X y Y son variables aleatorias independientes, entonces
cov (X,Y) = 0. (Sin embargo, cov (X,Y) = 0 puede presentarse aun cuando X y Y no sean variables aleatorias
dependientes. Vea el Problema 6 al final de esta sección como ejemplo.)

EJEMPLO 7 Cada verano en Gotham City se clasifica como verano lluvioso, o bien, verano soleado. Las
ganancias obtenidas por las dos industrias más importantes de Gotham City (el Gotham City
Hotel y la Tienda de paraguas de Gotham City) dependen del tipo de verano, como se
muestra en la Tabla 1. De todos los veranos, el 20% son lluviosos, y el 80% son soleados.
Sean H y P las variables aleatorias siguientes:

H = ganancia obtenida por el Gotham City Hotel en un verano

P = ganancia obtenida por la Tienda de paraguas en un verano

Encuentre la cov (H, P).

Tabla 1 UTILIDADES DE HOTEL UTILIDADES DE LA TIENDA

TIPO DE VERANO
Utilidades para el (dólares) (dólares)
Ejemplo de la Lluvioso -1 000 4 500
Covariancia Soleado 2 000 - 500

Solución Obtenemos que

E(H) = .2( -1 000) + .8(2 000) = 1 400 dólares

E(P) = .2(4 500) + .8( -500) = 500 dólares

Con una probabilidad de 0.20, Gotham City tiene un verano lluvioso. Entonces

[H - E(H)][P - E(P)] = (-1 000 - 1 400)(4 500 - 500) = -9 600 000 (dólares)2

Con una probabilidad de 0.80, Gotham City tiene un verano soleado. Entonces

[H - E(H)][P - E(P)] = (2 000 - 1 400)(-500 - 500) = -600 000 (dólares)2

Por lo tanto,
 11

cov (H, P) = E{[H - E(H)][P - E(P)]} = .20(-9 600 000) + .80(-600 000)

= -2400 000 (dólares)2

El hecho de tener la cov (H, P) negativa, indica que cuando le va bien a una industria, a la otra
le va mal.

3.6 MEDIA, VARIANCIA, Y COVARIANCIA PARA SUMAS DE VARIABLES ALEATORIAS

A partir de dos variables aleatorias dadas, X1 y X2, con frecuencia se generan nuevas variables aleatorias (c es
una constante): cX1, X1 + c, X1 + X2. Se pueden utilizar las reglas siguientes para expresar la media, la variancia, y
la covariancia de estas variables aleatorias, en términos de E(X1), E(X2), var X1, var X2 y cov (X1, X2). Los Ejemplos
8 y 9 ilustran el uso de estas reglas.

E(cX1) = cE(X1) (15)

E(X1 + c) = E(X1) + c (16)
E(X1 + X2) = E(X1) + E(X2) (17)
Var cX1 = c2var X1 (18)
var (X1 + c) = varX1 (19)

Si X1 y X2 son variables aleatorias independientes,

var (X1 + X2) = var X1 + var X2 (20)

En general,

var (X1 + X2) = var X1 + var X2 + 2cov (X1, X2) (21)

Para variables aleatorias X1, X2, ..., Xn

∑ cov ( X i , X j )
var (X1 + X2 + ... + Xn) = var X1 + var X2 + ... + var Xn + i≠ j (22)

Finalmente, para las constantes a y b,

cov (aX1, bX2) = ab cov (X1, X2) (23)

EJEMPLO 8 Pago 1 dólar para jugar el juego siguiente: lanzo un dado y recibo 3 dólares por cada punto
que aparece. Determine la media y la variancia de mi ganancia.

solución Sea X la variable aleatoria que representa al número de puntos que aparecen al lanzar el
dado. Entonces mi ganancia está dada por el valor de la variable aleatoria 3X - 1. A partir
del Ejemplo 5, sabemos que E(X) = 7/2 y la var X = 35/12. A su vez, las Ecs. (16) y (15)
proporcionan

E(3X - 1) = E(3X) - 1 = 3E(X) - 1 = 3(7/2) - 1 = 19/2

A partir de las Ecs. (19) y (18), respectivamente.

 12

var (3X - 1) = var (3X) = 9(var X) = 9(35/12) = 315/12

EJEMPLO 9 En el Ejemplo 7, suponga que yo fuera el dueño del hotel y de la tienda de paraguas.
Obtenga la media y la variancia de la ganancia total obtenida en un verano.

Solución Mis ganancias totales se expresan mediante la variable aleatoria H + P. A partir de la Ec. (17)
y del Ejemplo 7,

E(H + P) = E(H) + E(P) = 1 400 + 500 = 1 900 dólares

Ahora

var H = .2(-1 000 - 1 400)2 + .8(2 000 - 1 400)2 = 1 440 000 (dólares)2
var P = .2(4 500 - 500)2 + .8(-500 - 500)2 = 4 000 000 (dólares)2

A partir del Ejemplo 7, cov (H, P) = -2 400 000 (dólares)2. Entonces la Ec. (21) da

Var (H + P) = var H + var P + 2cov (H, P)

= l,440,000 (dólares)2 + 4,000,000 (dólares)2 - 2(2,400,000) (dólares)2
= 640,000 (dólares)2

Así, H + P tiene una variancia más pequeña que H o P. Esto es así porque al ser el dueño del
hotel y de la tienda de paraguas, siempre tendré una industria que le va bien y otra que no le
va tan bien, independientemente del tiempo. Esto reduce la dispersión, o la variabilidad, de
las ganancias.

• PROBLEMAS

GRUPO A (b) Encuentre la media y la variancia de X.

(Sugerencia: utilice la integración por partes.)
1. Tengo 100 artículos de cierto producto en la bodega. (c) Obtenga P(1 X  2).
La función de masa de probabilidad para la demanda
del producto D, es P(D = 90) = P(D = 100) = P(D = 110) =
4. Tengo 100 artículos de cierto producto en la bodega.
1/3. (a) Encuentre la función de masa, la media y la
La demanda D del artículo es una variable aleatoria
variancia del número de artículos vendidos. (b)
continua con la siguiente función de densidad:
Encuentre la función de masa, la media y la variancia
de la demanda no satisfecha, debido a la falta de 1
si 80≤d ≤120
reserva. f ( d )=
{ 40
0 de otra manera
2. Saco un naipe de una baraja (reemplazo
inmediatamente cada naipe después de sacarlo). (a) Obtenga !a probabilidad de que el suministro sea
Recibo 4 dólares por cada corazón que saque. insuficiente para satisfacer la demanda.
Obtenga la media y la variancia de la ganancia.
(b) ¿Cuál es el valor esperado del número de
artículos vendidos? ¿Cuál es la variancia del
3. Considérese una variable aleatoria continua X, cuya
número de artículos vendidos?
función de densidad (llamada la función de densidad
exponencial) es la siguiente
5. Una urna contiene 10 bolas rojas y 30 bolas azules.
−x
e si x≥0
f (x )= {
0 caso contrario
(a) Suponga que se sacan 4 bolas de la urna. Sea
Xi el número de bolas rojas sacadas hasta la i-
ésima bola (Xi = 0 o 1). Después de sacar cada
bola, se devuelve a la urna. ¿Son las variables
(a) Obtenga y grafique la f.d.a, para X.
aleatorias X1, X2, X3, y X4 independientes?
 13

(b) Repita el inciso (a) para el caso en el cual no se 6. Sea X la variable aleatoria discreta siguiente: P(X = -1)
regresan las bolas a la urna después de sacarlas. = P(X = 0) = P(X = 1) = 1/3. Sea Y = X2. Demuestre que la
cov (XY) = 0, pero que X y Y no son variables
aleatorias independientes.

4. LA DISTRIBUCIÓN NORMAL

La distribución de probabilidad que se usa con mayor frecuencia es la distribución normal. Estudiamos en esta
sección algunas propiedades útiles de la distribución normal.

DEFINICIÖN Una variable aleatoria continua X tiene una distribución normal, si para algún  y algún  > 0
tiene la función de densidad siguiente:

( x−μ )2
f (x )=
1
σ √2 π [
exp −
2σ2 ]
Si una variable aleatoria X tiene una distribución normal con una media  y variancia 2, se representa como X es
N(, 2). Se puede demostrar que para una variable aleatoria normal, E(X) =  y var X = 2 (la desviación estándar
de X es ). En la Fig. 5 se muestran las funciones de densidad normales para varios valores de  y un mismo
valor de .

Figura 5
Algunos ejemplos
de distribuciones
normales

Para cualquier distribución normal, la función de densidad es simétrica respecto a  (es decir, f( + a) = f( - a)).
También, si  aumenta, disminuirá la probabilidad de que la variable aleatoria tome un valor a menos de c de 
(para cualquier c > 0). Así, al aumentar , la distribución normal se extiende más. Estas propiedades se ilustran
en la Fig. 5.

4.1 PROPIEDADES ÚTILES DE LA DISTRIBUCIÓN NORMAL

Propiedad 1 Si X es N(, 2), entonces cX es N(c,c22).

Propiedad 2 Si X es N(, 2), entonces X + c (para cualquier c) es N( + c, 2).

Propiedad 3 Si X1 es N(1, 2), X2 es es N(2, 2), y X1 y X2 son independientes, entonces X1 + X2 será N(1 +2, 2 +
2).
 14

4.2. OBTENCIÓN DE LAS PROBABILIDADES NORMALES MEDIANTE LA ESTANDARIZACIÓN

Si Z es una variable aleatoria que es N(0, 1), entonces se dice que Z es una variable aleatoria normal estándar.
En la Tabla 2 se tabula F(z) = P(Z  z). Por ejemplo,

P(Z  -1) = F(-1) = 0.1587

P(Z  2) = 1 - P(Z  2) = 1 - F(2) = 1 - 0.9772 = 0.0228.

Si X es N(,2), entonces (X - )/ es N(0,1). Esto resulta ser así porque mediante la propiedad 2 de la distribución
X −μ 0 σ2
σ
, 2
normal, X -  es N( - ,  ) = N(0,  ). Después, según la propiedad 1,
2 2
es N(
σ σ
) = N(0, 1). La última
igualdad permite utilizar la Tabla 2 para obtener probabilidades para cualquier variable aleatoria normal, y no
nada más para una variable aleatoria N(0,1). Suponga que X es N(, 2) y que queremos encontrar P(a  X  b).
Para obtener esta probabilidad a partir de la Tabla 2, utilizamos las relaciones siguientes (este procedimiento se
llama estandarización):

P(a≤X≤b)=P (a−μ
σ
≤
X−μ b−μ
σ
≤
σ )
a−μ b−μ
=P ( ≤Z≤ )
σ σ
b−μ a−μ
=F ( ) −F ( )
σ σ

TEOREMA DEL LIMITE CENTRAL. Si X1, X2, ..., Xn, son variables aleatorias independientes, entonces para n
suficientemente grande (normalmente  30 funciona, pero el tamaño real de n depende de las distribuciones de
X1, X2, ..., Xn), se podrá aproximar mucho la variable aleatoria X = X1 +.X2 + ...+ Xn. mediante una variable aleatoria
normal X' que tiene E(X’) = E(X1) + E(X2) + ... + E(Xn) y var X' = var X1 + var X2 + ... + var Xn. Este resultado se conoce
corno Teorema del Límite Central. Cuando decimos que X' aproxima mucho a X, queremos decir P(a  X  b) =
P(a  X'  b).

EJEMPLO 10 La demanda diaria de barras de chocolate en Gillis Grocery tiene una media de 100 barras
de chocolate y una variancia de 3 000 (barras de chocolate)2. Actualmente la tienda tiene 3
500 barras de chocolate en existencia. ¿Cuál es la probabilidad de que la tienda no tenga
barras de chocolate durante los próximos 30 días? Además ¿cuántas barras de chocolate
tendrá que tener Gillis en reserva al principio de un periodo de 30 días, si la tienda quiere
tener solamente una probabilidad del 1% de quedarse sin barras de chocolate durante un
periodo de 30 días? Supóngase que las demandas en días diferentes son variables
aleatorias independientes.

Solución Sea

Xi = demanda de barras de chocolate en el día i (i = 1, 2, ..., 30)

X = número de barras de chocolate pedidas en los próximos 30 días

Gillis se quedará sin reserva durante los próximos 30 días si X  3 500. El Teorema del Límite
Central implica que se puede aproximar de cerca X = X1 + X2 + ... + X30 mediante una
distribución normal X’, con E(X’) = 30(100) = 3 000 y var X’ = 30(3 000) = 90 000 y x’ = (90 000)1/2
 15

= 300. Entonces aproximaremos la probabilidad de que Gillis se quede sin reserva durante
los próximos 30 días, mediante

X'−3000 3500−3000
P( X'≥3500)=P (300 ≥
300 )
=P(Z≥1 . 67 )=1−P( Z≤1.67 )
=1−F (1. 67 )=1−.9525=0 .0475

Sea c = el número de barras de chocolate que habría que tener en reserva para tener una
probabilidad de 1% de quedarse sin barras de chocolate dentro de los próximos 30 días.
Buscamos c que satisface P(X’  c) = 0.01, o

P (300X'−3000 ≥300c−3000 )=0 .01

Esto es equivalente a

c−3000
(
P Z≥
300 )
=0 .01
.

Ya que F(2.33) = P(Z  2.33) = 0.99,

c−3000
=2 .33 o c=3699
300

Por lo tanto, si Gillis tiene 3 699 barras de chocolate en reserva, existe una probabilidad del 1
por ciento de que la tienda se quede sin barras de chocolate durante los próximos 30 días.
(Hemos definido la falta de barras de chocolate como el hecho de quedarse sin barras de
chocolate al final de 30 días.)

• PROBLEMAS

GRUPO A durante un año dado (un periodo de 365 días) haya

por lo menos 1 000 accidentes de tráfico en
1. La demanda diaria de leche (en galones) en Gillis Bloomington?
Grocery es N(1 000, 100). ¿Cuántos galones de leche
hay que tener de reserva al inicio del día si Gillis
quiere tener una probabilidad de solamente 5% de
quedarse sin leche al final del día?

2. Antes de quemarme, un foco da X horas de luz, en

donde X es N(500,400). Si tenemos 3 focos, ¿cuál
será la probabilidad de que de un total de por lo
menos 1 460 horas de luz?

GRUPO B

3. El número de accidentes de tráfico que ocurren en

Bloomington en un solo día, tiene una media y una
variancia de 3. ¿Cuál es la probabilidad de que
 16

Tabla 4. Probabilidad acumulativa normal estándar

z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
-3.8 0.0001 0.001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001
-3.7 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001
-3.6 0.0002 0.0002 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001
-3.5 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002

-3.4 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0002
-3.3 0.0005 0.0005 0.0005 0.0004 0.0004 0.0004 0.0004 0.0004 0.0004 0.003
-3.2 0.0007 0.0007 0.0006 0.0006 0.0006 0.0006 0.0006 0.0005 0.0005 0.0005
-3.1 0.0010 0.0009 0.0009 0.0009 0.0008 0.0008 0.0008 0.0008 0.0007 0.0007
-3.0 0.0014 0.0013 0.0013 0.0012 0.0012 0.0011 0.0011 0.0011 0.0010 0.0010

-2.9 0.0019 0.0018 0.0018 0.0017 0.0016 0.0016 0.0015 0.0015 0.0014 0.0014
-2.8 0.0026 0.0025 0.0024 0.0023 0.0023 0.0022 0.0021 0.0021 0.0020 0.0019
-2.7 0.0035 0.0034 0.0033 0.0032 0.0031 0.0030 0.0029 0.0028 0.0027 0.0026
-2.6 0.0047 0.0045 0.0044 0.0043 0.0041 0.0040 0.0039 0.0038 0.0037 0.0036
-2.5 0.0062 0.0060 0.0059 0.0057 0.0055 0.0054 0.0052 0.0051 0.0049 0.0048

-2.4 0.0082 0.0080 0.0078 0.0076 0.0073 0.0071 0.0069 0.0068 0.0066 0.0064
-2.3 0.0107 0.0104 0.0102 0.0099 0.0096 0.0094 0.0091 0.0089 0.0087 0.0084
-2.2 0.0139 0.0136 0.0132 0.0129 0.0125 0.0122 0.0119 0.0116 0.0113 0.0110
-2.1 0.0179 0.0174 0.0170 0.0166 0.0162 0.0158 0.0154 0.0150 0.0146 0.0143
-2.0 0.0228 0.0222 0.0217 0.0212 0.0207 0.0202 0.0197 0.0192 0.0188 0.0183

-1.9 0.0287 0.0281 0.0274 0.0268 0.0262 0.0256 0.0250 0.0244 0.0239 0.0233
-1.8 0.0359 0.0351 0.0344 0.0336 0.0329 0.0322 0.0314 0.0307 0.0301 0.0294
-1.7 0.0446 0.0436 0.0427 0.0418 0.0409 0.0401 0.0392 0.0384 0.0375 0.0367
-1.6 0.0548 0.0537 0.0526 0.0516 0.0505 0.0495 0.0485 0.0475 0.0465 0.0455
-1.5 0.0668 0.0655 0.0643 0.0630 0.0618 0.0606 0.0594 0.0582 0.0571 0.0559

-1.4 0.0808 0.0793 0.0778 0.0764 0.0749 0.0735 0.0721 0.0708 0.0694 0.0681
-1.3 0.0968 0.0951 0.0934 0.0918 0.0901 0.0885 0.0869 0.0853 0.0838 0.0823
-1.2 0.1151 0.1131 0.1112 0.1093 0.1075 0.1057 0.1038 0.1020 0.1003 0.0985
-1.1 0.1357 0.1335 0.1314 0.1292 0.1271 0.1251 0.1230 0.1210 0.1190 0.1170
-1.0 0.1357 0.1335 0.1314 0.1292 0.1271 0.1251 0.1230 0.1210 0.1190 0.1170

-0.9 18.41 0.1814 0.1788 0.1762 0.1736 0.1711 0.1685 0.1660 0.1635 0.1611
-0.8 0.2119 0.2090 0.2061 0.2033 0.2005 0.1977 0.1949 0.1922 0.1894 0.1867
-0.7 0.2420 0.2389 0.2358 0.2327 0.2297 0.2266 0.2236 0.2206 0.2177 0.2148
-0.6 0.2743 0.2709 0.2676 0.2643 0.2611 0.2578 0.2546 0.2514 0.2483 0.2451
-0.5 0.3085 0.3050 0.3015 0.2981 0.2946 0.2912 0.2877 0.2843 0.2810 0.2776

-0.4 0.3446 0.3409 0.3372 0.3336 0.3300 0.3264 0.3228 0.3192 0.3156 0.3121
-0.3 0.3821 0.3783 0.3745 0.3707 0.3669 0.3632 0.3594 0.3557 0.3520 0.3483
-0.2 0.4207 0.4168 0.4129 0.4090 0.4052 0.4013 0.3974 0.3936 0.3897 0.3859
-0.1 0.4602 0.4562 0.4522 0.4483 0.4443 0.4404 0.4364 0.4325 0.4286 0.4247
-0.0 0.5000 0.4960 0.4920 0.4880 0.4840 0.4801 0.4761 0.4721 0.4681 0.4641


La entrada de la tabla corresponde al área bajo la curva de la normal estándar a la izquierda del valor
de z indicado, siendo así que P(Z  z).
 17

Tabla 4. Probabilidad acumulativa normal estándar (Continuación)

z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
00.0 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 0.6113 0.6114
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 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7511 0.7642 0.7673 0.7703 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389

1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8623 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8943 0.8962 0.8980 0.8997 0.90015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
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 .09474 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 0.9636
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767

2.0 0.9772 0.9778 .09783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
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 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9924 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936

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 0.9986 .09987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998

3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
3.6 0.9998 0.9998 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.7 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.8 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.9 1.0000
 18

• PROBLEMAS DE REPASO

GRUPO A York a París, cada motor tiene una probabilidad de

0.001 de que falle. El avión caerá si en cualquier
−x momento dos, o menos, motores trabajan
1. Sea f (x )=xe . adecuadamente. Suponga que las averías de
(a) Obtenga f'(x) y f"(x). motores diferentes son independientes.

(b) ¿Para que valores de x es creciente f(x)? ¿y (a) ¿Cuál es la probabilidad de que caiga el avión?
decreciente? (b) Dado que el motor 1 no fallará durante el vuelo,
(c) Obtenga la expansión en serie de Taylor de ¿cuál será la probabilidad de que el avión caiga?
primer orden de f(x) alrededor de x = 1. (c) Dado que el motor 1 fallará durante el vuelo,
¿cuál será la probabilidad de que el avión no
caiga?
2. Sea f (x 1 , x 2 )=x 1 ln( x 2 −x1 ) . Determine todas las
derivadas parciales de primero y de segundo orden.
7. Suponga que se puede inspeccionar cada motor
antes del vuelo. Después de la inspección, se
3. Dentro de algunos años a partir de ahora, la demanda clasifica cada motor como en buena condición, o bien
de acondicionadores de aire será de t en mala. Usted sabe que
acondicionadores al año. ¿Cuántos acondicionadores
de aire serán vendidos durante los próximos 5 años? P(la inspección dice que el motor está en buenas
condiciones | el motor fallará) = .001
4. Sea X una variable aleatoria continua, con la siguiente P(la inspección dice que el motor está en malas
función de densidad condiciones | el motor fallará) = .999
4−x
0≤x≤4
f (x )=
{ k
0 de otra manera
P(la inspección dice que el motor está en buenas
condiciones | el motor no fallará) = .995
P(la inspección dice que el motor está en malas
(a) ¿Cuál es el valor de k? condiciones | el motor no fallará) = .005
(b) Obtenga la f.d.a. para X. (a) Si la inspección indica que el motor está en
(c) Encuentre E(X) y var X. malas condiciones, ¿cuál es la probabilidad de
que el motor falle durante el vuelo?
(d) Encuentre P(2  X  5).
(b) Sí un inspector verifica al azar un motor (es decir,
con una probabilidad de .001 escoge un motor
5. Sea Xi el precio (en dólares) de los valores i dentro de
que está a punto de fallar, y con una probabilidad
un año a partir de ahora. Suponga que X1 es N(l5,.100)
de .999 escoge un motor que no está a punto de
y X2 es N(20,2025). Hoy compro tres acciones de los
fallar), ¿cuál es la probabilidad de que corneta un
valores 1 a 12 dólares/la acción y dos acciones de los
error en la evaluación del motor?
valores 2 a 17 dólares/la acción. Supóngase que X1 y
X2 son variables aleatorias independientes.
(a) Encuentre la media y la variancia del valor de mis
acciones dentro de un año, a partir de hoy.
(b) ¿Cuál es la probabilidad de que dentro de un año
a partir de ahora, tenga ganado por lo menos un
30% de intereses de mi inversión.
(c) Si X1 y X2 no fueran independientes, ¿por qué
sería difícil contestar los incisos (a) y (b)?

GRUPO B

6. Un avión tiene cuatro motores. En un vuelo de Nueva