You are on page 1of 122

Gestión Aeronáutica: Estadística Teórica

Facultad Ciencias Económicas y Empresariales
Departamento de Economía Aplicada
Profesor: Santiago de la Fuente Fernández

      ESTADÍSTICA TEÓRICA:
      DISTRIBUCIONES DE PROBABILIDAD

 
Distribuciones de Probabilidad  2
DISTRIBUCIONES VARIABLE ALEATORIA DISCRETA

DISTRIBUCIÓN UNIFORME
La variable aleatoria discreta X se dice que tiene una distribución uniforme si puede
tomar los n valores  x1 , x 2 , , xn  con probabilidad

1 n +1 n2 − 1 n2 − 1
P(X = xi ) = ∀ i        μ X = σ =
2
X σX =
n 2 12 12

DISTRIBUCIÓN de BERNOUILLI
Experimento aleatorio que sólo admite dos resultados excluyentes (éxito y fracaso).
La variable aleatoria discreta X asociada a este experimento toma el valor 1 cuando
ocurre el suceso éxito con probabilidad  P(A) = p  y el valor 0 cuando ocurre el
suceso fracaso con probabilidad  P(A) = q

X P(X = xi )
0 q            μ X = p σ2X = p . q σX = p.q
1 p

DISTRIBUCIÓN BINOMIAL
Cuando se realizan n pruebas de Bernouilli sucesivas e independientes.
La variable aleatoria discreta X se denomina variable binomial cuando:
X = "número de veces que ocurre el suceso éxito en n pruebas"   X ∼ B(n, p)

⎛n⎞
La función de probabilidad o cuantía:    P(X = k) = ⎜ ⎟ . pk . qn−k
⎝k ⎠
q−p
μ X = n. p σ2X = n. p.q σX = n. p.q As =  (coeficiente asimetría)
n. p.q

La moda de una distribución binomial viene dada por el valor (número entero) que
verifica  (np − q ≤ Md ≤ np + p) .
Generalmente será un valor (la parte entera de la media) y podrán ser dos valores
modales cuando  (np − q)  y  (np + p)  sea un número entero.

  Si el experimento consiste en extracciones de una urna, éstas han de ser con
reemplazamiento para mantener la probabilidad de éxito a lo largo de todas las
pruebas.

Distribuciones de Probabilidad  3
  Si  X ∼ B(n, p)  cuando n es grande y ni p ni q son próximos a  cero, se puede
(
considerar que  X ∼ N n. p , n. p.q )
⎛n⎞
       P(X = k) = ⎜ ⎟ . pk . qn−k
⎝k ⎠
n.p ≥ 5
⎯⎯⎯⎯ → (
N n. p ; n. p.q )
X − n.p
       y, por tanto, la variable   z = ∼ N(0, 1)   (Teorema de Moivre)
n.p.q

  La distribución de Poisson es una buena aproximación de la distribución
binomial   cuando el tamaño n es grande y la probabilidad p es pequeña.
      En general, cuando  n ≥ 30  y  p ≤ 0,1

⎛ n ⎞ k n−k n . p < 5 λk −λ
       B(n, p) = ⎜ ⎟ p q ⎯⎯⎯⎯→ P(λ ) = e    con  λ = n.p
⎝k ⎠ k!

  Las distribuciones binomiales son reproductivas de parámetro p, es decir, dadas
dos variables aleatorias independientes  X ∼ B(n, p)  e  Y ∼ B(m, p)   se verifica que
X + Y ∼ B(n + m, p) .

A partir de este resultado es inmediato que una variable aleatoria  X ∼ B(n, p)
puede descomponerse en suma de n variables aleatorias independientes de
Bernouilli de parámetro p.

DISTRIBUCIÓN de POISSON
Una variable X se dice que sigue una distribución de probabilidad de Poisson si
puede tomar todos los valores enteros  (0,1, 2, , n)  con las siguientes
probabilidades:

λk −λ
P(X = k) = e    siendo   λ > 0       μ X = λ σ2X = λ σX = λ
k!
X = "número de ocurrencias de un suceso durante un gran número de pruebas"
Existen un gran número de modelos experimentales que se ajustan a una
distribución de Poisson:
ƒ Número de piezas defectuosas en una muestra grande, donde la proporción de
defectuosas es pequeña.
ƒ Número de llamadas telefónicas recibidas en una centralita durante cierto
tiempo.
ƒ Número de clientes que llegan a una ventanilla de pagos de un banco durante
cierto tiempo.

Distribuciones de Probabilidad  4
  La suma de n variables aleatorias de Poisson independientes es otra variable
aleatoria de Poisson cuyo parámetro es la suma de los parámetros originales.
Sí  Xi ∼ P(λi )  donde i = 1, 2, ,n  variables aleatorias independientes de Poisson
n ⎛ n ⎞
   Y = ∑ Xi ∼ P ⎜ λ i ⎟ ∑
i =1 ⎝ i =1 ⎠

  Si para cada valor  t > 0 , que representa el tiempo, el número de sucesos de un


fenómeno aleatorio sigue una distribución de Poisson de parámetro  λ t , los
tiempos transcurridos entre dos sucesos sucesivos sigue una distribución
exponencial.

  Cuando  λ ≥ 10  la distribución de Poisson se aproxima a una distribución
normal   N λ,( λ )
DISTRIBUCIÓN GEOMÉTRICA o de PASCAL
La distribución geométrica o de Pascal consiste en la realización sucesiva de
pruebas de Bernouilli, donde la variable aleatoria discreta:
X = "número de la prueba en que aparece por primera vez el suceso A", donde
X ∼ G(p)

Para hallar la función de probabilidad o cuantía P(X = k)  hay que notar que la
k-1

probabilidad del suceso es:   A .A .A . .A . A

En consecuencia,     P(X = k) = qk −1. p

1 q q
μ= σ2 = σ=
p p2 p

La distribución geométrica es un modelo adecuado para aquellos procesos en los
que se repiten pruebas hasta la consecución del resultado deseado.
Si el experimento consiste en extracciones de una urna, éstas han de ser con
remplazamiento.

DISTRIBUCIÓN BINOMIAL NEGATIVA
La distribución binomial negativa  Bn(n, p)  es un modelo adecuado para tratar
procesos en los que se repite n veces una prueba determinada o ensayo hasta
conseguir un número determinado k de resultados favorables (por vez primera).

Distribuciones de Probabilidad  5
Si el número de resultados favorables buscados fuera 1 sería el caso de una
distribución geométrica, esto es, la distribución binomial negativa puede
considerarse una extensión o ampliación de la distribución geométrica.
X = "número de pruebas necesarias para lograr k‐éxitos "  X ∼ Bn(n, p)

⎛ n − 1⎞ k n−k k.q k.q k.q


P(X = n) = ⎜ ⎟ p .q          μ = σ2 = σ=
⎝ k − 1⎠ p p2 p

Si el experimento consiste en extracciones de una urna, éstas han de ser con
remplazamiento.
Adviértase que si el número de resultados favorables fuera 1 (k = 1)  la distribución
binomial negativa sería una distribución geométrica:

⎛ n − 1⎞ n−1 n−1
P(X = n) = ⎜ ⎟ p.q = p.q
⎝ 0 ⎠

DISTRIBUCIÓN POLINOMIAL o MULTINOMIAL
Es una generalización de la distribución binomial cuando en cada prueba se
consideran k sucesos excluyentes  (A1 , A 2 , , A k )  con probabilidades respectivas
(p1 , p2 , , pk ) , siendo  p1 + p2 + + pk = 1

Suponiendo que se realizan n pruebas independientes de este tipo y considerando
las variables  Xi = "número de veces que ocurre el suceso  A i  en las n pruebas"

n!
P(X1 = n1 ; X2 = n2 ; ; Xk = nk ) = p1n1 pn22 pknk
n1 ! n2 ! nk !

DISTRIBUCIÓN HIPERGEOMÉTRICA
Es una variante de la distribución binomial (experiencias independientes o
extracciones con reemplazamiento).
La distribución hipergeométrica corresponde a extracciones sin reemplazamiento.
En las demás cuestiones presenta el mismo marco de consideraciones, es decir, dos
situaciones excluyentes (éxito y fracaso) que se realizan en n pruebas.
Sean N elementos, con la probabilidad de éxito p en la primera extracción. Los N
elementos se distribuyen en (N.p) éxitos y (N.q) fracasos.

La variable aleatoria X = "número de éxitos k en n extracciones" donde
X ∼ H⎡⎣n, N, NA ⎤⎦

Distribuciones de Probabilidad  6
⎛ N.p ⎞ ⎛ N.q ⎞
⎜ ⎟⎜ ⎟
⎝ k ⎠ ⎝n − k ⎠ N−n N−n
P(X = k) =    μ = n.p σ2X = n.p.q. σX = n.p.q.
⎛N⎞ N −1 N −1
⎜ ⎟
⎝n⎠
n
< 0,1, se puede decir que la variable
Cuando N es grande respecto a n, es decir, 
N
hipergeométrica sigue aproximadamente una distribución binomial. Esto es,

⎛ N.p ⎞ ⎛ N.q ⎞
⎜ ⎟⎜ ⎟
⎝ k ⎠ ⎝n − k ⎠ n < 0,1
⎛ n ⎞ k n −k
               P(X = k) = ⎯⎯⎯⎯
N → ⎜ ⎟ p .q
⎛N⎞ ⎝k ⎠
⎜ ⎟
⎝n⎠
En general, de forma análoga a la distribución polinomial, en una población con N
elementos repartidos en k clases excluyentes  (A1 , A 2 , , A k )  con elementos
respectivos de cada clase  (N1 , N2 , , Nk ) ,  N1 + N2 + + Nk = N , al tomar
consecutivamente n elementos sin reemplazamiento y denotando por:

Xi = "número de elementos que hay de la clase  A i  en la muestra
        de tamaño n"

⎛ N1 ⎞ ⎛ N2 ⎞ ⎛N ⎞
⎜ ⎟.⎜ ⎟. .⎜ k⎟
; Xk = nk ) = ⎝ 1 ⎠ ⎝ 2 ⎠ ⎝ nk ⎠
n n
     P(X1 = n1 ; X2 = n2 ;
⎛N⎞
⎜ ⎟
⎝n⎠
⎧N + N2 + + Nk = N
siendo  ⎨ 1
⎩ n1 + n2 + + nk = n

Distribuciones de Probabilidad  7
DISTRIBUCIONES VARIABLE ALEATORIA CONTINUA
La ley de probabilidad de una variable aleatoria continua X está definida, bien si se
conoce su función de densidad  f(x) , bien si se conoce su función de distribución
F(x) , verificando:
b ∞
F(x) = P(X ≤ x) P(a < X < b) = ∫a
f(x) dx ∫ −∞
f(x) dx = 1

La función de densidad  f(x)  y la función de distribución  F(x)  se encuentran


relacionadas por la expresión:
x d F(x)
F(x) = ∫ −∞
f(x) dx f(x) =
dx

DISTRIBUCIÓN UNIFORME
Una variable aleatoria continua X sigue una distribución uniforme en el intervalo [a,
b], y se denota como  X ≈ U(a, b) , cuando su función de densidad es:

⎧ 0 x<a
⎪ 1

f(x) = ⎨ a≤x≤b
⎪ b − a
⎪⎩ 0 x >b

Función de distribución:

⎧ 0 x<a
⎪x − a

  F(x) = ⎨ a≤x≤b
⎪ b − a
⎪⎩ 1 x>b

a+b (b − a)2 b−a


μX = σ =
2
X σX =
2 12 12

Distribuciones de Probabilidad  8
DISTRIBUCIÓN NORMAL o de LAPLACE‐GAUSS
Una variable aleatoria continua X se dice que tiene una distribución normal o de
Laplace‐Gauss de media  μ  y desviación típica  σ  si su función de densidad es:
( x −μ )2

1 2 σ2
                 f(x) = .e −∞<μ<∞ σ>0
σ. 2π

Función de distribución:

( x −μ )2


x −
1 2 σ2
F(x) = . e dx
σ. 2π −∞

  Si una variable  X1  es  N(μ1 , σ1 )  y otra  X2  es  N(μ 2 , σ 2 )  independientes entre sí,


entonces la nueva variable  X = X1 ± X2  sigue también una distribución normal

(
N μ1 ± μ 2 , )
σ12 + σ 22 . Propiedad que se puede generalizar a n variables aleatorias
independientes.

  Si una variable X sigue una distribución normal  N(μ , σ ) , la nueva variable


X−μ
z=  sigue también una distribución normal  N(0, 1) .
σ
La variable z se le denomina variable tipificada de X y a la curva de su función de
densidad curva normal tipificada.
z2
1 −
La función de densidad será,   f(z) = .e 2 −∞< z<∞

t2


z
1 −
Función de distribución:  F(z) = . e 2
dt
2π −∞

  Si X es una variable binomial  B(n, p)  con n grande y ni p ni q son próximos a


cero, podemos considerar que X sigue aproximadamente una distribución
N ⎡⎣n . p, n . p . q ⎤⎦  y, en consecuencia, la variable

X − n. p
             z = ∼ N(0, 1)   (Teorema de Moivre)
n. p . q

En general, la transformación es aceptable cuando  p ≤ 0,5 y n . p > 5

Para utilizar correctamente la transformación de una variable discreta X (con

Distribuciones de Probabilidad  9
distribución binomial) en una variable continua z (con distribución normal) es
necesario realizar una corrección de continuidad.

P(X < a) = P(X ≤ a − 0,5) P(X ≤ a) = P(X ≤ a + 0,5)

P(X = a) = P(a − 0,5 ≤ X ≤ a + 0,5)

P(a < X < b) = P(a + 0,5 ≤ X ≤ b − 0,5) P(a ≤ X ≤ b) = P(a − 0,5 ≤ X ≤ b + 0,5)

DISTRIBUCIÓN CHI‐CUADRADO  ( χ 2 )  de  PEARSON

Sean n variables aleatorias  ( X1 , X2 , , Xn )  independientes entre sí, con ley
N(0, 1)

La variable   χn2 = X12 + X22 + + Xn2  recibe el nombre de  χ2  (chi‐cuadrado) de


Pearson con n grados de libertad.
⎧ 1
⎪ n2 e− x 2 . x(n 2)−1 0 < x < ∞
La función de densidad es  fχ2 (x) = ⎨ 2 . Γ(n 2)
⎪ x≤0
⎩ 0

  La función gamma se define   Γ(p) = ∫ 0
xp−1 e − x dx

      Algunas fórmulas de interés para el cálculo de  Γ(p) :

⎛ 1⎞ π
       Γ ⎜ ⎟ = π Γ(p) = (p − 1)! = (p − 1) Γ(p − 1) Γ(p) . Γ(p − 1) =
⎝ 2⎠ senp π

Distribuciones de Probabilidad  10
Media, varianza y desviación típica:    μ χ2 = n σ χ22 = 2n σ χ2 = 2n
n n n

  Si  χn21 y χn22  son dos  χ 2  de Pearson, respectivamente con  n1 y n2  grados de


libertad, independientes entre sí, entonces la suma de las dos  χn21+n2 = χn21 + χn22  es
también una  χ 2  de Pearson con  n1 + n2  grados de libertad. Esta propiedad se
puede generalizar a n variables aleatorias independientes.

  Al aumentar el número de grados de libertad, la distribución  χ 2  se aproxima
asintóticamente a la distribución normal.

                        2 χn2 n > 30


⎯⎯⎯→ N ( 2n − 1, 1 )
  En el muestreo, al tomar muestras de media  x  y desviación típica  σ x  de una
(n − 1).s2x
población  N(μ , σ ) , la variable  χ = 2
n−1   es una  χ 2  de Pearson con  (n − 1)
σ 2

grados de libertad, donde  s x  es la cuasivarianza muestral,   n σ 2x = (n − 1)s2x


2

Esta propiedad es muy utilizada en la estimación y en el contraste de hipótesis
sobre la varianza poblacional  σ 2 .

( ) ( )
P χn2 ≤ χ 2α , n = 1 − P χ n2 ≥ χ α2 , n = 1 − α

DISTRIBUCIÓN t de STUDENT

Sean  (n + 1)  variables aleatorias  ( X1 , X2 , , Xn , X )  independientes entre sí, con


ley  N(0, 1) , se denomina t de Student con n grados de libertad a la variable
X
                         t n =
n


1
( Xi )
2

n i=1

Dividiendo la expresión por  σ , se tiene:

Distribuciones de Probabilidad  11
X Xσ z
                          t n = = =
n n 2
1 2
∑(X ) ∑ ⎛ Xi ⎞
1 2 1 χ
i ⎜σ⎟ n n
i=1 ⎝ ⎠
n i=1
n
n +1
1 ⎛ x ⎞ 2 2
La función de densidad:   ftn (x) = ⎜1+ ⎟
⎛ 1 n⎞ ⎝ n ⎠
n. β⎜ , ⎟
⎝ 2 2⎠

  Algunas fórmulas de interés para el cálculo de  β (p, q) ,   p > 0 y q > 0 , son:


1
t
β (p, q) = xp−1 (1 − x)q−1 dx   con el cambio  x =  se tiene
0 1+ t

t p−1
β (p, q) =
∫ 0 (1 + t)p + q
dt

π 2

∫ ( sen t ) ( cos t )
2p −1 2q−1
otra forma de representar la función,   β (p, q) = 2 dt
0

Γ(p) . Γ(q)
β (p, q) =         β (p, q) = β (q, p)  simetría
Γ(p + q)

  Al aumentar el tamaño n se va haciendo cada vez más apuntada su función de
densidad, siendo el límite cuando  n → ∞  la curva normal tipificada

  En el muestreo, al tomar muestras de media  x  y desviación típica  σ x  de una


x−μ x−μ
población  N(μ , σ ) , la variable  t n−1 = = n − 1.
sx sx
n−1

 Propiedad muy utilizada en la estimación y en el contraste de hipótesis sobre la
media de la población  μ.

n
Una variable aleatoria  tn  de Student tiene de media  μ = 0  y varianza  σ 2 =
n−2

Distribuciones de Probabilidad  12
DISTRIBUCIÓN F de FISHER‐SNEDECOR

Sean  χ12 y χ 22  dos variables  χ 2  de Pearson, respectivamente con  n1 y n2  grados


de libertad, independientes entre sí, se denomina F de Fisher‐Snedecor con
χ2 n
n1 y n2  grados de libertad a la variable:   Fn1 , n2 = 21 1
χ 2 n2

Tiene por función de densidad:

⎧ ⎛ n + n ⎞ ⎛ n ⎞n1 2
⎪Γ⎜ 1 2
⎟ .⎜ 1 ⎟
⎪ ⎝ 2 ⎠ ⎝ n2 ⎠ x( x1 2) − 1
⎪ (n1 + n2 )/2
x>0
         fn1 ,n2 (x) = ⎨ ⎛n ⎞ ⎛n ⎞ ⎛ n1 ⎞
Γ⎜ 1 ⎟ . Γ⎜ 2 ⎟
⎪ ⎝2⎠ ⎝ 2⎠ ⎜1+ x⎟
⎪ ⎝ n 2 ⎠
⎪⎩ 0 x≤0

    P(Fn1 ,n2 ≥ Fα ; n1 ,n2 ) = α             P(Fn1 ,n2 < Fα ; n1 ,n2 ) = 1 − P(Fn1 ,n2 ≥ Fα ; n1 ,n2 ) = 1 − α

1
Para valores  α = 0,95 y α = 0,99  se considera la relación   Fα ; n1 ,n2 =
F1−α ; n2 , n1

  En el muestreo es un estadístico utilizado para la razón de varianzas de dos
poblaciones normales y en el contraste de hipótesis sobre la igualdad de varianzas
poblacionales.

DISTRIBUCIÓN de PARETO

Distribuciones de Probabilidad  13
Una variable aleatoria continua  X  se dice que sigue una distribución de Pareto de
parámetros  (α, θ)  si puede tomar valores iguales o superiores a  θ  y tiene como
función de densidad:

⎧ α . θα
⎪ x≥θ>0 α>0
f(x) = ⎨ x α+1
⎪ 0 x<θ

⎧ ⎛ θ ⎞α
⎪1 − x≥θ
Función de distribución   F(x) = ⎨ ⎜⎝ x ⎟⎠
⎪ x<θ
⎩ 0

Media, varianza y desviación típica para  α > 2

α.θ α . θ2 α . θ2
μx = σ =
2
σx =
α −1 x
(α − 1)2 . (α − 2) (α − 1)2 . (α − 2)

Es muy utilizada en economía, ya que la distribución de las rentas personales
superiores a una cierta renta  θ  sigue una distribución de Pareto de parámetros
(α, θ)

El parámetro  θ  puede interpretarse como un ingreso mínimo de la población,
tratándose de un indicador de posición.  Si la población fuera el conjunto de
salarios una nación que trabaja ocho horas al día, el parámetro  θ  sería el salario
mínimo nacional.
El parámetro  α  se determina generalmente a partir de la media muestral.
Normalmente, toma valores próximos a 2. A mayores valores de  α  se obtienen
densidades de Pareto más concentradas en las proximidades del mínimo, esto es,
menos dispersas.
El Coeficiente de Variación

α . θ2 θ α
(α − 1)2 . (α − 2) (α − 1) (α − 2) 1
              CV = = =
α.θ α. θ α . (α − 2)
α −1 α −1

Reflejando que la dispersión depende sólo del parámetro  α , se necesitaría un valor
de  α > 10  para obtener un coeficiente de dispersión menor del 10%.

Distribuciones de Probabilidad  14
α
⎛θ⎞
Atendiendo a su función de distribución:   P(ξ > x) = 1 − P(ξ ≤ x) = 1 − F(x) = ⎜ ⎟
⎝x⎠
que permita determinar el número de personas que superan la renta  θ

  Al determinar la Curva de Lorenz para una distribución de Pareto, se trata de
encontrar la relación entre la función de distribución  F(x)  y la función  T(x)  que
acumula los ingresos de todos los individuos que no superan una cantidad x

 
1
Curva de Lorenz:  T(x) = 1 − [1 − F(x)]
1−
α

Recta equidistribución:  T(x) = F(x)

Sea una población de N individuos, con una proporción de individuos
f(x)dx

ƒ Ingreso total de N individuos será:
∞ ∞
α . θα ∞
N. μ = N.E(X) = N.
∫ θ
x.f(x)dx = N.
∫ θ
x. α+1 dx = N. α . θα .
x ∫θ
x −α dx =

α α
                       = N. α . θ . ⎡⎣ x1−α ⎤⎦ ∞θ = N. α . θ .( −θ1−α ) = N. α . θ
1− α 1− α α −1

ƒ Ingreso total de N individuos con ingresos entre  ( x, x + dx )  será:

α . θα
∫ ∫ ∫
x x x
N. μ = N.E(Y) = N. t. f(t) dt = N. t. α+1
dt = N. α . θα . t − α dt =
θ θ t θ

N. α . θα 1−α x N. α . θα 1−α N. α . θ ⎛ ⎛ θ ⎞ α−1 ⎞


        = . ⎡⎣ t ⎤⎦ θ == .(x − θ1−α ) = ⎜⎜ 1 − ⎜ ⎟ ⎟⎟
1− α 1− α α −1 ⎝ ⎝x⎠ ⎠

Distribuciones de Probabilidad  15
En la curva de Lorenz, con la distribución de Pareto, la ordenada T(x) será:

N. α . θ ⎛ ⎛ θ ⎞ ⎞
α−1

⎜1− ⎜ ⎟ ⎟⎟
N.E(Y) α − 1 ⎜⎝ ⎝ x ⎠ ⎠ = ⎛1− ⎛ θ ⎞ ⎞
α−1

               T(x) = = ⎜⎜ ⎜ ⎟ ⎟⎟
N. α . θ
N.E(X) ⎝ ⎝x⎠ ⎠
α −1

ƒ La relación entre distribución  F(x)  y la función  T(x)  que acumula los ingresos


de todos los individuos que no superan una cantidad x
α α
⎛θ⎞ ⎛θ⎞ ⎛θ⎞
F(x) = 1 − ⎜ ⎟ ⇒ ⎜ ⎟ = 1 − F(x) ⇒ ⎜ ⎟ = [1 − F(x)]
1/ α

⎝x⎠ ⎝x⎠ ⎝ x⎠

⎛ ⎛ θ ⎞ α−1 ⎞ 1/ α α−1
α−1 1
T(x) = ⎜ 1 − ⎜ ⎟ ⎟ = 1 − ⎡(1 − F(x) ) ⎤ = 1 − [1 − F(x)] α = 1 − [1 − F(x)] α
1−

⎜ ⎟ ⎣ ⎦
⎝ ⎝x⎠ ⎠
1
La relación  T(x) = 1 − [1 − F(x)] α   sólo depende del parámetro  α , verificando
1−

F(θ) = 0 y F(∞ ) = 1 , T(θ) = 0 y T(∞ ) = 1

De otra parte, la función  T(x)  es creciente y cóncava:

⎛ 1⎞
T '(x) = ⎜ 1 − ⎟ [1 − F(x ] > 0 para F ∈ [ 0, 1]    creciente
−1/ α

⎝ α⎠

⎛ 1⎞ 1
T ''(x) = ⎜ 1 − ⎟ . .[1 − F(x ] > 0 para F ∈ [ 0, 1]  cóncava
( −1 − α )/ α

⎝ α⎠ α

  El Índice de Gini es el doble del área comprendida entre la curva de Lorenz y la
recta de equidistribución  T = F , con lo que:

⎡ ⎛ ⎤
] ⎞⎟ ⎥ dF = 2 ⎛ 1− ⎞

∫ ∫
1 1 1 1

⎜ [ [ ] ⎟ dF =
1−
IG = 2 ⎢F − 1 − 1 − F α
⎜ F − 1 + 1 − F α
0 ⎣ ⎝ ⎠⎦ 0⎝ ⎠

⎡ 2 1 1
2− ⎤
⎡ ⎛ ⎞⎤
(1 − F) ⎥ α ⎢ ⎛1 ⎞ ⎜ 1 ⎟⎥ ⎡ 1 α ⎤
    = 2 ⎢ − F −
F
== 2 ⎢ ⎜ − 1⎟ + ⎜ ⎟ ⎥ = 2 ⎢− + ⎥=
⎢2 2−
1 ⎥ ⎝ 2 ⎠ 1 ⎣ 2 2 α − 1⎦
⎢⎣ α
⎥⎦ 0 ⎢ ⎜ 2 − ⎟⎥
⎣⎢ ⎝ α ⎠ ⎦⎥

⎡ −2 α + 1 + 2 α ⎤ 1
    = 2 ⎢ ⎥=
⎣ 2 ( 2 α − 1) ⎦ 2 α − 1
1
El Índice de Gini  IG =  sólo depende del parámetro  α , es independiente del
2α − 1
ingreso mínimo  θ . Tiende a 1 cuando  α 1

Distribuciones de Probabilidad  16
DISTRIBUCIÓN LOGNORMAL
Una variable  X  se dice que tiene una distribución lognormal si los logaritmos
neperianos de sus valores están normalmente distribuidos, es decir, si la variable
η = loge X  es   N(μ , σ )

⎧ (log e x − μ ) 2

⎪ 1 2 σ2
e x>0
La función de densidad:    f(x) = ⎨ 2 π .x. σ

⎩ 0 x≤0
σ2
La media y varianza son:   μ x = e
μ+
2
σ =e
2 (
2 μ + σ2 ) − e2 μ + σ 2

La distribución lognormal tiene, entre otras, las siguientes aplicaciones:
ƒ Permite fijar tiempos de reparación de componentes, siendo el tiempo la
variable independiente de la distribución.
ƒ Describe la dispersión de las tasas de fallo de componentes, ocasionada por
bancos de datos diferentes, entorno, origen diferente de los datos, distintas
condiciones de operación, etc. En este caso la variable independiente de la
distribución es la tasa de fallos.
ƒ Representa la evolución con el tiempo de la tasa de fallos, l(t), en la primera fase
de vida de un componente, la correspondiente a los fallos infantiles en la 'curva
de la bañera',  entendiendo como tasa de fallos la probabilidad de que un
componente que ha funcionado hasta el instante t, falle entre t y t + dt. En este
caso la variable independiente de la distribución es el tiempo.

DISTRIBUCIÓN LOGÍSTICA
La curva logística es una curva adecuada para describir el crecimiento de las
poblaciones, estudio de la mortalidad, y en general, los procesos de crecimiento
que experimentan estados de saturación.
Una variable aleatoria logística  X  de parámetros  α y β , abreviadamente  L(α, β ) ,
tiene como función de densidad y distribución, respectivamente:
x−α
β
e 1
              f(x) = 2
F(x) = x−α
−∞< x<∞
⎛ x−α
⎞ β
β ⎜1+ e β ⎟ 1+ e
⎜ ⎟
⎝ ⎠
X−α
ƒ Con el cambio  Y =  se obtiene la distribución logística estándar  L(0, 1) ,
β

Distribuciones de Probabilidad  17
( π β )2
que tiene:   μ Y = Me = Md = α σ = 2
Y
3

DISTRIBUCIÓN EXPONENCIAL (Lambda)
Se dice que una variable aleatoria absolutamente continua X sigue una distribución
Exponencial de parámetro  λ , si la v.a. X describe el tiempo transcurrido entre dos
sucesos consecutivos de Poisson o el tiempo de espera hasta que ocurre un suceso
de Poisson.
Una v.a. con distribución Exponencial se denota como  X ∼ Exp(λ ) ,
donde  λ  es el número de sucesos de Poisson por unidad de tiempo.

⎧ λ e−λ x x≥0
Función de densidad:  f(x) = ⎨
⎩ 0 x<0

⎧1 − e −λ x x≥0
Función de distribución  F(x) = P(X ≤ x) = ⎨
⎩ 0 x<0

La esperanza matemática, varianza, desviación típica y tasa instantánea de
ocurrencia:
1 1 1
                       μ X = E(X) = σ 2X = σX =
λ λ2 λ

f(x)
Tasa instantánea ocurrencia:   λ (x) =
1 − F(x)

1
Función característica:     ρ(t) = E ⎡⎣ eitX ⎤⎦ = ∀t∈
1
1 − it
λ
La distribución exponencial  Exp(λ )  es un caso particular de la distribución gamma,
describe el tiempo hasta la primera ocurrencia de un evento, tiene una aplicación
importante en situaciones donde se aplica el proceso de Poisson.
Tiene un lugar importante tanto en teoría de colas como en problemas de
confiabilidad.
El tiempo entre las llegadas en las instalaciones de servicios y el tiempo de fallos en
los componentes eléctricos y electrónicos frecuentemente están relacionados con
la distribución exponencial. Con aplicación importante en biometría (estudio de las
leyes probabilísticas que gobiernan la mortalidad humana) y cuestiones actuariales.
Una característica de la distribución exponencial es su FALTA DE MEMORIA:  La
probabilidad de que un individuo de edad t sobreviva x años más, hasta la edad

Distribuciones de Probabilidad  18
(t + x) , es la misma que tiene un recién nacido de sobrevivir hasta la edad x.

Generalmente, el tiempo transcurrido desde cualquier instante  t 0  hasta que ocurre
el evento, no depende de lo que haya ocurrido antes del instante  t 0 .

La perdida de memoria se refleja mediante la expresión:

P [ X ≥ x + h ] e− λ (x + h)
P ⎡⎣ X ≥ x + h X ≥ x ⎤⎦ = = = e− λ h = P [ X ≥ h ]
P [ X ≥ x] e −λx

DISTRIBUCIÓN GAMMA
Se dice que una variable aleatoria absolutamente continua X sigue una distribución
Gamma de parámetros  α  y  λ ,  si la v.a. X describe el tiempo transcurrido hasta el
α - ésimo suceso de Poisson.
Una variable aleatoria Gamma de parámetros  α  y  λ ,  se denota por  γ (α, λ )  con
α > 0  y  λ > 0 , donde el parámetro  λ  es el número medio de sucesos de Poisson
por unidad de tiempo.

⎧ λ α α − 1 −λ x
⎪ x e x≥0
 Función de densidad:  f(x) = ⎨ Γ(α ) X ∼ γ (α , λ )
⎪ x<0
⎩ 0

La función  Γ(α )  se denomina función gamma de Euler y se define como la integral


impropia para todo  α > 0 , dada por

Γ( α ) =
∫0
x α − 1 e− x dx     siendo  Γ(α ) = (α − 1)! ∀α ∈ N

La esperanza matemática, varianza y desviación típica de la variable aleatoria
X ∼ γ (α , λ )  es:

α α α
                   μ X = E(X) = σ 2X = σX =
λ λ2 λ
La variable aleatoria gamma  γ (α, λ )  describe el tiempo hasta que ocurre el suceso
α  en un proceso de Poisson de intensidad  λ
Esto es, la suma de  α  variables aleatorias independientes de distribución
exponencial con parámetro  λ

  La distribución exponencial es un caso particular de la distribución gamma con
parámetro  α = 1:

Distribuciones de Probabilidad  19
X∼ γ ( α, λ )
X∼Exp( λ )
α
λ α =1
f(x) = xα − 1 e − λ x ⎯⎯⎯ → f(x) = λ e − λ x           X ∼ Exp(λ ) = γ (1, λ )
Γ( α )

  Si  X1 , X2 , , Xn  son n variables aleatorias independientes distribuidas según
N(0, 1) . La nueva variable aleatoria  Y = X12 , X22 , , Xn2  sigue una distribución
⎛ n 1⎞
γ ⎜ , ⎟ . En consecuencia, la distribución Chi‐cuadrado es una distribución
⎝ 2 2⎠
n 1 ⎛ n 1⎞
Gamma cuando  α =  y  λ = , tal que  X ∼ χ 2 = γ ⎜ , ⎟
2 2 ⎝ 2 2⎠

  Cuando el parámetro  α  es entero, la distribución  γ (α , λ )  se conoce como


distribución de Erlang.

La distribución gamma se suele utilizar en intervalos de tiempo entre dos fallos de
un motor. Intervalos de tiempo entre dos llegadas de automóviles a una gasolinera.
Tiempos de vida de sistemas electrónicos. Análisis de la distribución de la renta.

DISTRIBUCIÓN BETA
Se dice una variable aleatoria absolutamente continua X sigue una distribución
Beta de parámetros   α  y  β , con  α > 0  y  β > 0 , y se denota como  X ∼ β (α, β ) , si la
función de densidad de la v.a. X viene definida por
Γ( α + β )
f(x) = . x α − 1. (1 − x) β − 1      x ∈ (0, 1)
Γ(α ). Γ(β )

α
Esperanza matemática de la v.a.  X ∼ β (α, β ) :   E [ X] =
α+β

α .β
Varianza v.a.  X ∼ β (α, β ) :   σ 2 = Var(X) =
(α + β ) . (α + β + 1)
2

Como casos particulares de la distribución Beta se tiene:

ƒ Sí   α = 1 y   β = 1  f(x) = 1 sí  0 < x < 1 ⇒ X ∼ U[ 0, 1]


ƒ Sea  X ∼ β (α, β ) 1 − X ∼ β (β, α )

La función  β (α, β )  se denomina función Beta de Euler y se define como la integral


impropia para todo  α > 0  y  β > 0 , dada por


Γ(α ). Γ(β )
1

     β (α, β ) = x α − 1. (1 − x) β − 1 dx     siendo   β (α, β ) =


0 Γ( α + β )

Distribuciones de Probabilidad  20
Algunas características de interés para el cálculo de  β (α, β )  son:
ƒ Simetría:  β (α, β ) = β (β, α )
π 2

ƒ Siendo  x = sen t  se tiene:  β (α, β ) = 2


2

∫0
(sen t) 2 α − 1. (cos t) 2 β − 1 dt


t tα −1
ƒ Siendo  x =  se tiene:  β (α, β ) = dt
1+ t 0 (1 + t) α + β

DISTRIBUCIÓN de CAUCHY
Se dice que una variable aleatoria absolutamente continua X sigue una distribución
de Cauchy con parámetro de escala  μ > 0  y parámetro de localización  θ ∈ , y se
denota como  X ∼ C(μ, θ ) , si su función de
μ
densidad viene dada tal que  f(x) = ∀x∈
π ⎡⎣μ + (x − θ )2 ⎤⎦
2

La esperanza y la varianza de la v.a. X con distribución de Cauchy no existen.
La función característica de la v.a.  X ∼ C(μ, θ)  de parámetros  μ  y  θ
−μ t
viene dada por   ρ (t) = E ⎡⎣ eitX ⎤⎦ = eitθ e ∀t∈

Como casos particulares de la distribución de Cauchy, se tiene:
1
ƒ Sí  μ = 1 y  θ = 0   ⇒ X ∼ C(0, 1)  con  f(x) = ∀x∈
π (1 + x 2 )

X−θ
ƒ X ∼ C(μ, θ) ⇔ ∼ C(1, 0)
μ

Distribuciones de Probabilidad  21
  Sean A y B dos sucesos incompatibles con  P(A ∪ B) > 0.
P(B)
       Demostrar que  P(B/ A ∪ B) =
P(A) + P(B)

Solución:

A y B incompatibles A∩B = 0 P(A ∪ B) = P(A) + P(B)

P[B ∩ (A ∪ B)] P(B)


P(B / A ∪ B) = =
P(A ∪ B) P(A) + P(B)

  Sean A y B dos sucesos tales que P(A) = 0,6.  Calcular  P(A ∩ B)  en cada caso:


a) A y B mutuamente excluyentes
b) A está contenido en B
c) B está contenido en A y  P(B) = 0,3
d)  P(A ∩ B) = 0,1

Solución:

A y B mutuamente excluyentes ⇒ A ∩ B = φ P(A ∩ B) = 0
a)
P(A ∩ B) = P(A) − P(A ∩ B) = P(A) − 0 = 0,6

b) A  ⊂  B  ⇒  P(A ∩ B) = P(A)    P(A ∩ B) = P(A) − P(A ∩ B) = P(A) − P(A) = 0

B  ⊂  A  ⇒  P(A ∩ B) = P(B)    


c)
                  P(A ∩ B) = P(A) − P(A ∩ B) = P(A) − P(B) = 0,6 − 0,3 = 0,3

d) P(A ∩ B) = P(A) − P(A ∩ B) = 0,6 − 0,1 = 0,5

 Se sabe que P(B / A) = 0,9  ,  P(A / B) = 0,2   y  P(A) = 0,1


a) Calcular P(A ∩ B)  y  P(B)
b) ¿Son independientes los sucesos A y B?
c) Calcular P(A ∪ B)

Solución:

P(B ∩ A)
a) P(B / A) = = 0,9 P(B ∩ A) = 0,9 X P(A) = 0,9 X 0,1 = 0,09
P(A)
P(A ∩ B) 0,09
P(A / B) = = 0,2 P(A ∩ B) = 0,2 X P(B) = 0,09 P(B) = = 0,45
P(B) 0,2

Distribuciones de Probabilidad  22
P(B) = 1 − P(B) = 1 − 0,45 = 0,55

b) Los sucesos no son independientes, dado 
que:  P(A ∩ B) = 0,09 ≠ P(A) X P(B) = 0,1 X 0,45

o bien, no son independientes porque  
P(A / B) = 0,2  ≠  P(A) = 0,  1

c) P(B) = 1 − P(B) = 1 − 0,45 = 0,55 

⎧ = 0,1 + 0,54 = 0,64                                                      


P(A ∪ B) =   ⎨
⎩ = P(A) + P(B) − P(A ∩ B) = 0,1 + 0,55 − 0,01 = 0,64

  Si la probabilidad de que ocurra un suceso A es 1/5
a) ¿Cuál es el mínimo número de veces que hay que repetir el experimento para
que la probabilidad de que ocurra al menos una vez sea mayor que 1/2?.
b) ¿Cuál es la probabilidad de que ocurra al menos dos veces A al realizar 5 veces el
experimento?
Solución:

a) X = "número de éxitos en n pruebas",   X ∼ B(n,  0,2) ,  p = 0,2 , q = 0,8

1 1 1
P(X ≥ 1) > P(X < 1) ≤ ⇒ P(X = 0) ≤
2 2 2
⎛n⎞ 1 0,84 = 0,4096
P(X = 0) = ⎜ ⎟ . 0,20 . 0,8n = 0,8n ≤ ⎯⎯⎯⎯⎯⎯ → n= 4
0
⎝ ⎠ 2

Para que el suceso A tenga al menos una probabilidad mayo que 1/2 hay que
realizar el proceso un mínimo de 4 veces.

b) Se trata de una distribución binomial B(5; 0,2)

⎡⎛ 5 ⎞ ⎛ 5⎞ ⎤
P(X ≥ 2) = 1 − [P(X = 0) + P(X = 1)] = 1 − ⎢⎜ ⎟ . 0,20 . 0,85 + ⎜ 1⎟ . 0,21
. 0,8 4
⎥=
⎣⎝ 0 ⎠ ⎝ ⎠ ⎦
               = 1 − (0,3277 + 0,4096) = 0,2627

Distribuciones de Probabilidad  23
 Un estudiante busca información del sector aeronáutico en  tres manuales, las
probabilidades de que esa información  se encuentre en el primero, segundo o
tercer manual, respectivamente, son iguales a 0,6 , 0,7  y  0,8.
¿Cuál es la probabilidad de que la información figure sólo en dos manuales?.
Solución:

Sean A, B y C  los tres sucesos en cuestión tales
que P(A) = 0,6 , P(B) = 0,7  y  P(C) = 0,8 .

Cada uno de los sucesos A, B y C es
independiente con los otros dos, además  los
sucesos (A ∩ B ∩ C) , (A ∩ B ∩ C)  y (A ∩ B ∩ C)
son incompatibles.

P [ (A ∩ B ∩ C) ∪ (A ∩ B ∩ C) ∪ (A ∩ B ∩ C)] =
                                                  = P [ (A ∩ B ∩ C)] + P [ (A ∩ B ∩ C)] + P [ (A ∩ B ∩ C)] =
                                                  = P(A) P(B) P(C) + P(A) P(B) P(C) + P(A) P(B) P(C) =
                                                  = 0,6.0,7.0,2 + 0,6.0,3.0,8 + 0, 4.0,7.0,8 = 0, 452

 Se lanzan tres monedas  al  aire.  Sea  la  variable  aleatoria  X  =  "número  de  caras
que se obtienen". Se pide:
a) Distribución de probabilidad de X
b) Función de distribución de X y su representación gráfica.
c) Media, varianza y desviación típica de X
d) Probabilidad de que salgan a lo sumo dos caras
e) Probabilidad de que salgan al menos dos caras
Solución:

a)  Espacio muestral:

Ω = { (c,c,c), (c,c,e), (c,e,c), (e,c,c),(c,e,e), (e,c,e), (e,e,c), (e,e,e) }

siendo X = "número de caras que se obtienen", se tiene:
X(c,c,c) = 3 P(X = 3) = 1 8
X(c,c,e) = X(c,e,c) = X(e,c,c) = 2 P(X = 2) = 3 8
X(c,e,e) = X(e,c,e) = X(e,e,c) = 1 P(X = 1) = 3 8
X(e,e,e) = 0 P (X = 0) = 1 8

La distribución de probabilidad es, en consecuencia,

Distribuciones de Probabilidad  24
X = xi P(X = xi ) xi . P(X = xi ) x2i x2i . P(X = xi )
0 1 8 0 0 0
1 3 8 38 1 38
2 3 8 68 4 12 8
3 1 8 38 9 98
1 12 8 24 8

b) La función de distribución  F(x) = P(X ≤ x) = ∑ P(X = x )


xi ≤ x
i

x<0 F(x) = P(X ≤ x) = P(φ) = 0


0≤ x<1 F(x) = P(X ≤ x) = P(X = 0) = 1 8
1≤x<2 F(x) = P(X ≤ x) = P(X = 0) + P(X = 1) = 4 8
2≤x<3 F(x) = P(X ≤ x) = P(X = 0) + P(X = 1) + P(X = 2) = 7 8
x≥3 F(x) = P(X ≤ x) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) = 1

Gráficamente:

⎧0 x<0
⎪1 8 0≤ x<1
⎪⎪
F(x) = ⎨ 4 8 1≤x<2
⎪7 8 2≤x<3

⎪⎩ 1 x≥3


12
c) Media   μ x = E(X) = xi . P(X = xi ) = = 1,5
i=1
8
Varianza
4

∑ x . P(X = x ) − (μ )
24
σ = E(X − μ x ) = E(X ) − (μ x ) =
2
x
2 2 2 2
i i x
2
= − (1,5)2 = 0,75
i=1
8
Desviación típica  σ x = 0,75 = 0,87

1 3 3 7
d) P(X ≤ 2) = P(X = 0) + P(X = 1) + P(X = 2) = + + =
8 8 8 8
7
También   P(X ≤ 2) = F(2) =
8
3 1 4 1
e) P(X ≥ 2) = P(X = 2) + P(X = 3) = + = =
8 8 8 2
4 1
También   P(X ≥ 2) = 1 − P(X < 2) = 1 − F(1) = 1 − =
8 2

Distribuciones de Probabilidad  25
  La variable discreta X tiene como distribución de probabilidad

X 1 2 3 4
P(X = xi ) 0,30 0,25 0,10 0,35

Se realiza un cambio de origen hacia la izquierda de dos unidades y un cambio de
escala de 3 unidades. Se pide:
a) Media y varianza de la X
b) Media,  varianza y coeficiente de variación de la variable transformada por el
cambio de origen
c) Media,  varianza y coeficiente de variación de la variable transformada por el
cambio de escala
d) Media,  varianza y coeficiente de variación de la variable transformada por el
cambio de origen y escala
Solución:

a)

X = xi P(X = xi ) = pi xi . pi x2i x2i . pi


x1 = 1 0,30 0,30 1 0,30
x2 = 2 0,25 0,50 4 1,00
x3 = 3 0,10 0,30 9 0,90
x4 = 4 0,35 1,40 16 5,60
1 2,5 7,8
4 4

Media:    α1 = μ X = E(X) = ∑ x . P(X = x ) = ∑ x . p = 2,5


i=1
i i
i=1
i i

4 4

α2 = E(X ) =
2
∑ x . P(X = x ) = ∑ x . p = 7,8
i=1
2
i i
i=1
2
i i

Varianza:   σ 2x = α2 − α12 = 7,8 − 2,52 = 1,55

Desviación típica:   σ X = 1,55 = 1,245

σ X 1,245
Coeficiente de variación:   CVX = = = 0,498
μX 2,5

b) Sea Y la variable transformada, al realizar un cambio de origen hacia la izquierda
de dos unidades hay que restar 2, quedando:  Y = X − 0rigen = X − (−2) = X + 2 .

Media:   μ Y = E(Y) = E [ X + 2 ] = E(X + 2) = E(X) + 2 μ Y = E(Y) = 2,5 + 2 = 4,5

Distribuciones de Probabilidad  26
Varianza:   σ 2Y = Var [ X + 2 ] = Var(X) + Var(2) = σ 2X + 0 = σ 2X σ 2Y = 1,55

Desviación típica:   σ Y = 1,55 = 1,245

σY σX 1,245
Coeficiente de variación:   CVY = = = = 0,28 ≠ CVx
μY μX + 2 4,5

En consecuencia, el cambio de origen afecta a la media y, en consecuencia,  al
coeficiente de variación.

X
c) Al realizar un cambio de escala de 3 unidades, la variable transformada es  Y =
3
⎡X⎤ 1 1 2,5
Media:    μ Y = E(Y) = E ⎢ ⎥ = . E(X) μY = . μX =
⎣3⎦ 3 3 3

⎡X⎤ 1 1 1 1,55
Varianza:    σ 2Y = Var ⎢ ⎥ = .Var(X) = . σ 2X σ 2Y = . 1,55 =
⎣3⎦ 9 9 9 9

1,55 1 1
Desviación típica:   σ Y = = . 1,55 = . σ X
9 3 3
1
σY 3 . σX σX
Coeficiente de variación:   CVY = = = = CVX = 0,498
μY 1 . μ μX
X
3
El cambio de escala afecta a la media y a  la desviación típica de la misma forma, en
consecuencia deja invariante al coeficiente de variación.
X
Resultados que se observan en la tabla, donde   Y =
3
Y = yj P(Y = y j ) = p j yj . pj y2j y2j . p j
y1 = 1 3 0,30 0,1 19 0,3 9
y2 = 2 3 0,25 0,5 3 4 9 19
y3 = 1 0,10 0,1 1 0,1
y4 = 4 3 0,35 1,4 3 16 9 5,6 9
1 2,5 3 7,8 9
4 4

∑ y .P(Y = y ) = ∑ y . p =
2,5 1
Media:    α1 = μ Y = E(Y) = j j j j = . μX
j=1 j=1
3 3
4 4

∑ y .P(Y = y ) = ∑ y . p =
7,8 1
α2 = E(Y2 ) = 2
j j
2
j j = . E(Y2 )
j=1 j=1
9 9

Distribuciones de Probabilidad  27
2
7,8 ⎛ 2,5 ⎞ 1 2 1,55
Varianza:   σ = α2 − α =
2
Y
2
1 −⎜ ⎟ = . σX =
9 ⎝ 3 ⎠ 9 9

1,55 1 1
Desviación típica:   σ Y = = . 1,55 = . σ X
9 3 3
1
σY 3 . σX σX
Coeficiente de variación:   CVY = = = = CVX = 0,498
μY 1 .μ μX
3 X

d) Al realizar simultáneamente un cambio de origen de 2 unidades a la izquierda y
X+2
un cambio de escala de 3 unidades, la variable transformada es  Y =
3
⎡X + 2⎤ 1 1 2 1 2 4,5
Media:   μ Y = E(Y) = E ⎢ = . E(X + 2) = . E(X) + = . 2,5 + = = 1,5
⎣ 3 ⎥⎦ 3 3 3 3 3 3

⎡X + 2⎤ 1 1 1
Varianza:   σ 2Y = Var(Y) = Var ⎢ ⎥ = .Var(X + 2) = .Var(X) = . σ 2X
⎣ 3 ⎦ 9 9 9

1,55 1 1
Desviación típica:   σ Y = = . 1,55 = . σ X
9 3 3
1
σY . σX σX 1,245
Coeficiente de variación:   CVY = = 3 = = = 0,28 ≠ CVx
μY 1 . μ + 2 μX + 2 4,5
3 X 3

El cambio de origen y de escala afecta a la media y desviación típica de distinta
forma, en consecuencia también queda afectado el coeficiente de variación.

Distribuciones de Probabilidad  28
   Una  empresa  de  transportes  está  analizando  el  número  de  veces  que  falla  la
máquina expendedora de billetes. Dicha variable tiene como función de cuantía:

P(X = xi ) = 0,7 ⋅ 0,3 xi xi = 0, 1, 2,

a) ¿Cuál es la probabilidad de que un día la máquina no falle?
b) ¿Cuál es la probabilidad de que un día falle menos de 4 veces?
c) ¿Cuál es la probabilidad de que falle 5 veces?
Solución:

a) P(X = 0) = 0,7 ⋅ 0,30 = 0,7

b) P(X < 4) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) =


= 0,7 ⋅ 0,30 + 0,7 ⋅ 0,31 + 0,7 ⋅ 0,32 + 0,7 ⋅ 0,33 =
                     
= 0,7 ⋅ ( 0,30 + 0,31 + 0,32 + 0,33 ) = 0,9919
a1 − an . r
Considerando la suma de una progresión geométrica  Sn =
1−r
1 − 0,3n−1 . 0,3
P(X ≤ n) = 0,7 ⋅ ( 0,30 + 0,31 + 0,32 + 0,33 + + 0,3n ) = 0,7 . =
1 − 0,3
1 − 0,3 n
             = 0,7 . = 1 − 0,3n
0,7

P(X < 4) = 1 − 0,34 = 0,9919

c) P(X = 5) = 0,7 ⋅ 0,35 = 0,001701

Distribuciones de Probabilidad  29
  En una región se cobra a los visitantes de los parques naturales, estimando que
la variable aleatoria número de personas que visitan el parque en coche sigue la
siguiente distribución:

xi 1 2 3 4 5
P(X = x i ) 0,15 0,2 0,35 0,2 0,1

a) Hallar el número medio de visitantes por vehículos
b) Hallar cuánto debe pagar cada visitante para que la ganancia por coche sea 2
euros.
c) Si cada persona paga p euros, ¿cuál es la ganancia esperada en un día en que
entran mil vehículos?
Solución:
a) X  =  "Número de personas que visitan el parque en coche"
5

E(X) = ∑ x P(X = x ) = 1 0,15 + 2


i=1
i i x x 0,2 + 3 x 0,35 + 4 x 0,2 + 5 x 0,1 =

        = 2,9  visitante/vehículo

b) Sea la variable aleatoria Y  =  "Ganancia por coche"
2
E(Y) = E(pX) = pE(X) = p x 2,9 = 2 p= = 0,689
2,9
c) Sea la variable aleatoria U  =  "Ganancia de un día"
  Precio Número de Número personas
visitante  vehículos    por vehículo
U=   p   x       c       x          X         
Ganancia esperada día:  E(U) = E(pc X) = pc E(X) = p x 1000 x 2,9 = 2 = 2900 p

Sí  p = 0,689  la ganancia esperada en un día será:  2900 x 0,689 = 1998,1 euros.

Distribuciones de Probabilidad  30
  Una empresa de mensajería sabe que en condiciones normales un paquete es
entregado en plazo el 90% de las veces, aunque si hay sobrecarga de trabajo (que
ocurre un 5% de las veces) el porcentaje de retrasos se eleva al 30%.
a) Cuál es la probabilidad de que un paquete llegue en plazo a su destino.
b) Sabiendo que se ha recibido una queja por retraso en el envío, el mensajero
afectado aduce que ese día hubo sobrecarga de trabajo, aunque realmente no
recuerda bien que sucedió. ¿Qué probabilidad hay de qué efectivamente esté en lo
cierto?.
Solución:

Sean los sucesos:
E = "Entrega a tiempo del paquete"
S = "Hay sobrecarga de trabajo"

a) P(E) = P(S) X P(E / S) + P(S) X P(E/ S) = 0,05 X 0,7 + 0,95 X 0,9 = 0,89

P(S∩ E) 0,05 X 0,3


b) P(S/ E) = = = 0,136
P(E) 1 − 0,89

  Se desea conocer el número de automóviles que se deben poner a la venta
durante un periodo determinado para que se satisfaga una demanda media de 300
unidades con una desviación típica de 100 unidades, con una probabilidad no
inferior al 75%.
Solución:
Sea la variable aleatoria  X = "número de automóviles a la venta", con   μ = 300  y
σ = 100
Por la desigualdad de Chebychev:

σ2 σ2
P ⎡⎣ X − μ x ≤ k ⎤⎦ ≥ 1 − 2 ⎯⎯
→ P ⎣⎡ μ x − k ≤ X ≤ μ x + k ⎤⎦ ≥ 1 − 2
k k
0,75
100 2
P ⎡⎣ 300 − k ≤ X ≤ 300 + k ⎤⎦ ≥ 1 −
k2

Distribuciones de Probabilidad  31
100 2 100 2
0,75 = 1 − 2 k= = 200 300 + k = 300 + 200 = 500 automóviles
k 0,25

   En un cine de verano hay instaladas 800 sillas, sabiendo que el número de
asistentes es una variable aleatoria de media 600 y desviación típica 100.
¿Qué probabilidad existe de que el número de personas que vaya al cine un día
cualquiera sea superior al número de sillas instaladas?
Solución:
Sea la variable aleatoria  X = "número de sillas del cine",  donde   μ = 600 , σ = 100

Por la desigualdad de Chebychev:
σ2
P [ X > 800 ] < P ⎡⎣ X − μ x > k ⎤⎦ ≤ 2
k
μ x + k = 800 k = 800 − 600 = 200

100 2 1
P [ X > 800 ] ≤ = = 0,25
200 2 4

  La demanda media de un producto es de 100 unidades con una desviación típica
de 40 unidades. Calcular la cantidad del producto que se debe tener a la venta para
satisfacer la demanda de forma que puedan ser atendidos al menos el 80% de los
clientes.
Solución:

Sea la variable aleatoria  X = "demanda de un producto", con   μ = 100  y   σ = 40


Por la desigualdad de Chebychev:

σ2 σ2
P ⎡⎣ X − μ x ≤ k ⎤⎦ ≥ 1 − 2 ⎯⎯
→ P ⎡⎣ μ x − k ≤ X ≤ μ x + k ⎤⎦ ≥ 1 − 2
k k
0,80
40 2
P ⎡⎣ 100 − k ≤ X ≤ 100 + k ⎤⎦ ≥ 1 − 2
k

40 2 40 2
0,80 = 1 − 2 k= = 89,44 .   Se deben poner a la venta 90 unidades.
k 0,20

Distribuciones de Probabilidad  32
  La función de densidad de una variable aleatoria es:
⎧ ax 2 + b 0 < x < 2 ⎡1 ⎤
f(x) = ⎨       sabiendo que    P ⎢ < x < 1⎥ = 0,1666 . Determinar a
⎩ 0 en el resto ⎣2 ⎦
y b.
Solución:

Hay que calcular dos parámetros (a y b), por lo que se necesitan dos ecuaciones:
• Por ser función de densidad:
2

∫ f(x) dx = ∫
⎡ x3 ⎤
2 2
8a
       1 = (ax + b) dx = ⎢ a + bx ⎥ =
2
+ 2b 8a + 6b = 3
0 0 ⎣ 3 ⎦0 3
1
⎡ x3 ⎤
∫ ∫
1 1
⎡1 ⎤
• P ⎢ ≤ x ≤ 1⎥ = f(x) dx = (ax + b) dx = ⎢ a + bx ⎥ = 0,1666 ,
2

⎣2 ⎦ 1/2 1/2 ⎣ 3 ⎦ 1/2


con lo que:
1
⎡ x3 ⎤ ⎡a ⎤ ⎡ a b ⎤ 7a b
       ⎢ a + bx ⎥ = ⎢ + b ⎥ − ⎢ + ⎥= + = 0,1666 7a + 12b ≈ 4
⎣ 3 ⎦ 1/2 ⎣ 3 ⎦ ⎣ 24 2 ⎦ 24 2

en consecuencia,
⎧ 2
8a + 6b = 3 ⎫ 16a + 12b = 6 ⎫ ⎪⎪ a = 9 = 0,22                                            
⎬ ⎬ → ⎨
7a + 12b = 4 ⎭ 7a + 12b = 4 ⎭ ⎪6b = 3 − 16 = 11 11
b= = 0,20
⎪⎩ 9 9 54

Distribuciones de Probabilidad  33
 La variable X ="número de centímetros a que un dardo queda del centro de la
diana" al ser tirado por una persona tiene como función de densidad:

⎧ k 0 < x < 10
                            f(x) = ⎨
⎩ 0 en otros casos
Se pide:
a) Hallar k para que f(x) sea función de densidad. Representarla
b) Hallar la función de distribución. Representarla
c) Media, varianza y desviación típica
d) P(X ≤ 1)
e) Probabilidad de acertar en la diana

Solución:
a) Para que f(x) sea función de densidad debe verificar:
∞ 0 10 ∞ 10
1= ∫ −∞
f(x)dx = ∫ −∞
f(x)dx + ∫ 0
f(x)dx + ∫ 10
f(x)dx = ∫ 0
f(x)dx

La primera y tercera integral son cero al ser  f(x) = 0  en esos intervalos.


10 10 1
∫ ∫ dx = 10 [ x]0 = 10k
10
1= k dx = k k=
0 0 10

⎧1
⎪ 0 < x < 10
En consecuencia,  f(x) = ⎨ 10
⎪⎩ 0 en otros casos


x
b) La función de distribución se define   F(x) = f(t)dt
−∞


x

x<0 F(x) = f(t)dt = 0


−∞

∫ ∫ ∫ ∫
x 0 x x
1 x
0 ≤ x ≤ 10 F(x) = f(t)dt = f(t)dt + f(t)dt = dt =
−∞ −∞ 0 0 10 10

∫ ∫ ∫ ∫ ∫
x 0 10 x 10
1
x > 10 F(x) = f(t)dt = f(t)dt + f(t)dt + f(t)dt = dt = 1
−∞ −∞ 0 10 0 10

En consecuencia,

Distribuciones de Probabilidad  34
⎧ 0 x<0
⎪x

F(x) = ⎨ 0 ≤ x ≤ 10
⎪ 10
⎪⎩ 1 x > 10

c) Media
∞ 10
1 ⎡ x2 ⎤
∫ ∫ ∫
10 10
1 1
α1 = μ X = E(X) = x f(x)dx = x . . dx = x dx = = 5cm
−∞ 0 10 10 0 10 ⎢⎣ 2 ⎥⎦ 0

Varianza:   σ 2X = α2 − α12
∞ 10
1 ⎡ x3 ⎤
∫ ∫ ∫
10 10
1 1
α2 = E(X ) = 2
x f(x)dx =
2
x . . dx =
2
x dx = 2
=
−∞ 0 10 10 0 10 ⎢⎣ 3 ⎥⎦ 0
1 ⎡ 1000 ⎤ 100
                = ⎢ − 0⎥ =
10 ⎣ 3 ⎦ 3

100 2 25
σ 2X = α2 − α12 = −5 = cm2
3 3
25
Desviación típica:   σ X = = 2,9 cm
3

1
d) P(X ≤ 1) = F(1) =
10

∫ ∫
1 1
1 1 1 1
[ x ]0 =
1
O también,   P(X ≤ 1) = dx = dx =
0 10 10 0 10 10

e) Probabilidad de acertar en la diana:  P(X = 0) = 0  por ser una variable continua

∫ ∫ ∫ dx = 0
0 0 0
1 1
P(0 ≤ X ≤ 0) = f(x)dx = dx =
0 0 10 10 0

Distribuciones de Probabilidad  35
  Se ha verificado que la variable X ="peso en kilos de los niños al nacer" es una
variable aleatoria continua con función de densidad

⎧k x 2 ≤ x ≤ 4
                          f(x) = ⎨
⎩ 0 en otros casos
Se pide:
a) Hallar k para que f(x) sea función de densidad. Representarla
b) Hallar la función de distribución. Representarla
c) Media, varianza y desviación típica
d) Probabilidad de que un niño elegido al azar pese más de 3 kilos
e) Probabilidad de que pese entre 2 y 3,5 kilos
f) Qué debe pesar un niño para tener un peso igual o inferior al 90% de los niños
Solución:
a) Para que f(x) sea función de densidad debe verificar:
∞ 2 4 ∞ 4
1= ∫ −∞
f(x)dx = ∫ −∞
f(x)dx + ∫ 2
f(x)dx + ∫ 4
f(x)dx = ∫ 2
f(x)dx

4
⎡ x2 ⎤
∫ ∫ ∫
⎡ 16 4 ⎤
4 4 4
1
1= f(x)dx = k xdx = k xdx = k ⎢ ⎥ = k ⎢ − ⎥ = 6k k=
2 2 2 ⎣ 2 ⎦2 ⎣ 2 2⎦ 6

⎧x
⎪ 2≤x≤4
f(x) = ⎨ 6
⎪⎩ 0 en otros casos


x
b) La función de distribución se define   F(x) = f(t)dt
−∞


x

x<2 F(x) = f(t)dt = 0


−∞
x
⎡ t 2 ⎤ 1 ⎡ x 2 − 4 ⎤ x2 − 4
∫ ∫ f(t)dt = ∫
x x x
t 1
2≤x≤4 F(x) = f(t)dt = dt = ⎢ 2 ⎥ = 6 ⎢ 2 ⎥ = 12
−∞ 2 2 6 6 ⎣ ⎦2 ⎣ ⎦
4
⎡ t2 ⎤ 1 ⎡ 16 − 4 ⎤
∫ ∫ f(t)dt + ∫ f(t)dt = ∫
x 4 x 4
t 1
x>4 F(x) = f(t)dt = dt = ⎢2 ⎥ = 6 ⎢ 2 ⎥=1
−∞ 2 4 2 6 6 ⎣ ⎦2 ⎣ ⎦

Distribuciones de Probabilidad  36
⎧ 0 x<2
⎪ 2
⎪x − 4
F(x) = ⎨ 2≤x<4
⎪ 12
⎪⎩ 1 x≥4

c) Media
∞ 4
1 ⎡ x3 ⎤
∫ ∫ ∫
4 4
x 1
α1 = μ X = E(X) = x f(x)dx = x . . dx = x dx = ⎢ ⎥ =
2

−∞ 2 6 6 2 6 ⎣ 3 ⎦2
1 ⎡ 64 8 ⎤ 56
    = − = = 3,1 kilos
6 ⎢⎣ 3 3 ⎥⎦ 18

Varianza:  σ 2X = α2 − α12
∞ 4
1 ⎡ x4 ⎤
∫ ∫ ∫
4
x 1 4
1 ⎡ 256 16 ⎤
α2 = E(X ) =
2
x f(x)dx =
2
x . . dx =
2
x dx = ⎢ ⎥ = ⎢
3
− ⎥ = 10 kilos2
−∞ 2 6 6 2 6 ⎣ 4 ⎦2 6 ⎣ 4 4⎦

σ 2X = α2 − α12 = 10 − 3,12 = 0,39 kilos2

Desviación típica:   σ X = 0,39 = 0,62 kilos

32 − 4 5 7
d) P(X > 3) = 1 − P(X ≤ 3) = 1 − F(3) = 1 − = 1− = = 0,58
12 12 12
4
1 ⎡ x2 ⎤
∫ ∫
4 4
x 1⎛ 9⎞ 7
O también,   P(X > 3) = f(x) dx = dx = ⎢ ⎥ = ⎜ 8 − ⎟ = = 0,58
3 3 6 6 ⎣ 2 ⎦3 6 ⎝ 2 ⎠ 12

3,52 − 4
e) P(2 ≤ X ≤ 3,5) = F(3,5) − F(2) = − 0 = 0,6875
12
3,5
1 ⎡ x2 ⎤
∫ ∫
3,5 3,5
x 1 ⎛ 12,25 4 ⎞ 8,25
P(2 ≤ X ≤ 3,5) = f(x) dx = dx = ⎢ ⎥ = ⎜ − ⎟= = 0,6875
2 2 6 6 ⎣ 2 ⎦2 6⎝ 2 2 ⎠ 12

f) Sea k el peso del niño, se tiene:

k2 − 4
F(k) = P(X ≤ k) = 0,9 ⎯⎯
→ = 0,9 ⇒ k2 − 4 = 10,8 ⇒ k2 = 14,8
12

k = 14,8 = 3,85 , es decir, el niño debe pesar 3,85 kilos para tener para tener al


90% de los niños con un peso igual o inferior.

Distribuciones de Probabilidad  37
  Sea X una variable aleatoria continua con función de densidad tal que

⎧ 8
⎪ 2 1≤ x ≤ 8
                                f(x) = ⎨ 7 x
⎪ 0 otro caso

a) Calcular el primer y tercer cuartil, el decil 7 y el percentil 85
b) Calcular la mediana y moda

Solución:

a) Función de distribución:
x
8 ⎡ 1 ⎤ 8(x − 1)
∫ ∫
x x
8
F(x) = P [ X ≤ x ] = f(t)dt = dt = − ⎢ ⎥ = 1≤ x ≤ 8
−∞ 1 7 t2 7 ⎣ t ⎦1 7x

sustituyendo, queda:
1 8(Q 1 − 1) 32
F(Q 1 ) = = 7Q 1 = 32(Q 1 − 1) Q1 = = 1,28 Q 1 = P25 = 1,2
4 7Q 1 25

3 8(Q 3 − 1) 32
F(Q 3 ) = = 21Q 3 = 32(Q 3 − 1) Q3 = = 2,91 Q 3 = D5 = P75 = 2,91
4 7Q 3 11

7 8(D7 − 1) 80
F(D7 ) = = 49D7 = 80(D7 − 1) D7 = = 2,58
10 7D7 31

85 8(P85 − 1) 800
F(P85 ) = = 595P85 = 800(P85 − 1) P85 = = 3,90
100 7P85 205

b) Me = Q 2 = D5 = P50

1 8(Me − 1) 16
F(Me ) = = 7Me = 16(Me − 1) Me = = 1,78
2 7Me 9

La Moda  Md  se obtiene calculando el máximo de la función de densidad:

8 16
f(x) = f'(x) = − <0 La función es decreciente
7 x2 7 x3

De forma que  f(1) ≥ f(x) ≥ f(8) , con lo que   Md = 1

Distribuciones de Probabilidad  38
  Dada la función   f(x) = e −2x
a) Comprobar si puede ser función de densidad de una variable aleatoria X cuando
su campo de variación es el intervalo  x ≥ 0
b) En caso de que no lo pueda ser, qué modificaciones habría que introducir para
que lo fuera.
Solución:

a) Para que sea función de densidad, debe cumplir dos condiciones en el campo de
variación de la variable aleatoria:
y   f(x)  no puede ser negativa
y   La integral de  f(x) en el campo de variación es 1

f(x) = e −2 x ≥ 0 L e −2x ≥ L 0 ⇒ − 2 x > − ∞ ⇒ x < ∞   es positiva


∞ ∞

∫ −2 x ⎡ 1 ⎤ ⎡ 1⎤ 1
e dx = ⎢ − e −2 x ⎥ = ⎢ 0 + ⎥ = ≠ 1 .
0 ⎣ 2 ⎦0 ⎣ 2⎦ 2

No se cumple, luego la función dada no es de densidad en el intervalo.

b) Para que sea función de densidad, se define  f(x) = k e −2x

  Una variable aleatoria continua X tiene por función de densidad

⎧1 − x 0 ≤ x < 1

                        f(x) = ⎨ x − 1 1 ≤ x ≤ 2
⎪ 0 otros casos

Se pide:
a) Representa la función de densidad
b) Hallar la función de distribución y su gráfica

⎛1 ⎞
c)  P(0 ≤ X ≤ 1) P(−2 ≤ X ≤ 2) P⎜ ≤ X < ∞ ⎟
⎝2 ⎠
Solución:

Distribuciones de Probabilidad  39
a) Se observa que el área encerrada
es igual a la unidad


x
b) La función de distribución se define   F(x) = f(t)dt
−∞

∫ ∫ 0dt = 0
x x

x<0 F(x) = f(t)dt =


−∞ −∞
x
⎡ t ⎤
∫ ∫ ∫
0 x x 2 2
x
0≤x<1 F(x) = f(t)dt + f(t)dt = (1 − t)dt = ⎢ t − ⎥ = x −
−∞ 0 0 ⎣ 2⎦ 2 0

∫ ∫ ∫ ∫ ∫
0 1 x 1 x
F(x) = f(t)dt + f(t)dt + f(t)dt = (1 − t)dt + (t − 1)dt =
−∞ 0 1 0 1
1≤ x<2 1 x
⎡ t2 ⎤ ⎡ t2 ⎤ ⎛ 1 ⎞ ⎡⎛ x 2 ⎞ ⎛1 ⎞⎤ x
2
        = ⎢ t − ⎥ + ⎢ − t ⎥ = ⎜ 1 − ⎟ + ⎢⎜ − x ⎟ − ⎜ − 1 ⎟ ⎥ = − x + 1
⎣ 2 ⎦0 ⎣ 2 ⎦1 ⎝ 2 ⎠ ⎣⎝ 2 ⎠ ⎝2 ⎠⎦ 2
1 2
⎡ t 2 ⎤ ⎡ t2 ⎤
∫ ∫
1 2

x≥2 F(x) = (1 − t)dt + (t − 1)dt = ⎢ t − ⎥ + ⎢ − t ⎥ = 1


0 1 ⎣ 2 ⎦0 ⎣ 2 ⎦1

⎧ 0 x<0
⎪ 2
⎪ x− x 0≤x<1
⎪ 2
F(x) = ⎨ 2
⎪x − x +1 1≤ x ≤ 2
⎪2
⎪ 1 x>2

⎛1 ⎞ 1
 c)   P(0 ≤ X ≤ 1) = F(1) − F(0) = ⎜ − 1 + 1 ⎟ − 0 =
⎝2 ⎠ 2

⎛4 ⎞
P(− 2 ≤ X ≤ 2) = F(2) − F(− 2) = ⎜ − 2 + 1 ⎟ − 0 = 1
⎝2 ⎠

⎛1 ⎞ ⎛1⎞ ⎛1 1 4⎞ 5
P ⎜ ≤ X < ∞ ⎟ = F(∞) − F ⎜ ⎟ = 1 − ⎜ − ⎟= 8
⎝ 2 ⎠ ⎝ ⎠
2 ⎝ 2 2 ⎠

Distribuciones de Probabilidad  40
  Una variable aleatoria continua X tiene por función de distribución:

⎧ 0 x<0
⎪ 2
⎪ x 0≤x≤1
⎪ 2
                      F(x) = ⎨ 2
⎪2x − x − 1 1 < x ≤ 2
⎪ 2
⎪ 1 x>2

Se pide:
a) Hallar la función de distribución y representarla
b) Media, varianza, desviación típica y coeficiente de variación

⎛1 3⎞
c)  P ⎜ < X ≤ ⎟
⎝2 2⎠

Solución:

a) La función de densidad es la derivada de la función de distribución en los puntos
donde exista la derivada, entonces:

⎧0 x<0
⎪x 0≤x≤1
dF(x) ⎪
    f(x) = =⎨
dx ⎪2 − x 1 < x ≤ 2
⎪⎩ 0 x>2

⎧ x 0≤x≤1

f(x) = ⎨2 − x 1 < x ≤ 2
⎪ 0 otrosvalores

b) Media

∫ ∫ ∫ ∫ ∫
1 2 1 2
α1 = μ X = E(X) = x f(x)dx = x.x. dx + x.(2 − x). dx = x dx +
2
(2x − x 2 ).dx =
−∞ 0 1 0 1

1 2
⎡ x3 ⎤ ⎡ 2 x3 ⎤ 1 ⎛ 8⎞ ⎛ 1⎞
                         = ⎢ ⎥ + ⎢ x − ⎥ = + ⎜ 4 − ⎟ − ⎜ 1 − ⎟ = 1
⎣ 3 ⎦0 ⎣ 3 ⎦1 3 ⎝ 3⎠ ⎝ 3⎠

Distribuciones de Probabilidad  41
Varianza:   σ 2x = α 2 − α12

∫ ∫ ∫ ∫ ∫
1 2 1 2
α2 = E(X ) =
2
x f(x)dx =
2
x .x. dx +
2
x .(2 − x). dx =
2
x dx +
3
(2x 2 − x 3 ).dx =
−∞ 0 1 0 1

1 2
⎡ x 4 ⎤ ⎡ 2x 3 x 4 ⎤ 1 ⎛ 16 16 ⎞ ⎛ 2 1 ⎞ 14 7
                  = ⎢ ⎥ + ⎢ − ⎥ = +⎜ − ⎟−⎜ − ⎟= =
⎣ 4 ⎦o ⎣ 3 4 ⎦1 4 ⎝ 3 4 ⎠ ⎝ 3 4 ⎠ 12 6

7 2 1
σ 2x = α 2 − α12 = −1 =
6 6
1
Desviación típica:   σ x = = 0,41
6
σ x 0,41
Coeficiente variación:   CVx = = = 0,41
μx 1

⎛1 3 ⎞ ⎛ 3 ⎞ ⎛ 1 ⎞ ⎛ 3 (3 2)2 ⎞ ⎛ (1 2)2 ⎞
c)  P ⎜ < X ≤ ⎟ = F ⎜ ⎟ − F ⎜ ⎟ = ⎜ 2. − − 1⎟ − ⎜ ⎟=
⎝2 2⎠ ⎝2⎠ ⎝2⎠ ⎝ 2 2 ⎠ ⎝ 2 ⎠
9 1 3
                               = 3 − − 1 − = = 0,75
8 8 4

  Una variable aleatoria continua X tiene por función de distribución:

⎧ 0 x<1

              F(x) = ⎨ x − 1 1 ≤ x < 2
⎪ 1 x≥2

a) Calcular la función de densidad o función de cuantía
b) Calcular la media, mediana y coeficiente de variación

Solución:
a) La función de densidad  o función de cuantía es la derivada de la función de
distribución en los puntos donde exista la derivada, entonces:

⎧0 x<1
dF(x) ⎪ ⎧1 1 ≤ x < 2
       f(x) = = ⎨1 1 ≤ x < 2 ⎯⎯
→ f(x) = ⎨
dx ⎪0 x≥2 ⎩ 0 en otro caso

2

⎡ x2 ⎤
∫ ∫
2
1 3
b) Media:  α1 = μ x = E(X) = x f(x)dx = x dx = ⎢ ⎥ = 2 − = = 1,5
−∞ 1 ⎣ 2 ⎦1 2 2

Distribuciones de Probabilidad  42
y  La Mediana de una distribución es el valor que deja el 50% de la distribución a la
derecha y el otro 50% a la izquierda, por lo que:

⎧ F(Me ) = 0,5 ⇒ Me − 1 = 0,5 ⇒ Me = 1,5




∫ ∫
Me Me
⎪ f(x) = 0,5 ⇒ dx = 0,5 ⇒ [ x ]1 e = 0,5 ⇒ Me − 1 = 0,5 ⇒ Me = 1,5
M
⎪⎩ 1 1

y  Coeficiente de variación:
2

⎡ x3 ⎤
∫ ∫
2
8 1 7
α2 = E(X ) = 2
x f(x)dx =
2
x dx = ⎢ ⎥ = − =
2

−∞ 1 ⎣ 3 ⎦1 3 3 3
2
7 ⎛3⎞ 7 9 1 1
σ = α2 − α = − ⎜ ⎟ = − =
2
x
2
1 → σx = = 0,08
3 ⎝ 2 ⎠ 3 4 12 12

σ x 0,08
CVx = = = 0,05
μx 1,5

  Una variable aleatoria continua X tiene por función de densidad

⎧k x(2 − x) 0<x<2
                        f(x) = ⎨
⎩ 0 otros casos
Se pide:

a) P(a < x < b)  si  0 < a < b < 2

b) P(a < x < b)  si  a < 0 < 2 < b

Solución:

a) La función de densidad  o función de cuantía debe verificar:
2
⎡ 2 x3 ⎤
∫ k x(2 − x) dx = k∫ ∫
2 2 2
1= x(2 − x) dx = k (2x − x ) dx = k ⎢ x − ⎥
2

0 0 0 ⎣ 3 ⎦0

⎧3
⎡ 8⎤ 3 ⎪ x(2 − x) 0<x<2
k ⎢4 − ⎥ = 1 k= ⇒ f(x) = ⎨ 4
⎣ 3⎦ 4 ⎪⎩ 0 otros casos
b
3⎡ x3 ⎤ 3(b2 − a2 ) − (b3 − a3 )

b
3
Si  0 < a < b < 2 P(a < x < b) = x(2 − x)dx = ⎢ x 2 − ⎥ =
a 4 4⎣ 3 ⎦a 4

Distribuciones de Probabilidad  43
∫ ∫ x(2 − x) dx   + ∫ 0dx = 1
0 2 b
3
b) Si   a < 0 < 2 < b P(a < x < b) = 0dx +
a 4 0 2

  La función de distribución asociada a la producción de una máquina, en miles de
unidades, es del tipo:

⎧ 0 x<0

                              F(x) = ⎨ x(2 − x) 0 ≤ x ≤ k
⎪ 1 x>k

a) Determinar k para que sea función de distribución
b) Hallar la función de densidad
c) Calcular la media, mediana, moda y varianza de la producción
d) Hallar P(X < 0,5)  y   P(X > 0,25)
e) Función de densidad y de distribución de la variable aleatoria continua
Y = 6X − 3

Solución:

a) Para que sea función de distribución se debe verificar:

1 = lim+ F(x) = lim− F(x) lim− x(x − 2) = k(k − 2) = 1 k2 − 2k + 1 = 0 ⇒ k = 1


x→ k x→ k x→ k

⎧ 0 x<0

En consecuencia, la función de distribución es:   F(x) = ⎨ x(2 − x) 0 ≤ x ≤ 1
⎪ 1 x>1

b) La función de densidad  o función de cuantía es la derivada de la función de
distribución en los puntos donde exista la derivada.

⎧ 0 x<0
dF(x) ⎪ ⎧2 − 2 x 0 ≤ x ≤ 1
f(x) = = ⎨2 − 2 x 0 ≤ x ≤ 1 ⎯⎯
→ f(x) = ⎨
dx ⎪ 0 x>1 ⎩ 0 en otro caso

∫ ∫ ∫
1 1
c) Media:  α1 = μ X = E(X) = x f(x)dx = x (2 − 2 x)dx = (2 x − 2 x2 )dx =
−∞ 0 0
1
⎡ 2 2 x3 ⎤ 2 1
                         = ⎢ x − = 1 − =
⎣ 3 ⎥⎦ 0 3 3

Para calcular la Moda hay que ver el valor que hace mínima la función de densidad
o de cuantía, es decir:

Distribuciones de Probabilidad  44
⎧2 − 2 x 0 ≤ x ≤ 1 ⎧ −2 0 ≤ x ≤ 1
             f(x) = ⎨ f '(x) = ⎨
⎩ 0 en otro caso ⎩ 0 en otro caso

La derivada de la función de cuantía es  f '(x) = −2 < 0 , por lo que se trata de una


función decreciente y toma el valor máximo en el extremo superior del intervalo
⎡⎣0, 1 ⎤⎦ , por tanto la moda  Md = 0

La Mediana de una distribución es el valor que deja el 50% de la distribución a la
derecha y el otro 50% a la izquierda, por lo que:

F(Me ) = 0,5 ⇒ Me ( 2 − Me ) = 0,5 ⇒ M2e − 2Me + 0,5 = 0 ⇒ 2M2e − 4Me + 1 = 0

4 ± 16 − 8 4 ± 2 2 2
2M2e − 4Me + 1 = 0 Me = = =1±
4 4 2
De las dos soluciones se rechaza aquella que es mayor que 1, por lo que la Mediana
es
2
Me = 1 −
2
Varianza de la producción:   σ 2X = α2 − α12
∞ 1
⎡ 2 x3 x 4 ⎤
∫ ∫
1
2 1 1
α2 = E(X ) =
2
x f(x)dx =
2
x (2 − 2 x)dx = ⎢
2
− ⎥ = − =
−∞ 0 ⎣ 3 2 ⎦0 3 2 6
2
1 ⎛1⎞ 1
σ 2X = α2 − α12 = −⎜ ⎟ =
6 ⎝ 3 ⎠ 18
⎧ 0 x<0

d) Función de distribución    F(x) = ⎨ x(2 − x) 0 ≤ x ≤ 1
⎪ 1 x>1

P(X < 0,5) = P(X ≤ 0,5) = F(0,5) = 0,5(2 − 0,5) = 0,75

P(X > 0,25) = 1 − P(X ≤ 0,25) = 1 − F(0,25) = 1 − 0,25(2 − 0,25) = 0,5625

⎧2 − 2 x 0 ≤ x ≤ 1
Mediante la función de cuantía   f(x) = ⎨
⎩ 0 en otro caso

∫ ∫
0 ,5 0 ,5
0 ,5
P(X < 0,5) = f(x)dx = (2 − 2 x)dx = ⎡⎣2 x − x2 ⎤⎦ 0 = 1 − 0,25 = 0,75
0 0

∫ ∫
1 1
1
P(X > 0,25) = f(x)dx = (2 − 2 x)dx = ⎡⎣2 x − x2 ⎤⎦ 0 ,25 = 1 − (0,5 − 0,0625) = 0,5625
0 ,25 0 ,25

Distribuciones de Probabilidad  45
e) Función de densidad de  Y = 6 X − 3
dx
Cambio de variable en la función de densidad:   g(y) = f(x).
dy
y+3 dx d ⎛ y+3⎞ 1
x= = ⎜ ⎟=
6 dy dy ⎝ 6 ⎠ 6

⎧ x = 0 → y = −3
Dominio de definición de la variable  Y = 6 X − 3 ⎨
⎩ x = 1 → y = 3  
resultando:
⎧⎡ ⎛ y + 3 ⎞⎤ 1 ⎧3 − y
dx ⎪ ⎢2 − 2 ⎜ ⎟⎥ . −3 ≤ y ≤ 3 ⎪ −3 ≤ y ≤ 3
g(y) = f(x). = ⎨⎣ ⎝ 6 ⎠⎦ 6 → g(y) = ⎨ 18
dy ⎪ ⎪⎩ 0
⎩ 0 en otro caso en otro caso

Función de distribución:

⎧ 0 y < −3 ⎧ 0 y < −3
⎪ ⎪ 2
⎪ ⎪ − y + 6 y + 27

y
1
F(y) = ⎨ (3 − t)dt −3≤ y< 3 F(y) = ⎨ −3≤ y< 3
⎪ −3 18 ⎪ 36
y≥3
⎩⎪ y≥3 ⎪⎩
1 1

  Sean las variables aleatorias independientes X e Y, donde X se distribuye como
una binomial B(15, 0,4)  e Y como una binomial B(85,0,4) 
a) ¿Cómo se distribuye la variable aleatoria  X + Y ?
b) ¿Se puede aproximar la variable aleatoria  X + Y  a una distribución normal?,
¿Con qué parámetros?
c) ¿Cuando la suma de dos distribuciones binomiales independientes no se puede
aproximar a una distribución normal?. Poner un ejemplo.
Solución:
a) Las distribuciones binomiales independientes son reproductivas cuando tienen
el mismo parámetro p. En consecuencia,  X ∼ B(15, 0,4)   e  Y ∼ B(85,0,4)  se tiene que
X + Y ∼ B(100, 0,4)

b) X + Y ∼ B(100, 0,4)  donde p = 0,4 < 0,5  y   np = 100 x 0,4 = 40 > 5 , por el
teorema de Moivre o el Teorema Central del Limite (TCL) la distribución binomial
de  X + Y  se puede aproximar a una distribución normal
N(40, 4,89)  siendo μ = np = 40  y  σ = 100 x 0,4 x 0,6 = 4,89

c) Cuando el tamaño fuera pequeño (n pequeña). Ejemplo:  X + Y ∼ B(8, 0,4)

Distribuciones de Probabilidad  46
  Dada una variable aleatoria X con distribución exponencial  de parámetro  λ ,
calcular generatriz de los momentos (f.g.m.), función característica, esperanza y
varianza.
Solución:
⎧ λ e −λ x x>0
Sea  X ∼ Exp(λ ) , su función de densidad   f(x) = ⎨
⎩ 0     otro caso

∞ ∞ ∞

M(t) = E ⎡⎣e ⎤⎦ = tx


∫ −∞
e . f(x) . dx =
tx

∫ 0
e . λe
tx −λ x
. dx = λ

0
e − (λ − t) x dx =


λ λ ∞ λ
         = − − (λ − t) e − (λ − t) x dx = − ⎡⎣e ( λ − t ) x ⎤⎦ = ∀t < λ
λ−t 0 λ−t 0 λ−t
∞ ∞ ∞

ϕ (t) = E ⎡⎣e ⎤⎦ = itx


∫ −∞
e . f(x) . dx =
it x

∫ 0
e . λ .e
it x −λ x
. dx = λ
∫ 0
e − (λ − i t) x dx =


λ λ ∞ λ
        = − −(λ − it) e − (λ − t) x dx = − ⎡⎣e ( λ − i t ) x ⎤⎦ = ∀t < λ
λ − it 0 λ − it 0 λ − it

La función generatriz M(t)  coincide con la función característica  ϕ (t)  para   t = it .

Con la función generadora de los momentos  M(t) o función característica  ϕ(t)  se


pueden calcular los momentos respecto al origen mediante la expresión:

ϑn 1 ϑn
                          E(X ) = n M(t)
n
= n n ϕ(t)
ϑt t=0
i ϑt t=0

Momentos respecto al origen con la función generatriz:

ϑM(t) ϑ⎡ λ ⎤ λ 1
α1 = E(X) = M(1) (0) = = ⎢ = =
ϑt t = 0 ϑt ⎣ λ − t ⎥⎦ t = 0 (λ − t)2 t =0
λ

ϑ2 M(t) ϑ ⎡ ϑ ⎛ λ ⎞⎤ ϑ⎛ λ ⎞
α2 = E(X ) = M (0) =
2 (2)
= ⎢ ⎜ ⎟⎥ = ⎜
ϑt t = 0 ϑt ⎣ ϑt ⎝ λ − t ⎠ ⎦ t = 0 ϑt ⎝ (λ − t)2 ⎠⎟ t = 0
2

2 λ (λ − t) 2
      = =
(1 − t)4 t=0
λ2
2
2 ⎛1⎞ 1
Var(X) = α2 − α = 2 − ⎜ ⎟ = 22

λ ⎝λ⎠ λ
1

Momentos respecto al origen con la función característica:

Distribuciones de Probabilidad  47
⎛1⎞ ⎛ 1 ⎞ ϑϕ (t) ⎛1⎞ ϑ ⎡ λ ⎤
α1 = E(X) = ⎜ ⎟ ϕ(1) (0) = ⎜ ⎟ =⎜ ⎟ ⎢ ⎥ =
⎝i⎠ ⎝ i ⎠ ϑt t = 0 ⎝ i ⎠ ϑt ⎣ λ − it ⎦ t = 0
⎛ 1 ⎞ λi λ 1
    = ⎜ ⎟ = =
⎝ i ⎠ (λ − it) (λ − it)2 λ
2
t=0 t=0

⎛ 1 ⎞ (2) ⎛ 1 ⎞ ϑ ϕ (t) ⎛ 1 ⎞ ϑ ⎡ ϑ ⎛ λ ⎞⎤
2
α2 = E(X ) = ⎜ 2 ⎟ ϕ (0) = ⎜ 2 ⎟
2
= ⎜ 2 ⎟ ⎢ ⎜ ⎟⎥ =
⎝i ⎠ ⎝ i ⎠ ϑt t = 0 ⎝ i ⎠ ϑt ⎣ ϑt ⎝ λ − it ⎠ ⎦ t = 0
2

⎛ 1 ⎞ ϑ ⎛ λi ⎞ ⎛ 1 ⎞ 2i λ (λ − it)
2
2
    = ⎜ 2 ⎟ ⎜ 2 ⎟
=⎜ 2 ⎟ =      
⎝ i ⎠ ϑt ⎝ (λ − it) ⎠ t = 0 ⎝ i ⎠ (λ − it) λ2
3
t=0

  Encontrar la función generadora de los momentos de una variable aleatoria
discsreta que sigue una binomial B(n, p)

Solución:
⎛n⎞
La función de probabilidad   p(X = k) = ⎜ ⎟ pk q n − k donde  p + q = 1
⎝k⎠
n
⎛ n ⎞ k n−k n
⎛ n ⎞ t k n−k
M(t) = E(e ) =tx

k= 0
∑e ⎜ ⎟p q =
⎝k⎠
tk
⎜ k
k= 0 ⎝ ⎠
⎟ ∑
(e p) q = (et p + q)n

ϑ M(t) ϑ
α1 = E(X) = M(1) (0) = = ⎡⎣(et p + q)n ⎤⎦ t = 0 = n (et p + q)n − 1 et p = n p
ϑt t = 0 ϑt t=0

ϑ2 M(t) ϑ ⎡ dϑ t n⎤ ϑ
α2 = E(X 2 ) = M(2) (0) = = ⎢ (e p + q) ⎥ = (n (et p + q)n − 1 et p) =
ϑt t = 0 ϑt ⎣ ϑt
2
⎦ t = 0 ϑt t=0

     = n (n − 1)(et p + q)n − 2 (et p)2 + n (et p + q)n − 1 et p t = 0 = n (n − 1) p2 + n p

Var(X) = α2 − α12 = n (n − 1) p2 + n p − (n p)2 = − np2 + n p = n p (1 − p) = n p q

La función generadora de momentos de una variable aleatoria X se define como:


⎪ ∑e tx
p(x) X es discreta  
M(t) = E(e ) = ⎨
tx


⎩ ∫ −∞
e t x . f(x) . dx X es continua

Distribuciones de Probabilidad  48
  Hallar la función característica y la función generadora de momentos de una
variable aleatoria continua X con distribución uniforme en   ⎡⎣a, b⎤⎦

Solución:
⎧ 1
⎪ a≤ x≤b
Función de densidad   f(x) = ⎨ b − a
⎪⎩ 0 otro caso  

∫ ∫ ∫
b b
1 1
ϕ (t) = E ⎡⎣e ⎤⎦ =
itx
e . f(x) . dx =
it x it x
e . . dx = ei t x dx =
−∞ a b−a b−a a
it x b
1 ⎡e ⎤ ei tb − ei t a
         = ⎢ ⎥ = si t ≠ 0
b − a ⎣ it ⎦ a it(b − a)

∫ ∫ ∫
b b
1 1
M(t) = E ⎡⎣e ⎤⎦ = tx
e . f(x) . dx =
tx tx
e . . dx = e t x dx =
−∞ a b−a b−a a
b
1 ⎡ et x ⎤ e tb − e t a
         = ⎢ t ⎥ = t(b − a) si t ≠ 0
b−a ⎣ ⎦a

  Sea X una variable aleatoria continua con función de densidad

⎧e − x x>0
                                f(x) = ⎨
⎩0 otro caso

a) Función generatriz de los momentos (f.g.m.)
b) Esperanza y varianza a partir de la f.g.m.
c) Función característica
Solución:
∞ ∞ ∞

a) M(t) = E ⎡⎣e ⎤⎦ = tx

∫ −∞
e . f(x) . dx =
tx

∫0
−x
e . e . dx =
tx


0
e x(t −1) dx =

1 ∞ 1
                              = ⎡⎣e x(t −1) ⎤⎦ = si t < 1
t −1 0 1−t

b) A partir de la función genertriz, derivando y haciendo  t = 0 , se pueden obtener
los distintos momentos respecto al origen:

ϑ M(t) ϑ ⎡ 1 ⎤ 1
α1 = E(X) = M(1) (0) = = ⎢ = =1
ϑt t = 0 ϑt ⎣ 1 − t ⎥⎦ t = 0 (1 − t)2 t=0

Distribuciones de Probabilidad  49
ϑ2 M(t) ϑ ⎡ dϑ ⎛ 1 ⎞ ⎤ ϑ⎛ 1 ⎞ 2
α2 = E(X 2 ) = M(2) (0) = = ⎢ ⎜ ⎟⎥ = ⎜ 2 ⎟
= =2
ϑt t= 0 ϑt ⎣ ϑt ⎝ 1 − t ⎠ ⎦ t = 0 ϑt ⎝ (1 − t) ⎠ t = 0 (1 − t)3
2
t=0

Var(X) = α2 − α12 = 2 − 1 = 1

c) La función característica se puede calcular utilizando la relación entre función
característica y los momentos:


(it)2 (it)3 (it)k (it)h
ϕ (t) = 1 + (it) α1 + α2 + α3 + + αk + = αh si t < 1
2! 3! k! h=0
h!

 Sea X una variable aleatoria continua, cuya función de densidad es

⎧ 3 x2 0< x<1
                                fX (x) = ⎨
⎩0 en otro caso

Sea  Y = 1 − X2  una transformación de la v.a. X
a) Calcular la función de densidad de la v.a. Y
b) Calcular la función de distribución de la v.a. Y
Solución:
a) La transformación asociada a la v.a. Y es derivable y estrictamente monótona
cuando X toma valores en el intervalo (0, 1). En consecuencia, se puede aplicar la
transformación, quedando la función de densidad:
dx −1
Y = 1 − X2 x= 1−y g −1 (y) = 1− y =
dy 2 1 − y

La función de densidad de la variable continua Y se obtiene:

−1
dx
( ) 3
2
fY (y) = fX ⎡⎣ g −1 (y) ⎤⎦ . =3 1−y = 1−y
dy 2 1−y 2

⎧3
⎪ 1−y 0< y<1
Función de densidad de la v.a. Y:     fY (y) = ⎨ 2
⎪⎩ 0 en otro caso

b) Función de distribución:

Distribuciones de Probabilidad  50
y
y≤0 ∫
FY (y) =
−∞
f(t)dt = 0                                                                                             
0 3 y y y
0< y<1 F (y) = ∫ f(y)dy +
1 − t ∫
dt = f(t)dt = ∫
⎡ − (1 − t)3 ⎤ = 1 − (1 − y)3
Y
−∞ 0 0 2 ⎣ ⎦0
0 1 y 1 13
y≥1 FY (y) =
−∞ ∫ ∫
f(y)dy + f(t)dt + f(t)dt = f(t)dt =
0 1 0 0 2 ∫ ∫
1 − t dt = 1         ∫
⎧ 0 y≤0

Función de distribución de la v.a. Y será:   FY (y) = ⎨1 − (1 − y)3 0< y<1
⎪ 1 y≥1

   Sea X una variable aleatoria continua, cuya función de densidad es

⎧1
⎪ −1 < x < 1
                                fX (x) = ⎨ 2
⎪⎩ 0 en otro caso

Sea  Y = X2  una transformación de la v.a. X
a) Calcular la función de densidad de la v.a. Y
b) Calcular la función de distribución de la v.a. Y
Solución:

La transformación  Y = X2  es derivable, pero no es estrictamente monótona, puesto
que en el intervalo (−1,  0]  la transformación es decreciente y en el intervalo
[0, 1)  es creciente.

En este caso, hay que determinar la función de distribución de la variable aleatoria
Y para el caso general de las transformaciones de una variable aleatoria, ya que no
se puede aplicar el método descrito en el ejercicio anterior. Hay que comenzar
encontrando la función de distribución.

b) Cálculo de la función de distribución


y
FY (y) = P [ Y ≤ y ] = P ⎡⎣ X ≤ y ⎤⎦ = P ⎡⎣ X ≤
2
y ⎤⎦ = P ⎡⎣ − y ≤ X ≤ y ⎤⎦ = f(x)dx =
− y


y
1 1
dx = [ x]− y =
y
                             = y
− y2 2
⎧ 0 y<0

La función de distribución de la v.a. Y es:   FY (y) = ⎨ y 0£y<1
⎪ 1 y ³1

Distribuciones de Probabilidad  51
⎧ 1
dFY (y) ⎪ 0≤ y<1
a) Función de densidad  fY (y) = = ⎨2 y
dy ⎪0
⎩ enotro caso

  Utilizando la aplicación del teorema central del límite a la distribución de la
suma de n variables aleatorias de Poisson de media  λ = 1  demostrar que


n
−n nk 1
lim e =
x→∞ k! 2
k =0

Solución:
n

Sean  X1 ,X2 , ,Xn  variables de Poisson de parámetro  λ = 1 . Sea  ηn = ∑X


i=1
i

Por ser reproductiva respecto a  λ  la distribución de Poisson,  ηn  es una variable de


Poisson de parámetro  λ = n ; y se tiene  E(ηn ) = n σ ηn = n
n
nk
Con lo cual,   P(ηn ≤ n) = e −n

k=0
k! ∑
Por el teorema central del límite (TCL), teorema de Lévy‐Lindeberg, cuando n → ∞ ,
ηn  es normal N(n, n) , y así resulta:

⎡η −n n −n⎤ 1
P(ηn ≤ n) = P ⎢ n ≤ ⎥ = P(z ≤ 0) =
⎣ n n ⎦ 2

  Sean las variables X e Y independientes. La variable X se distribuye como una
Poisson con varianza igual a 5. La variable  Z = X + Y  se distribuye  también como
una Poisson con esperanza igual a 15.  ¿Cuánto vale la esperanza de la variable Y?
Analice bajo qué condiciones se puede afirmar que la distribución de Poisson es
aditiva o reproductiva y determine con qué parámetros.
Solución:
La suma de variables aleatorias de Poisson independientes es otra variable
aleatoria de Poisson con parámetros la suma de los parámetros.

⎧ X ∼ P(λ = 5) σ 2X = λ = 5      
⎨ Y ∼ P(λ = 10) E(Y) = 10
⎩ Z ∼ P(λ = 15) E(Z) = λ = 15

Distribuciones de Probabilidad  52
  Las variables aleatorias en estudio son independientes. Analiza si las
afirmaciones son verdaderas o falsas:
a) X sigue una distribución binomial B(1, 0,3)  e Y una distribución binomial
B(1, 0,2)  entonces (X + Y)   sigue  una binomial B(2, 0,5). ¿Bajo qué condiciones se
dice que la distribución binomial es aditiva o reproductiva?
b) X sigue una distribución de Poisson  P(λ = 2)  e Y una distribución de Poisson
P(λ = 3)  entonces (X + Y) ∼ P(λ = 5)
c) Si  X ∼ N(0, 1)  y  FX  es su función de distribución entonces  FX ( − x) = 1  −  FX (x)

Solución:
a) Las distribuciones binomiales son reproductivas de parámetro p, es decir, dadas
dos variables aleatorias   X ∼ B(n, p)  e   Y ∼ B(m, p)  siendo independientes se verifica
que (X + Y) ∼ B(n + m, p) . En consecuencia, una variable aleatoria   X ∼ B(n, p)  se
puede descomponer en suma de n variables aleatorias independientes de Bernouilli
de parámetro p.
Para poder aplicar la propiedad reproductiva, han de ser independientes y con la
misma probabilidad.
b) Es cierto, la distribución de Poisson es reproductiva.
c) Por la simetría de la distribución normal se verifica  ∀ x ∈

 Un ascensor limita el peso de sus cuatro ocupantes a 300 kilogramos. Si el peso
de una persona sigue una distribución normal  N( 71,7 ) , calcular la probabilidad de
que el peso 4 personas supere los 300 kilogramos.

Solución:

Método I:   Si el peso de una persona sigue una distribución normal  N( 71,7 ) , la


⎛ 71 ⎞
muestra de 4 personas sigue una distribución normal  N⎜ 71, ⎟ ≡ N( 71, 3,5 )
⎜ 4 ⎟
⎝ ⎠

⎡ X + X 2 + X 3 + X 4 300 ⎤
P ⎡⎣(X1 + X2 + X 3 + X 4 ) > 300 ⎤⎦ = P ⎢ 1 > = P ⎡⎣ x > 75⎤⎦ =
⎣ 4 4 ⎥⎦

⎡ x − 71 75 − 71 ⎤
                                               = P ⎡⎣ x > 75 ⎤⎦ = P ⎢ > = P ⎡⎣ z > 1,143⎤⎦ = 0,1265
⎣ 3,5 3,5 ⎥⎦
0,1271 − 0,1251 x − 0,1251 0,002 x − 0,1251
Interpolando:   = =
1,14 − 1,15 1,143 − 1,15 − 0,01 − 0,007

0,002 . 0,007
x = 0,1251 + = 0,1265
0,01

Distribuciones de Probabilidad  53
4
⎡ n. μ σ . n ⎤
⎢ ⎥
Método II:  Sí   x i ∼ N⎡⎣71; 7⎤⎦ ∑i=1
x i ∼ N ⎢ 4 . 71 ; 7 . 4 ⎥ = N⎡⎣284 ; 14 ⎤⎦
⎢ ⎥
⎣ ⎦

⎡ 4

⎡ 4 ⎤


∑ x i − 284 ⎥
300 − 284 ⎥
P⎢ ∑
⎢⎣ i = 1
x i ≥ 300 ⎥ = P ⎢
⎥⎦ ⎢
i=1

14

14 ⎥ = P [ z ≥ 1,143] = 0,1265

⎢ ⎥
⎣ ⎦

  La probabilidad de que un banco reciba un cheque sin fondos es 0.01
a) Si en una hora reciben 20 cheques, ¿cuál es la probabilidad de que tenga algún
cheque sin fondos?
b) El banco dispone de 12 sucursales en la ciudad, ¿cuál es la probabilidad de que
al menos cuatro sucursales reciban algún cheque sin fondos?
c) La media del valor de los cheques sin fondos es de 600 euros. Sabiendo que el
banco trabaja 6 horas diarias, ¿qué cantidad  no se espera pagar?
d) Si se computasen los 500 primeros cheques, ¿cuál es la probabilidad de recibir
entre 3 y 6 (inclusive) cheques sin fondos?
Solución:
a) X = "Número de cheques sin fondos"  con   X ∼ B(20 , 0,01)
⎛ 20 ⎞
P [ X ≥ 1] = 1 − P [ X < 1] = 1 − P [ X = 0 ] = 1 − ⎜ ⎟ .0,01 0 .0,9920 = 1 − 0,980 = 0,182
⎝0⎠

b) Y = "Número de sucursales que reciben al menos 1 cheque sin fondos"
      Y ∼ B(12, 0,182)

P [ Y ≥ 4 ] = 1 − P [ Y < 4 ] = 1 − ⎡⎣P [ X = 0 ] + P [ X = 1] + P [ X = 2] + P[ X = 3]⎤⎦ =

⎡⎛ 12 ⎞ ⎛ 12 ⎞ ⎛ 12 ⎞
= 1 − ⎢⎜ ⎟ .0,1820 .0,81812 + ⎜ ⎟ .0,1821 .0,81811 + ⎜ ⎟ .0,1822 .0,81810 +
⎣⎝ 0 ⎠ ⎝1⎠ ⎝2⎠
⎛ 12 ⎞ ⎤
           + ⎜ ⎟ .0,1823 .0,818 9 ⎥ = 1 − [ 0,0897 + 0,2396 + 0,2932 + 0,2174 ] = 0,16
⎝3⎠ ⎦

1 hora 6 horas
c)   = n = 120 cheques
20 cheques n cheques

Los cheques sin fondos esperados:  μ = E(X) = n . p = 120 . 0,01 = 1,2 cheques


En consecuencia, se espera no pagar 1,2 . 600 = 720 euros

Distribuciones de Probabilidad  54
d) U = "Número de cheques sin fondos computados"  donde  U ∼ B(500 , 0,01) , que
al ser  n . p = 500 . 0,01 = 5  se aproxima a una distribución de Poisson de parámetro
P[ λ = 5]

P[ 3 ≤ U ≤ 6 ] = P[U = 3] + P[U = 4 ] + P[U = 5] + P[U = 6 ] =

⎡ 5 3 5 4 5 5 5 6 ⎤ −5
= ⎢ + + + ⎥ .e = [ 20,833 + 26,042 + 26,042 + 21,701].e−5 = 0,6375
⎣ 3! 4! 5! 6! ⎦

  El departamento comercial de una industria alimenticia conoce que 2 de cada
10 consumidores reconocen su producto en una prueba a ciegas.
¿Cuántas pruebas ciegas de sabor deberían hacerse para que la proporción de que
los que conocen la marca oscile entre el 16% y el 24% con una probabilidad mínima
de 0,8?
Solución:
Reconocen el producto el 20%  p = 0,2     P(0,16 ≤ pˆ ≤ 0,24) ≥ 0,8

⎛ pq ⎞ ⎛ 0,2 x 0,8 ⎞ ⎛ 0, 4 ⎞
pˆ ≈ N ⎜ p , ⎟ → ˆ
p ≈ N ⎜ 0,2 , ⎟ = N ⎜ 0,2 ,
⎝ n ⎠ ⎝ n ⎠ ⎝ n ⎟⎠

⎛ 0,16 − 0,2 0,24 − 0,2 ⎞


P⎜ <z< ⎟ = P −0,1 ( n < z < 0,1 )
n = 0,8
⎝ 0, 4 / n 0, 4 / n ⎠

(
P −0,1 n < z < 0,1 ) (
n = 1 − 2P z > 0,1 )
n = 0,8 (
P z ≥ 0,1 )
n = 0,1

0,1 n = 1,282 n = 165

Para una probabilidad como mínimo de 0,8 harían falta 165 pruebas.

Distribuciones de Probabilidad  55
  Las puntuaciones en la Escala de Inteligencia para Adultos de Wechsler (WAIS)
siguen en una población una distribución normal de media 100 y desviación típica
16. Al extraer una muestra aleatoria simple de 25  individuos, calcular:
a)  Probabilidad de que la media de esos 25 individuos sea inferior a 95
b)  Probabilidad de que la media esté comprendida entre 98 y 102.
Solución:
⎛ σ ⎞ ⎛ 16 ⎞
Según el teorema de Fisher   x ≈ N ⎜ μ , ⎟ → x ≈ N ⎜ 100, ⎟ ≡ N(100, 3,2)
⎝ n ⎠ ⎝ 25 ⎠

⎛ x − 100 95 − 100 ⎞
a)   P(x ≤ 95) = P ⎜ ≤ = P(z ≤ −1,56) = P(z ≥ 1,56) = 0,0594
⎝ 3,2 3,2 ⎟⎠
⎛ 98 − 100 x − 100 102 − 100 ⎞
b)   P(98 ≤ x ≤ 102) = P ⎜ ≤ ≤ = P(−0,62 ≤ z ≤ 0,62) =
⎝ 3,2 3,2 3,2 ⎟⎠
= P(z ≥ −0,625) − P(z ≥ 0,62) = P(z ≤ 0,62) − P(z ≥ 0,62) = 1 − P(z ≥ 0,62) − P(z ≥ 0,62) =
= 1 − 2P(z ≥ 0,62) = 0, 4648

 Las puntuaciones obtenidas en la escala de Locus de Control de James por los
sujetos depresivos, siguen una distribución normal de media 90 y desviación típica
12. Si se extraen muestras aleatorias simples de 30 sujetos depresivos.
¿Por debajo de que cantidad se encontrará el 90% de las veces el valor de la
varianza de la muestra?.
Solución:
En virtud del teorema de Fisher: En el muestreo, si se toman muestras aleatorias de
media  x  y  desviación típica  σ x  de una población N(μ , σ) , la variable
(n − 1)s2
χn2−1 = , donde  s2  es la cuasivarianza muestral,  n σ 2x = (n − 1)s2
σ 2

Las puntuaciones obtenidas siguen una distribución N(90,12)
(n − 1)s2 n σ 2x 30 σ 2x
 χ 2
n− 1 = = 2 → χ 29 =
2

σ2 σ 144
De las tablas de la Chi‐cuadrado:

  P(χ 229 ≤ k) = 0,9 ⇒ P(χ 229 ≥ k) = 0,1 k = 39,087     con lo cual,

⎛ 30 σ 2x ⎞ ⎛ 39,087 x 144 ⎞
≤ 39,087 ⎟ = 0,9 → P ⎜ σ 2x ≤ ⎟ = P ( σ x ≤ 187,62 ) = 0,9
2
P⎜
⎝ 144 ⎠ ⎝ 30 ⎠

El valor pedido será 187,62

Distribuciones de Probabilidad  56
 Calcular la media y la varianza de una variable aleatoria  t5  de Student

Solución:
n
Una variable aleatoria  tn  de Student tiene de media  μ = 0  y varianza  σ 2 =
n−2
5
La media y la varianza de una  t5  de Student, respectivamente, son  μ = 0  y  σ 2 =
3

  En una población de mujeres, las puntuaciones de un test de ansiedad‐riesgo
siguen una distribución normal N(25,10) . Al clasificar la población en cuatro grupos
de igual tamaño, ¿cuales serán las puntuaciones que delimiten estos grupos?.
Solución:
Siendo la variable aleatoria X = "Puntuaciones en un test de ansiedad‐riesgo"
Las puntuaciones que delimitan estos cuatro grupos serán el primer  Q 1 , segundo
Q 2  y tercer cuartil  Q 3  de la distribución.

⎛ X − 25 Q 1 − 25 ⎞ ⎛ Q 1 − 25 ⎞
P(X ≤ Q 1 ) = 0,25 P⎜ ≤ ⎟ = P⎜ z ≤ ⎟ = 0,25
⎝ 10 10 ⎠ ⎝ 10 ⎠

P ( z ≤ − 0,67 ) = 0,25      P ( z ≥ 0,67 ) = 0,25

Q 1 − 25
= −0,67 Q 1 = 25 − 0,67 x 10 = 18,3
10
En la distribución normal la media y la mediana son iguales:   μ = Me = Q 2 = 25

⎛ X − 25 Q 3 − 25 ⎞ ⎛ Q 3 − 25 ⎞
P(X ≤ Q 3 ) = 0,75 P⎜ ≤ ⎟ = P⎜ z ≤ ⎟ = 0,75
⎝ 10 10 ⎠ ⎝ 10 ⎠
⎛ Q − 25 ⎞
                  P⎜ z ≥ 3 ⎟ = 0,25
⎝ 10 ⎠
Q 3 − 25
= 0,67 Q 3 = 25 + 0,67 x 10 = 31,7
10
Por consiguiente, el primer grupo serían las mujeres con puntuaciones inferiores o
iguales a 18,3. El segundo grupos son aquellas mujeres con puntuaciones entre 18,3
y 25. El tercer grupo son las mujeres con puntuaciones entre 25 y 31,7. El cuarto
grupo son mujeres que tengan puntuaciones superiores a 31,7.

Distribuciones de Probabilidad  57
  El número de millones de metros cúbicos que tiene un embalse sigue una
distribución normal  N(980,50). El consumo diario de las poblaciones que sirve es
una normal N(85, 30).  Si se sabe que durante una tormenta la cantidad de agua
que se embolsa es una normal N(50, 25) .
Un día han caído dos tormentas, calcular la probabilidad de que al final del día el
agua embalsada sea menor o igual que 980 metros cúbicos.
Solución:
Agua del embalse:   X1 ∼ N(μ 1 , σ 1 ) ≡ N(980,50)

Consumo diario:   X 2 ∼ N(μ 2 , σ 2 ) ≡ N(85,30)

Agua una tormenta: X 3 ∼ N(μ 3 , σ 3 ) ≡ N(50,25)

⎧⎪ E(2X 3 ) = 2E[ X 3 ] = 2 x 50 = 100


Agua dos tormentas: ⎨ 2   
⎪⎩ Var(2X 3 ) = 4 Var [ X 3 ] = 4 x 25

⎛ 2 2 ⎞
2X 3 ∼ N ⎜ ∑ λμ,
⎜ i= 1 i i ∑ λ 2i σ 2i ⎟ ≡ N(2 X 0 , 2 X 25)

⎝ i=1 ⎠
Agua embalse un día con dos tormentas:

⎛ 3 3 ⎞
Y = X1 − X 2 + 2X 3  siendo  Y ∼ N ⎜ ∑ λ i μ i , ∑λ 2
σ 2i ⎟
⎜ i=1 i ⎟
⎝ i =1 ⎠

( )
Y ∼ N 980 − 85 + 100, 502 + 302 + 4 x 252 ≡ N(995, 76,81)

⎡ Y − 995 980 − 995 ⎤


P(Y ≤ 980) = P ⎢ ≤ = P(z ≤ −0,19) = P(z ≥ 0,19) = 2P(z ≥ 0,19) = 0, 4247
⎣ 76,81 76,81 ⎥⎦

Distribuciones de Probabilidad  58
  Una maca de frutas ha observado que el peso medio de los melones en gramos
sigue una distribución normal N(1700, 100) . Hallar:
a) Probabilidad de que los melones pesen menos de 1500 gramos y más de 2000
gramos.
b) Sabiendo que son rechazados para la explotación aquellos melones que difieren
más de 300 gramos del promedio. Determinar la proporción de melones
rechazados.

Solución:

a)  Sea la variable aleatoria X ="Peso de los melones en gramos",  X ∼ N(1700, 100)

P [ (X < 1500) ∪ (X > 2000)] = P(X < 1500) + P(X > 2000) =

⎡ X − 1700 1500 − 1700 ⎤ ⎡ X − 1700 2000 − 1700 ⎤


= P⎢ < ⎥⎦ + P ⎢⎣ 100 > ⎥⎦ = P(z < −2) + P(z > 3) =
⎣ 100 100 100
= P(z > 2) + P(z > 3) = 0,0228 + 0,00135 = 0,02415

⎡ 1400 − 1700 X − 1700 2000 − 1700 ⎤


b)   P(1400 ≤ X ≤ 2000) = P ⎢ ≤ ≤ ⎥⎦ = P(−3 ≤ z ≤ 3) =
⎣ 100 100 100
= 1 − 2P(z ≥ 3) = 1 − 2 x 0,00135 = 0,9973  melones aceptados
Melones rechazados:  2P(z ≥ 3) = 2 x 0,00135 = 0 ,0027

  El error cometido en expedir tiques por una maquina en el aeropuerto sigue
una normal  N(0, σ) .
a) ¿Cuál es la probabilidad de que el error cometido en valor absoluto de una
medida cualquiera sea al menos  σ ?
b) ¿Cuánto valdría la probabilidad si se toma como medida la media aritmética de
10 medidas independientes?
Solución:
a)  Sea la variable aleatoria X = "Expedir tiques por la maquina",   X ∼ N(0, σ)

⎡ X− 0 σ − 0⎤
P[ X ≥ σ] = P ⎢ ≥ = P [ z ≥ 1] = P [ (z ≤ −1) ∪ (z ≥ 1)] = P(z ≤ −1) + P(z ≥ 1) =
⎣ σ σ ⎥⎦
                 = P(z ≥ 1) + P(z ≥ 1) = 2P(z ≥ 1) = 2 x 0,1587 = 0,3174
10

∑X
1
b)  Sea la variable aleatoria  Y = X1 + X 2 + + X10 y= i
10 i =1

Distribuciones de Probabilidad  59
⎡1 10
⎤ 1 ⎡ 10 ⎤ 1
E(y) = E ⎢
⎢⎣ 10

i=1
Xi ⎥ =
⎥⎦ 10

E ⎢ X i ⎥ = 10 μ = μ = 0
⎢⎣ i = 1 ⎥⎦ 10

⎡1 10
⎤ ⎡ 10 ⎤ 1 σ2
∑ ∑
1
σ = Var (y) = Var ⎢
2
y Xi ⎥ = Var ⎢ X i ⎥ = 10 σ =
2

⎣⎢ 10 i=1 ⎦⎥ 100 ⎢⎣ i = 1 ⎦⎥ 100 10

⎡ σ ⎤
y ∼ N ⎢ 0,
⎣ 10 ⎥⎦

⎡ y−0 σ−0 ⎤
P ⎡⎣ y ≥ σ⎤⎦ = P ⎢ ≥ ⎥ = P ⎡⎣ z ≥ 10 ⎤⎦ =
⎣ σ / 10 σ / 10 ⎦

= P ⎡⎣(z ≤ − 10) ∪ (z ≥ 10)⎤⎦ = P(z ≤ − 10) + P(z ≥ 10) =

= P(z ≥ 10) + P(z ≥ 10) = 2P(z ≥ 3,16) = 0,0016

  Las variables aleatorias en estudio son independientes.
Sean:   X1 ∼ N(10,2) , X2 ∼ N(15,2) y X3 ∼ N(20,2)  donde   Y = 5X1 + 4 X 2 − 3X 3   y
2 2 2
⎛ X − 10 ⎞ ⎛ X 2 − 15 ⎞ ⎛ X 3 − 20 ⎞
U= ⎜ 1 ⎟ +⎜ ⎟ +⎜ ⎟ .
⎝ 2 ⎠ ⎝ 2 ⎠ ⎝ 2 ⎠
Calcular:    a)   P [ 20 ≤ Y ≤ 30 ]         b)  P [U ≤ 11]

Solución:
⎛ 3 3 ⎞
a)  Y = 5X1 + 4 X 2 − 3X 3 siendo Y ∼ N ⎜
⎜ ∑ λ i μi , ∑ λ 2i σ 2i ⎟

⎝ i=1 i=1 ⎠

Y ∼ N ⎣⎡5 x 10 + 4 x 15 − 3 x 20 , 52 x 22 + 42 x 22 + (−3)2 x 22 ⎦⎤ Y ∼ N ⎣⎡ 50 , 2 50 ⎦⎤

⎡ 20 − 50 Y − 50 30 − 50 ⎤
P [ 20 ≤ Y ≤ 30 ] = P ⎢ ≤ ≤ ⎥ = P(−2,12 ≤ z ≤ −1, 41) =
⎣ 2 50 2 50 2 50 ⎦
= P(1, 41 ≤ z ≤ 2,12) = P(z ≥ 1, 41) − P(z ≥ 2,12) = 0,0793 − 0,0170 = 0,0623

X1 − 10 X 2 − 15 X 3 − 20
b)      ∼ N(0,1) ∼ N(0,1) ∼ N(0,1)
2 2 2
2 2 2
⎛ X − 10 ⎞ ⎛ X 2 − 15 ⎞ ⎛ X 3 − 20 ⎞
⎟ = [N(0, 1)] + [N(0, 1)] + [N(0, 1)] = χ 3
2 2 2
U= ⎜ 1 ⎟ +⎜ ⎟ +⎜
2

⎝ 2 ⎠ ⎝ 2 ⎠ ⎝ 2 ⎠

P [U ≤ 11] = P ⎡⎣ χ 23 ≤ 11⎤⎦ = 1 − P ⎡⎣ χ 23 ≥ 11⎤⎦ = 1 − 0,05 = 0,95

Distribuciones de Probabilidad  60
  Un dispositivo está formado por muchos elementos que trabajaban
independientemente, siendo la probabilidad de fallo durante la primera hora de
trabajo muy pequeña e iguales en todos los elementos.
Si la probabilidad de que en ese tiempo falle por lo menos un elemento es 0,98.
a) Hallar la media y desviación típica del número de elementos que fallen en la
primera hora.
b) Calcular la probabilidad de que fallen a lo sumo dos elementos en ese tiempo.
Solución:
a) Habiendo muchos elementos independientes, el tamaño (n) es muy grande, con
una probabilidad de fallo muy pequeña, condiciones para que el dispositivo siga
una distribución de Poisson.
Sea la variable aleatoria X = "Fallo en la primera hora de un elemento",  X ∼ P(λ )
λk −λ
donde   P(X = k) = e
k!
λ0 −λ
P(X ≥ 1) = 0,98 P(X < 1) = P(X = 0) = e = 0,02 e− λ = 0,02
0!

−λ = ln 0,02 λ = 3,91 ⇒ μ = λ = 3,91 σ = λ = 3,91 = 1,98

3,90 −3,9 3,9 −3,9 3,92 −3,9


b)  P(X ≤ 2) = P(X = 0) + P(X = 1) + P(X = 2) = e + e + e =
0! 1! 2!
⎡ 3,92 ⎤ −3,9
                    = ⎢1 + 3,9 + ⎥ e = 12,505 x e−3,9 = 0,2531
⎣ 2 ⎦

 Encontrar la moda de una variable aleatoria  X ∼ B(14 , 0,2)

Solución:
La moda de una distribución binomial viene dada por el valor (número entero) que
verifica  (np − q ≤ Md ≤ np + p) .
Generalmente será un valor (la parte entera de la media) y podrán ser dos valores
modales cuando (np − q)  y (np + p)  sea un número entero.

En este caso, np − q = 14.0,2 − 0,8 = 2 np + p = 14.0,2 + 0,2 = 3


np − q ≤ Md ≤ np + p → 2 ≤ Md ≤ 3
La distribución es bimodal y las modas son 2 y 3

Distribuciones de Probabilidad  61
  Una compañía de seguros garantiza pólizas de seguros individuales contra
retrasos aéreos de más de doce horas. Una encuesta ha permitido estimar a lo
largo de un año que cada persona tiene una probabilidad de una de cada de mil de
ser víctima de un retraso aéreo que esté cubierto por este tipo de póliza y que la
compañía aseguradora podrá vender una media de cuatro mil pólizas al año.
Se pide hallar las siguientes probabilidades:
a) Que el número de retrasos cubiertos por la póliza no pase de cuatro por año
b) Número de retrasos esperados por año
c) Que el número de retrasos sea superior a dos por año
d) Que ocurran doce retrasos por año
Solución:
Sea X = "Número de retrasos por año", la variable sigue una distribución binomial
1
n = 4000 , p = = 0,001 , b(4000 , 0,001)
1000
⎛ 4000 ⎞
con lo que,   P(X = k) = ⎜ ⎟ .0,001 k .0,999 4000 −k k = 0,1, , 4000
⎝ k ⎠
Es necesario buscar una distribución que sea una buena aproximación de ésta. La
distribución de Poisson es una buena aproximación de la binomial  b(4000 , 0,001) ,
ya que p = 0,001  es muy pequeña y n.p = 4000.0,001 = 4 < 5 .
4 k −4
Por tanto,   X ∼ b(4000 , 0,001) ≈ X ∼ P(λ = n.p = 4)       P(X = 4) = .e
k!
a) P(X ≤ 4) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) + P(X = 4) =

⎡ 4 0 4 1 4 2 4 3 4 4 ⎤ −4
       = ⎢ + + + + ⎥ .e = [1 + 4 + 8 + 10,667 + 10,667] .e−4 = 0,6289
⎣ 0! 1! 2! 3! 4! ⎦

b) El número de retrasos esperado por año es la media  μ x = λ = 4

c) P(X > 2) = 1 − P(X ≤ 2) = 1 − [P(X = 0) + P(X = 1) + P(X = 2)] =

⎡ 4 0 4 1 4 2 ⎤ −4
                     = 1 − ⎢ + + ⎥ .e = 1 − [1 + 4 + 8 ] .e−4 = 1 − 0,381 = 0,7619
⎣ 0! 1! 2! ⎦

412 −4
d)   P(X = 12) = .e = 0,035.e−4 = 0,00064
12!

Distribuciones de Probabilidad  62
  El 7% de los pantalones de una determinada marca salen con algún defecto. Se
empaquetan en caja de 80 pantalones para diferentes tiendas. ¿Cuál es la
probabilidad de que en una caja haya entre 8 y 10 pantalones defectuosos?
Solución:
Sea X = "Número de pantalones defectuosos en una caja"
Se trata de una distribución binomial (los pantalones son o no son defectuosos), es
decir, una binomial con n = 80  ,  p = 0,07 : B(80 , 0,07) , donde:

μ = n.p = 80. 0,07 = 5,6 σ= n.p.q = 80.0,07. 0,93 = 2,28

Adviértase que se dan las condiciones para aproximar la distribución discreta
binomial a una distribución continua normal:
              p = 0,07 ≤ 0,5 y n.p = 80. 0,07 = 5,6 > 5

con lo que, B(n, p) ∼ N ⎡⎣μ = n.p , σ = n.p.q ⎤⎦ → B(80 , 0,07) ∼ N⎡⎣5,6 , 2,28 ⎤⎦

Para utilizar correctamente la transformación de una variable aleatoria discreta X
(distribución binomial) en una variable aleatoria continua z (con distribución
normal) es necesario hacer una corrección de continuidad:
 Tipificando
Transformación N(5,6 ; 2,28)
P [ 8 ≤ X ≤ 10 ] = P ⎡⎣7,5 ≤ X ≤ 10,5 ⎤⎦

=

⎡ 7,5 − 5,6 X • − 5,6 10,5 − 5,6 ⎤


                                   = P ⎢ ≤ ≤ = P [ 0,83 ≤ z ≤ 2,15] =
⎣ 2,28 2,28 2,28 ⎥⎦

                                  = P [ z > 0,83] − P [ z > 2,15 ] = 0,2033 − 0,0158 = 0,1875

Distribuciones de Probabilidad  63
  Un servicio dedicado a la reparación de electrodomésticos recibe por término
medio 15 llamadas diarias. Determinar la probabilidad de que reciba un día más de
20 llamadas.
Solución:
Sea   X = " Número de llamadas recibidas al día"

15k −15
La variable aleatoria:   X ∼ P [ λ = 15] ⇒ P[X = k] = .e
k!
λ = 15 > 10
P [ λ = 15] ⎯⎯⎯⎯⎯ → N ⎡⎣15, 15 ⎤⎦

⎡ X − 15 (20 − 0,5) − 15 ⎤
   P [ X > 20 ] = P ⎢ > ⎥ = P [ z > 1,16 ] = 0,1230
⎢⎣ 15 15 ⎥⎦

  En una fábrica se sabe que la probabilidad de que r artículos sean defectuosos
4k . e− 4
es  P [ X = k ] = . Determinar la probabilidad de que en 100 días el número de
k!
artículos defectuosos esté comprendido entre (400, 600)

Solución:

λ k −λ
Es una distribución de Poisson:   P [ X = k ] = .e λ=4, σ= 4 =2
k!

En 100 días:   ⎡⎣X1 , X 2 , ( ) ( )
, X100 ⎤⎦ ∼ P n. λ , n. λ = P 100.4 , 100.4 = P ( 400 , 20 )

n .λ = 400 > 10
P ⎡⎣n. λ ⎤⎦ ⎯⎯⎯⎯⎯⎯ → N ⎣⎡ 400, 400 ⎦⎤ ≡ N( 400, 20 )

⎡ 400 − 400 X − 400 600 − 400 ⎤


P [ 400 ≤ X ≤ 600 ] = P ⎢ ≤ ≤ ⎥⎦ = P [ 0 ≤ z ≤ 10 ] =
⎣ 20 20 20

                                = P [ z ≥ 0 ] − P [ z ≥ 10 ] = 0,5

Distribuciones de Probabilidad  64
  Se ha realizado una muestra aleatoria simple (m.a.s.) de tamaño 10 de una
población considerada normal, llegando a que la varianza muestral es 4.
Calcular la probabilidad P ⎡⎣ x − μ ≤ 1,51⎤⎦

Solución:

⎡ x − μ 1,51 ⎤
P ⎡⎣ x − μ ≤ 1,51⎤⎦ = P ⎢ ≤ ⎥ = P ⎡⎣ t9 ≤ 2,265 ⎤⎦ = P [ −2,265 ≤ t9 ≤ 2,265] =
⎣ 2/3 2/3⎦

= P [ t9 ≥ −2,265] − P [ t9 ≥ 2,265] = P [ t9 ≤ 2,265] − P [ t9 ≥ 2,265] =


= 1 − 2P [ t9 ≥ 2,265] = 0,95

  Se realiza una encuesta para conocer la proporción de españoles a los que no le
gusta el fútbol,  tomando una muestra aleatoria simple (m.a.s.) de tamaño 100.
Por análisis anteriores se conoce que dicha proporción es del 45%. Calcular la
probabilidad de que la proporción muestral sea superior al 52%.

Solución:

   Tamaño muestral  n = 100

   p = 0, 45 q = 0,55

⎛ 0, 45 x 0,55 ⎞
p̂ ∼ N ⎜ 0, 45, ⎟ = N( 0, 45 , 0,05 )
⎝ 100 ⎠

⎡ p̂ − 0, 45 0,52 − 0, 45 ⎤
P [pˆ > 0,52] = P ⎢ > ⎥ = P(z > 1, 4) = 0,0808
⎣ 0,05 0,05 ⎦

Distribuciones de Probabilidad  65
  El departamento comercial de una industria alimenticia sabe que 2 de cada 10
consumidores reconocen su producto en una prueba a ciegas. ¿Cuántas pruebas a
ciegas de sabor deberían hacerse para que la proporción de que los que conocen la
marca oscile entre el 16% y el 24% con una probabilidad mínima de 0,8?
Solución:
Reconocen el producto el 20%   p = 0,2

⎛ pq ⎞ ⎛ 0,2 x 0,8 ⎞ ⎛ 0, 4 ⎞
pˆ ≈ N ⎜ p , ⎟ → pˆ ≈ N ⎜ 0,2 , ⎟ = N ⎜ 0,2 ,
⎝ n ⎠ ⎝ n ⎠ ⎝ n ⎟⎠

⎛ 0,16 − 0,2 pˆ − 0,2 0,24 − 0,2 ⎞


P(0,16 ≤ pˆ ≤ 0,24) = P ⎜ ≤ ≤ =
⎝ 0, 4 / n 0, 4 / n 0, 4 / n ⎟⎠

= P ⎡⎣ −0,1 n ≤ z ≤ 0,1 n ⎤⎦ = P ⎡⎣ z ≥ −0,1 n ⎤⎦ − P ⎡⎣ z ≥ 0,1 n ⎤⎦ =

(
= 1 − 2P z > 0,1 )
n = 0,8 (
P z ≥ 0,1 )
n = 0,1

0,1 n = 1,282 n = 165

Para una probabilidad como mínimo de 0,8 harían falta 165 pruebas.

  Para analizar el peso promedio de niños y niñas, siguiendo ambos pesos una
distribución normal,  se utiliza una muestra aleatoria de 20 niños y 25 niñas. El
promedio de los pesos de los niños es 45 kg. con una desviación típica de  6,4 kg.,
mientras que el promedio del peso de las niñas es 38 kg. y una desviación típica de
5,6 kg. ¿Cuál es la probabilidad de que en la muestra el peso promedio de los niños
sea al menos 10 kg. mayor que el de las niñas?.
Solución:
Sean las variables aleatorias X = "Peso de los niños" e  Y= "Peso de las niñas",
X ≈ N ( μ x , σ x )  e  Y ≈ N ( μ y , σ y ) , independientes entre sí.

En las muestras respectivas:

⎛ σ ⎞ ⎛ 6, 4 ⎞ ⎛ σy ⎞ ⎛ 5,6 ⎞
x ≈ N ⎜ μ x , x ⎟ ≡ N⎜ 45, ⎟   e   y ≈ N μ
⎜ y , ⎟ ≡ N ⎜ 38, ⎟.
⎝ n ⎠ ⎝ 20 ⎠ ⎝ m ⎠ ⎝ 25 ⎠

⎛ 2 ⎞

⎛ σx ⎞ ⎛ σy ⎞ ⎟ σ 2x σ y ⎞
2 2

ξ = x − y ≈ N μx − μy ,
⎜ ⎜ n ⎟ + ⎜ m ⎟ ⎟ ≡ N ⎝⎜ μ x − μ y , n m⎠
+ ⎟
⎝ ⎝ ⎠ ⎝ ⎠ ⎠

Distribuciones de Probabilidad  66
⎛ 6, 42 5,62 ⎞
La variable  ξ = x − y ≈ N ⎜ 45 − 38, + ⎟ = N(7, 1,82)
⎝ 20 25 ⎠

⎛ ξ − 7 10 − 7 ⎞
P(ξ ≥ 10) = P ⎜ ≥ ⎟ = P(z ≥ 1,648) = 0,05
⎝ 1,82 1,82 ⎠

  Un fabricante vende un artículo a un precio fijo de  100 euros. Si el peso x del
artículo es inferior a 8 gramops no lo puede vender y representa una pérdida total.
La distribución de los pesos es una normal N(μ , 1)  y el coste de producción de cada
artículo es C = 30 − 5 μ . Determinar el peso medio  μ  que haga máximo el beneficio
esperado.
Solución:
La probabilidad de que el peso de un artículo sea inferior a 8 gramos, efectuando la
tipificación con N(μ , 1)  es:
(x − μ )2 z2
− −
1 2 σ2 N(0,1) 1
f(x) = e ⎯⎯⎯→ f(z) = e 2
σ 2π 2π
8−μ z2


1 −
P(μ) = P(x < 8) = P(x − μ < 8 − μ) = P(z < 8 − μ) = e 2
dz
2π −∞

Beneficio esperado (B) para cada artículo:   B = 0 x P(μ) + 100 x [1 − P(μ)] − (30 − 5 μ)

Para hacer el beneficio máximo se iguala a cero la derivada primera:
(8 − μ ) ⎛ 5 2π ⎞
2
dB 1 − (8 − μ)2
= −100 e 2 +5=0 − = ln ⎜ ⎟⎟ (8 − μ)2 = 4,154
dμ 2π 2 ⎜ 100
⎝ ⎠

8 − μ = ± 4,154 → μ = 5,96 μ = 10,04

Para comprobar la raíz correspondiente al máximo se hace la derivada segunda, y el
peso medio que hace máximo el beneficio esperado es  μ = 10,04

Distribuciones de Probabilidad  67
  Sean las variables aleatorias independientes:   X1 ∼ N(8,2) , X 2 ∼ N(15,5)
2 2 2
⎛ X − 8 ⎞ ⎛ X 2 − 15 ⎞ ⎛ X 3 − 12 ⎞
y X 3 ∼ N(12,3)  donde   Y = X1 − X 2 + 2X 3   y   U = ⎜ 1 ⎟ +⎜ ⎟ +⎜ ⎟
⎝ 2 ⎠ ⎝ 5 ⎠ ⎝ 3 ⎠
Calcular 'a' y las probabilidades:

a) P [ 25, 4 ≤ Y ≤ 29,25]         b)  P ⎡⎣ a ≤ Y ≤ 19 ⎤⎦ = 0, 4695


c) P [ X 2 − X1 − X 3 < 6 ]           d)  P [U ≤ 9,83]

Solución:
⎛ 3 3 ⎞
a) Y = X1 − X 2 + 2X 3 siendo Y ∼ N⎜
⎜ ∑ λ i μi , ∑ λ 2i σ 2i ⎟

⎝ i=1 i=1 ⎠

Y ∼ N ⎡⎣ 8 − 15 + 2 x 12 , 22 + 52 + 22 x 32 ⎤⎦ Y ∼ N ⎣⎡17 , 65 ⎦⎤

⎡ 25, 4 − 17 Y − 17 29,25 − 17 ⎤
P [ 25, 4 ≤ Y ≤ 29,25] = P ⎢ ≤ ≤ ⎥ = P(1,04 ≤ z ≤ 1,52) =
⎣ 65 65 65 ⎦
                                     = P(z ≥ 1,04) − P(z ≥ 1,52) = 0,1492 − 0,0643 = 0,0849

b) P [ a ≤ 11 ≤ 19] = 0, 4695

⎡ a − 17 Y − 17 19 − 17 ⎤ ⎡ a − 17 ⎤
P [ a ≤ Y ≤ 19] = P ⎢ ≤ ≤ ⎥ = P⎢ ≤ z ≤ 0,25 ⎥ =
⎣ 65 65 65 ⎦ ⎣ 65 ⎦
⎡ a − 17 ⎤ ⎡ a − 17 ⎤
= P ⎢z ≥ ⎥ − P [ z ≥ 0,25 ] = 0, 4695 P ⎢ z ≥ 65 ⎥ = 0, 4695 + 0, 4013 = 0,8708
⎣ 65 ⎦ ⎣ ⎦

⎡ a − 17 ⎤ ⎡ a − 17 ⎤ ⎡ a − 17 ⎤
P ⎢z ≥ ⎥ = 0,8708 P ⎢ z ≤ ⎥ = P ⎢ z ≥ − ⎥ = 0,1292
⎣ 65 ⎦ ⎣ 65 ⎦ ⎣ 65 ⎦
a − 17
                         − = 1,13 a = 17 − 1,13 x 65 = 7,89 a = 7,89
65

⎛ 3 3 ⎞
c) P [ X 2 − X1 − X 3 < 6 ] Sea  W = X 2 − X1 − X 3   donde  W ∼ N ⎜
⎜ ∑ λ i μi , ∑ λ 2i σ 2i ⎟

⎝ i=1 i= 1 ⎠

W ∼ N ⎣⎡15 − 8 − 12 , 52 + 22 + 32 ⎦⎤ W ∼ N ⎣⎡ −5 , 38 ⎦⎤

⎡W + 5 6 + 5⎤
P [ X 2 − X1 − X 3 < 6 ] = P [ W < 6 ] = P ⎢ < = P(z < 1,78) = 1 − P(z ≥ 1,78) =
⎣ 38 38 ⎥⎦
                                        = 1 − 0,0375 = 0,9625

Distribuciones de Probabilidad  68
X1 − 8 X2 − 15 X 3 − 12
d) ∼ N(0,1) ∼ N(0,1) ∼ N(0,1)
2 5 3
2 2 2
⎛ X − 8 ⎞ ⎛ X 2 − 15 ⎞ ⎛ X 3 − 12 ⎞
U = [N(0, 1)] + [N(0, 1)] + [N(0, 1)] = χ 23
2 2 2
U= ⎜ 1 ⎟ +⎜ ⎟ +⎜ ⎟
⎝ 2 ⎠ ⎝ 5 ⎠ ⎝ 3 ⎠

P [U ≤ 9,83] = P ⎡⎣ χ 23 ≤ 9,83 ⎤⎦ = 1 − P ⎡⎣ χ 23 ≥ 9,83 ⎤⎦ = 1 − 0,02 = 0,98

  Se llama distribución uniforme en un intervalo aquélla caracterizada por tener
igual probabilidad todos los posibles valores de la variable en el intervalo de
definición.
Sea el intervalo  ⎡⎣a, b⎤⎦ , se pide:
a) ¿Cuál es la función de densidad y la función de distribución de esta variable?
b) ¿Cuál es la probabilidad de que al tomar un valor de la variable al azar, dicho
valor esté comprendido entre m y n, siendo a ≤ m ≤ n ≤ b?
Solución:

a) Si en todos los puntos del intervalo  ⎡⎣a, b⎤⎦  la función de probabilidad ha de ser


idéntica, la función de densidad ha de ser constante, esto es:

∫ ∫
b b
1
f(x) dx = k dx =1 k(b − a) = 1 k=
a a b−a

⎧ 0 x < a     
⎪ 1

Así, pues, la función de densidad será:   f(x) = ⎨ a≤ x≤b
⎪ b − a
⎪⎩ 0 x > b     

La función de distribución
⎧ 0 x < a      ⎧ 0 x < a     
⎪ x ⎪
⎪ ⎪x−a
∫ ∫
x
dx
F(x) = f(x)dx = ⎨ a≤ x≤b = ⎨ a≤ x≤b
−∞ ⎪ a b − a ⎪ b − a
⎪⎩ 0 x > b      ⎪⎩ 0 x > b     
n−m

n
1
b) P(m ≤ X ≤ n) = dx =
mb−a b−a
La probabilidad resulta proporcional a la longitud del subintervalo.

Distribuciones de Probabilidad  69
  El consumo familiar de cierto artículo se distribuye uniformemente con
esperanza 10 y varianza unidad. Determinar la probabilidad de que el consumo de
dicho artículo se encuentre comprendido entre 8 y 12 unidades.
Solución:
Sea X = "Número de unidades consumidas del artículo", donde  X ∼ U(10, 1)  en el
intervalo  ⎡⎣a, b⎤⎦
a+ b (b − a)2
Se tiene:   μ = E(X) = = 10 σ =
2
=1
2 12

⎧ a + b = 20 ⎪⎧b = 10 + 3 = 11,73
[b − (20 − b)]
2
⎨ = 12 (2b − 20) = 12 ⇒ ⎨
⎩(b − a) = 12
2
⎪⎩ a = 10 − 3 = 8,27

La distribución es uniforme entre 8,27 y 11,73, en consecuencia la probabilidad de
que el consumo del artículo se encuentre comprendido entre 8 y 12 es la unidad.

  La renta media mensual de los habitantes de un país se distribuye
uniformemente entre 1.700 y  3.500 euros. Calcular la probabilidad de que al
seleccionar al azar a 100 personas la suma de sus rentas mensuales supere los
260.000 euros.
Solución:

Media y varianza de una distribución uniforme en el intervalo  [1.700, 3.500 ] :

1.700 + 3.500 (3.500 − 1.700)2


μ= = 2.600 euros σ 2 = = 270.000 euros2
2 12
Sea v.a.  X i = "Renta mensual de un habitante", donde  X i ∼ U(2600,270000)
100
La suma de las 100 variables  Y = ∑ X i  se distribuye como una normal, siendo:
i=1

μ = 100 x 2.600 = 260.000 euros σ 2Y = 100 x 270.000 = 27.000.000 euros2


Y
100
σY = 27.000.000 = 5196,15 euros          Y = ∑ X i ∼ N(260.000 , 5196,15)
i=1

⎛ Y − 260.000 270.000 − 260.000 ⎞


P(Y > 3000) = P ⎜ > ⎟ = P(z > 1,92) = 0,0274
⎝ 5.196,15 5.196,15 ⎠
Es decir, la probabilidad de que la suma de las rentas de 100 personas
seleccionadas al azar supere los 260.000 euros es tan sólo del 2,74%.

Distribuciones de Probabilidad  70
  Un corredor de bolsa adquiere 50 acciones diferentes,  concertando con sus
clientes una ganancia de 1200 euros por acción. Por experiencias anteriores,  se
sabe que los beneficios de cada acción son independientes y se distribuyen
uniformemente en el intervalo  ⎡⎣1000, 2000 ⎤⎦ .
¿Qué probabilidad tiene el corredor de no perder dinero?.
Solución:
Denotando por
 X = "Ganancia por acción"  y  G ="Ganancia total del corredor de bolsa"
G = 50.(X − 1200) = 50.X − 60000

1 1 x − 1000
X ∼ U(1000, 2000) f(x) = = F(x) =
2000 − 1000 1000 2000 − 1000
1000 ≤ x ≤ 2000

P [ G ≥ 0 ] = P ⎡⎣50.X − 60000 ≥ 0 ⎤⎦ = P ⎡⎣50.X ≥ 60000 ⎤⎦ = P [ X ≥ 1200 ] =

∫ ∫
2000 2000
1 1 800
[ x ]1200 =
2000
                = f(x)dx = dx = = 0,8
1200 1200 1000 1000 1000

o también,
1200 − 1000 200
P [ X ≥ 1200 ] = 1 − P [ X ≤ 1200 ] = 1 − F(1200) = 1 − = 1− = 0,8
2000 − 1000 1000

  La demanda de un producto oscila diariamente  entre 20 y 40 unidades.
Suponiendo la independencia de la demanda de cada día, determinar la
probabilidad de que el número de unidades demandadas supere 6370 unidades
en 182 días.
Solución:
Sea v.a.  X i = "Demanda del producto cada día", donde  X i ∼ U(20, 40) , con media
20 + 40 (40 − 20)2 400 100
μi = = 30  y varianza   σ i =
2
= =
2 12 12 3
Considerando la independencia de la demanda cada día, por el Teorema Central del
182

Límite  X = ∑ X  se ajusta a una distribución normal de media
i= 1
i

182


100
μ = 182. μi = 182.30 = 5460  y desviación típica  σ = σ 2i = 182. = 77,89 ,
i=1
3

Distribuciones de Probabilidad  71
182

X= ∑ X ∼ N⎡⎣5460, 77,89⎤⎦
i=1
i

⎡ X − 5460 6370 − 5460 ⎤


P [ X > 6370 ] = P ⎢ > = P [ z > 11,68 ] = 0
⎣ 77,89 77,89 ⎥⎦

 La demanda diaria de un determinado artículo (x) es una variable aleatoria con
la función de densidad adjunta. Los beneficios diarios dependen de la demanda
según la función  B0

⎧ 1
⎪ 8 0<x≤4 ⎧ −5   si     x < 2
⎪ ⎪
⎪ 12 − x ⎪  5   si    2  < x ≤ 4 
              f(x) = ⎨ 4 < x ≤ 12 B =⎨
0

⎪ 64 ⎪ 10    si    4   < x ≤ 8
⎪ 0 otro caso ⎪⎩ 15    si    8 < x ≤ 12
⎪⎩
Calcular:
a) Probabilidad de que en un día cualquiera la demanda sea superior a 10
b) Probabilidad de que la demanda sea inferior a 3
c) La esperanza y la varianza de la demanda
d) Función de distribución de la demanda
e) Función de cuantía y función de distribución de la variable aleatoria beneficios
diarios.
f) Esperanza y varianza de la variable beneficios
Solución:
12
1 ⎡ x2 ⎤
∫ ∫
12 12
12 − x 1
a) P ( X > 10 ) = f(x) dx = dx = 12 x − = = 0,03125
10 10 64 64 ⎢⎣ 2 ⎥⎦ 10 32

∫ ∫
3 3
1 1 3
b) P ( X < 3 ) = dx = [ x] 0 = = 0,375
3
f(x) dx =
0 0 8 8 8

∫ ∫ x .f(x) dx + ∫ x .f(x) dx =
4 12

c) μ x = E(X) = x .f(x) dx =
−∞ 0 4

∫ ∫ 8∫ 64 ∫
4 12 4 12
1 12 − x 1 1
= x. dx + x. dx = x dx + (12 x − x ) dx = 2

08 64 4 0 4
            12
1 2 4 1 ⎡ 2 x3 ⎤ 1 ⎛ 1728 64 ⎞ 13
= ⎡ x ⎤⎦ +
⎣ ⎢ 6 x − ⎥ = 1 + ⎜ 864 − − 96 + ⎟= = 4,33
16 0 64 ⎣ 3 ⎦4 64 ⎝ 3 3 ⎠ 3

Distribuciones de Probabilidad  72

∫ ∫ ∫ ∫ ∫
4 12 4 12
1 12 − x
E(X ) =
2
x . f(x) dx =
2
x . f(x) dx +
2
x . f(x) dx =
2
x . dx +
2
x2 . dx =
−∞ 0 4 0 8 4 64
12

8∫ 64 ∫
1 ⎡ x ⎤
4 12 4
1 1 1 4
           = x dx + (12 x − x ) dx =
2
⎡⎣ x ⎤⎦ + 2 3
4 x − = 3 3

0 4 24 64 ⎢⎣ 4 ⎥⎦ 0
4

64 1 5120 80
+ ( 6912 − 5184 − 256 + 64 ) =
             = = = 26,67
24 64 192 3
2
80 ⎛ 13 ⎞ 71
σ x = V(X) = E(X ) − (μ x ) =
2 2 2
−⎜ ⎟ = = 7,89
3 ⎝ 3 ⎠ 9


x

d) La función de distribución de la demanda:   F(x) = f(t) dt


−∞


∫ f(x) dx = ∫ 0 dx = 0                                                                 
x x

⎪ sí x < 0       
⎪ −∞ −∞

∫ ∫ ∫8 8
x 0 x
1 x
⎪ sí 0 ≤ x < 4  f(x) dx = 0 dx + dx =                                               
⎪ −∞ −∞
F(x) = ⎨
0

∫ ∫ 8 ∫ 64 2 64 ⎝ 2
1 1 ⎛ x ⎞
x 4 x
⎪ sí 4 ≤ x < 12 1 12 − x 2
f(x) dx = dx + dx = + ⎜ − + 12 x − 40 ⎟  
⎪ −∞ ⎠
⎪ 0 4


∫ ∫ ∫ 8 ∫ 64 dx + ∫ 0 dx = 1
x 0 4 12 x
1 12 − x
⎪ sí x ≥ 12       f(x) dx = 0 dx + dx +
⎩ −∞ −∞ 0 4 12

⎧ 0                                      si x < 0        


⎪ x
⎪                                       si 0 ≤ x < 4  
En definitiva,     F(x) = ⎪⎨ 8
⎪ 1 + 1 ⎛⎜ − x + 12 x − 40 ⎞⎟ si 4 ≤ x < 12
2

⎪ 2 64 ⎝ 2 ⎠

⎩ 1                                       si x ≥ 12      

e) Función de cuantía y la función de distribución de la variable aleatoria beneficios
diarios:

⎧ 1
⎪ 8 0<x≤4 ⎧ −5   si     x < 2
⎪ ⎪
⎪ 12 − x ⎪  5   si    2  < x ≤ 4 
                      f(x) = ⎨ 4 < x ≤ 12 B =⎨
0

⎪ 64 ⎪ 10    si    4   < x ≤ 8
⎪ 0 otro caso ⎪⎩ 15    si    8 < x ≤ 12
⎪⎩

Distribuciones de Probabilidad  73
Bi0 P(B0 = Bi0 )

∫ ∫
2 2
1 1
−5 f(x) dx = dx = = 0,25
0 0 8 4

∫ ∫8 4
4 4
1 1
5 f(x) dx = dx = = 0,25
2 2
8
1 ⎛ x ⎞
∫ ∫ 64 64 ⎝ 2 ⎠
8 8
12 − x 2
10 f(x) dx = dx = ⎜ 12 x − ⎟ = 0,375
4 4 4
12

∫ ∫ 64 64 ⎝ 2 ⎠
1 ⎛ x ⎞
12 12
12 − x 2

15 f(x) dx = dx = ⎜ 12 x − ⎟ = 0,125
8 8 8

La función de distribución  F(B0 ) = P(B0 ≤ Bi0 ) =


∑ P(B = B )
Bi0 ≤ B0
0 0
i

Bi0 P(B0 = Bi0 ) F(B0 ) = P(B0 ≤ Bi0 ) Bi0 . P(B0 = Bi0 ) (Bi0 )2 . P(B0 = Bi0 )
−5 0,25 0,25 − 1,25 6,25
5 0,25 0,50 1,25 6,25
10 0,375 0,875 3,75 37,5
15 0,125 1 1,875 28,125
5,625 78,125

∑B . P(B = B ) = 5,625
4

f) μ B0 = E(B ) = 0 0
i
0 0
i
i=1

∑ (B ) . P(B = B ) = 78,125
4

E ⎡⎣ (B ) ⎤⎦ =
0 2 0 2
i
0 0
i
i=1

σB20 = V(B0 ) = E(B0 ) − (μ B0 ) 2 = 78,125 − ( 5,625 ) = 46,48


2 2

Desviación típica de los beneficios   σB0 = 46,48 = 6,817

Distribuciones de Probabilidad  74
  Una empresa produce un artículo que sigue una distribución uniforme entre
25000 y 30000 unidades. Sabiendo que vende cada unidad a 10 euros y la función
de costes viene dada por  C = 100.000 + 2X , ¿cuál será el beneficio esperado?

Solución:    X ∼ U(25.000, 30.000)

⎧ 1 1
⎪ = 25.000 ≤ x ≤ 30.000
Función de densidad  f(x) = ⎨ 30.000 − 25.000 5.000
⎪⎩ 0 otros valores   

Los beneficios B = Ventas − Costes

E(B) = E(V − C) = E⎡⎣10 x X − (100.000 + 2 x X)⎤⎦ = E(8 x X − 100.000) = 8 x E(X) − 100.000 =


= 8 x 27.500 − 100.000 = 120.000  euros

25.000 + 30.000
siendo,  μ = E(X) = = 27.500
2

  Una variable aleatoria X se distribuye uniformemente en el intervalo  (2, 4) .
Se pide:
a) P(X < 2,5) b)  P(X > 3,2)
c) P(2,2 < X < 3,5) d)  Esperanza y varianza
Solución:
Función densidad: Función distribución:
⎧ 0 x<2
⎧ 1 1 ⎪x−2
⎪ = 2≤ x≤ 4 ⎪
f(x) = ⎨ 4 − 2 2 F(x) = P(X ≤ x) = ⎨ 2≤ x≤ 4
⎪⎩ ⎪ 4 − 2
0 otros valores
⎪⎩ 1 x>4

2,5 − 2
a) P(X < 2,5) = F(2,5) = = 0,25
2

∫ ∫
2,5 2,5
1 1 2,5 − 2
dx = [ x ]2 =
2,5
o también,  P(X < 2,5) = f(x)dx = = 0,25
2 2 2 2 2

3,2 − 2 4 − 3,2
b) P(X > 3,2) = 1 − P(X ≤ 3,2) = 1 − F(3,2) = 1 − = = 0, 4
2 2

∫ ∫
4 4
1 1 4 − 3,2
dx = [ x ]3,2 =
4
o también,  P(X > 3,2) = f(x)dx = = 0, 4
3,2 3,2 2 2 2

3,5 − 2 2,2 − 2 3,5 − 2,2


c) P(2,2 < X < 3,5) = F(3,5) − F(2,2) = − = = 0,65
2 2 2

Distribuciones de Probabilidad  75
∫ ∫
3,5 3,5
1 1 3,5 − 2,2
dx = [ x ]2,2 =
3,5
o también,  P(2,2 < X < 3,5) = f(x)dx = = 0,65
2,2 2,2 2 2 2

2+ 4 (4 − 2)2 4 1
d) E(X) = =3 σ = 2
= =
2 12 12 3

  El tiempo de revisión del motor de un avión sigue aproximadamente una
distribución exponencial, con media 22 minutos.
a) Hallar la probabilidad de que el tiempo de la revisión sea menor de 10 minutos
b) El costo de la revisión es de 200 euros por cada media hora o fracción.
¿Cuál es la probabilidad de que una revisión cueste 400 euros?
c) Para efectuar una programación sobre las revisiones del motor, ¿cuánto tiempo
se debe asignar a cada revisión para que la probabilidad de que cualquier tiempo
de revisión mayor que el tiempo asignado sea solo de 0,1?
Solución:
a) Sea X = "Tiempo de revisión del motor de un avión en minutos"
1 1
  μ x = E(X) = = 22 minutos λ=        X ∼ Exp ⎡⎣1 22⎤⎦
λ 22
Función de densidad: Función distribución:
⎧ 1 − x 22 ⎧1 − e− x 22
⎪ e x≥0 x≥0
f(x) = ⎨ 22 F(x) = P(X ≤ x) = ⎨
⎪⎩ 0 ⎩ 0 x<0
x<0

P [ X < 10 ] = F(10) = 1 − e− 10 22 = 1 − e− 5 11 = 0,365

o bien,

∫ ∫
10 10
⎡ 1 − x 22 ⎤
P [ X < 10 ] = f(x)dx = ⎢⎣ 22 e ⎥⎦ dx = − ⎡
⎣ e − x 22 10
⎤⎦ = − e− 10 22 + 1 = 1 − e− 5 11 = 0,365
0
0 0

b)  Como el costo de la revisión del motor es de 200 euros por cada media hora o
fracción, para que la revisión cueste 400 euros la duración de la revisión debe de
ser inferior o igual a 60 minutos. Es decir, se tendrá que calcular  P [ 30 < X ≤ 60 ]

P [ 30 < X ≤ 60 ] = F(60) − F(30) = ⎡⎣1 − e− 60 22 ⎤⎦ − ⎡⎣1 − e− 30 22 ⎤⎦ =


                                                  = e− 30 22 − e− 60 22 = e− 15 11 − e− 30 11 = 0,19
o bien,

∫ ∫
60 60
⎡ 1 − x 22 ⎤
P ⎡⎣[ 30 < X ≤ 60 ]⎤⎦ = f(x)dx = ⎢⎣ 22 e ⎥⎦ dx = − ⎡
⎣ e − x 22 60
⎤⎦ = − e− 60 22 + e− 30 22 =
30
30 30

                              = e− 15 11 − e− 30 11 = 0,19

Distribuciones de Probabilidad  76
c)  Sea t = "Tiempo que se debe asignar a la revisión", verificando  P [ X > t ] = 0,1
∞ ∞

∫ ∫
⎡ 1 − x 22 ⎤ − x 22 ∞
P [ X > t] = f(x)dx = ⎢⎣ 22 e ⎥⎦ dx = − ⎡
⎣ e ⎤⎦ = 0 + e− t 22 = 0,1
t
t t

e− t 22 = 0,1 − t 22 = Ln(0,1) − t 22 = −2,30 ⇒ t = 50,6 ≈ 51  minutos

  La duración de vida de una pieza de un motor sigue una distribución
exponencial, sabiendo que la probabilidad de que sobrepase las 100 horas de uso
es de 0,9. Se pide:
a) Probabilidad de que sobrepase las 200 horas de uso
b) ¿Cuántas horas se mantiene funcionando con probabilidad 0,95?
Solución:
a) Sea v.a. X = "Tiempo de vida de la pieza del motor" donde  X ∼ Exp(λ )

Función de densidad y la función de distribución:

f(x) = λ .e− λ x F(x) = 1 − e− λ x ∀ x > 0

Siendo  P [ X > 100 ] = 1 − P [ X ≤ 100 ] = 1 − F(100) = 1 − ⎡⎣1 − e− 100 λ ⎤⎦ = e− 100 λ = 0,9

  e− 100 λ = 0,9 − 100 λ = Ln0,9 ⇒ − 100 λ = − 0,105 ⇒ λ = 0,00105

Por tanto,   X ∼ Exp(0,00105) f(x) = 0,00105.e− 0,00105. x F(x) = 1 − e− 0,00105. x ∀ x > 0

P [ X > 200 ] = 1 − P [ X ≤ 200 ] = 1 − F(200) = 1 − ⎡⎣1 − e− 0,00105.200 ⎤⎦ = 0,81


∞ ∞

∫ ∫

o bien,  P [ X > 200 ] = f(x)dx = 0,00105.e− 0 ,00105. x dx = − ⎡⎣ e− 0,00105. x ⎤⎦ = 0,81
200
200 200

b) P [ X > t ] = 0,95 P [ X > t ] = 1 − P [ X ≤ t ] = 1 − F(t) = e− 0,00105.t = 0,95

e− 0,00105.t = 0,95 − 0,00105 t = Ln0,95 ⇒ − 0,00105 t = − 0,05129 ⇒ t = 48,85

Distribuciones de Probabilidad  77
  El tiempo de vida media de un marcapasos sigue una distribución exponencial
con media 16 años. Se pide:
a) Probabilidad de que a una persona a la que se ha implantado un marcapasos se
le deba de implantar otro antes de 20 años
b) Si el marcapasos lleva funcionando correctamente 5 años en un paciente, ¿cuál
es la probabilidad de que haya de cambiarlo antes de 25 años?
Solución:

⎡ 1 1⎤
a) La variable aleatoria X = "Duración del marcapasos"   X ∼ Exp ⎢ λ = =
⎣ μ 16 ⎥⎦
⎧ 1 − x 16
⎪ e x≥0
con función de densidad:   f(x) = ⎨ 16
⎪⎩ 0 x<0

⎧1 − e − x 16 x≥0
Función de distribución:  F(x) = P(X ≤ x) = ⎨
⎩ 0 x<0

P(X ≤ 20) = F(20) = 1 − e− 20 16 = 0,7135

∫ ∫
20 20
1 − x 16 20
o bien,  P(X ≤ 20) = f(x)dx = e dx = − ⎡⎣ e− x 16 ⎤⎦ = − e− 20 16 + 1 = 0,7135
0 0 16 0

P [ 5 ≤ X ≤ 25] F(25) − F(5) (1 − e− 25/16 ) − (1 − e− 5/16 )


b) P ⎡⎣X ≤ 25 X ≥ 5⎤⎦ = = = =
P(X ≥ 5) 1 − F(5) 1 − (1 − e− 5/16 )
e− 5/16 − e− 25/16 0,522
                                   = = = 0,7135
e− 5/16 0,7316
También, mediante la función de densidad:

∫ ∫
25 25
1 − x 16 25
P(5 ≤ X ≤ 25) = f(x)dx = e dx = − ⎡⎣ e− x 16 ⎤⎦ = − e− 25 16 + e− 5 16 = 0,522
5 5 16 5

∞ ∞

∫ ∫
1 − x 16 ∞
P(X ≥ 5) = f(x)dx = e dx = − ⎡⎣ e− x 16 ⎤⎦ = − 0 + e− 5 16 = 0,7135
5 5 16 5

Adviértase que  P ⎡⎣X ≤ 25 X ≥ 5⎤⎦ = P [ X ≤ 20 ] = 0,7135 , circunstancia que era de


esperar en un modelo exponencial.
Es decir, la duración que se espera tenga el marcapasos, no influye en nada el
tiempo que lleva funcionando. Esta particularidad lleva a decir que 'la distribución
exponencial no tiene memoria'.

Distribuciones de Probabilidad  78
  Sea X la variable aleatoria que describe el número de clientes que llega a un
supermercado durante un día (24 horas). Sabiendo que la probabilidad de que
llegue un cliente en un día es equivalente a 100 veces la que no llegue ningún
cliente en un día, se pide:
a) Probabilidad de que lleguen al menos 3 clientes al día
b) Si acaba de llegar un cliente, calcular la probabilidad que pase más de 25
minutos hasta que llegue el siguiente cliente (o hasta que llegue el primer cliente)
c) En dos semanas, ¿cuál es la probabilidad aproximada de que lleguen como
mucho 1300 clientes al supermercado?
Solución:
λk −λ
a) Se trata de una distribución de Poisson:   P(X = k) = e
k!
λ −λ λ0 −λ
P(X = 1) = 100 . P(X = 0) e = 100 . e λ . e− λ = 100 . e− λ λ = 100
1! 0!
⎡ 3 − 100 ⎤
P(X ≥ 3) = P ⎢ z ≥ = P(z ≥ −9,7) = P(z ≤ 9,7) ≈ 1
⎣ 10 ⎥⎦

b) Es una función exponencial, es decir, el tiempo de espera hasta que ocurre un
suceso (que llegue el siguiente cliente), donde  λ ≡  'Número de sucesos de Poisson
por unidad de tiempo', siendo  X ∼ Exp(λ )

Para calcular el parámetro  λ  se establece una proporción:

100 λ 10 0 . 25 250
= λ= = = 1,736
24 . 60 25 24 . 6 0 144

P(X ≤ x) = F(x) = 1 − e− λ x P(X ≤ 1) = F(1) = 1 − e−1,736 . 1 = 0,8238

⎡ 1300 − 1400 ⎤
c) P(X ≤ 1300) = P ⎢ z ≤ ⎥ = P(z ≤ −2,67) = P(z ≥ 2,67) = 0,00379
⎢⎣ 1400 ⎥⎦

Distribuciones de Probabilidad  79
  El número promedio de recepción de solicitudes en una ventanilla de atención
al cliente es de tres al día.
a) ¿Cuál es la probabilidad de que el tiempo antes de recibir una solicitud exceda
cinco días?
b) ¿Cuál es la probabilidad de que el tiempo antes de recibir una solicitud sea
menor de diez días?
c) ¿Cuál es la probabilidad de que el tiempo antes de recibir una solicitud sea
menor de diez días, si ya han pasado cinco días sin recibir solicitudes?
Solución:
a) X = "Días antes de recibir una solicitud", es una distribución exponencial con
parámetro  λ = 3

f(x) = 3e− 3x F(x) = P(X ≤ x) = 1 − e− 3x


P(X > 5) = 1 − P(X ≤ 5) = 1 − F(5) = 1 − (1 − e− 3.5 ) = e− 15

b) P(X < 10) = F(10) = 1 − e− 3 x 10 = 1 − e− 30

(
c) P X < 10
X>5
=)P(5 < X < 10) F(10) − F(5) 1 − e− 30 − (1 − e− 15 ) e− 15 − e− 30
P(X > 5)
=
1 − F(5)
=
e − 15
=
e − 15
= 1 − e− 15

Adviértase que P(X < 10 / X > 5) = P(X ≤ 5)  lo que significa que la variable aleatoria


exponencial no tiene memoria.

  Para aprobar la asignatura de estadística teórica se realiza un test con veinte
ítems. Sabiendo que una persona determinada tiene una probabilidad de 0,8 de
contestar bien cada ítem. Se pide:
a) Probabilidad de que la primera pregunta que contesta bien sea la tercera que
hace.
b) Para aprobar el test es necesario contestar diez ítems bien. ¿Cuál es la
probabilidad de que apruebe al contestar el doceavo ítem?.
Solución:
a) La variable X = "Número de ítems que tiene que hacer hasta que responda
uno bien" sigue una distribución de Pascal o geométrica.
  X ∼ G(0,8) p = 0,8 q = 0,2
P(X = 3) = q2 . p = 0,22 . 0,8 = 0,032

b) La variable X = "Número de ítems que tiene que realizar hasta contestar 10 bien"
sigue una distribución binomial negativa.
X ∼ Bn ( 12 , 0,8 ) k = 10 p = 0,8 q = 0,2

Distribuciones de Probabilidad  80
⎛ 12 − 1 ⎞ ⎛ 11 ⎞ 11!
P(X = 12) = ⎜ ⎟ 0,810 . 0,22 = ⎜ ⎟ 0,810 . 0,22 = 0,810 . 0,22 =
⎝ 10 − 1 ⎠ ⎝9⎠ 2! 9!
11 . 10
                 = 0,810 . 0,22 = 0,24
2

  En una caja hay 5 triángulos, 3 círculos y 2 rectángulos. Realizando extracciones
con reemplazamiento, se piden las siguientes probabilidades:
a) Al realizar 8 extracciones, se obtengan en 4 ocasiones un círculo.
b) Se necesiten 8 extracciones para obtener 4 círculos.
c) Que aparezca el primer círculo en la 8 extracción.
d) Al realizar 8 extracciones aparezcan 3 triángulos, 3 círculos y 2 rectángulos.
e) Al realizar 6 extracciones sin reemplazamiento aparezcan en 2 ocasiones un
círculo.
Solución:
a) Hay dos situaciones (círculo, no‐círculo), se trata de una distribución binomial,
B(8 , 0,3) n = 8 p = 3 10 = 0,3
⎛8⎞ 8! 8.7. 6 .5
P(X = 4) = ⎜ ⎟ 0,3 4 0,7 4 = 0,214 = 0,214 = 70.0,214 = 0,136
⎝ 4⎠ 4! 4! 4. 3. 2 .1

b) La variable aleatoria X = "Número de extracciones hasta que aparece la cuarta
extracción de círculo" sigue una distribución binomial negativa.
X ∼ Bn(8 , 0,3) n = 8 k = 4 p = 0,3 q = 0,7
⎛ 8 − 1⎞ ⎛ 7⎞ 7! 7.6.5
P(X = 8) = ⎜ ⎟ 0,3 4
. 0,7 4
= ⎜ ⎟ 0,214 = 0,214 = 0,214 = 0,0681
⎝ 4 − 1⎠ ⎝ 3⎠ 4! 3! 3.2

c) La variable aleatoria X = "Aparece el primer círculo en la octava extracción"
sigue una distribución geométrica o de Pascal  X ∼ G(0,3)
P(X = 8) = q8 −1 . p = 0,77. 0,3 = 0,0247

d) La variable aleatoria X = "Número de veces que se extrae triángulo, círculo o
rectángulo en ocho extracciones".   Se trata de una distribución polinomial, es
decir, en cada prueba se consideran k sucesos independientes.
3 3 2
8! ⎛ 5 ⎞ ⎛ 3 ⎞ ⎛ 2 ⎞
P(T = 3 ; C = 3 ; R = 2) = ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ = 560 . 0,5 . 0,3 . 0,2 = 0,0756
3 3 2

3! 3! 2! ⎝ 10 ⎠ ⎝ 10 ⎠ ⎝ 10 ⎠

e) Hay dos situaciones excluyentes (círculo, no‐círculo).
X = "Número de veces que se extrae círculo en una muestra de tamaño ocho" sigue
una distribución hipergeométrica.
N = 10 n = 6 k = 2 p = 0,3 q = 0,7 Np = 3 Nq = 7

Distribuciones de Probabilidad  81
⎛ N.p ⎞ ⎛ N.q ⎞ ⎛ 3⎞ ⎛ 7⎞
⎜ k ⎟ ⎜n−k⎟ ⎜ 2⎟ ⎜ 4⎟
      P(X = k) = ⎝ ⎠⎝ ⎠ P(X = 2) = ⎝ ⎠ ⎝ ⎠ =
3 . 35
= 0,5
⎛ N⎞ ⎛ 10 ⎞ 210
⎜n⎟ ⎜6⎟
⎝ ⎠ ⎝ ⎠

  Por prescripción médica, un enfermo debe hacer una toma de tres píldoras de
un determinado medicamento. De las doce píldoras que contiene el envase hay
cuatro en malas condiciones. Se pide:
a) Probabilidad de que tome sólo una buena
b) Probabilidad de que de las tres píldoras de la toma al menos una esté en malas
condiciones
c) ¿Cuál es el número de píldoras que se espera tome el enfermo en buenas
condiciones en cada toma?
d) Si existe otro envase que contenga cuarenta píldoras, de las que diez se
encuentran en malas condiciones. ¿Qué envase sería más beneficioso para el
enfermo?
Solución:
a) Hay dos situaciones excluyentes (buena, no‐buena).  La variable X = "Número de
píldoras buenas al tomar tres"  sigue una distribución hipergeométrica
X ∼ H(3, 12, 8) , en donde

⎧ 8 buenas p = 8 12 = 2 3
N = 12  píldoras  ⎨
⎩ 4 malas q = 4 12 = 1 3
2 q
N. p = 12. = 8 N. q = 12. = 4 n = 3
3 3
⎛ N.p ⎞ ⎛ N.q ⎞ ⎛ 8⎞ ⎛ 4⎞ 4!
⎜ k ⎟ ⎜n−k⎟ ⎜ 1⎟ ⎜ 2⎟ 8 .
P(X = k) = ⎝ ⎠⎝ ⎠ P(X = 1) = ⎝ ⎠ ⎝ ⎠ =
2! 2! 24
= = 0,22
⎛ N⎞ ⎛ 12 ⎞ 12! 110
⎜n⎟ ⎜3⎟ 3! 9!
⎝ ⎠ ⎝ ⎠

b) La probabilidad de que al menos una esté en malas condiciones equivale a la
probabilidad de que a lo sumo dos píldoras sean buenas. Por tanto:
2 24 56 82
P(X ≤ 2) = P(X = 0) + P(X = 1) + P(X = 2) = + + = = 0,75
110 110 110 110

Distribuciones de Probabilidad  82
⎛8⎞ ⎛ 4⎞
⎜0⎟ ⎜ 3⎟
P(X = 0) = ⎝ ⎠ ⎝ ⎠ =
1 . 4 4 . 3! 9! 4 . 3 .2 2
= = = = 0,02
⎛ 12 ⎞ 12! 12! 12 . 11 . 10 110
⎜3⎟ 3! 9!
⎝ ⎠

⎛8⎞ ⎛ 4⎞ 8!
⎜2⎟ ⎜ 1⎟ . 4 8 . 7 . 4 .3! 9!
P(X = 2) = ⎝ ⎠ ⎝ ⎠ =
2! 6! 56
= 2 = = 0,51
⎛ 12 ⎞ 12! 12! 110
⎜3⎟ 3! 9!
⎝ ⎠

c) El número de píldoras que se espera que tome es la media de la distribución:
2
μ X = n. p = 3 . = 2  píldoras
3

d) Para tomar una decisión, hay que calcular el número de píldoras esperado en
buenas condiciones al tomar tres del segundo envase.

⎧30 buenas p = 30 40 = 3 4 = 0,75


N = 40  píldoras  ⎨
⎩ 10 malas q = 10 40 = 1 4 = 0,25

μ Y = n. p = 3 . 0,75 = 2,25  píldoras

El segundo envase es más beneficioso para el enfermo.

Distribuciones de Probabilidad  83
  Sea una variable aleatoria bidimensional con distribución de probabilidad

            Y
 X −1 1
1 16 13
2 1 12 14
3 1 12 1 12

Se pide:
a) ¿Son X e Y independientes?
b) Hallar las medias y desviaciones típicas de X e Y
c) Hallar las probabilidades:   P ⎡⎣X ≤ 2 ; Y > 0 ⎤⎦      P [ X ≥ 2]       P [ Y < 0 ]
d) Hallar el coeficiente de correlación
Solución:
a) Para analizar si X e Y son independientes hay que hallar las distribuciones
marginales de X e Y, y ver si verifica que   pij = pi• . p• j ∀ (x i , y j )

            Y pi •
 X −1 1
1 16 13 12
2 1 12 14 13
3 1 12 1 12 16
p• j 13 23 1

1 1 1 1 1 2
p11 = = p1 • . p•1 = . p12 = = p1 • . p • 2 = .
6 2 3 3 2 3
1 1 1 1 1 1 2 2
p21 = ≠ p2 • . p•1 = . = p22 = ≠ p2 • . p• 2 = . =
12 3 3 9 4 3 3 9
1 1 1 1 1 1 2 1
p31 = ≠ p3• . p•1 = . = p32 = ≠ p3 • . p• 2 = . =
12 6 3 18 12 6 3 9

Luego las variables X e Y no son independientes.

b) Para hallar las medias y desviaciones típicas de X e Y hay que considerar las
distribuciones marginales:

Distribuciones de Probabilidad  84
Š  Distribución marginal de la de la variable aleatoria X

X = xi pi • x i . pi• x 2i x 2i . pi•
1 12 12 1 12
2 13 23 4 43
3 16 36 9 96
1 10 6 20 6
3

∑x . p
10
Media:   α10 = μ X = E(X) = i i• =
i=1
6
3


20
α 20 = E(X 2 ) = x 2i . pi• =
i=1
6
2
20 ⎛ 10 ⎞ 20 5
Varianza:  μ 20 = σ = Var(X) = E(X ) − [E(X)] =
2
2
x −⎜ ⎟ =
2
=
6 ⎝ 6 ⎠ 36 9
5
Desviación típica:   σ x = = 0,745
9

Š  Distribución marginal de la variable aleatoria Y

Y = yj p• j y j . p• j y 2j y 2j . p• j
−1 13 −1 3 1 13
1 23 23 1 23
1 13 1
2

∑y . p
1
Media:   α 01 = μ Y = E(Y) = j •j =
j=1
3
2

α 02 = E(Y 2 ) = ∑y . p
j=1
2
j •j =1

2
⎛1⎞ 8
Varianza:  μ 02 = σ = Var(Y) = E(Y ) − [ E(Y)] = 1 − ⎜ ⎟ =
2 2 2
y
⎝3⎠ 9
8
Desviación típica:   σ y = = 0,943
9

c) Probabilidades:

Distribuciones de Probabilidad  85
        P ⎡⎣X ≤ 2 ; Y > 0 ⎤⎦                         P [ X ≥ 2]                                 P [ Y < 0 ]
            Y     Y Y
 X −1 1 X −1 1 X −1 1

1 16 13 1 16 13 1 16 13
2 1 12 14 2 1 12 14 2 1 12 14
3 1 12 1 12 3 1 12 1 12 3 1 12 1 12

1 1 7
P ⎡⎣X ≤ 2 ; Y > 0 ⎤⎦ = P ⎡⎣X = 1 ; Y = 1⎤⎦ + P ⎡⎣X = 2 ; Y = 1⎤⎦ = + =
3 4 12
P [ X ≥ 2] = P ⎡⎣X = 2 ; Y = −1⎤⎦ + P ⎡⎣X = 2 ; Y = 1⎤⎦ + P ⎡⎣X = 3 ; Y = −1⎤⎦ + P ⎡⎣X = 3 ; Y = 1⎤⎦ =
1 1 1 1 6 1
               = + + + = =
12 4 12 12 12 2
1 1 1 1
P [ Y < 0 ] = P ⎡⎣X = 1 ; Y = −1⎤⎦ + P ⎡⎣X = 2 ; Y = −1⎤⎦ + P ⎡⎣X = 3 ; Y = −1⎤⎦ = + + =
6 12 12 3

d) Coeficiente de correlación

x i .y j . pij
            Y
 X −1 1 −1 1
1 16 13 −1 6 13
2 1 12 14 − 2 12 2 4
3 1 12 1 12 − 3 12 3 12
− 7 12 13 12 6 12

3 2

∑∑
6 1
      α11 = E(XY) = x i .y j . pij = =
i=1 j=1
12 2
1 10 1 1
     Covarianza:    σ XY = Cov(X, Y) = α11 − α10 . α 01 = − . = − = − 0,555
2 6 3 18
σ XY − 0,555
     Coeficiente de correlación:    ρ XY = = = − 0,79
σ x . σ Y 0,745 . 0,943

Siendo  ρ XY = − 0,79 , valor cercano a  −1 ,  existe una fuerte relación lineal entre las


variables X e Y.

Distribuciones de Probabilidad  86
  Sean (X, Y) los paquetes diarios que venden dos operadores de viajes, cuya
distribución de probabilidad conjunta se refleja en la tabla:

            Y
0 1 2
 X
0 0,15 0,15 0,10
1 0,05 0,20 0,05
2 0,10 0,05 0,15

Hallar la media, varianza y desviación típica de las variables: X, Y,  X + Y ,   X − Y

Solución:

            Y pi •
0 1 2 x i . pi• x 2i . pi•
 X
0 0,15 0,15 0,10 0,40 0 0
1 0,05 0,20 0,05 0,30 0,30 0,30
2 0,10 0,05 0,15 0,30 0,60 1,20
p• j 0,30 0,40 0,30 1 0,90 1,50
y j . p• j 0 0,40 0,60 1
y 2j . p• j 0 0,40 1,20 1,60

Š  Distribución marginal de la variable X:
3

Media:   α10 = μ X = E(X) = ∑x . p


i=1
i i• = 0,9

α 20 = E(X 2 ) = ∑x . p
i=1
2
i i• = 1,5

Varianza:  μ 20 = σ 2X = Var(X) = α 20 − α10


2
= 1,5 − 0,92 = 0,69

Desviación típica:   σ X = 0,69 = 0,83

Š  Distribución marginal de la variable Y:
3

Media:   α 01 = μ Y = E(Y) = ∑y . p
j=1
j •j =1

α 02 = E(Y ) = 2
∑y . p
j=1
2
j •j = 1,6

Varianza:  μ 02 = σ 2Y = Var(Y) = α 02 − α 201 = 1,6 − 12 = 0,6

Desviación típica:   σ Y = 0,6 = 0,77

Distribuciones de Probabilidad  87
Š  Distribución de la variable (X + Y) :

Media:   μ X + Y = E(X + Y) = E(X) + E(Y) = 0,9 + 1 = 1,9

3 3

  Se tiene:  μ X + Y = E(X + Y) = ∑∑ (x + y ).p


i=1 j=1
i j ij

            Y
0 1 2 μ X + Y = 0 x 0,15 + 1 x 0,15 + 2 x 0,10 +
 X
0 0,15 0,15 0,10 1 x 0,05 + 2 x 0,20 + 3 x 0,05 +
1 0,05 0,20 0,05 2 x 0,10 + 3 x 0,05 + 4 x 0,15 = 1,9
2 0,10 0,05 0,15

La varianza  σ 2X + Y = Var(X + Y) = Var(X) + Var(Y) + 2Cov(X, Y) X  e  Y no


independientes

x i .y j . pij
            Y
0 1 2 0 1 2
 X
0 0,15 0,15 0,10 0 0 0
1 0,05 0,20 0,05 0 0,20 0,10
2 0,10 0,05 0,15 0 0,10 0,60
0 0,30 0,7 1
3 3

α11 = E(XY) = ∑∑ x .y . p
i=1 j=1
i j ij =1

Covarianza:    σ XY = Cov(X, Y) = α11 − α10 . α 01 = 1 − 0,9.1 = 0,1

σ 2X + Y = Var(X + Y) = Var(X) + Var(Y) + 2Cov(X, Y) = 0,69 + 0,6 + 2.0,1 = 1, 49

  Se tiene:  σ 2X + Y = E ⎡⎣(X + Y)2 ⎤⎦ − [E(X + Y)]


2

            Y
0 1 2 E ⎡⎣(X + Y)2 ⎤⎦ = 0 x 0,15 + 1 x 0,15 + 4 x 0,10
 X
0 0,15 0,15 0,10 + 1 x 0,05 + 4 x 0,20 + 9 x 0,05
1 0,05 0,20 0,05       + 4 x 0,10 + 9 x 0,05 + 16 x 0,15 = 5,1
2 0,10 0,05 0,15

σ 2X + Y = E ⎡⎣(X + Y)2 ⎤⎦ − [E(X + Y)] = 5,1 − 1,92 = 1, 49


2
σX+ Y = 1, 49 = 1,22

Distribuciones de Probabilidad  88
Š  Distribución de la variable (X − Y) :

Media:   μ X − Y = E(X − Y) = E(X) − E(Y) = 0,9 − 1 = − 0,1

σ 2X − Y = Var(X − Y) = Var(X) + Var(Y) − 2Cov(X, Y) = 0,69 + 0,6 − 2.0,1 = 1,09

  Sea (X, Y) una variable aleatoria bidimensional con función de densidad:

⎧k 0 < y < x < 1


               f(x, y) = ⎨
⎩ 0 restantes valores
a) Hallar k para que sea función de densidad
b) Hallar las funciones de densidad marginales. ¿Son X e Y independientes?
c) Hallar las funciones de distribución marginales
d) Hallar las funciones de densidad condicionadas
Solución:
a) Para que  f(x, y)  sea función de densidad tiene que verificarse:
∞ ∞
                                               
∫ ∫
−∞ −∞
f(x, y) dx dy = 1

1
⎛ ⎞ ⎡ x2 ⎤ k
∫∫ ∫ ∫ ∫ k [ y] dx = k∫
1 x 1 x 1 1
x
k dx dy = k ⎜ dy ⎟ dx = 0
x dx = k ⎢ ⎥ = = 1 k=2
0 0 0 ⎝ 0 ⎠ 0 0 ⎣ 2 ⎦0 2

⎧2 0 < y < x < 1


f(x, y) = ⎨
⎩ 0 restantes valores

b) Funciones de densidad marginales:

∫ ∫
x
2dy = 2 [ y ]0 = 2 x 0 < x < 1
x
f1 (x) = f(x, y)dy =
−∞ 0

∫ ∫
1
2dx = 2 [ x ]y = 2 − 2 y 0 < y < 1
1
f2 (y) = f(x, y)dx =
−∞ y

X e Y son independientes cuando  f(x, y) = f1 (x).f2 (y)

f1 (x).f2 (y) = 2 x .(2 − 2 y) = 4 x − 4 x y ≠ 2 = f(x, y)    luego no son independientes

Distribuciones de Probabilidad  89
c) Funciones de distribución marginales:

∫ ∫ ∫
x x x
x
F1 (x) = f1 (t)dt = f1 (t)dt = 2 tdt = ⎡⎣ t2 ⎤⎦ 0 = x 2 0 < x < 1
−∞ 0 0

∫ ∫ ∫
y y y
y
F2 (y) = f2 (t)dt = f2 (t)dt = (2 − 2 t)dt = ⎡⎣ 2 t − t2 ⎤⎦ 0 = 2 y − y 2 0 < y < 1
−∞ 0 0

d) Funciones de densidad condicionadas:
f(x, y) 2
f(x / y) = = 0< y<1 0<x<1
f2 (y) 2 − 2 y

f(x, y) 2
f(y / x) = = 0<x<1 0< y<1
f1 (x) 2 x

  Sea (X, Y) una variable aleatoria bidimensional con función de densidad:

⎧1 y < x ; 0 < x < 1


               f(x, y) = ⎨
⎩ 0 restantes valores
a) Comprobar que  f(x, y)  es función de densidad
b) Hallar las medias de X e Y
⎡ 1 ⎤ ⎡ 1 1 1⎤
c) Hallar las probabilidades:   P ⎢ X < ; Y < 0 ⎥   y   P ⎢ X > ; − < Y < ⎥
⎣ 2 ⎦ ⎣ 2 2 2⎦

Solución:
∞ ∞
a) f(x, y)  es función de densidad si se verifica: 
∫ ∫
−∞ −∞
f(x, y) dx dy = 1

∞ ∞
⎛ ⎞
∫ ∫ ∫∫ ∫ ∫ ∫ ∫
1 x 1 x 1 1

[ y ]− x dx =
1
2 x dx = ⎡⎣ x 2 ⎤⎦ 0 = 1
x
f(x, y) dx dy = dx dy = ⎜ dy ⎟ dx =
−∞ −∞ 0 −x 0 ⎝ −x ⎠ 0 0

En consecuencia,  f(x, y)  es función de densidad.

b) Para hallar las medias de X e Y hay que calcular primero las funciones de
densidad marginales:

Distribuciones de Probabilidad  90

∫ ∫
x
dy = [ y ]0 − x = 2 x
x
f1 (x) = f(x, y)dy = 0<x<1
−∞ −x



1
dx = [ x ]− y = 1 + y
1
∞ ⎪ −1< y< 0


−y
f2 (y) = f(x, y)dx = ⎨

∫ dx = [ x] = 1 − y
1
−∞ ⎪ 1
0< y<1
⎪⎩ y
y

1

⎡ x3 ⎤ 2
∫ ∫
1
α10 = μ x = E(X) = x f1 (x)dx = x.2 x dx = 2 ⎢ ⎥ =
−∞ 0 ⎣ 3 ⎦0 3

∫ y f (y)dy = ∫ y f (y)dy + ∫ y f (y)dy =


0 1
α 01 = μ y = E(Y) = 2 2 2
−∞ −1 0

∫ y (1 + y)dy + ∫ y (1 − y)dy = ∫ (y + y )dy + ∫ (y − y )dy =


0 1 0 1
                          = 2 2

−1 0 −1 0
0 1
⎡ y2 y3 ⎤ ⎡ y2 y3 ⎤ 1 1 1 1
                         = ⎢ + ⎥ + ⎢ − ⎥ = − + + − = 0
⎣ 2 3 ⎦ −1 ⎣ 2 3 ⎦ 0 2 3 2 3

c) Probabilidades:

⎛ ⎞
∫ ∫ ∫ ∫ ∫
⎡ ⎤
12 0 12 0 12
1
P ⎢X < ; Y < 0 ⎥ = f(x, y)dx dy = ⎜ dy ⎟ dx = [ y ]0− x dx =
⎣ 2 ⎦ 0 −x 0 ⎝ −x ⎠ 0
12
⎡ x2 ⎤

12
1
                               = x dx = ⎢ ⎥ =
0 ⎣ 2 ⎦0 8

⎛ ⎞
∫ ∫ ∫ ∫ ∫
⎡ 1⎤ 1 12 1 12 12
1 1
P ⎢X > ; − < Y < ⎥ = f(x, y)dx dy = ⎜ dy ⎟ dx = [ y ]1− 12 2 dx =
⎣ 2 2 2⎦ 12 −1 2 1 2⎝ −1 2 ⎠ 0

∫ dx = [ x]
1
1 1
                                           = 12
=
12 2

Distribuciones de Probabilidad  91
  La función de densidad asociada a la emisión de billetes de una compañía área
es:
⎧x + y 0 < x < 1 0 < y < 1
                            f(x, y) = ⎨
⎩ 0 en el resto

a) Hallar la función de distribución
b) Hallar las funciones de densidad marginales de X e Y
c) ¿Son X e Y independientes?
Solución:

⎛ ⎞
∫ ∫ ∫∫ ∫ ∫
x y x y x y
a) F(x, y) = f(u, v) dv du = (u + v)dudv = ⎜ (u + v)dv ⎟ du =
−∞ −∞ 0 0 0 ⎝ 0 ⎠
⎛ ⎡ v2 ⎤ ⎞
y
⎡ y2 ⎤ ⎡ y2 ⎤
x
⎡ u2 ⎤ y 2
∫ ∫ ∫
x x x
      = ⎜ u[ v ]0 + ⎢ ⎥ ⎟ du = ⎢u y + ⎥ du = ⎢u y + ⎥ du = y ⎢ ⎥ + [ u]0 =
y x

0 ⎜ ⎣ 2 ⎦ 0 ⎟⎠ 0 ⎣ 2⎦ 0 ⎣ 2⎦ ⎣ 2 ⎦0 2

y x2 y2 x 1
      = + = (y x 2 + y 2 x) 0 ≤ x < 1 0 ≤ y < 1
2 2 2
En consecuencia,

⎧ 0 x<0 ó y<0
⎪1
⎪ (y x 2 + y 2 x) 0≤x<1 0≤ y<1
⎪2
⎪ 1
                   F(x, y) = ⎨F1 (x) = (x 2 + x) 0≤x<1 , y≥1
⎪ 2
⎪ 1
⎪F2 (y) = 2 (y + y ) 0≤ y<1 , x≥1
2


⎩ 1 x≥1 , y≥1

b) Funciones de densidad marginales de X e Y
∞ 1

∫ ∫
⎡ y2 ⎤
1
1
(x + y)dy = x [ y ]0 + ⎢ ⎥ = x +
1
f1 (x) = f(x, y)dy = 0<x<1
−∞ 0 ⎣ 2 ⎦0 2

∞ 1

∫ ∫
⎡ x2 ⎤
1
1
(x + y)dx = ⎢ ⎥ + y [ x ]0 = + y
1
f2 (y) = f(x, y)dx = 0< y<1
−∞ 0 ⎣ 2 ⎦0 2

Adviértase que:
ϑ F1 (x) ϑ ⎡ 1 2 ⎤ 1 ϑ F2 (y) ϑ ⎡ 1 ⎤ 1
f1 (x) = = ⎢ (x + x)⎥ = x + f2 (y) = = ⎢ (y + y 2 )⎥ = + y
ϑx ϑx ⎣2 ⎦ 2 ϑy ϑy ⎣2 ⎦ 2

c) X e Y son independientes cuando se verifica  f(x, y) = f1 (x).f2 (y)

Distribuciones de Probabilidad  92
⎛ 1⎞ ⎛1 ⎞
f1 (x).f2 (y) = ⎜ x + ⎟ . ⎜ + y ⎟ ≠ x + y = f(x, y) No son independientes
⎝ 2⎠ ⎝2 ⎠

  Sea (X,Y) una variable aleatoria bidimensional con función de probabilidad

⎧⎪ c x + y j x i = −2 , − 1, 0 ,1,2 , y j = −2 , − 1, 0 ,1,2
              pij = ⎨ i
⎪⎩ 0 en otro caso

a) Calcular el valor de la constante c
b) P ⎡⎣X = 0 , Y = 2⎤⎦ P [ X = 1] P ⎡⎣ X − Y ≤ 1⎤⎦

Solución:
a) Para determinar el valor de la constante c se elabora la tabla, siendo
pij = c x i + y j

        Y
−2 −1 0 1 2 pi•
X
−2 4c 3c 2c c 0 10c
−1 3c 2c c 0 c 7c
0 2c c 0 c 2c 6c
1 c 0 c 2c 3c 7c
2 0 c 2c 3c 4c 10c
p• j 10c 7c 6c 7c 10c 40c

⎧1 ⎧ x i = −2 , − 1, 0 ,1,2
⎪ x + yj
5 5

∑∑ p
1
ij = 40c = 1 c=
40
pij = ⎨ 40 i ⎩ y j = −2 , − 1, 0 ,1,2
i= 1 j= 1 ⎪ 0 en otro caso

1 1
P ⎡⎣X = 0 , Y = 2⎤⎦ = 0+2 =
40 20

7
P [ X = 1] = 7c =
40

zona sombreada 28 7
P ⎡⎣ X − Y ≤ 1⎤⎦ = 28c = =
40 10

Distribuciones de Probabilidad  93
P ⎡⎣ X − Y ≤ 1⎤⎦ = P ⎡⎣X = −2 , Y = −2⎤⎦ + P ⎡⎣X = −2 , Y = −1⎤⎦
                         + P ⎡⎣X = −1, Y = −2⎤⎦ + P ⎡⎣X = −1, Y = −1⎤⎦ + P ⎡⎣X = −1, Y = 0 ⎤⎦
                         + P ⎡⎣X = 0 , Y = −1⎤⎦ + P ⎡⎣X = 0 , Y = 0 ⎤⎦ + P ⎡⎣X = 0 , Y = 1⎤⎦
                         + P ⎡⎣X = 1, Y = 0 ⎤⎦ + P ⎡⎣X = 1, Y = 1⎤⎦ + P ⎡⎣X = 1, Y = 2⎤⎦
                         + P ⎡⎣X = 2 , Y = 1⎤⎦ + P [ X = 2, Y = 2]
28 7
                        = 28c = =
40 10

  La función de distribución asociada a un fenómeno de la naturaleza es:

⎧(1 − e− x ).(1 − e− y ) x > 0 , y > 0


                            F(x, y) = ⎨
⎩ 0 en el resto

a) Hallar la función de densidad
b) Hallar las funciones de densidad marginales de X e Y
c) Hallar las funciones de densidad condicionadas
d) Calcular el coeficiente de correlación
Solución:

ϑ2 F(x, y) θ ⎡ ϑ F(x, y) ⎤ θ ⎡ ϑ ( (1 − e ).(1 − e ) ) ⎤


−x −y

a) f(x, y) = = = ⎢ ⎥=
ϑx ϑy ϑy ⎣⎢ ϑx ⎦⎥ ϑy ⎢ ϑx ⎥⎦

θ ⎡ − y ϑ (1 − e ) ⎤
−x
θ −y
− x ϑ (1 − e )
                  = (1 − e ) = ⎡ (1 − e −y
).e −x
⎤ = e . =
ϑy ⎢⎣ ϑx ⎥ ϑy ⎣

⎦ ϑy
1
                  = e− x x e− y = e− (x + y) = x + y x > 0 , y > 0
e
⎧ e− (x + y) x>0 y>0
Función de densidad   f(x, y) = ⎨
⎩ 0 en el resto

b) Funciones de densidad marginales
∞ ∞ ∞ ∞

∫ ∫ ∫ ∫

f1 (x) = f(x, y)dy = e − (x + y)
dy = −x −y
e .e dy = e −x
e− y dy = − e− x ⎡⎣ e− y ⎤⎦ =
0
−∞ 0 0 0

         = − e− x x (−1) = e− x
∞ ∞ ∞ ∞

∫ ∫ ∫ ∫

f2 (y) = f(x, y)dx = e − (x + y)
dx = −y −x
e .e dx = e −y
e− x dx = − e− y ⎡⎣ e− x ⎤⎦ 0 =
−∞ 0 0 0
−y −y
         = − e x (−1) = e

Distribuciones de Probabilidad  94
Independencia de X e Y    f(x, y) = e− (x + y) = f1 (x).f2 (y) = e− x x e− y

X e Y son independientes   ⇒ La covarianza   μ 11 = σ xy = 0    ⇒   ρ = 0

c) Funciones de densidad condicionadas

f(x, y) e− (x + y)
f(x / y) = = − y = e− x = f1 (x)   al ser X e Y independientes
f2 (y) e

f(x, y) e− (x + y)
f(y / x) = = − x = e− y = f2 (y)   al ser X e Y independientes
f1 (x) e
μ11
d) El coeficiente de correlación   ρ = σ xy =
σx x σy
∞ ∞ ∞

∫ ∫ ∫

α10 = μ x = E(X) = x.f1 (x)dx = x.e dx ⎡⎣ − x.e ⎤⎦ +
−x −x
e− x dx =
0
−∞ 0 0

                           = ⎡⎣ − x.e− x − e− x ⎤⎦ = 1
0
∞ ∞ ∞

∫ ∫ ∫

α 01 = μ y = E(Y) = y.f2 (y)dy = y.e dy ⎡⎣ − y.e ⎤⎦ +
−y −y
e− y dy =
0
−∞ 0 0

                           = ⎡⎣ − y.e− y − e− y ⎤⎦ = 1
0

∞ ∞

∫ ∫
∞ ∞
Nota:  x.e dx = ⎡⎣ x.e ⎤⎦ 0 +
−x −x
e− x dx = ⎡⎣ x.e− x − e− x ⎤⎦ 0
0 0

⎧u=x du = dx        
⎪ ∞


Cambio  ⎨ ∞
−x
⎪ dv = e dx v = e− x dx = ⎣⎡ − e− x ⎦⎤ 0
⎩ 0

∞ ∞ ∞ ∞

α11 = E(X.Y) =
∫∫ 0 0
x . y . f(x, y) dx dy =
∫∫
0 0
x . y . e− (x + y) dx dy =

⎛ ∞
⎞ ⎛ ∞

      = ⎜
⎝ ∫ 0
−x
x . e dx ⎟ x ⎜

⎠ ⎝ ∫ 0
y.e− y dy ⎟ = 1


∫ ∫ ∫

α 20 = E(X ) = 2
x .f1 (x)dx =
2 2
x . e dx −x
⎡⎣ − x . e ⎤⎦ +
2 −x
2 . x. e− x dx =
0
−∞ 0 0
∞ ∞ ∞
        = ⎡⎣ − x 2 . e− x ⎤⎦ + 2 ⎡⎣ − x . e− x − e− x ⎤⎦ = ⎡⎣ − x 2 . e− x − 2 . x . e− x − 2 . e− x ⎤⎦ = 2
0 0 0

Análogamente,   α 02 = E(Y 2 ) = 2

σ 2x = α 20 − α10
2
= 2 − 1 = 1 σx = 1 = 1 σ 2y = α 02 − α 201 = 2 − 1 = 1 σ y = 1=1

Distribuciones de Probabilidad  95
covarianza:   μ 11 = σ xy = α11 − α10 . α 01 = 1 − 1 x 1 = 0
μ11 0
Coeficiente de correlación   ρ = σ xy = = = 0 ⇒   Las variables son
σx x σy 1 x 1
incorreladas

 Sean  X1  ,  X2   dos variables aleatorias con la misma distribución. Probar que las


variables  η = X1 + X2  y   ξ = X1 − X2  están incorreladas.

Solución:
Siendo μ  la media de la distribución de  X1  ,  X2  

E(η) = E(X1 + X2 ) = 2 μ E(ξ) = E(X1 − X2 ) = 0

E(ηξ) = E ⎡⎣(X1 + X2 )(X1 − X2 )⎤⎦ = E(X12 − X1 x X2 + X2 x X1 − X22 ) = 0


μ11
μ11 = E(ηξ) − E(η) x E(ξ) = 0 − 2 μ x 0 = 0 → ρ = =0
σ x σ2ξ
2
η

   Dada la variable aleatoria bidimensional  (ξ1 , ξ2 )  con función de densidad


x2 y2
− −
1 2(1 + y ) 2
2
f(x,y) = e  en todo el plano. Probar que las variables  ξ1  y  ξ2
2 π 1 + y2
están incorreladas, pero no son independientes.

Solución:
• La función de densidad marginal de  ξ2  es:
∞ ∞ x2 y2 ∞ x2

∫ ∫ ∫
− − y2 −
1 2 (1 + y ) 2
2 1 − 2 (1 + y2 )
f2 (y) = f(x,y)dx = e dx = e 2
e dx =
−∞ −∞ 2 π 1 + y2 2 π 1 + y2 −∞

x2

2 π 1 + y2

y2 − y2 y 2
1 − 2 (1 + y2 ) 1 − 1 −
       = e 2
e dx = e 2
= e 2
π 1 + y2 0 π 1+ y 2 2 2π

∞ x2 ∞ ∞
2(1 + y2 )
∫ ∫ ∫

2 (1 + y2 ) − 1/2 −t
e dx = 2(1 + y ) t 2
e dt = t − 1/2 e− t dt =
0 0 2 0

2(1 + y2 ) 2(1 + y2 ) 2 π 1 + y2
= Γ(1 / 2) = π=
2 2 2
x2 2(1 + y2 ) − 1/2
Cambio:   t = → x = 2(1 + y ) t
2 1/2
→ dx = t dt
2(1 + y2 ) 2

Distribuciones de Probabilidad  96
• La función de densidad condicionada de  ξ1  por  ξ2  es:
x2 y2 y2 x2
− − −
f(x,y) 1 2(1 + y ) 2
2 1 2 (1 + y2 )
g(x / y) = = e x 2π e 2
= e
f2 (y) 2 π 1 + y2 2 π (1 + y2 )

De aquí se obtiene que   E(ξ1 / ξ2 ) = 0
∞ x2 ∞ x2

∫ ∫
1 −
2(1 + y2 ) (1 + y2 ) −2 −
2 (1 + y2 )
E(ξ1 / ξ2 ) = x e dx = − x e dx =
2 π (1 + y2 ) −∞ 2(1 + y )
2
−∞ 2 π (1 + y2 )

x2
2(1 + y ) 2 −
2 (1 + y2 )
               = − e =0
2 π (1 + y ) 2
−∞

Al ser la línea de regresión constante, las variables tienen covarianza  μ11 = 0  y
coeficientes de correlación nulos.
De otra parte, las variables  ξ1  y   ξ2  no son independientes puesto que la
distribución de  ξ1 , condicionada por  ξ2 , depende claramente de  ξ2

  La venta en un mercado de abastos lleva asociada la función:

⎧ ⎡xy ⎤
⎪k ⎢ + 1 ⎥ 0<x<1 −1< y <1
                            f(x, y) = ⎨ ⎣ 2 ⎦
⎪ 0 en el resto

a) Hallar k para que sea función de densidad
b) Hallar la función de distribución
c) Funciones de densidad marginales y condicionadas
d) Se considera la transformación  Z = X − Y  y   T = X + 2 Y , hallar la función de
densidad de la variable (Z, T)

Solución:
a) f(x, y) ≥ 0 ⇔ k ≥ 0
∞ ∞
f(x, y)  es función de densidad sí se verifica 
∫ ∫−∞ −∞
f(x, y) dx dy = 1

⎛ ⎡xy ⎤ ⎞ ⎛ ⎡ y2 ⎤ 1 ⎞
∫∫ ∫ ∫ ∫
1 1 1 1 1
⎡xy ⎤
k ⎜ x ⎢ ⎥ + [ y ]−1 ⎟ dx =
1
k ⎢ + 1⎥ dx dy = k ⎜⎜ ⎢ + 1⎥⎦ dy ⎟⎟ dx =
−1 ⎣ 2 ⎦ 0 ⎝ −1 ⎣ 2 ⎠ ⎜
0 ⎝ ⎣ 4 ⎦ −1

0 ⎠


1
1
                                         = 2k dx = 2k [ x ] = 2k = 1
1
0
k=
0 2

Distribuciones de Probabilidad  97
⎧xy + 2
⎪ 0<x<1 −1< y <1
La función de densidad   f(x, y) = ⎨ 4
⎪⎩ 0 en el resto

∫ ∫
x y
b) Función de distribución   F(x, y) = P(X ≤ x , Y ≤ y) = f(u, v) dv du
−∞ −∞

⎡ uv + 2 ⎤ ⎛ ⎡ uv + 2 ⎤ ⎞
∫∫ ∫ ∫ ∫∫
x y x y x y
F(x, y) = ⎢ 4 ⎥⎦ dv du =
−1 ⎣
⎜ ⎢ 4 ⎥⎦
−1 ⎣
dv ⎟ du =
1
4
( ⎣⎡uv + 2⎦⎤ dv ) du =
0 0 ⎝ ⎠ 0 −1

⎛ ⎡ v2 ⎤ y ⎞ ⎛ u y2 u ⎞
∫ ∫
x x
1 1
⎜ u ⎢ ⎥ + 2 [ v ] −1
y
            = ⎟ du = ⎜ − + 2 y + 2 ⎟ du =
4 ⎜ ⎣ 2 ⎦ −1 ⎟ 4 ⎝ 2 2 ⎠
0
⎝ ⎠ 0

1 ⎡ y 2 ⎛ u2 ⎞ 1 ⎛ u2 ⎞ ⎤ x 2 (y 2 − 1) x (y + 1)
x x

            = ⎢ ⎜ ⎟ − ⎜ ⎟ + 2 y ( u ) 0 + 2 ( u ) 0
x x
⎥= +
4 ⎢ 2 ⎝ 2 ⎠0 2 ⎝ 2 ⎠0 ⎥⎦ 16 2

x 2 (y 2 − 1) x (y + 1)
En consecuencia,   F(x, y) = + 0≤x<1 −1≤ y <1
16 2

ƒ Las funciones de distribución marginales, resultan:

⎛ uv + 2 ⎞
∫∫ ∫∫ ∫ ∫
x y x 1 x 1
uv + 2
F1 (x) = P(X ≤ x) = f(u, v)dv du = dv du = ⎜⎜ dv ⎟⎟ du =
−∞ −∞ 0 −1 4 0 ⎝ −1 4 ⎠
⎛ ⎡v ⎤ 1
2 1 ⎞
∫ ⎜⎜⎝ u ⎢⎣ 8 ⎥⎦ ∫
x 2 x

+ [ v ]−1 ⎟ du = du = [u]0 = x 0 ≤ x < 1


x
                          =
4 ⎟
0 −1 ⎠ o

⎛ uv + 2 ⎞
∫∫ ∫∫ ∫ ∫
x y 1 y 1 y
uv + 2
F2 (y) = P(Y ≤ y) = f(u, v)dv du = dv du = ⎜⎜ dv ⎟⎟ du =
−∞ −∞ 0 −1 4 0 ⎝ −1 4 ⎠
⎛ ⎡ v2 ⎤ y 2 y ⎞ ⎡⎛ y 2 − 1 ⎞ ⎤
∫ ∫
1 1
2
= ⎜u + [ v ] ⎟ du = ⎢⎜ ⎟ u + ( y + 1 ) ⎥ du =
⎜ ⎢⎣ 8 ⎥⎦ −1 4 −1 ⎟ ⎣⎝ 8 ⎠ 4 ⎦
0 ⎝ ⎠ 0

1
⎛ y 2 − 1 ⎞ ⎡ u2 ⎤ 2 y2 − 1 y + 1 y2 + 8 y + 7
⎟ ⎢ ⎥ + ( y + 1 ) [ u ]0 =
1
=⎜ + = −1≤ y<1
⎝ 8 ⎠ ⎣ ⎦0
2 4 16 2 16

Se podría haber realizado a través de las funciones de densidad marginales:
∞ 1

∫ ∫
x ⎡ y2 ⎤
1
⎡xy 1⎤ 1 1
f1 (x) = f(x, y)dy = + dy = + [ y] = 1
−∞

−1 ⎣ 4 2 ⎥⎦ 4 ⎢⎣ 2 ⎥⎦ −1 2 −1

∫ ∫
x x

du = [ u]0 = x
x
F1 (x) = P(X ≤ x) = f1 (u)du = 0≤x<1
−∞ 0

Distribuciones de Probabilidad  98
∞ 1

∫ ∫
y ⎡ x2 ⎤ 1 1 y + 4
1
⎡xy 1⎤
f2 (y) = f(x, y)dx = ⎢⎣ 4 + 2 ⎥⎦ dx = 4 ⎢ 2 ⎥ + 2 [ x ]0 = 8
−∞ 0 ⎣ ⎦0
y

∫ ∫
1 ⎡ v2 ⎤
y y
⎡v + 4⎤ y2 + 8 y + 7
F2 (y) = P(Y ≤ y) = f2 (v)dv = ⎢ ⎥ dv = 8 ⎢ 2 + 4 v ⎥ = −1≤ y < 1
−∞ −1 ⎣ 8 ⎦ ⎣ ⎦ −1 16

⎧ 0 x < 0 ó y < −1      


⎪ 2 2
⎪ x (y − 1) + x (y + 1) 0 ≤ x < 1 − 1 ≤ y < 1
       Función ⎪ 16 2
           de ⎪
F(x, y) = ⎨ x 0 ≤ x < 1 , y ≥ 1         
   distribución ⎪
     conjunta ⎪ y2 + 8 y + 7
−1 ≤ y < 1 , x ≥ 1      
⎪ 16
⎪ 1 x ≥ 1 , y ≥ 1               

c) Las funciones de densidad marginales se pueden hallar a partir de la función de
distribución conjunta:

ϑ F (x) ϑ ϑ F2 (y) ϑ ⎡ y 2 + 8 y + 7 ⎤ y + 4
        f1 (x) = 1 = (x) = 1 f2 (y) = = ⎥= 8
ϑx ϑx ϑy ϑ y ⎢⎣ 16 ⎦

O bien, a partir de la función de densidad:
∞ 1

∫ ∫
x ⎡ y2 ⎤
1
⎡xy 1⎤ 1 1
f1 (x) = f(x, y)dy = + dy = + [ y] = 1
−∞

−1 ⎣ 4 2 ⎥⎦ 4 ⎢⎣ 2 ⎥⎦ −1 2 −1

∞ 1

∫ ∫
y ⎡ x2 ⎤ 1 1 y + 4
1
⎡xy 1⎤
f2 (y) = f(x, y)dx = ⎢⎣ 4 + 2 ⎥⎦ dx = 4 ⎢ 2 ⎥ + 2 [ x ]0 = 8
−∞ 0 ⎣ ⎦0

y  Funciones de densidad condicionadas:
f(x, y) (x y + 2) 4 x y + 2
f(y / x) = = = ≠ f2 (y)
f1 (x) 1 4

f(x, y) (x y + 2) 4 2 x y + 4
f(x / y) = = = ≠ f1 (x)
f2 (y) (y + 4) 8 y+4

Las variables X e Y no son independientes al ser  f(x, y) ≠ f1 (x).f2 (y)

Distribuciones de Probabilidad  99
ϑz ϑz
⎧Z = X − Y ϑ (z, t) ϑx ϑy 1 −1
d) En la transformación  ⎨      J = == = =3≠0
⎩T = X + 2 Y ϑ (x, y) ϑt ϑt 1 2
ϑx ϑy
por lo que existe la función de densidad  g(z, t)

ϑx ϑx
Despejando (X,Y) en la función de  (Z,T) se ϑ (x, y) ϑz ϑt
J1 = =
calcula el Jacobiano ϑ (z, t) ϑy ϑy
ϑz ϑt
⎧ 2Z + T
⎪⎪ X =
⎧Z = X − Y 2Z = 2X − 2 Y 3 ϑ (x, y) 2 3 1 3 1
⎨ ⎨         J1 = = =
⎩T = X + 2 Y T = X + 2Y ⎪Y = − Z + T ϑ (z, t) − 1 3 1 3 3
⎪⎩ 3

La función de densidad  g(z, t) = f ⎣⎡h1 (z, t), h2 (z, t)⎦⎤ x J1

2z + t −z + t ⎧ 0<x<1 0 < 2z + t < 3


h1 (z, t) = h2 (z, t) = ⎨ ,
3 3 ⎩ −1 < y < 1 − 3 < −z + t < 3

⎡ 2z + t ⎤ ⎡ − z + t ⎤
⎢ 3 ⎦⎥ ⎣⎢ 3 ⎦⎥ 1 (2z + t)(− z + t)
g(z, t) = ⎣ . =
4 3 108

⎧xy + 2 0<x<1 ⎧ (2z + t)(− z + t) 0 < 2z + t < 3


⎪ ⎪
f(x, y) = ⎨ 4 −1 < y < 1 g(z, t) = ⎨ 108 −3 < − z + t < 3
⎪0 en el resto ⎪ 0 en el resto
⎩ ⎩

Distribuciones de Probabilidad  100
  Sea (X,Y) una variable aleatoria bidimensional absolutamente continua con
densidad uniforme en el cuadrante unitario  [ 0,1] x [ 0,1] .
Calcular la función de densidad conjunta U = X + Y  y   V = X − Y
Solución:

⎧ U+ V ϑx ϑx 1 1
⎧U = X + Y ⎪⎪ X = 2 ϑ (x, y) ϑu ϑv 2 =−1
⎨ ⎨     El Jacobiano  J1 = = = 2
⎩V = X − Y ⎪Y = U − V ϑ (u, v) ϑy ϑy 1

1 2
⎪⎩ 2 ϑu ϑv 2 2

Función de densidad de la transformación:

⎡u + v u − v ⎤ ⎡u + v u − v ⎤ 1
fU,V (u, v) = fX ,Y ⎡⎣h1 (u, v), h2 (u, v)⎤⎦ x J1 = fX,Y ⎢ , x J = f , x − =
2 ⎥⎦ ⎢⎣ 2 2 ⎥⎦
1 X,Y
⎣ 2 2
⎡u + v u − v ⎤ 1 1 1
                                                                    = fX ,Y ⎢ , x = 1 x =
⎣ 2 2 ⎥⎦ 2 2 2

⎧ u+ v
⎪⎪ X = 2 ∈ [ 0,1] ⎧0 ≤ u + v ≤ 2
Dominio para las variables X e Y:  ⎨ ⎨
⎪ Y = u − v ∈ [ 0,1] ⎩0 ≤ u − v ≤ 2
⎪⎩ 2

⎧1
⎪ 0≤u≤2 ; −1≤ v≤1
fU,V (u, v) = ⎨ 2
⎪⎩ 0 en otrocaso

 Sean  X e Y variables aleatorias independientes e igualmente distribuidas con
distribución exponencial de parámetro k.
Demostrar que (X + Y)  y  (X / Y)  son independientes.

Solución:
⎧k 2 e − k(x+ y) x>0 y>0
La función de densidad conjunta  f(x,y) = ⎨
⎩ 0             en el resto

⎧ zt ϑx ϑx t z
⎧z = x + y x=
⎪ ⎪⎪ t+1 ϑ (x,y) ϑz ϑt t+1 (t + 1)2 z
⎨ x → ⎨ → J= = abs = abs =
⎪ t =      ⎪y = z ϑ (z,t) ϑy ϑy 1 −z (t + 1)2
⎩ y
⎩⎪ t+1 ϑz ϑt t+1 (t + 1)2

Distribuciones de Probabilidad  101
⎧ 2 − kz z
⎪k e z>0 t>0
La función de densidad  f(z,t) = ⎨ (t + 1)2
⎪ 0             en el resto

Funciones de densidad marginales:
∞ ∞ ∞
⎡ −1 ⎤
∫ ∫
− kz z dt
f1 (z) = 2
k e dt = k2 z e − kz = k2 z e − kz ⎢ ⎥ = k 2 z e − kz
0 (t + 1)2
0 (t + 1)2
⎣ t + 1 ⎦0
∞ ∞

∫ ∫
− kz z k2 1
f2 (t) = 2
k e dz = z e − kz dz =
0 (t + 1)2 (t + 1)2 0 (t + 1)2

Γ(p) =
∫ w e dw Γ(p) = (p − 1)!
0
p −1 −w

∫ k ∫
1
−k z 1 1 −w
z e dz = we dw = Γ(2) = 2 2 2
0 k k
w 1
w = kz → z = dz = dw
k k
1 z
f1 (z) x f2 (t) = k2 z e − kz x = k 2 e − kz = f(z,t)
(t + 1)2
(t + 1)2

En consecuencia, las variables (X + Y)  y  (X / Y)  son independientes.

  Sean (X,Y) dos variables aleatorias independientes, cada una con la función de
densidad:

⎧ e− x x > 0 ⎧ e− y y > 0
           fX (x) = ⎨ fY (y) = ⎨                  
⎩ 0    otro caso ⎩ 0    otro caso

Calcular la función de densidad de la variable aleatoria  X + Y

Solución:

Por ser variables aleatorias independientes, la función de densidad conjunta de la
variable aleatoria bidimensional  X + Y  es:

⎧ e− x − y x>0,y>0
                               fX ,Y (x, y) = ⎨
⎩ 0      otro caso

⎧U = X + Y
La transformación a aplicar es  ⎨
⎩V = X
donde  X > 0 e Y > 0 U> 0 V > 0 U> V

Distribuciones de Probabilidad  102
Despejando (X,Y) en la función de  (U,V) se calcula el Jacobiano

ϑx ϑx
⎧U = X + Y ⎧ X=V ϑ (x, y) ϑu ϑv 0 1
⎨ ⎨ → J1 = = = = −1
⎩V = X ⎩ Y = U − V ϑ (u, v) ϑy ϑy 1 −1
ϑu ϑv

Función de densidad de la transformación   ⎡⎣h1 (u, v) = v ; h2 (u, v) = u − v ⎤⎦ :

fU,V (u, v) = fX ,Y ⎡⎣h1 (u, v), h2 (u, v)⎤⎦ x J1 = fX,Y ⎡⎣ v , u − v ⎤⎦ x J1 =


                                                                    = fX ,Y ⎡⎣v , u − v ⎤⎦ x −1 = fX,Y ⎡⎣v , u − v ⎤⎦

⎧ e− v −(u− v) = e− u u > 0 , v > 0 , u > v


fU,V (u, v) = fX ,Y (v , u − v) = ⎨
⎩ 0 otro caso 

Como se quiere obtener la función de densidad de la variable aleatoria U = X + Y , se
calcula la función de densidad marginal de U:
u u ⎧u.e− u u> 0
∫ ∫ [ v ]0 = u.e
−u −u u −u
fU (u) = fU,V dv = e dv = e fU (u) = ⎨
0 0
⎩0 otro caso

   Dada la variable aleatoria bidimensional (X,Y) absolutamente continua con
función de densidad conjunta

⎧cx2 y x2 ≤ y ≤ 1
                                       f(x,y) = ⎨
⎩ 0 en otro caso
Calcular:
a) El valor de la constante c
b) P [ X ≥ Y ]
c) Función de distribución conjunta

Solución:

a) Para el cálculo de la constante c se procede:

∞ ∞
⎛ ⎞ ⎛ cx2 y2 y =1

∫ ∫ ∫ ∫ ∫
1 1 1
1= f(x,y) dy dx = ⎜ ⎡⎣cx y ⎤⎦ dy ⎟ dx =
2
⎜ ⎟ dx =
−1 ⎝ ⎠ −1 ⎜ 2 ⎟
−∞ −∞ x2
⎝ y = x2 ⎠

Distribuciones de Probabilidad  103
x=1


⎡ cx2 cx6 ⎤ ⎡ cx3 cx7 ⎤
1
c c ⎡ c c ⎤ 4c 21
    = ⎢ 2 − 2 ⎥ dx = ⎢ 6 − 14 ⎥ = − − ⎢− + ⎥ = c=
−1 ⎣ ⎦ ⎣ ⎦ x = −1 6 14 ⎣ 6 14 ⎦ 21 4

⎧ 21 2
⎪ x y x ≤ y≤1
2
con lo cual,  f(x,y) = ⎨ 4
⎪⎩ 0       en otro caso

⎛ ⎞ ⎛ 21 x2 y2 y=x
⎞ ⎡ 21 x4 21 x6 ⎤
∫ ∫ ∫ ∫
1 x 1 1
21 2
b) P [ X ≥ Y ] = ⎜ x ydy ⎟ dx = ⎜ ⎟ dx = ⎢ 8 − 8 ⎥ dx =
0 ⎝ x2 4 ⎠ 0 ⎜ 8 ⎟ ⎣ ⎦
⎝ y=x ⎠
2 0

x=1
⎡ 21 x5 21 x7 ⎤ 21 21 42 21
                       = ⎢ − ⎥ = − = =
⎣ 40 56 ⎦ x = 0 40 56 280 140

∫∫
x y

c)   F(x,y) = f(u,v)dvdu
−∞ −∞
ƒ −1 ≤ x < 1 , 0 ≤ y < 1
v=y
u= x
⎛ v=y

∫ ∫ ∫ ∫
⎡ 21 u2 v2 ⎤ ⎡ 21 u2 y2 21 u6 ⎤
x x
21 2
F(x,y) = ⎜⎜ u v dv ⎟ du = ⎢ 8 ⎥ du = ⎢ 8 − ⎥ du =
u = −1 ⎝ v = u2 4
⎟ −1 ⎣ ⎦ v= u −1 ⎣ 8 ⎦
⎠ 2

u=x u=x
⎡ 21 u3 y2 21 u7 ⎤ ⎡ 7 u3 y2 3 u7 ⎤ ⎡ 7 x 3 y 2 3 x7 ⎤ ⎡ 7 y 2 3 ⎤
=⎢ − ⎥ = ⎢ 8 − ⎥ = ⎢ 8 − 8 ⎥ − ⎢− 8 + 8 ⎥ =
⎣ 24 56 ⎦ u = −1 ⎣ 8 ⎦ u = −1 ⎣ ⎦ ⎣ ⎦
7 3 7 3
= x3 y 2 − x 7 + y 2 −
8 8 8 8

ƒ −1 ≤ x < 1 , y ≥ 1
u=x
⎛ v=1

∫ ∫
21 2 ⎡7 3 7 3⎤ 7 3 1
F(x,y) = ⎜⎜ u v dv ⎟ du = ⎢ x3 y2 − x7 + y2 − ⎥ = x 3 − x7 +
u = −1 ⎝ v = u2 4
⎟ ⎣8 8 8 8 ⎦y = 1 8 8 2

ƒ x≥1,0≤ y<1
u=1
⎛ v=y

∫ ∫
21 2 ⎡7 3 7 3⎤ 7 3
F(x,y) = ⎜⎜ u v dv ⎟ du = ⎢ x3 y2 − x7 + y2 − ⎥ = y2 −
u = −1 ⎝ v = u2 4
⎟ ⎣8 8 8 8 ⎦x = 1 4 4

ƒ x≥1,y≥1
u=1
⎛ v=1

∫ ∫
21 2 ⎡7 3 7 3⎤
F(x,y) = ⎜⎜ u v dv ⎟ du = ⎢ x3 y2 − x7 + y2 − ⎥ =1
u = −1 ⎝ 2 4
⎟ ⎣ 8 8 8 8 ⎦
v=u ⎠ x=1,y=1

Distribuciones de Probabilidad  104
En consecuencia,

⎧ 0 x < −1
⎪ 0 y<0

⎪7 3 2 3 7 7 2 3
⎪8 x y − 8 x + 8 y − 8 −1 ≤ x < 1 , 0 ≤ y < 1

            F(x,y) = ⎨ 7 3 3 7 1
⎪ 8x −8x +2 −1 ≤ x < 1 , y ≥ 1

⎪ 7 y2 − 3 x≥1,0≤ y<1
⎪ 4 4
⎪ 1 x≥1,y≥1

  El consumo diario de agua en metros cúbicos de un hogar es una variable
⎧1
⎪ 0 ≤ x ≤ 4         
aleatoria con función de densidad de probabilidad  f(x) = ⎨ 4
⎪⎩ 0 otros valores

a) Calcular la distribución del consumo diario medio muestral y la probabilidad de
que el mencionado consumo sea inferior a un metro cúbico, para una muestra
aleatoria simple de dos días. ¿Coincide la esperanza de la media muestral con la
poblacional?
b) Probabilidad de que el consumo menor de la muestra sea inferior a 2 metros
cúbicos y la probabilidad de que el máximo consumo de la muestra sea superior a 2
metros cúbicos.
Solución:
a) El consumo diario medio muestral esperado de la población es de 2 metros
a+ b 0 + 4
cúbicos:   E(X) = = =2
2 2
Sean las variables aleatorias independientes  X1 y X 2  los consumos de agua del
hogar en dos días elegidos al azar, con la función de densidad dada, donde  (X1 , X 2 )
es una muestra aleatoria simple de tamaño dos. La función de densidad conjunta
de la muestra será:
1 1 1
f(x 1 , x 2 ) = f1 (x 1 ) . f2 (x 2 ) = . = 0 ≤ x1 ≤ 4 , 0 ≤ x 2 ≤ 4
4 4 16
x1 + x2
El consumo diario medio muestral  x =  es otra variable aleatoria. Para
2
calcular su función de densidad se utiliza una variable auxiliar  t = x 1 , siendo
entonces:

Distribuciones de Probabilidad  105
⎧ t = x 1           
⎪ transformación inversa ⎧ x 1 = t          
 ⎨ x 1 + x 2 ⎯⎯⎯⎯⎯⎯⎯⎯⎯ → ⎨
⎪⎩ x = 2 ⎩ x2 = 2 x − t

ϑ x1 ϑ x1

J
ϑt ϑx 1 0
El jacobiano de la transformación es:   = = =2
ϑ x2 ϑ x2 −1 2
ϑt ϑx

J
1 1
La función de densidad:  g(t , x) = f ⎡⎣x 1 (t, x) , x 2 (t, x)⎤⎦ x = x 2=
16 8
El recinto para las nuevas variables es:

⎧ 0 ≤ x1 ≤ 4 ⎯⎯⎯⎯⎯⎯ →
                                        
0 ≤ t ≤ 4                                             

⎨ x = (x + x ) / 2 t t
⎪0 ≤ x2 ≤ 4 ⎯⎯⎯⎯⎯⎯→ 0 ≤ 2x − t ≤ 4 → ≤ x ≤2+
1 2
⎩ 2 2

1 t t
g(t , x) = 0≤ t≤ 4 ≤ x ≤2+
8 2 2

La variable para analizar es la media muestral  x :

∫ ∫
2x
1 1 x
ƒ 0 ≤ x ≤ 2 : g 2 (x) = g(t , x) dt = dt = t20 x =
−∞ 0 8 8 4

∫ ∫
4
1 1 x
ƒ 2 < x ≤ 4 : g 2 (x) = g(t , x) dt = dt = t24 x − 4 = 1 −
−∞ 2 x −4 8 8 4

La función de densidad del consumo diario medio muestral del hogar viene dado
por la función de densidad de probabilidad:

Distribuciones de Probabilidad  106
⎧ x
⎪⎪ 0 ≤ x ≤ 2 
                                 g(x) = ⎨ 4
⎪1 − x 2< x ≤4
⎪⎩ 4
La probabilidad de que el consumo diario medio de la muestra sea inferior a un
1

∫ g(x)d x = ∫
⎡ x2 ⎤ 1
1 1
x
metro cúbico es:  P(x < 1) = dx = ⎢ ⎥ =
0 0 4 ⎣ 8 ⎦0 8
Falta por verificar que la esperanza de la media muestral, esto es, el consumo diario
medio muestral esperado coincide con el poblcional de 2 metros cúbicos.

∫ ∫ ∫ ∫ ∫
⎛ x2 ⎞
2 4 2 4
x ⎛ x⎞ x2
E(x) = x g(x)d x = x dx + x ⎜ 1 − ⎟ dx = dx + ⎜ x − ⎟ dx =
−∞ 0 4 2 ⎝ 4⎠ 0 4 2 ⎝ 4 ⎠
2 4
⎡ x3 ⎤ ⎡ x2 x3 ⎤ 8 16 64 4 8
             = ⎢ ⎥ ⎢+ − ⎥ = + − − + =2
⎣ 12 ⎦ 0 ⎣ 2 12 ⎦ 2 12 2 12 2 12

b) Para calcular la probabilidad del menor consumo de la muestra hay que calcular
la función de densidad del menor valor de la muestra.
n−1 2 −1
⎡ ⎤ 1⎡ 1 ⎤

∫ ∫ ∫
4 4
1 1 4 4 − t1
g(t1 ) = n f(t1 ) ⎢ f(x) dx ⎥ =2 ⎢ dx ⎥ = dx = x t = 0 ≤ t1 ≤ 4
⎣⎢ t ⎦⎥ 4 ⎣⎢ t1 4 ⎦⎥ 8 t1 8 1 8
2


⎡ t12 ⎤ 1
2
4 − t1 1 3
P(t1 < 2) = dt1 = ⎢ 4t − = (8 − 2) =
2 ⎥⎦ 0 8
1
0 8 8 ⎣ 4

Para calcular la probabilidad del máximo consumo de la muestra hay que calcular la
función de densidad del máximo valor de la muestra.
n−1 2 −1
⎡ ⎤ 1⎡ 1 ⎤
∫ ∫ ∫
tn tn tn
1 1 t t
g(tn ) = n f(tn ) ⎢ f(x) dx ⎥ =2 ⎢ dx ⎥ = dx = x 0n = n 0 ≤ tn ≤ 4
⎣⎢ −∞ ⎦⎥ 4 ⎣⎢ 0 4 ⎦⎥ 8 0 8 8


4
tn 1 4 1 3
P(tn > 2) = dtn = tn2 2 = (16 − 4) =
2 8 16 16 4

Distribuciones de Probabilidad  107
 Un agricultor sabe que las peras siguen una distribución N(θ , 1) . En una muestra
de peras, con peso medio de 300 gramos, se realizó un contraste con un nivel de
significación del 5% y una potencia de 0,6443, en donde la hipótesis nula era de
H 0 :  θ = 0,4  kg.  frente a la hipótesis alternativa de  H1 : θ = 0,3  kg.
Se desea saber:
a) Tamaño de la muestra utilizada por el agricultor.
b) Indicar qué hipótesis fue aceptada.
Solución:
a) En una distribución N(θ , 1) ,  en una muestra de tamaño n, la función de
verosimilitud vendrá dada por la expresión:

⎛ 1 − 12 (x1 − θ ) 2 ⎞ ⎛ 1 − 12 (x 2 − θ ) 2 ⎞ ⎛ 1 − 12 (x n − θ ) 2 ⎞
L(x 1 , x 2 , , x n , θ) = ⎜ e ⎟⎜ e ⎟ ⎜ e ⎟=
⎝ 2 π ⎠⎝ 2 π ⎠ ⎝ 2 π ⎠
n

∑ (x − θ)
1
n − 2

⎡ 1 ⎤ 2
i

                                  = ⎢ ⎥ e
i=1

⎣ 2π ⎦
Con las hipótesis del contraste,  H 0 :  θ = 0,4  y   H1 : θ = 0,3 . La región crítica óptima
se obtiene aplicando el teorema de Neyman‐Pearson:
n

∑ (x − 0 , 4)
1
n − 2

⎡ 1 ⎤ i
⎡ n 2 n ⎤
2 ⎢∑ ∑
i=1
e 1⎢
, x n , θ = 0,4) ⎢⎣ 2π ⎥⎦
2⎥
− (x − 0 , 4) 2
− (x − 0, 3)
L(x 1 , x 2 , i i

= = e ⎣ i=1 i=1 ⎦
=
, x n , θ = 0,3)
n

2∑
L(x 1 , x 2 , n − 1
(x − 0 , 3) 2

⎡ 1 ⎤ i=1
i

⎢ 2π ⎥ e
⎣ ⎦
⎡⎛ n n ⎞ ⎛ n n ⎞⎤ ⎡ n ⎤
∑ ∑ ∑ ∑ ∑
1
− ⎢⎜ xi ⎟−⎜ x i ⎟⎥
1
x 2i + 0 , 16 n − 0, 8 x 2i − 0, 09 n + 0 ,6 − ⎢ 0, 7 n − 0, 2 xi⎥
2 ⎢⎜ ⎟ ⎜ ⎟⎥ 2⎢ ⎥
⎣⎢ ⎝ ⎠ ⎦⎥
= e ⎠ ⎝
= e ⎣ ⎦
≤ k1
i = 1 i=1 i = 1 i=1 i=1

Tomando logaritmos neperianos, resulta,
⎡ n ⎤
∑ x ⎥⎥
1
− ⎢ 0, 7 n − 0, 2
2⎢ ⎡ ⎤
i
1 n
e ⎣ i=1 ⎦
≤ k1 − ⎢⎣ 0,7 n − 0,2 ∑ x i ⎥⎦ ≤ ln k 1 ⇒
2 i=1
n
∑ xi 0,7 n + 2 lnk 1
⎛ n ⎞ i=1
⇒ ⎜ 0,7 n − 0,2 ∑ x i ⎟ ≤ − 2 lnk 1 → x = ≤
⎝ i=1 ⎠ n 0,2 n

La forma de la mejor región crítica es:   x ≤ k

Distribuciones de Probabilidad  108
⎛ 1 ⎞
Ahora bien,  la hipótesis nula  H 0 :  θ = 0,4  es cierta sí   x ∈ N ⎜ 0,4 , ⎟.
⎝ n⎠
• Con un nivel de significación del 5%, se tiene:

⎡ ⎛ 1 ⎞⎤ ⎡ x − 0,4 k − 0,4 ⎤ ⎡ k − 0,4 ⎤


P ⎢ x ≤ k N ⎜ 0,4 , ⎟ ⎥ = P ⎢ ≤ ⎥ = P ⎢z ≤ ⎥ = 0,05
⎣ ⎝ n ⎠⎦ ⎣ 1/ n 1/ n ⎦ ⎣ 1/ n ⎦
k − 0,4 −1,645
                                         = − 1,645 k − 0,4 =
1/ n n

• De otra parte, la potencia del contraste es 0,6443.

Pot = 1 − β = P(Rechazar H 0 H 0 falsa) ≡ P(Rechazar H 0 H 1 cierta) .

⎛ 1 ⎞
Si se verifica la hipótesis alternativa  H1 : θ = 0,3  se tiene que  x ∈ N ⎜ 0,3 , ⎟
⎝ n⎠
⎡ ⎛ 1 ⎞⎤ ⎡ x − 0,3 k − 0,3 ⎤ ⎡ k − 0,3 ⎤
P ⎢ x ≤ k N ⎜ 0,3 , ⎟ ⎥ = P⎢ ≤ ⎥ = P ⎢z ≤ ⎥ = 0,6443
⎣ ⎝ n ⎠⎦ ⎣ 1 / n 1 / n ⎦ ⎣ 1 / n ⎦
k − 0,3 0,37
                                         = 0,37 k − 0,3 =
1/ n n

⎧ −1,645
⎪ k − 0,4 =
n n = 406     
⎪ 2,015
Resolviendo el sistema:  ⎨ 0,1 = →
⎪ n
0,37 k = 0,3184
⎪ k − 0,3 =
⎩ n
El tamaño de la muestra es de 406 peras.

b) La mejor región crítica será   x ≤ k = 0,3184 , rechazándose la hipótesis nula


cuando el peso medio de la muestra de peras sea inferior a 318,4 gramos.
Como en la muestra se obtuvo un peso medio de 300 gramos (300 ≤ 318,4 ), se
rechaza la hipótesis nula de que el peso medio de las peras es de 0,4 kg.

Distribuciones de Probabilidad  109
  En una distribución de Poisson se establece sobre el parámetro la hipótesis
nula,  H 0 : λ = 0,1 , y la alternativa,  H 1 :  λ = 0, 4 . En muestras aleatorias simples de
tamaño 100, siendo el nivel de significación 0,1, se desea conocer:
a) La mejor región crítica.
b) La potencia del contraste.
Solución:
a)  Una variable aleatoria X sigue una distribución de Poisson de parámetro  λ
λ k −λ
cuando:   P(X = k) = e
k!
Aplicando el Lema de Neyman‐Pearson se determina la región crítica, el cociente de
las funciones de verosimilitud:
x x x
0,1 1 − 0,1 0,1 2 − 0 ,1 0,1 100 − 0,1
e e e
L(x 1 , x 2 , , x 100 ; λ = 0,1) x 1! x 2! x 100!
= =
L(x 1 , x 2 , , x 100 ; λ = 0, 4) x x
0, 4 1 − 0,4 0, 4 2 − 0,4
x
0, 4 100 − 0 ,4
e e e
x 1! x 2! x 100!
100

∑x 100 100 100

⎛ 0,1 ⎞ ∑ ⎛ 0, 4 ⎞ ∑ ∑x
i
i=1 −10 x i − x i −
0,1 x e i

      = 100 = ⎜ ⎟
i=1
x e
30
= ⎜ ⎟
i=1
x e
30
= 4 i=1
x e
30
≤ k1 →
∑ xi ⎝ 0, 4 ⎠ ⎝ 0,1 ⎠
0, 4 i = 1 x e − 40
100 100
− ∑x i
− 30
− ∑x i

→ 4 i=1
≤ e x k1 → ln 4 i=1
≤ ln (e −30 x k 1 ) →
       
100 ln (e −30 x k 1 ) 100
→ − ∑ xi ≤ ∑ xi ≥ k
i=1 ln 4 i=1

100
La mejor región crítica es   ∑ x i ≥ k
i=1

100
Bajo la hipótesis nula,  ∑ x i  es una variable aleatoria, suma de cien variables
i=1

aleatorias independientes,  que sigue una distribución de Poisson de parámetro
P(λ = 100 x 0,1) = P(10) .  Por otra parte, como el tamaño muestral es lo
suficientemente grande se puede utilizar la aproximación normal (teorema central
100
del límite):   ∑ x i ∼ N(10, 10)
i =1

El valor crítico k se determina mediante el nivel de significación  α = 0,1

Distribuciones de Probabilidad  110
⎡ 100
∑ x i − 10 ⎤
⎡ 100 ⎤ ⎢ i=1 k − 10 ⎥ ⎡ k − 10 ⎤
P ⎢ ∑ x i ≥ k / N(10, 10)⎥ = P ⎢ ≥ ⎥ = P ⎢ z ≥ ⎥ = 0,1
⎣i = 1 ⎦ ⎢ 10 10 ⎥ ⎢⎣ 10 ⎥⎦
⎣ ⎦
k − 10
                                                → = 1,2817 ⇒ k = 14,05
10

Como los valores que toma una variable de Poisson son enteros, la mejor región
100
crítica es  ∑ x i ≥ 15 . Es decir, cuando la suma de los valores muestrales sea mayor
i=1

que 15, rechazaremos la hipótesis nula.

b)     Pot = P(Rechazar H 0 H 0 falsa) ≡ P(Rechazar H 0 H 1 cierta)


100
Bajo la hipótesis alternativa  H 1 :  λ = 0, 4  el   ∑ x i  sigue una distribución de Poisson
i=1
100
de parámetro  λ = 100 x 0, 4 = 40 :   ∑ x i ∼ P(λ = 40)
i=1

Teniendo en cuenta su aproximación a la distribución normal N(40, 40) , resulta:


⎡ 100
∑ x i − 40 ⎤
⎡ 100 ⎤ ⎢ i=1 15 − 40 ⎥
Pot = P ⎢ ∑ x i ≥ 15 /N(40, 40)⎥ = P ⎢ ≥ ⎥ = P ⎣⎡ z ≥ − 3,95 ⎦⎤ = 0,99996
⎣i = 1 ⎦ ⎢ 40 40 ⎥
⎣ ⎦
La potencia del contraste es prácticamente la unidad.

  Un experto cree que el número medio de errores por página que comete es dos.
Por otra parte, el editor defiende que el número medio es de cuatro. Para una
muestra aleatoria simple de 100 páginas, con un nivel de significación del 5%, se
pide:
a) Obtener la región crítica.
b) Hallar la potencia del contraste.
c) Si en la muestra aleatoria de 100 páginas se encontraron 250 errores, ¿qué
hipótesis se acepta?
Nota.‐ Se supone que el número de errores por página sigue una distribución de
Poisson.
Solución:
a) La variable aleatoria  X = 'número de errores por página'  sigue una distribución
de Poisson de parámetro  λ  (número medio de errores por página).
⎧H 0 : λ = 2
Sobre el parámetro  λ  se establecen las hipótesis nula y alternativa:  ⎨
⎩H 1 : λ = 4

Distribuciones de Probabilidad  111
La función de verosimilitud para una muestra aleatoria simple de tamaño n:
n

∑x i
⎛ λ x 1 − λ ⎞⎛ λ x 2 − λ ⎞ ⎛ λ x n − λ ⎞ λ i = 1 − nλ
L(x 1 , x 2 , , x n , λ) = ⎜ e ⎟⎜ e ⎟ ⎜⎜ e ⎟= n e
⎜ x1! ⎟⎜ x 2 ! ⎟ x ! ⎟
⎝ ⎠⎝ ⎠ ⎝ n ⎠ ∏ xi!
i=1

Para obtener la mejor región crítica se aplica el teorema de Neyman‐Pearson:
100

∑x i

2 i =1
n e − 200
∏ xi!
100 100

, x n , λ = 2) ⎡1⎤ ∑ ⎡1⎤∑
xi x
L(x 1 , x 2 , i=1
i
k1
= = ⎢ ⎥ i = 1 e200 ≤ k 1 ⇒ ⎢ ⎥ i = 1 ≤ 200
, x n , λ = 4)
100
L(x 1 , x 2 , ∑x i ⎣2⎦ ⎣2⎦ e
i =1
4
n e − 400
∏ xi!
i=1
100

⎡1⎤∑
x 100 100
⎡1⎤ ⎡ k1 ⎤ ⎡ k1 ⎤
∑ ∑
i
k1
⎢⎣ 2 ⎥⎦
i =1
≤ x i ln ⎢ ⎥ ≤ ln ⎢ 200 ⇒ − (ln 2) x ≤ ln
⎣ e ⎥⎦ ⎢⎣ e 200 ⎥⎦
i
e200 i =1 ⎣2⎦ i =1

100
ln ⎡⎣k1 / e200 ⎤⎦ 100

∑x
i =1
i ≥
ln 2
→ La mejor región crítica es de la forma  ∑x
i =1
i ≥ k

El valor de k se obtiene considerando que el nivel de significación es del 5%, y
100

teniendo en cuenta que  ∑x
i =1
i , bajo la hipótesis nula, sigue una distribución de

100

Poisson de parámetro  λ = 100 x 2 = 200 , es decir,  ∑ x ∈ P(λ = 200) .


i =1
i

100

Por otra parte,  ∑x
i =1
i se puede aproximar mediante la distribución normal

N(200, 200) . En consecuencia:

⎡ 100
∑ x i − 200 ⎤
⎡ 100 ⎤ ⎢ i=1 k − 200 ⎥ k − 200
P⎢ ∑ xi ≥ k ⎥ = P ⎢ ≥ ⎥ = 0,05 = 1,645 → k = 223,3
⎣⎢ i = 1 ⎦⎥ ⎢ 200 200 ⎥ 200
⎣ ⎦
100

La mejor región crítica es  ∑x i =1
i ≥ 223,3 . En otras palabras, si la suma de

observaciones muestrales es mayor que 223,3 se rechaza la hipótesis nula.

Distribuciones de Probabilidad  112
b) Pot = 1 − β = P(Rechazar H0 H0 falsa) ≡ P(Rechazar H0 H1 cierta)
100

Considerando, de una parte, que bajo la hipótesis alternativa  H1 : λ = 4 , el  ∑x


i =1
i

sigue una distribución de Poisson de parámetro  λ = 100 x 4 = 400 , es decir,


100

∑ x ∈ P(λ = 400) . Teniendo en cuenta su aproximación a la distribución normal


i =1
i

N(400, 400) , resulta:

⎡ 100 x i − 400 ⎤
⎡ 100 ⎤ ⎢ i∑ 223 − 400 ⎥
P⎢
⎢⎣
∑i =1
x i ≥ 223 ⎥
⎥⎦
= P⎢

=1

400

400
⎥ = P ⎡⎣ z ≥ − 8,85⎤⎦ ≈ 1

⎣ ⎦
La potencia del contraste es prácticamente la unidad.

c) En la muestra aleatoria simple de 100 páginas se encontraron 250 errores, como
100

la región crítica es  ∑x
i =1
i ≥ 223,3 , con un nivel de significación del 5% se rechaza la

hipótesis nula del experto que aseguraba que el número medio de errores por
página era de dos.

  Las patatas cultivadas en la parcela A siguen una distribución  N(α 1 , 144) ;


mientras que las cultivadas en la parcela B siguen una distribución  N(α 2 , 225) .
Un agricultor quiere contrastar que el peso medio de las patatas cultivadas en
ambas parcelas es el mismo,  H 0 : α 1 − α 2 = 0 , frente a la hipótesis alternativa de
que el peso medio de las patatas cultivadas en la parcela A es de 80 gramos mayor
que el de las cultivadas en la parcela B,  H 1 : α 1 − α 2 = 80 .
Para ello, selecciona una muestra aleatoria de 100 patatas de la primera parcela
con un peso medio de 400 gramos; y otra de 81 patatas de la segunda parcela con
un peso medio de 364 gramos.
Se pide:
a) Hallar la mejor región crítica.
b) Calcular la potencia del contraste.
c) ¿Se acepta la hipótesis de que las patatas cultivadas en ambas parcelas tienen el
mismo peso medio?
Solución:
a) Sean la variable aleatoria X = ’peso medio de las patatas en la parcela A’, que
sigue una distribución  N(α 1 , 144) . Análogamente, sea la variable aleatoria Y =
’peso medio de las patatas en la parcela B’, con una distribución  N(α 2 , 225) .

Distribuciones de Probabilidad  113
Sean, respectivamente,  x  e  y , las dos medias muestrales de las dos muestras
aleatorias simples de patatas correspondientes a las dos parcelas.

⎡ 144 ⎤ ⎡ 225 ⎤
x ∼ N ⎢α 1 , ⎥ ≡ N(α 1 ; 14,4)   ,  y ∼ N ⎢ α 2 , ⎥ ≡ N(α 2 ; 25)
⎣ 100 ⎦ ⎣ 81 ⎦
La diferencia de las medias muestrales (x − y)  se distribuye según una normal:

(x − y) ∼ N ⎡ α 1 − α 2 ; 14,4 2 + 25 2 ⎤ → (x − y) ∼ N ⎡⎣ α 1 − α 2 ; 28,85 ⎤⎦
⎣ ⎦
Para hallar la mejor región crítica se aplica el teorema de Neyman‐Pearson:


[ (x − y) − 0 ] 2

1 ( x − μ )2 1 2 x 28,85 2
f (x )=
1
e 2 σ
2 xe
L(x, α 1 − α 2 = 0)   σ 2π 28,85 2 π
= =
L(x, α 1 − α 2 = 80) −
[ (x − y) − 80 ] 2
1 2 x 28,85 2
x e
28,85 2 π
1 1
− ⎡( x − y) 2 − [ (x − y) − 80 ] 2 ⎤⎦⎥ − [ 160 (x − y) − 6400 ]
2 x 28,85 2 ⎣⎢ 2 x 28,85 2
=e =e ≤ k1 →
1
→ − ⎡160(x − y) − 6400 ⎦⎤ ≤ lnk 1 →
2 x 28,85 2 ⎣
→ 160(x − y) ≥ − 1664,64 lnk 1 + 6400 → (x − y) ≥ k
Región crítica  (x − y) ≥ k

Para hallar el valor de k se considera que el nivel de significación es 0,05, bajo la
hipótesis nula   H 0 : α 1 − α 2 = 0  se tiene (x − y) ∼ N(0 ; 28,85)

⎡ (x − y) k ⎤ ⎡ k ⎤
P ⎡⎣ (x − y) ≥ k / N(0 ; 28,85) ⎤⎦ = P ⎢ ≥ ⎥ = P⎢z ≥ ⎥ = 0,05 →
⎣ 28,85 28,85 ⎦ ⎣ 28,85 ⎦
k
                                                    → = 1,645 k = 47,46
28,85

Si la diferencia entre las medias de las dos muestras es superior a 47,46 gramos
[ (x − y) ≥ 47,96 gramos]  se rechaza la hipótesis nula de igualdad de medias
poblacionales.

b) Bajo la hipótesis alternativa  H 1 : α 1 − α 2 = 80   se tiene (x − y) ∼ N(80 ; 28,85)


Pot = P(Rechazar H 0 H 0 falsa) ≡ P(Rechazar H 0 H 1 cierta)

Distribuciones de Probabilidad  114
⎡ (x − y) − 80 47,46 − 80 ⎤
Pot = P ⎡⎣ (x − y) ≥ k / N(80 ; 28,85) ⎤⎦ = P ⎢ ≥ ⎥=
⎣ 28,85 28,85 ⎦
                                                                   = P⎡⎣ z ≥ − 1,13 ⎤⎦ = 0,8708

c) La diferencia entre el peso medio de las muestras tomadas en ambas parcelas
es:   (x − y) = 400 − 364 = 36 < 47,96 → Se acepta H0 , concluyendo que ambas
parcelas producen patatas con igual peso medio.

  El precio de los productos vendidos por una empresa es una variable aleatoria
con función de densidad   f(x) = θ x θ−1 , donde  0 < x < 1 , θ > 0 , que depende del
parámetro desconocido  θ . Se quiere contrastar sobre el valor de dicho parámetro
la hipótesis nula  H 0 : θ = 1  frente a la alternativa  H 1 : θ = 2 . Para ello, se toma una
muestra aleatoria simple de tamaño dos.
Determinar el nivel de significación y la potencia del contraste, si se toma como
región crítica  x 1 x 2 ≤ 0,6

Solución:

α = P(Rechazar H 0 H 0 cierta) .

En la región crítica  x 1 x 2 ≤ 0,6 , bajo la hipótesis nula


θ = 1 ,  se tiene  f(x) = 1 , con lo cual:

x 1 = 0,6 x2 = 1 x1 = 1 x2 = 0 , 6 x 1

α = P ⎡⎣ x 1 x 2 ≤ 0,6 H0 : θ = 1 ⎤⎦ =
∫ x1 = 0 ∫ x2 = 0
1 dx 1 dx 2 +
∫ ∫ 1 dx dx =
x 1 = 0,6 x2 = 0
1 2

∫ ∫ ∫ ∫ (0,6 x ) dx =
0,6 1 0,6 1
1 0, 6 x 1
= ⎡ x 2 ⎤ dx 1 + ⎡x 2 ⎤ dx 1 = dx 1 +
⎣ ⎦0 ⎣ ⎦0 1 1
      0 0,6 0 0,6
0,6 1
= ⎡⎣ x 1 ⎤⎦ + ⎡⎣ln x 1 ⎤⎦ = 0,6 + 0,6 (ln 1 − ln 0,6) = 0,6 + 0,6(0 + 0,51) = 0,906
0 0,6

La probabilidad de rechazar la hipótesis nula siendo cierta es alta, lo que indica que
el contraste es malo.

Pot = 1 − β = P(Rechazar H 0 H 0 falsa) ≡ P(Rechazar H 0 H 1 cierta)

En la región crítica  x 1 x 2 ≤ 0,6 ,  x 1 x 2 ≤ 0,6 , bajo la hipótesis alternativa   θ = 2  se


tiene  f(x) = 2 x , la potencia será:

Distribuciones de Probabilidad  115
Pot = P ⎡⎣ x 1 x 2 ≤ 0,6 H 0 : θ = 2 ⎤⎦ =
x 1 = 0,6 x2 = 1 x1 = 1 x 2 = 0, 6 x 1

=
∫ x1 = 0 ∫ x2 = 0
2x 1 2x 2 dx 1 dx 2 +
∫ ∫
x 1 = 0,6 x2 = 0
2x 1 2x 2 dx 1 dx 2 =

∫ ∫
0, 6 1
1 0, 6/x 1
= 4 x 1 ⎡⎣ x 2
2 2 ⎤⎦ dx 1 + 4 x 1 ⎡⎣ x 22 2 ⎤⎦ dx 1 =
0 0
0 0, 6

∫ ∫
0, 6 1
0 ,6 1
= 2 x 1 dx 1 + 2 (0,36 / x 1 ) dx 1 = ⎡⎣ x 12 ⎤⎦ + 0,72 ⎡⎣ln x 1 ⎤⎦ =
0 0,6
0 0,6

= 0,36 + 0,72 (ln1 − ln0,6) = 0,36 + 0,72 (0 + 0,51) = 0,7272

La potencia del contraste no resulta excesivamente alta, el contraste no es bueno.

 Las ventas diarias de una multinacional (en millones de euros) es una variable
aleatorias X en cuya función de densidad de probabilidad se establece la hipótesis
x 1
nula  H0 :  f(x) = 0 < x < 2  frente a la hipótesis alternativa  H1 :  f(x) = 0 < x < 2
2 2
Para realizar el contraste se toma una muestra aleatoria simple de dos días, donde
los volúmenes de ventas fueron de 1.000.000 y 1.200.000 euros. Con un nivel de
significación del 5%, se desea saber:
a) Con qué cantidad se rechaza la hipótesis nula.
b) Potencia del contraste
c) Qué hipótesis resulta aceptable.
Solución:
a) La región crítica se encuentra por el teorema
de Neyman ‐ Pearson para una muestra aleatoria
simple de tamaño dos:
x1 x2
L(x 1 , x 2 , f(x) = x / 2) 2 . 2
= = x1 x2 ≤ k
L(x 1 , x 2 , f(x) = 1 / 2) 1 1
.
2 2
Se calcula k considerando el nivel de significación  α = 0,05

⎧ x⎫
α = P(Error Tipo I) = P {Rechazar H0 / H0  es cierta} = P ⎨ x 1 x 2 ≤ k / f(x) = ⎬ =
⎩ 2⎭
⎛ 2 x1 x 2 ⎞ ⎛ k/x1 x 1 x 2 ⎞
∫ ∫ ∫ ∫
k/2 2

    = ⎜⎜ dx 2 ⎟⎟ dx 1 + ⎜⎜ dx 2 ⎟⎟ dx 1 =
0 ⎝ 0 4 ⎠ k/2 ⎝ 0 4 ⎠

Distribuciones de Probabilidad  116
2 k/x1

∫ ∫ ∫ ∫
x 1 ⎡ x 22 ⎤ x 1 ⎡ x 22 ⎤
k/2 2 k/2 2
x1 k2
= dx 1 + dx 1 = dx 1 + dx 1 =
0 4 ⎢⎣ 2 ⎥⎦ 0 ⎢ ⎥
k/2 4 ⎣ 2 ⎦ 0 0 2 k/2 8 x 1
k/2
1 ⎡ x 12 ⎤ k2 k2 k2 k2 ⎡ 1 ⎤
     = ⎢ ⎥ + ⎡⎣lnx 1 ⎤⎦ k/2 =
2
+ (ln2 − lnk + ln2) = ⎢ + 2ln2 − lnk ⎥ =
2 ⎣ 2 ⎦0 8 16 8 8 ⎣2 ⎦
k2
= ⎡⎣1,886 − lnk ⎤⎦ = 0,05 → k 2 (1,886 − lnk) = 0, 4 → k 0, 3733
8
La región crítica es de la forma  x 1 x 2 ≤ 0,3733 , es decir, si el producto de las ventas
de los dos días es inferior a 337.300 se rechaza la hipótesis nula.

⎧ 1⎫
b) Pot = { Aceptar H1 / H1  es cierta} = P ⎨ x 1 x 2 ≤ 0,3733 / f(x) = ⎬ =
⎩ 2⎭
⎛ 21 ⎞ ⎛ 0 ,3733/x1 1 ⎞
∫ ∫ ∫ ∫
0 ,3733/2 2

= ⎜⎜ dx 2⎟
⎟ dx 1 + ⎜⎜ dx 2⎟
⎟ dx 1 =
0 ⎝ 0 4 ⎠ 0,3733/2 ⎝ 0 4 ⎠

  ∫ ∫
0 ,3733/2 2
1 1
[ x 2 ]0 dx 1 + [ x 2 ]0
2 0,3733/x1
= dx 1 =
0 4 0,3733/2 4

∫ ∫
0 ,3733/2 2
dx 1 0,3733 1 0,3733
dx 1 = [ x 1 ]0
0,3733/2
= + + ⎡⎣lnx 1 ⎤⎦ 20,3733/2 =
0 2 0,3733/2 4 x1 2 4
0,3733 0,3733 0,3733
= + (ln2 − ln0,3733 + ln2) = ⎡1 + 2ln2 − ln0,3733⎦⎤ = 0,31466
4 4 4 ⎣
c) Los volúmenes de ventas de la muestra aleatoria simple de tamaño dos fueron
de 1.000.000 y 1.200.000 euros, con lo que  x 1 = 1  y   x 2 = 1,2

x 1 x 2 = 1,2 > 0,3733 → Se acepta la hipótesis nula.

Distribuciones de Probabilidad  117
  El gasto diario, en miles de euros, en electricidad de una empresa es una
variable aleatoria con distribución N(α , 1).  Se desea contrastar con un nivel de
significación del 5%, la hipótesis nula de que el gasto medio diario es de 30 euros
frente a la hipótesis alternativa de que dicho gasto es menor que la citada cifra.
Para ello se toma una muestra aleatoria simple de diez días en los que el gasto en
electricidad en euros fue:
29,5 29,3 30,5 31,5 29,1 29,9 30,1 31 31,5 30
Se pide:
a) ¿Cuál es la hipótesis aceptada?
b) ¿Cuál habría sido la probabilidad de aceptar que el gasto diario medio es de 30
euros, si el gasto medio diario fuese un 2% superior a la cifra supuesta en la
hipótesis nula?
Solución:
a) La variable aleatoria X = 'Gasto diario en facturas de electricidad’   X ∼ N(α , 1).

Hipótesis nula  H 0 :  α = 30  frente a la hipótesis alternativa  H 1 :  α < 30

Para una muestra aleatoria simple de tamaño n, de una población N(α , 1) , la
función de verosimilitud es:

⎛ 1 − 1 (x1 − α)2 ⎞ ⎛ 1 − 1 (x2 − α )2 ⎞ ⎛ 1 − 1 (xn − α )2 ⎞


L(x 1 , x 2 , , x n , α) = ⎜ e 2 ⎟⎜ e 2 ⎟ ⎜ e 2 ⎟ =
⎜ 2π ⎟ ⎜ 2π ⎟ ⎜ 2π ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
n
n − 1 ∑ (x i − α ) 2
⎛ 1⎞ 2i=1
                                     = ⎜
⎜ 2π ⎟⎟
e
⎝ ⎠
Para obtener la región crítica se aplica el teorema de Neyman‐Pearson:
n
1
⎛ 1 ⎞ −2
n ∑ (xi − 3)2
⎟⎟ e i = 1 1 n n
⎜⎜ − ∑ (x i − 3)2 +
1
∑ (xi − α)2
L(x 1 , x 2 , , x n , α = 3) ⎝ 2π ⎠ 2 2
= = e i=1 i=1
=
L(x 1 , x 2 , , x n , α < 3) n
n − 1 ∑ (x i − α )2
⎛ 1 ⎞ 2
⎜⎜ ⎟⎟ e i = 1
⎝ 2π ⎠

1⎛ n n n n ⎞ 1⎛ n ⎞
− ⎜ ∑ (x 2i + 9n − 6) ∑ x i − ∑ (x 2i − n α2 ) + 2 α ∑ x i ⎟ − ⎜ n(9−α 2 ) + (2 α− 6) ∑ x i ⎟
2 ⎜i=1 ⎟ 2⎜ ⎟
=e ⎝ i=1 i=1 i=1 ⎠
=e ⎝ i=1 ⎠
≤ k1

Distribuciones de Probabilidad  118
1⎛ n ⎞
− ⎜ n(9 − α2 ) + (2 α − 6) ∑ x i ⎟
2⎜ ⎟ 1⎡ n ⎤
e ⎝ i=1 ⎠
≤ k1 ⇒ − ⎢n(9 − α2 ) + (2 α − 6) ∑ x i ⎥ ≤ lnk1
2 ⎢⎣ i = 1 ⎥⎦
1⎛ n ⎞ n
− ⎜ n(9 − α 2 ) + (2 α − 6) ∑ x i ⎟ ≤ lnk1 (2 α − 6) ∑ x i ≤ − 2 lnk1 − n(9 − α 2 )
2⎝ i=1 ⎠ i=1
n

n −2 ln k 1 − n(9 − α ) 2 ∑ xi
i=1
∑ xi ≤   dividiendo por n,  resulta   x = ≤k
i=1 (2 α − 6) n

con lo que la forma de la región crítica es  x ≤ k .

Siendo  α = 0,05 , se tiene:   P ⎡⎣ x ≤ k H0 : α = 30 ⎤⎦ = 0,05

Si la hipótesis nula es cierta, considerando que la muestra es de tamaño 10, la
⎛ 1 ⎞
media muestral se distribuye según una normal  x ∼ N ⎜ 30 , ⎟ , por tanto,
⎝ 10 ⎠

⎡ x − 30 k − 30 ⎤ ⎡ k − 30 ⎤
P ⎡⎣ x ≤ k H0 : α = 30 ⎤⎦ = P ⎢ ≤ ⎥ = P⎢z ≤ ⎥ = 0,05
⎣ 1 10 1 10 ⎦ ⎣ 1 10 ⎦
k − 30
Observando las tablas de la N(0, 1) → = − 1,645 → k = 29, 48
1 10
La región crítica es:  x ≤ 29,48
10
∑ xi
i=1
Por otra parte, la media muestral es:  x = = 30,24
10
Siendo  x = 30,24 > 29,48  se acepta la hipótesis nula, con lo que el gasto medio
diario en electricidad de 30 euros con una fiabilidad del 95%.

b) Si el gasto medio diario fuera un 2% superior a 30 euros, sería de 30,6 euros, es
decir  α = 30,6.  En este caso, la media muestral se distribuye según una normal
⎛ 1 ⎞
x ∼ N ⎜ 30,6 , ⎟ , por tanto, la probabilidad pedida sería:
⎝ 10 ⎠

⎡ x − 30,6 29,48 − 30,6 ⎤


P ⎡⎣ Aceptar H 0 α = 30,6 ⎤⎦ = P ⎢ > ⎥ = P⎡⎣z > − 3,54 ⎤⎦ = 0,9998
⎣ 1 10 1 10 ⎦

Distribuciones de Probabilidad  119
  Las especificaciones de un tipo de báscula aseguran que los errores en las
pesadas siguen una distribución normal con esperanza nula y varianza unidad. Se
desea contrastar la afirmación sobre la varianza frente a la hipótesis alternativa de
que la varianza es 4. En este sentido, se realizan cinco pesadas en las que el error
cometido resultó ser
1 0,9 − 0,2 1,4 − 0,7
Para un nivel de significación del 5%, se pide:
a) Obtener la mejor región crítica.
b) Obtener la potencia del contraste.
c) Indicar qué hipótesis resultada aceptada.
Solución:
a) Sea la variable aleatoria X = 'Error cometido en la báscula',   X ∼ N(0 , σ).

La hipótesis nula  H0 : σ 2 = 1  frente a la hipótesis alternativa  H1 : σ 2 = 4

La función de verosimilitud para una muestra aleatoria simple de tamaño 5 es:

⎛ 1
− 2 x12 ⎞ ⎛ 1
− 2 x 22 ⎞ ⎛ 1
− 2 x 25 ⎞
⎜ 1 ⎟ ⎜ 1 ⎟ ⎜ 1 ⎟
L(x1 , x 2 , , x5 , σ 2 ) = ⎜ e 2σ ⎟ ⎜ σ 2π e

⎟ ⎜ σ 2π e

⎟ =
⎜ σ 2π ⎟ ⎜ ⎟ ⎜ ⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
5
5 − 1 ∑ x 2i
⎛ 1 ⎞ 2σ 2 i = 1
                                     = ⎜
⎜ σ 2π ⎟⎟
e
⎝ ⎠
La región crítica óptima se obtiene aplicando el teorema de Neyman‐Pearson:
5
1
⎛ 1 ∑ xi
⎞ −2
5 2

i=1 1 5 2 5

⎜ 2π ⎟⎟ e − ∑x +
1
∑ x2i
L(x1 , x 2 , , x 5 , σ 2 = 1) ⎝ ⎠ 5 2 i=1 i 8 i=1
= 5
=2 e =
L(x1 , x 2 , , x 5 , σ 2 = 4) 5 − 1 ∑ x 2i
⎛ 1 ⎞ 2.4 i = 1
⎜⎜ ⎟⎟ e
⎝ 2 2π ⎠
5
3 3 5 2

8
∑ x2i − ∑x
8 i=1 i 3 5 2
          = 25 e i=1
≤ k1 → e ≤ k1 32 − ∑ x ≤ ln (k1 32)
8 i=1 i
5 ln (k1 32) 5 ln (k1 32) 5
2 2 2
∑ xi ≤ ∑ xi ≥ ∑ xi ≥ k
i=1 −3 8 i=1 −3 8 i=1

5
La forma de la mejor región crítica es   ∑ x 2i ≥ k
i=1

Distribuciones de Probabilidad  120
⎡ 5 ⎤
El valor de k se obtiene considerando que,    α = P ⎢ ∑ x 2i ≥ k H0 : σ 2 = 1⎥ = 0,05
⎢⎣ i = 1 ⎥⎦

Si la hipótesis nula es cierta, la variable aleatoria se distribuye según una normal
5
N(0 , 1) , siendo  ∑ x 2i una variable aleatoria suma de cinco variables aleatorias
i=1
5
independientes con distribución  N(0 , 1) . En consecuencia,  ∑ x 2i  se distribuye
i=1
como una  χ 25
⎡ 5 2 ⎤
Observando en las tablas:   P ⎢ ∑ x i ≥ k ⎥ = P ⎡ χ25 ≥ k ⎤ = 0,05 → k = 11,07
⎢⎣ i = 1 ⎥⎦ ⎣ ⎦
5
La región crítica es:  ∑ x 2i ≥ 11,07
i=1

En otras palabras, se aceptará la hipótesis nula cuando  la suma de los cuadrados de
las observaciones muestrales sea menor que 11,07

⎡ 5 ⎤
b) Pot = P ⎡⎣Rechazar H0 / siendo H0  falsa⎤⎦ = P ⎢ ∑ x 2i ≥ 11, 07 H1 :  σ 2 = 4 ⎥
⎢⎣ i = 1 ⎥⎦

Sí la hipótesis alternativa es cierta, la variable aleatoria X se distribuye según una
normal  N(0 , 2), con lo que dividiendo cada  x i  por la desviación típica  σ = 2 , se
5
tiene que  ∑ (x i 2)2 se distribuye según una  χ 25 , en consecuencia:
i=1
⎡ 5 ⎤ ⎡ 5 ⎤
Pot = P ⎢ ∑ x 2i ≥ 11, 07 H1 : σ 2 = 4 ⎥ = P ⎢ ∑ (x i 2)2 ≥ 2, 7675 ⎥ = P ⎡ χ 25 ≥ 2, 7675 ⎤ ≈ 0,75
⎢⎣ i = 1 ⎥⎦ ⎢⎣ i = 1 ⎥⎦ ⎣ ⎦

5
c) El contraste se realiza hallando el  ∑ x 2i  de la muestra aleatoria simple, siendo:
i=1
5
2 2 2 2 2 2
∑ x i = 1 + 0,9 + (− 0,2) + 1,4 + (− 0,7) = 4,3 < 11,07
i=1
por lo que se acepta la hipótesis nula.

Distribuciones de Probabilidad  121
Gestión Aeronáutica: Estadística Teórica
Facultad Ciencias Económicas y Empresariales
Departamento de Economía Aplicada
Profesor: Santiago de la Fuente Fernández

Distribuciones de Probabilidad  122

You might also like