APUNTE22 V 1

Universidad Tcnica Federico Santa Mara
versin 1
Pg.
118
____________________________________________________________________________________________
Fgm********************
3.5.3.- Ejemplo
La distribucin geomtrica se puede asociar al experimento (con
devolucin) de obtener el primer xito en la n-sima repeticin.
Suponga una mquina que produce un 7% de artculos defectuosos. Y
la lnea de produccin de esta mquina se revisa si los artculos son no
defectuosos (B) o defectuosos (D); el experimento concluye una vez
que se ha encontrado el primer artculo defectuoso.
Los casos posibles son :
D
BD
BBD
BBBD
BBBBD
...
BBB...BBBBD
Definamos nuestra v.a.d. X = {xi / "El artculo i es defectuoso"}.
Debido a que ser bueno o defectuoso son sucesos independientes,
cada uno con probabilidades O.93 y O.O7 respectivamente, la funcin
de cuanta queda definida por:
p(x i ) q
x i 1
p 0.93 x i 1 0.07
Por lo tanto se puede decir que X se distribuye como una geomtrica,

esto se anota como:
XGEO (0.07)
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez

versin 1
Pg.
119
____________________________________________________________________________________________
3.6.- Distribucin Pascal (o Binomial Negativa)

Para una distribucin de Pascal, se tiene en general:
P(x) = P(X=x) = x-1Cr-1 prqx-r
; x = r, r+1,r+2, r+3,
Donde:
p es la probabilidad de que ocurra un suceso A
q es (1-p)
X = x s y slo s A ocurre en la x-sima repeticin y precisamente A
ocurri (r -1) veces en las (x-1) repeticiones previas.
Es posible obtener una generalizacin obvia de la distribucin geomtrica.
Supongamos que un proceso se contina hasta que un evento A ocurre
por r-sima vez, en la n-sima vez que se realiza el experimento. Si
definimos:
P(A) = p , P(Ac) = q = 1-p
en cada una de las repeticiones, definimos la variable aleatoria X como
sigue:
X es el nmero de repeticiones necesarias para que A ocurra por
r-sima vez en la n-sima vez que se realiza el experimento. Buscamos la
distribucin de probabilidades de X.
Ahora X=k s y slo s A ocurre en la k-sima repeticin y precisamente A
ocurri (r-1) veces en las (k-1) repeticiones previas. La probabilidad de
este evento es simplemente:
k -1
p
r -1
r-1
q k-r
ya que lo que sucede en las primeras (k-1) repeticiones son

independientes de lo que sucede en la k-sima repeticin, se obtiene
k -1
k p r q k-r
r -1
, k = r, r +1, ...
____________________________________________________________________________________________

versin 1
Pg.
120
____________________________________________________________________________________________
Es muy sencillo ver que para r=1, lo anterior se reduce a la distribucin

geomtrica. Una variable aleatoria que tenga una distribucin dada por la
ecuacin anterior, se conoce como Distribucin de Pascal.
Si X tiene una Distribucin de Pascal entonces,
3.6.1.- La Esperanza es
E(X)=r/p.
3.6.2.- La Varianza es
V(X)=rq/p2.
*********************************************************
3.7.- Distribucin de Poisson.
Esta distribucin es un caso lmite de la binomial. Suponemos p pequeo
y n grande, de modo que el producto np tienda a un valor finito.
Usualmente se asocia a una Distribucin de Poisson cuando se conoce un
promedio por unidad de tiempo.
De la binomial se tiene:
n
p(x i ) = P(X = x i ) = p
xi
xi
1 - p n -
xi
Sustituyendo p= /n, tomando el lmite cuando n se obtiene
n
l i m p( p
xi
xi
1 - p
n - xi
)=
e -
xi !
xi
____________________________________________________________________________________________

versin 1
Pg.
121
____________________________________________________________________________________________
Se dice que la v.a.d. X se distribuye como una Poisson su funcin de

cuanta es :
p(x i ) =
e -
I {0,1,2,3,..., n} ( x i )
xi !
xi
*********************************
Veremos si cumple con la condicin de ser una funcin de cuanta.

1) f(x) 0 0 (por simple inspeccin)
e -
2)
=1 ?
x
!
x =0
x =
x -
=e e =1, >0
x=0 x !
x=
pues
x =0 x !
x =
(desarrollo de serie de MacLaurin de e)
3.7.1.- La Esperanza es
3.7.2.- La Varianza es
np =
V
3.7.3.- Funcin generatriz de momentos
____________________________________________________________________________________________

versin 1
Pg.
122
____________________________________________________________________________________________
x (t ) e
( e t 1)
3.7.4.- Ejemplos
1.-El nmero promedio de partculas radiactivas que pasan a travs de un
contador durante un milisegundo en un experimento de laboratorio es 4.
Cul es la probabilidad de que entren 6 partculas al contador en un
milisegundo determinado?
Solucin: Utilizando la distribucin de Poisson con x=6 y =4, se tiene:
p(6;4)
6
5
e 4 4 6
p( x;4) p( x;4) 0,8893 0,7851 0,1042
6!
x 0
x 0
2.- Se sabe que 10 es el nmero promedio de camiones-tanque de aceite

que llegan por da a una cierta ciudad portuaria. Las instalaciones del
puerto pueden atender cuando mucho a 15 camiones tanque en un da.
Cul es la probabilidad de que en un determinado da se tengan que
regresar los camiones-tanque?
Solucin: Sea X : el nmero de camiones-tanques que llegan por da.
P(x15) = 1 P( x 15)
e 10 10 xi
1
xi!
x 0
1 0,9513
0,0487
15
3.-Despus de una prueba de laboratorio muy rigurosa con cierto

componente elctrico, el fabricante determina que en promedio, slo
fallarn dos componentes antes de tener 1000 horas de operacin. Cul
es la probabilidad que fallen cinco componentes en 1000 horas de
operacin ?
____________________________________________________________________________________________

versin 1
Pg.
123
____________________________________________________________________________________________
Solucin:
X p(5;2)
IP(pedida)
e 2 2 5
0,0361
5!
FUNCIN GENERADORA DE MOMENTOS

Debido a la importancia de obtener rpidamente los valores
caractersticos de una distribucin, se utiliza la funcin generadora de
momentos. Se define la funcin generadora de momentos ( f.g.m.) X (t)
como:
Sea X v.a.d. y
X : D IR
IR
t X ( t ) = E [ etX ]= etxifx(xi)
i
nota:
d k X (t)
1. t D :
dt k
2. X ( t=0 )=1
3. Vemos que la f.g.m. X cumple con:
d r X (t)
r
r=E[X ]=
dt r
t=0
de all el nombre de funcin generadora de momentos.(Algunas f.g.m.
fueron conocidas mientras se estudiaban las distribuciones discretas).
3.8.- Ejercicios Propuestos
1.
Supngase que la mquina 1 produce en forma diaria el doble de

artculos que la mquina 2. Sin embargo, cerca del 4% de los
artculos de la mquina 1 tienden a ser defectuosos, mientras que la
mquina 2 produce slo un 2% de defectuosos. Supongamos que se
____________________________________________________________________________________________

versin 1
Pg.
124
____________________________________________________________________________________________
combina la produccin diaria de ambas mquinas, y se toma una

muestra aleatoria de tamao 10 de ella. Cual es la probabilidad de
que esta muestra contenga 2 artculos defectuosos?.
2.
Un artculo es producido por operaciones independientes de una

mquina. La probabilidad de encontrar un artculo defectuoso es de
0.2.
a)
Si se eligen al azar 8 de estos artculos, encontrar :

i)
ii)
iii)
iv)
b)
La probabilidad de obtener exactamente un artculo

defectuoso. (Sol : 0.3355)
La probabilidad de que ningn artculo sea defectuoso.
(Sol : 0.167772)
La probabilidad de obtener no ms de dos artculos
defectuosos. (Sol: 0.7969)
La probabilidad de obtener no menos de dos artculos
defectuosos. (Sol: 0.5033)
Si se elige la variable aleatoria X = Nmero de artculos

defectuosos elegidos entre 8, encontrar :
i)
ii)
E[X], Var(X). (Sol : E[X]=1.6;Var(X)=1.28)

La probabilidad de que la mayora sean defectuosos.
(Sol : 0.0104)
c)
Si la utilidad esperada al vender 8 artculos es tal que por cada

artculo no defectuoso que se venda se gana $120.-, y por
cada defectuoso se pierde $90.-. Cul es la utilidad
esperada?. (Sol : 624)
d)
Si se va extrayendo uno por uno los artculos, entonces :

i)
Cul es la probabilidad de obtener un artculo

defectuoso slo en la cuarta extraccin?. (Sol : 0.1024)
____________________________________________________________________________________________

versin 1
Pg.
125
____________________________________________________________________________________________
ii)
iii)
e)
Si se hacen extracciones
defectuosos, entonces :
i)
ii)
iii)
iv)
v)
3.
Cul es la probabilidad de obtener un artculo

defectuoso precedido de 3 no defectuosos?.
(Sol : 0.1024)
Calcular la esperanza y varianza al extraer un artculo
defectuoso
slo
en
la
r-sima
extraccin.
(Sol : E[X]=5;V(X)=20)
hasta
obtener
artculos
Cul es la probabilidad de que sean necesarios 6

extracciones?. (Sol : 0.04096)
Cul es la probabilidad de que sean necesarias menos
de 6 extracciones?. (Sol : 0.0572)
Cul es la probabilidad de que ocurran 3 extracciones
consecutivas exitosas ( obtener 3 artculos defectuosos )
y ningn fracaso?. (Sol : 0.008)
Cul es el nmero esperado de repeticiones
necesarias?. (Sol : 15)
Supngase que el costo de cada una de las extracciones
es $200.-. Adems, por cada extraccin que se fracase
( se obtiene artculo defectuoso ) se produce un costo
adicional de $30.-. Cul es el costo esperado del
procedimiento completo?. (Sol : 3360)
Un lote de produccin de 80 unidades tiene 8 artculos defectuosos.

Se extrae una muestra aleatoria de 10 unidades y se quiere saber :
a)
b)
c)
d)
La probabilidad de que la muestra contenga 1 artculo

defectuoso. (Sol : 0.4135)
La probabilidad de que la muestra contenga a lo menos 3
artculos defectuosos. (Sol : 0.)
La probabilidad de que la muestra contenga no ms de 2
artculos defectuosos. (Sol : 0.9428)
E[X] y Var(X). (Sol : E[X]=1;Var(X)=0.7975)
____________________________________________________________________________________________

versin 1
Pg.
126
____________________________________________________________________________________________
4.
Una caja contiene 3 artculos defectuosos, dos regulares y cuatro

buenos. Encontrar la probabilidad de que, en una muestra aleatoria
de 5 artculos sin reposicion, se seleccionan dos regulares y al
menos uno bueno. (Sol : 0.2698)
5.
Idem a problema 4, pero la extraccin es con reposicin.

(Sol : 0.2141)
6.
Se supone que un promedio de 4 automviles llegan para ser

reparados a un taller durante las 8 horas diarias de trabajo. Cul
es la probabilidad de que lleguen uno o ms automviles durante el
periodo de una hora?. (Sol : 0.3935)
7.
En promedio, 12 personas por hora consultan a un especialista en

decoracin en un almacn de telas. Calcular la probabilidad de que
tres o ms personas se acercasen al especialista durante un periodo
de 10 minutos. (Sol : 0.3232)
8.
Si el 3% de los platillos para ensalada fabricadas por una empresa

de lozas son defectuosos, hallar la probabilidad de que en una
muestra de 100 platillos se encuentren :
a)
b)
c)
d)
e)
f)
g)
h)
i)
9.
0 defectuosos. (Sol : 0.04979)

1 defectuoso. (Sol : 0.1494)
Ms de 5 defectuosos. (Sol : 0.0838)
Entre 1 y 3 defectuosos. (Sol : 0.5976)
2 platillos o menos sean defectuosos. (Sol : 0.4232)
Entre las 2 y las 4 de la tarde el promedio de colectivos que van de

Via del Mar al Cerro Placeres por minuto es de 2.5. Hallar la
probabilidad de que en un determinado minuto haya :
____________________________________________________________________________________________

versin 1
Pg.
127
____________________________________________________________________________________________
a)
b)
c)
d)
e)
f)
10.
0 colectivos. (Sol : 0.08208)

1 colectivo. (Sol : 0.2052)
2 colectivos. (Sol :0.2565)
3 colectivos (Sol : 0.2138)
4 o menos colectivos. (Sol : 0.8911)
Ms de 6 colectivos. (Sol : 0.0142)
Un bal contiene un gran nmero de cajetillas de cigarrillos Kent,

Lucky, Belmont y Hilton, en la proporcin 4:3:2:1 respectivamente.
Hallar la probabilidad de que en 10 extracciones se extraigan :
a)
b)
4 Kent, 3 Lucky, 2 Belmont y 1 Hilton. (Sol : 0.0348)

8 Kent y 2 Hilton. (Sol : 0.000295)
4.- Ejercicios Desarrollados

1.- OTRA VEZ: LA MONEDA.
Se lanza una moneda insesgada, determinar la probabilidad de que en el
12 lanzamiento aparezca cara por 5ta vez.
Solucin:
p(cara) = p(sello) = 0,5
P(X=12) = (11C4 ) x 0,55 x 0,57
P(X=12) = 330 x 0,0313 x 0,0078 = 0,0806
2.- TPICO: UN DADO.

Se lanza un dado insesgado, determine la probabilidad de que en el 15
lanzamiento aparezca el nmero 4 por 3 vez.
Solucin:
p(4) = 1/6 = 0,1667
q = 1- p = 1- 0,1667 = 0,8333
3
P(X=15) = (14C2) x 0,1667 x 0,833312 = 91 x 0,0046 x 0,1121 = 0,0469
____________________________________________________________________________________________

versin 1
Pg.
128
____________________________________________________________________________________________
3.- CALCETINES (LIMPIOS).

Se tiene un cajn con 20 calcetines 5 rojos, 3 verdes, 6 amarillos y 6
azules, determine la probabilidad de que en el 10 calcetn extrado (con
devolucin) aparezca por 5 vez un calcetn amarillo.
Solucin:
p(amarillo) = 6/20 = 0,3
q = 1- p = 1- 0,3 = 0,7
5
5
P(X=10) = (9C4) x 0,3 x 0,7 = 126 x 0,0024 x 0,1681= 0,0508
4.- ACCIONES UNIKAK.
La probabilidad de que las acciones de la Empresa de Servicios
Computacionales Unikak LTDA. aumenten en un da es de 0,45. Se
observa el comportamiento de las acciones durante 17 das. Cul es la
probabilidad de que en el 15 da hayan aumentado por 6 vez ?.
Solucin:
p(aumento) = 0,45
q = 1- p = 1- 0,45 = 0,55
6
9
P(X=15) = (14C5) x 0,45 x 0,55 = 2002 x 0,0083 x 0,0046= 0,0764
5.- PROYECTO FONDEF.

En un proyecto de investigacin FONDEF de alta importancia, se investiga
acerca de la inmortalidad del cangrejo, para ello los investigadores han
acudido a biblioteca y encontraron una memoria a cerca del tema. El
investigador abre al azar la memoria de 400 pginas para ver su
contenido, Cul es la probabilidad que en la 6 apertura de la memoria se
abra por 4 vez sobre la pgina 325?
____________________________________________________________________________________________

versin 1
Pg.
129
____________________________________________________________________________________________
Solucin:
p(sobre la pgina 325) = (1/400) =0.0025
q = 1- p = 1- 0,0025 = 0,9975
P(X=6) = (5C3) x 0,00254 x 0,99752 = 3.8867*E-10
6.- OVNI DESPACHURRADO.
Se sabe que las naves extraterrestres (OVNI) son extremadamente
resistentes a los choques, ya que despus de atravesar el hiperespacio se
encuentran repentinamente con acumulaciones de meteoritos. Si la
probabilidad de colisionar con un meteorito al salir del hiperespacio es de
0,97, determine la probabilidad de que al cruzar el hiperespacio por 2.255
vez colisionen con un meteorito por 2200 vez.
Solucin:
p(colisionar) = 0,97
q = 1- p = 1- 0,97 = 0,03
P(X=2.255) = (2.254C2.199) x 0,972.200 x 0,0355
P(X=2.255) = 1,1E111 x 7,9034E-30 x 1,7444E -84= 0,0148084
7.- ...Y DALE CON EL PELUCHE.

Un enamorado regala todos los meses el da que celebra el inicio de su
pololeo un osito de peluche a su polola, lo que este enamorado no sabe es
que su polola es alrgica al peluche, la probabilidad de que se lo lance a la
cara o lo bote a la basura es de 0,2. Determine la probabilidad de que al
18 mes la polola se lo tire por la cabeza habiendo ya botado a la basura
14 de ellos.
____________________________________________________________________________________________

versin 1
Pg.
130
____________________________________________________________________________________________
Solucin:
p(tirar por la cabeza) = 0,2
q = 1- p = 1- 0,2 = 0,8
15
3
P(X=18) = (17C14) x 0,2 x 0,8 = 680 x 3,2768E-11 x 0,512 = 1,1409E-08
8.- MUCHO LOVECRAFT.
Hace mucho milenios, antes de la presencia de la raza humana sobre la
tierra, se adoraba a los dioses primordiales, Nugganoth, dios primordial del
viento. El tiene una probabilidad de escuchar un ruego de 0,001 de sus
adoradores, ellos le piden que calme la terrible ventolera de la milenaria y
hoy extinta ciudad de Rlyeh (hoy en da Playa Ancha). Determine la
probabilidad de que en el 37 ruego haya aplacado el viento por 3 vez.
Solucin:
p(escuchar ruego) = 0,001
q = 1- p = 1- 0,001 = 0,999
3
34
P(X= 37) = (36C2) x 0,001 x 0,999 = 630 x 1E-09 x 0,9666= 6,0896E-07
9.- EL SANSANO.
Un lachito (entindase como piropero o halagador) tiene una probabilidad
de xito con las mujeres de 0,1. El sbado pasado un amigo lo invito a su
fiesta de cumpleaos, en ella haban 93 mujeres todas muy buenas
mozas, lachn alcanz a cortejar durante la noche a 23 de ellas,
obteniendo buenos resultados con sta ltima y otra anterior. Calcule la
probabilidad de la historia de lachito.
____________________________________________________________________________________________

versin 1
Pg.
131
____________________________________________________________________________________________
Solucin:
p(xito) = 0,1
q = 1- p = 1- 0,1 = 0,9
2
P(X= 23) = (22C1) x 0,1 x 0,921= 22 x 0,01 x 0,1094 = 0,0241
10.- A L I E N
Los tripulantes de la nave Nostromo han abordado una nave extraterrestre

infestada de huevos de Aliens, rpidamente la teniente Ripley orden
destruirlos organizando un equipo de asalto dirigido por la sargento
Vzquez de 6 soldados, se sabe gracias a ancestrales escrituras
encontradas en la nave que la probabilidad de encontrar una cra macho
en un huevo es de 0,76, determinar la probabilidad de que al destruir el
150 huevo se encuentre la 5 hembra.
Solucin:
p(hembra) = 1 - 0,76 = 0,24
q(macho) = 0,76
5
P(X= 150) = (149C4) x 0,24 x 0,76145= 19720001 x 7,9626E-04 x 5,2236E-18
P(X= 150) = 8,2022E-14
____________________________________________________________________________________________

versin 1
Pg.
132
____________________________________________________________________________________________
5.- Ejercicios Propuestos

1.- ACCIDENTES CARRETEROS.
Las estadsticas de accidentes de este ao indican que la probabilidad de
quedar un auto con prdida total (totalmente inservible e irrecuperable) es
de 0,35. Calcule la probabilidad de que en el 126 accidente el auto quede
inservible junto con otros 13 autos chocados anteriormente. (R: 7,05E-11)
2.- FIN DE SEMANA EN VIA.
Al viajar desde Santiago a Via un automovilista se encuentra con el
semforo que se ubica en el cruce de las calles Agua Santa con Alvarez.
La probabilidad de encontrar una luz verde es de 0,38 y la de amarilla es
de 0,12. Calcule la probabilidad de que en el 7 viaje se encuentre por 5
vez con luz roja. (R : 0,117188)
3.- VOLEYBALL DUPLAS.
En la final del Campeonato de Duplas de Voleyball en las playas de Brasil.
se enfrentan representando a Chile los hermanos Grimaldi con el equipo
de Argentina representado por la Dupla Mortenson-Ponce. Segn las
estadsticas la probabilidad de hacer un punto por parte de cualquiera de
los equipos es de 0,7. El nmero total de lanzamientos correspondiente
ambas partes fue de 630 y se sabe que el 60% de ellos fue de nuestros
compatriotas, determinar la probabilidad de que el partido haya terminado
favorable para Chile 11-0. (R : 3,6E-175)
____________________________________________________________________________________________

versin 1
Pg.
133
____________________________________________________________________________________________
4.- SUEO POR UN DA.

En el laboratorio de informtica de la Universidad Santa Mara existen 100
computadores disponibles para los alumnos de 4 y 5 ao, de ellos:
15 son estaciones Risk 6000
25 son Pcs 486DX4
15 son Pcs 386 DLC
20 son Pcs 486DX2
15 son Pcs 80286
10 son Pcs 8088
Determine la probabilidad de que en la 8 sesin de trabajo le sea
asignada por 3 vez una estacin Risk 6000 o por 2 vez un 486 DX4. (R:
0,10931321).
5.- LADRONES SAPIENTES.
Un equipo de ladrones muy instruido sabe que la probabilidad de
activacin de una alarma de automvil es de 0,7, determinar la
probabilidad de que al robar el 15 automvil la alarma no suene, al igual
que en otros 3 casos anteriores. (R: 0,0583)
6.- JUANITO DE PASEO.
El pap de Juanito, de slo 4 aos, lo ha sacado a pasear a la calle
Valparaso en Via del Mar, Juanito insiste en que quiere comer un helado
de barquillo doble de chocolate con naranja, el pap dice Si lo botas esta
vez, ser la ltima vez que te compro un helado porque ya has botado 4
de stos, el pap sabe que es muy probable que a Juanito se le caiga, ya
que, en los ltimos 10 paseos se le han cado 4 veces con una
probabilidad de 0,7, pero como Juanito es un hijo regaln y siempre le dan
en el gusto le compran esta vez otro helado. Cul es la probabilidad de
que a Juanito no le compren nunca ms un helado?. (R: 0,05146)
____________________________________________________________________________________________

versin 1
Pg.
134
____________________________________________________________________________________________
7.- CAMPAMENTO SCOUT.

En un campamento Scout en el Cerro la Campana, la probabilidad de ser
picado por un zancudo es de 0,75. Este es el 8 campamento que se
realiza en dicho lugar y Jos ya ha sido picado en dos campamentos
anteriores, se ha prometido a s mismo que si es picado esta vez no saldr
nunca ms de campamento. Cual es la Probabilidad de que no vuelva a
ir a acampar?. (R: 0,008652)
8.- MARADONA HA VUELTO A LAS CANCHAS.
Aunque nadie lo sabe, este jugador es muy asiduo a los resfros y como le
gusta autorecetarse, siempre toma Nastizol, la FIFA lo sabe pero prefiere
hacer vista gorda a esta falta que tiene una probabilidad de 0,9. Sin
embargo se le ha dicho que si en el prximo partido (el nmero 12)
nuevamente es sorprendido al igual que las otras 7 veces anteriores ser
multado. Cual es la probabilidad de que sea multado?. (R: 0,014205)
____________________________________________________________________________________________

versin 1
Pg.
135
____________________________________________________________________________________________
Variable aleatoria continua (v.a.c.):
Comencemos por definir el concepto de variable aleatoria continua:

DEFINICIN:
Sea M un espacio muestral continuo, se dice que X es variable
aleatoria continua a la funcin:
IR
X:M
tal que X -1( - ,x) = AM
xIR
DEFINICIN :
Sea X un v.a.c. se define la funcin de densidad probabilstica
(f.d.p.) denotada por f X
f X : D R X IR
[0, [
x
fX
satisfaciendo las siguientes condiciones:
fX 0
1)
2)
x D
f X ( x ) I D ( x ) dx 1
____________________________________________________________________________________________

versin 1
Pg.
136
____________________________________________________________________________________________
DEFINICIN:
Se define la funcin de Distribucin como la funcin
0, 1******************
FX : IR
que satisface las siguientes condiciones:

i .- F X ( ) 0
ii.- F X ( ) 1
iii.- Fx (x) es una funcin no decreciente x IR
iv .- Fx (x) es una funcin continua por la derecha.
Teorema:
Sea X una v.a.c. con f.d.p. f x (x) y sea Fx la funcin dada por
x
Fx (x) =
( x ) I D ( x ) dx entonces Fx es una funcin de Distribucin.
Teorema:
Sea X una v.a.c. con f.d.p. f x (x) y sea Fx la funcin dada por
Fx (x) = IP (X x) entonces Fx es una funcin de Distribucin
Corolario:
Sea X una v.a.c. con f.d.p. f x (x) entonces:
x
Fx (x) = IP (X x) =
( x ) I D ( x ) dx
IP (X b) = f X ( x) I D ( x)dx
IP (X a) =
( x) I D ( x)dx
IP (a X b) = IP (a < X b) = IP (a X < b)
____________________________________________________________________________________________

versin 1
Pg.
137
____________________________________________________________________________________________
IP (a X b) = IP (a < X < b) =
( x) I D ( x)dx
IP ( X = b) = f X ( x) I D ( x)dx =0 b IR
b
MOMENTOS POBLACIONALES
Los momentos sirven para caracterizar una Distribucin, ya que por
medio de estos se obtienen valores representativos de ella, se destacan la
Esperanza y la Varianza.
DEFINICIN:
Se define el momento de orden r ( r ) como el nmero dado
por:
r = IE[Xr]=
f X ( x) I D ( x)dx
DEFINICIN:
El momento de orden uno se conoce como la Esperanza
Matemtica (o simplemente Esperanza) de la variable aleatoria continua
X, al valor definido como:
IE[X] = 1
Nota: la Esperanza es un promedio que se espera que suceda.
DEFINICIN:
Se define momento centrado en la Esperanza de orden r ( r )
como el nmero dado por:
r =IE[(X- IE[X] ) ]= ( x IE ( X )) r f X ( x) I D ( x)dx

r
____________________________________________________________________________________________

versin 1
Pg.
138
____________________________________________________________________________________________
DEFINICIN:
Se define la Varianza de la variable aleatoria continua X como el
nmero positivo:
2 =Var [X] = 2 = E[X2] - (E[X])2 = 2 - (1)2

Nota: se conoce como la desviacin tpica o estndar e indica el
grado de dispersin que tendra la v.a.c. X
DEFINICIN:
Se define el coeficiente de variacin como:
CV ( X )
Obs.:
Tambin se puede definir la Esperanza de una funcin g(x) de la
siguiente forma: sea X un v.a.c. con funcin de densidad probabilstica f X
y sea
g : D IR
, entonces s
IR, una funcin continua tal que X (M ) D
g ( x) f X ( x) I D ( x)dx < ,
se define la Esperanza de g(x) como el nmero dado por:
____________________________________________________________________________________________

versin 1
Pg.
139
____________________________________________________________________________________________
IE g ( x )
Nota:
1. Si g(x)=X
2. Si g(x)=X 2
g ( x ) f X ( x ) I D ( x ) dx
IE X
2
(**) da la Esperanza de X 2 : IE X
(**) da la varianza de X : V X
(**) da la Esperanza de X :
3. Si g(x)=(X -IE X ) 2
(**)
PROPIEDADES
IEkX = kIEX
k constante.
IEk = k
k constante.
IEX+Y = IEX+IEY X e Y v.a.
IEaX+bY = aIEX+bIEY
X e Y v.a. y a,b
constantes.
5. IEXY = IEXIEY
si X e Y son v.a. independientes.
2
6. VkX = k VX
k constante.
7. Vk = 0
k constante.
8. VX+Y = VX+VY+2COV(X,Y) X e Y v.a.
9. VX+Y = VX+VY
2
10. VaX+bY =a VX+b 2 VY+2abCov(X,Y) X e Y v.a. y
a,b ctes.
1.
2.
3.
4.
n
n
11. IE i X i i IE X i
i 1
i 1
Xi
v.a.
i con
i=1,2......n constantes.
n
n
12. V i X i iV X i 2 i j Cov ( X i , X j ) ****************
i j
i 1
i 1
FUNCIN GENERADORA DE MOMENTOS

Debido a la importancia de obtener rpidamente los valores
caractersticos de una distribucin, se utiliza la funcin generadora de
____________________________________________________________________________________________

versin 1
Pg.
140
____________________________________________________________________________________________
momentos. Se define la funcin generadora de momentos ( f.g.m.) X (t)

como:
Sea X v.a.c. y
X : D IR
IR
t X ( t ) = IE [ etX ]=
tX
f X ( x ) I D ( x ) dx
nota:
d k X (t)
1. t D :
dt k
1. X ( t=0)=1
2. Vemos que la f.g.m. X cumple con:
d r X (t)
r IE ( X )
dt r t = 0
r
de all el nombre de funcin generadora de momentos.

LA DISTRIBUCIN NORMAL
Se dice que una variable aleatoria X se distribuye normalmente si su
funcin de densidad de probabilidad est dada por:
(x )2
2 2
X
IR
f ( x)
1
e
2
I ( x)
donde ( IR ) y ( IR +) son constantes.
____________________________________________________________________________________________

versin 1
Pg.
141
____________________________________________________________________________________________
Los parmetros de la distribucin normal son y , que pertenecen

a la media y la desviacin estndar de la v.a.c. X. La distribucin normal
es simtrica con respecto a , y tiene forma de campana para cualquier
valor de y . Para que fX(x) sea una funcin de densidad de
probabilidad, debe cumplir lo siguiente:
f X ( x)dx 1
La Esperanza y la Varianza de la distribucin normal se definen

como:
IE ( x)
x
2 e
1 x

dx
V ( x) IE ( X 2 ) IE ( X ) 2 2 2 2
2
Para denotar que una variable aleatoria X se distribuye normalmente con

parmetros y , se anota : X N ; 2. La probabilidad de que una
variable aleatoria continua distribuida normalmente sea menor o igual a un
valor especifico x0, sta determinado por la funcin de Distribucin
acumulada:
IP( X x0 ) FX ( x0 )
1
2
x0
1 t

dt
Este valor sera imposible de calcular, ya que existen infinitos valores

para el par y , para ello se recurre a la transformacin Z=( x - )/,
____________________________________________________________________________________________

versin 1
Pg.
142
____________________________________________________________________________________________
donde Z es una variable aleatoria estandarizada con = 0 y = 1; con lo

cual queda:
x
1
IP( X x0 ) IP( Z
)
1
z2
2
dz (0,1)
Pero esta variable aleatoria estandarizada con = 0 y = 1, no

permite calcular la IProbabilidad directamente pues la antiderivada no
existe, pero existen tablas que permiten calcularla (ver la tabla Normal en
el apndice).
EJERCICIOS RESUELTOS DE LA DISTRIBUCIN NORMAL
1. En el proceso de elaboracin supngase que el dimetro externo de

cierto tipo de cojinetes se encuentra aproximadamente distribuido
normal con = 3,5 cm. y = 0,02 cm. Si el dimetro de estos cojinetes
no debe ser menor de 3,47 cm. ni mayor de 3,53 cm. Cul es el
porcentaje de cojinetes que debe desecharse durante el proceso de
manufactura?
Solucin:
Sea X la v.a.c. asociada al dimetro, donde XN (3,5;0,0004)
La probabilidad de que no se rechasen los cojinetes es cuando x est
entre 3,47 y 3,53.
IP (3,47 x 3,53) = IP( X 3,53) IP(X 3,47)
Estandarizando y usando la tabla se obtiene que
IP (3,47 x 3,53) = 1,5) - -1,5) = 0,9332 0,0668 = 0,8664
____________________________________________________________________________________________

versin 1
Pg.
143
____________________________________________________________________________________________
Resp.: Un 86,64% de los cojinetes cumple con las indicaciones, entonces,

el 13,36% debe desecharse.
2. Suponga que un instrumento tiene una duracin T (en unidades de
tiempo) que puede asociarse a una v.a.c. que tiene funcin:
fT (t )
k
e
4 2
1 t 4

2 4
I IR (t )
Se sabe que el costo de fabricacin por artculo es $2.000 y el

fabricante lo vende en $5.000, pero garantiza su reemplazo total si su
tiempo de duracin es menor o igual a 0,9.
a)
Determinar la funcin de utilidad por artculo.
b)
Cul es la utilidad esperada por artculo?
c)
Para qu valor mximo del tiempo c, el fabricante
podra garantizar un reemplazo total (para el primer
artculo) de modo que hubiese una utilidad esperada de
$1.000 por artculo?
Solucin:
En este ejercicio la v.a.c parece que est distribuida normalmente,
pero su dominio est cortado, pues no son todos los reales, ya que el
tiempo slo puede ser mayor que 0. Tenemos que encontrar la constante
k, para que la funcin dada sea una funcin de densidad de probabilidad.
k
e
4
2
k 1 1
1
4 2 e
1 t

1 t

k 1 1 1 1 0,8413
dt
0 4
dt 1
4
k 1,1886
____________________________________________________________________________________________

versin 1
Pg.
144
____________________________________________________________________________________________
A)
La funcin de utilidad es la siguiente:

U(t)= 3.000
U(t)= -2.000
s t 0,9
s t 0,9
donde t N (4,16)
T
B)
E U = 3.000*IP t 0,9 - 2.000*IP t 0,9

E U = 3.000 ( 1- IP t 0,9 ) - 2.000 IP t 0,9
E U = 3.000 5.000*P t 0,9
E U = 3.000 5.000* k*( -0,775 - (-1) )
E U = 3.000 5.000*k* (0,21917 0,1587)
E U = 3.000 5.000 *1.1886 * (0,06051)=2.640,39.
E U 2.641 $/artculo
C)
1.000 = 3.000 5.000 *k *( c-4 / 4 - (-1) )

5.000 *k*( c-4/ 4 - (-1)) =2.000 c-4/ 4 - (-1)= 2/(5
k)
c-4/ 4)= 0,33653 + 0,15866 =0.49519
(c-4) / 4 = -1(0,49519) -0,01057
c = 3,952.
Supngase que X es la resistencia a la ruptura de un cable en Kg.

Se tiene que XN (100;16). Cada 100 m. De cable producen una
utilidad de $100 si x 95 y si X 95 el cable puede usarse para
otros fines y produce utilidad de $20 cada 100 m. Encuentre la
utilidad esperada por cada metro de cable.
Solucin:
La funcin de utilidad por cada 100 metros de cable es:
____________________________________________________________________________________________

versin 1
Pg.
145
____________________________________________________________________________________________
U (x) =
U (x) =
S x 95
S x 95
100
20
En este ejercicio, el dominio de la funcin de densidad no son todos

los reales, pues la variable X es mayor que 0, se tiene que encontrar
una constante k para que se cumpla la condicin de ser una funcin
de densidad.
k 1 1
1
4 2 e
1 t 100

2 4
0 100
dt 1
1
4
k 1
Por lo tanto, la funcin de utilidad por cada metro es:

u (x) =
u (x) =
1
0,2
s X 95
s X 95.
La utilidad esperada por metro de cable es:
E u = 1 IP x 95 + 0,2 *IP x 95
= 1 - k -5/4) + 0,2 k -5/4)
= 1 0,8 * (0,10565)
= 1 0,08452 = 0, 91548.
Se tienen 3 cajas C1, C2, C3, con bolitas blancas y negras.
C1 : 30 bolitas blancas y 10 bolitas negras.
C2: 15 bolitas blancas y 25 bolitas negras.
C3: 12 bolitas blancas y 28 negras.
El mtodo de eleccin de las cajas se puede aproximar a una
v.a.c. normalmente distribuida N (6,25) ; este mtodo se detalla a
continuacin:
- Se saca una bolita de C1 con IP ( x 3 )
- Se saca una bolita de C2 con IP ( 3 x 6)
- Se saca una bolita de C3 con IP ( x 6).
____________________________________________________________________________________________

versin 1
Pg.
146
____________________________________________________________________________________________
Determinar la probabilidad de extraer una bolita blanca.

Solucin:
X es la variable asociada al mtodo de eleccin de las cajas,
entonces X N (6, 25) , se procede a estandarizar para N (0,1).
Para la C1, la IP ( x 3) = -3/ 5 = 0,2743.
Para la C2, la IP ( 3 x 6 ) = 0 - -3/ 5 = 0,5 0,2743 = 0,2257.
Para la C3, la IP ( x 6) = 1 - 0 = 0,5.
Las probabilidades de sacar una bolita blanca de cada caja, son las
siguientes:
De la C1 es : 3/4.
De la C2 es :3/8.
De la C3 es :3/10.
Por lo tanto, la probabilidad de sacar una bolita blanca est sujeta la
condicionalidad de la eleccin de las cajas:
IP (blanca) = P (B/C1)*IP( C1) + IP(B/C2)*P(C2) + IP(B/C3)*P(C3)
= (0,2743 * 3/4) + (0,2257 * 3/ 8) + (0,5 * 3/10)
= 0,4403625
Resp.: la Iprobabilidad de extraer una bolita blanca es de un 44,04%
Una universidad espera recibir para el prximo ao 16.000

solicitudes de ingreso al primer ao de licenciatura. Se supone que
las calificaciones obtenidas por los aspirantes de la prueba SAT se
pueden calcular de manera adecuada por una distribucin normal
con = 950 y = 100. Si la universidad decide admitir al 25% de
todos los aspirantes que obtengan la calificacin ms alta en la
prueba SAT Cul es la mnima calificacin que es necesario
obtener en sta prueba, para ser admitida por la universidad?.
Solucin:
____________________________________________________________________________________________

versin 1
Pg.
147
____________________________________________________________________________________________
Sea X la variable asociada a las calificaciones, por lo que XN(950;10000)

.
Si slo el 25% ser admitido, existe un 75% que no lo ser y en donde se
encuentra la nota mxima de no aprobacin, por lo tanto:
P (X x) = 1 P (X x) = 1 0,75 = 0,25.
x 950
0.75
100
x= 1017.449
1 0.75
x 950
0.67449
100
Por lo tanto, la mnima calificacin con la que puede ser admitido un

estudiante es 1018 puntos.
6
La demanda mensual de cierto producto A tiene una distribucin

normal con = 200 y =40 unidades, la demanda de otro producto
B tiene una distribucin normal de = 500 y = 80.Un comerciante
que vende estos productos tiene 280 unidades de A y 650 unidades
de B al comienzo del mes. Cul es la probabilidad de que al
trmino del mes venda todos los productos? Puede suponer
independencia.
Solucin:
Sea A la variable aleatoria asociada a la demanda del producto A,
entonces AN (200,1600).
Sea B la variable aleatoria asociada a la demanda del producto B,
entonces BN (500,6400) .
IP (A 280 ) = 1 IP (A 280 )
= 1 - (280 200)/40) = 1 - 2 )
= 1 0,97725 = 0,02275.
IP (B 650) = 1 IP(B 650)
= 1 - ((650500)/80) = 1 - (1,875)
____________________________________________________________________________________________

versin 1
Pg.
148
____________________________________________________________________________________________
= 1 0,969604 = 0,030396.
Por lo tanto como son hechos independientes, entonces la
IP( A B) = P(A)*P(B) = 0,02275 * 0,030396 = 0,00069.
LA DISTRIBUCIN EXPONENCIAL
Si una variable aleatoria X se distribuye como una exponencial, su funcin

de densidad de probabilidad est dada por:
x
1
f X ( x) e I IR ( x)
donde 0
El parmetro indica un lapso de tiempo entre dos eventos

independientes de Poisson (Distribucin discreta), recibe el nombre de
promedio de falla y 1/ es la frecuencia de falla.
Si una variable X se distribuye exponencialmente, se anota X
exp(
La funcin de distribucin acumulada de la distribucin exponencial, es la
siguiente:
x
x
x x
IP( X x) FX ( x) e dx e 1 e
La Esperanza: Es el primer momento y est determinada por:
x
IE ( X ) e dx
0
Para calcular sta integral se puede ocupar la funcin Gamma.
____________________________________________________________________________________________

versin 1
Pg.
149
____________________________________________________________________________________________
x
1
IE ( X ) e dx 2 (2)
0
La Varianza: Est definida como la diferencia entre el segundo momento y
el cuadrado del primer momento, cifra que siempre es positiva. Para
calcularla debemos sacar el momento segundo orden:
x 2
1
IE ( X ) e dx 3(3) 2 2
0
2
por lo tanto, la Varianza queda
V ( X ) IE ( X 2 ) IE ( X ) 2 2 2 2
2
La funcin Generadora de momentos:
1
IE (e ) etX e dx
0
tX
1
IE (e )
tX
x
1 t
dx
1
1 t
Por lo tanto:
d 1
t 0
dt 1 t
1 t 2 t 0
d2 1
2 2 1 t
2
2
IE ( X ) 2
t 0
4
dt 1 t
1 t t 0
IE ( X )
____________________________________________________________________________________________

versin 1
Pg.
150
____________________________________________________________________________________________
V ( X ) IE ( X 2 ) ( IE ( X )) 2 2 2 2 2
LA DISTRIBUCIN EXPONENCIAL NEGATIVA
Si una variable tiene una Distribucin exponencial negativa, su funcin de
densidad est dada por:
f X x e
1
x b
I [ b , [ ( x )
donde b, 0 (constantes)
La cual tiene Esperanza igual a: E[x] =b + y una Varianza

Vx) = 2
EJERCICIOS RESUELTOS PARA DISTRIBUCIN EXPONENCIAL
El tiempo que se demoran en atender a una persona en una

cafetera es una variable aleatoria que tiene una Distribucin
exponencial con media de 4 min.
Cul es la probabilidad de que una persona sea servida en
menos de 3 minutos al menos en 4 das de un total de 6?
Solucin:
Sea t la variable asociada al tiempo, por lo tanto t e (=0.25)
t
1 4
fT (t ) e
I[ 0, [ (t )
4
____________________________________________________________________________________________

versin 1
Pg.
151
____________________________________________________________________________________________
Este ejercicio es una combinacin de distribucin exponencial

con binomial. Para encontrar la probabilidad de que la persona sea
atendida en menos de 3 minutos, se calcula con la distribucin
exponencial.
IP(T 3)
3
1 4
4
e
dt 1 e 0.52763
4
Esta probabilidad se considera para encontrar la probabilidad

pedida, que est relacionada con el nmero de das, variable distribuida
binomialmente, D B( 6; 0,52763).
6
IP( D 4) 0.52763k (1 0.52763) 6 k
k 4 k
6
IP( D 4) 0.25940 0.115899 0.021576 0.3969

3
El tiempo necesario para reparar una pieza de equipo, en un

proceso de manufactura, es una variable aleatoria cuya funcin
de densidad de probabilidad es:
t
1
fT (t ) e 5 I[ 0, [ (t )
5
Si la prdida de dinero es igual al cuadrado del nmero
necesario de horas para llevar a cabo la reparacin, se debe
determinar el valor esperado de las prdidas por reparacin.
Solucin:
En este caso es necesario calcular el valor esperado de una funcin
que se encuentra relacionada con la variable tiempo, esta funcin es:
P( t ) = t 2
____________________________________________________________________________________________

versin 1
Pg.
152
____________________________________________________________________________________________
Por lo tanto el valor esperado de las prdidas es:
1 2 5
IE ( P (t )) IE (t ) t e dt
50
2
Para calcular esta integral, usaremos la funcin (
( 1) x e x dx
0
Por lo tanto
1
IE (t 2 ) 53 (3) 50
5
Luego el valor esperado de las prdidas es de $50.

EJERCICIOS PROPUESTO PARA LA DISTRIBUCIN
EXPONENCIAL
1
Sea X la variable aleatoria que representa el intervalo de tiempo
entre dos llegadas consecutivas a una tienda, con funcin de
densidad dada por:
a)
b)
c)
Encontrar la funcin de distribucin acumulativa.

Determinar la probabilidad de que ocurran menos de 8 minutos
entre dos llegadas.
Calcule la probabilidad de que a lo ms 3 das en el mes (30), el
tiempo entre dos llegadas este entre los 4 y los 8 minutos.
Solucin:
____________________________________________________________________________________________

versin 1
Pg.
153
____________________________________________________________________________________________
a) La funcin de distribucin esta representada por:
b) Esta probabilidad se obtiene:
c) Esta probabilidad se calcula mediante dos distribuciones:

exponencial y binomial.
X: variable asociada al tiempo, X e (1/2 )
D: variable asociada a los das, D B (30;p = P(4 x 8) )
P (4 x 8) = F (8) F (4)
= 1 e (-4 ) 1 + e (-2)
=
e (-2) e (-4) = 0,117.
La probabilidad pedida es:
____________________________________________________________________________________________

versin 1
Pg.
154
____________________________________________________________________________________________
Sea X una variable aleatoria distribuida exponencialmente.

a)
b)
Cul es la probabilidad de que X tiene valor mayor que la

media ?
Cul es la probabilidad de que X tome un valor que se
encuentre en un intervalo igual a una desviacin
estndar?
Solucin:
a) p ( x E [x] ) = 1 P ( x E[x] )
=1P(x)
= 1 1 + e (- / )
= 0,3678.
b) P ( x 2 ) = 1 e (-2 / )
= 1 e (-2) = 0,865.
Distribucin Gamma
Funcin Gamma
(n) =
xn-1 e-xdx
Propiedad:
1.- (n) = (n-1)*(n-1)
2.- (2) = (1) = 1
3.- Si n N
n N -
(n) = (n-1)!
____________________________________________________________________________________________

versin 1
Pg.
155
____________________________________________________________________________________________
Se dice que la v.a.c. X se distribuye como una Gamma ssi su f.d.p.

es:
x(x) =
n x-1 e-x I(x)

()
donde , +
esto se anota X (,)
luego, obtenemos la esperanza y varianza de Gamma:
E[x] = /
V[x] = /2
Aproximacin de cualquier distribucin a una normal
1.- Suponiendo X Bin (n,p) en la cual queremos calcular el

caso para n = 400 , p = 0,1 y se quiere calcular P(x=45)
Como n p se aproxima a una Normal, de la siguiente
manera:
P(Xp=x0) P(x0-1/2 X x0+1/2)
donde XpN (E[XD],V[XD])
____________________________________________________________________________________________

versin 1
Pg.
156
____________________________________________________________________________________________
E[XD] = n*p
V[XD] = n*p*q
En el problema tenemos:
E[X] = 400*0,1 = 40
V[X] = 400*0,1*0,9 = 36
X N (40,36)
P(Xp = 15) = (x0+1/2)-
(45+1/2)-40
6
(x0-1/2)-
-(45-1/2)-40
6
= (0,917) - (0,75) = 0,8204 - 0,7734 = 0,047
4,7
Nota: Lo anterior es vlido para cualquier v.a.discreta en que se conozca

su dispersin y su varianza.
____________________________________________________________________________________________

versin 1
Pg.
157
____________________________________________________________________________________________
2.- Suponiendo X como una v.a. continua y se conoce su E[X]

y su V[X]. Xc es tal que E[Xc] y V[Xc] se conocen:
P ( a Xc b ) P (a Xd b )
luego P (a Xc b ) = b - E[Xc]
V[Xc] 1/2
donde Xd N (E[Xc], V[Xc])
a - E[Xc]
V[Xc] 1/2
Vectores aleatorios bidimensionales continuos ( v .a.b.c. ):

Comencemos por
bidimensional continuo:
definir
el
concepto
de
vector
DEFINICIN:
aleatorio
Sea M un espacio muestral continuo, se dice que X es un vector

aleatorio bidimensional ( bivariado) continuo a la funcin:
IRxIR
X:M
tal que X -1( - ,x x - , y ) = AM (x,y)IRxIR.
____________________________________________________________________________________________

versin 1
Pg.
158
____________________________________________________________________________________________
El vector aleatorio X puede representarse como:
IRxIR , es decir
X :=(X,Y) : M
mM
X (m) = ( X(m) , Y(m) )
Obs.: X v .a.b.c. ss X e Y son v.a.c. unidimensionales.
DEFINICIN:
Sea X un v .a.b.c. se define la funcin de densidad probabilstica

conjunta (f.d.p.c.) denotada por f X
f X : D R X RxR
[0, [
f X
(x,y)
(x, y) D
f X 0
1)
2)
f X ( x , y ) I D ( x , y ) dydx 1
Una vez definida la funcin de densidad conjunta del v .a.b.c. X

podemos definir otras funciones importantes.
DEFINICIN:
Sea X un v .a.b.c. , con funcin de densidad probabilstica conjunta

f X , se definen las funciones de densidad marginales como:
1) la de X como
f X ( x)
( x, y ) I DY ( y ) dy
x D X
( x, y ) I DX ( x ) dx
y DY
2) la de Y como
fY ( y)
____________________________________________________________________________________________

versin 1
Pg.
159
____________________________________________________________________________________________
Estas funciones deben cumplir las siguientes condiciones:
i)
( x ) I DX ( x ) dx 1
ii)
( y ) I DY ( y ) dy 1
DEFINICIN:

f X , se define la funcin de distribucin conjunta como:
0, [
FX : IRxIR
(x,y)
FX =
f X ( x , y ) I D ( x , y ) dydx
DEFINICIN:
Sea X un
v .a.b.c. , con f X , f X (x ) y f Y ( y ) funciones
probabilstica conjunta
de densidad
y de densidad marginal de X y de Y
respectivamente, se definen las funciones de distribucin marginal:
1) de X como FX : IR
x
0, [
FX =
( x ) I D X ( x ) dx
____________________________________________________________________________________________

versin 1
Pg.
160
____________________________________________________________________________________________
0, [
2) de X como FY : IR
y
FY =
f ( y ) I DY ( y ) dy
Y
DEFINICIN:
Sea X un
y de densidad marginal de X
de densidad
y de Y
respectivamente. Se define la funcin de densidad condicional de X dado

Y= y a:
fX
/Y y x
f X ( x , y )
fY ( y )
si
fY ( y) 0
anlogamente se define la funcin de densidad condicional de Y dado X=

x como:
fY / X x ( y )
f X ( x , y )
f X ( x)
si
f X ( x) 0
TEOREMA:
Sea X un
y de densidad marginal de X
de densidad
y de Y
respectivamente.
Entonces las v.a.c. X e Y son independientes ssi
f X ( x, y) f X ( x) fY ( y)
(x, y) D
____________________________________________________________________________________________

versin 1
Pg.
161
____________________________________________________________________________________________
COROLARIO:
Si X e Y son v.a.c. independientes
f ( X / Y y ) f X ( x)
f (Y / X x) f Y ( y )
Obs: todas las definiciones y teoremas dados para el caso bidimensional

pueden generalizarse a ms dimensiones en forma natural.
Esperanza de vectores aleatorios bivariados continuos y sus

propiedades.
DEFINICIN:

f X ( x , y ) y sea g : D IR2
IR, una funcin continua tal que
X (M ) D , entonces si
g ( x, y ) f X ( x, y ) I D ( x, y )dydx < ,
se define la esperanza de g(x,y) como nmero dado por:
____________________________________________________________________________________________

versin 1
Pg.
162
____________________________________________________________________________________________
E g ( x , y )
Nota:
Si g(x,y)=X
Si g(x,y)=Y
Si g(x,y)=X 2
Si g(x,y)=Y 2
Si g(x,y)=(X - E X ) 2
Si g(x,y)=(Y- E Y )2
Si g(x,y)=XY
g ( x , y ) f X ( x , y ) I D ( x , y ) dydx
(**)
(**) da la esperanza de X : E X
(**) da la esperanza de Y : E Y

: E Y
(**) da la esperanza de X 2 : E X 2
(**) da la esperanza de Y
(**) da la varianza de X : V X
(**) da la varianza de Y : V Y
(**) da la esperanza de XY : E XY
DEFINICIN:
f X ( x , y ) .Sea X e Y variables aleatorias continuas tal que existe la

esperanza de cada una de ellas, se llama covarianza de X e Y al nmero
denotado por:
Cov(X,Y) = E X E X Y E Y EXY - EXEY
PROPIEDADES
EkX = kEX
k constante.
Ek = k
k constante.
EX+Y = EX+EY X e Y v.a.
EaX+bY = aEX+bEY X, Y v.a. y a,b constantes.
EXY = EXEY
si X,Y son v.a independientes.
VkX = k 2 VX
k constante.
Vk = 0
k constante.
VX+Y = VX+VY+2COV(X,Y) X,Y v.a.
VX+Y = VX+VY
____________________________________________________________________________________________

versin 1
Pg.
163
____________________________________________________________________________________________
VaX+bY =a 2 VX+b 2 VY+2abCov(X,Y)

X,Y v.a. y ,b
constantes.
Cov(X1,X2) = Cov(X2,X1)
Cov(X,X) = VX
Si X1, X2 son independientes, entonces Cov(X1,X2) = 0
E i X i i E X i
X i v.a. y i con i=1,2......n constantes.

i 1
i 1
n
n
V i X i iV X i 2 i j Cov ( X i , X j )
i j
i 1
i 1
DEFINICIN:

f X ( x , y ) y covarianza de X e Y. Se define el coeficiente de correlacin al
nmero:
XY
Cov ( X , Y )
V X )(V Y
Nota:
1. El coeficiente de correlacin mide el grado de asociacin que
tienen las variables aleatorias X e Y.
2. Si X e Y son independientes entonces la correlacin es cero.
3. Una propiedad es que su valor est en el intervalo -1,1.
4. Si Z=aX+b y W=cY+d
donde a,b,c,d son constantes
entonces
ZW
ac
XY
ac
____________________________________________________________________________________________

versin 1
Pg.
164
____________________________________________________________________________________________
Esperanzas Condicionales
DEFINICIN:
Sea X =(X,Y) v .a.b.c. con f.d.p.c. f X ( x , y ) y sea f X / Y y (x) la

funcin de densidad condicional de X dado Y = y, se define la esperanza
condicional de X dado Y = y como el nmero:
xf
E X
(x)I D (x)dx
Y y X / Y y
DEFINICIN:
Sea X =(X,Y) v .a.b.c. con f.d.p.c. f X ( x , y ) y sea f Y / X x (y) la

funcin de densidad condicional de Y dado X = x, se define la esperanza
condicional de Y dado X =x como el nmero:
EY
X x
yfY / X x ( y)I D ( y)dy
DEFINICIN:
Sea X =(X,Y) v .a.b.c. con f.d.p.c. f X ( x , y ) y sea f X / Y y (x) la

funcin de densidad condicional de X dado Y = y, se define la varianza
condicional de X dado Y = y como el nmero positivo:
X
EX 2

V X
Y y E Y y
Y y
en que
2
x2 f
E X
(x)I D (x)dx
Y y X / Y y
____________________________________________________________________________________________

versin 1
Pg.
165
____________________________________________________________________________________________
DEFINICIN:
Sea X =(X,Y) v .a.b.c. con f.d.p.c. f X ( x , y ) y sea f Y / X x (y) la

funcin de densidad condicional de Y dado X = x, se define la varianza
condicional de Y dado X =x como el nmero positivo:
Y
E Y 2

V Y
E
x
X
x
X
en que
2
EY
X x
2
y fY / X x ( y)I D ( y)dy
Distribucin Multinormal. (Normal K-variada)
Anteriormente se estudi la distribucin normal de una variable

aleatoria. El concepto de distribucin normal puede extenderse para incluir
variables aleatorias y en particular la distribucin normal k-variada se
emplea de manera extensa para describir el comportamiento probabilstico
de dos o ms variables.
Definicin:
____________________________________________________________________________________________

versin 1
Pg.
166
____________________________________________________________________________________________
Se dice que el vector x (x1,x2,x3,.....xk) se distribuye como una normal kvariante ssi su f.d.p.c. se distribuye de la siguiente forma:
1
e
2
fx x1, x2 ,...xk

1
x 1 x T
2
x x1 , x 2 ,........x k
1 , 2 ,......, k
donde

IE x x
/
12
cov x 1 , x 2 cov x 1 , x 3 ........

22
cov x 2 , x 3 .......
cov x 1 , x k
cov x 2 , x k
k
k *k
Esta ltima matriz se conoce como matriz de varianzas y covarianzas, ella

resulta simtrica pues la Cov( X i , Xj )= Cov( Xj , Xi ).
Observacin:
Todas las f.d.p. marginales son normales de dimensiones menores.
Lo interesante de esta distribucin es el poder encontrar las distintas
marginales de la distribucin normal k-variada .
____________________________________________________________________________________________

versin 1
Pg.
167
____________________________________________________________________________________________
Ejemplo:
1.1.-Encontrar las f.d.p. marginales f x x1 , x3 , x 4 , f x x 2 , x5 , x6 provenientes
de una normal k-variada con k=6 con vector de medias 1,3,2,1,4,6 y

cuya matriz de varianzas y covarianzas es:
1
1 0 6 3 0
5 1 4 1
2 0 3
3 2
0
2
2
0
Para encontrar estas marginales cabe recordar que como estas

tambin se distribuyen en forma normal, solo se debe buscar en los
subndices pedidos en el vector de medias y dejar las filas y columnas
relacionadas de la matriz de varianzas y covarianzas de acuerdo a las
marginales pedidas.
Entonces tenemos que la distribucin para el primer caso ser:
f x1 x1 , x3 , x4 N 1 , 1
donde
1 1,2,1
y para el segundo
donde 2 3,4,6
6 3
2 0
3
f x2 x2 , x5 , x6 N 2 , 2
y
0 2
4 2
2
____________________________________________________________________________________________

versin 1
Pg.
168
____________________________________________________________________________________________
Un caso particular en normales k-variadas es la normal bivariada la cual

se representa de la siguiente forma:
f y x 1 , x 2 N 2 ,
fY x , y
covx 1 , x 2
22
2
1
1 , 2
donde
2 x y 1 2 xy
2
2 1
x
x
xx
2
o bien
x y
xy
donde
x X , y=E(Y) , x2=Var(X) , y2=Var(Y) y es el

coeficiente de correlacin entre las variables X e Y definido con
anterioridad ( 1 ).
Ahora bien, si hacemos =0 logramos obtener las condiciones necesarias
de independencia entre las variables X e Y en la distribucin normal
bivariada, sta adems de ser necesaria, es una condicin suficiente por
lo siguiente:
1
f X x, y
e
2 x y

1 x x
2 x
2
1 x y

2
y
1
2 x
1 x
x

2 x
1
2 y
x
y
1
2 y

f X (x,y)=fx*fy en donde fx y fy son las densidades normales univariadas de

X e Y respectivamente.
Propiedades.
____________________________________________________________________________________________

versin 1
Pg.
169
____________________________________________________________________________________________
1.- x X , y=E(Y) Esperanzas marginales
2.- X N x , x2
Y N y , y2
3.- f X Y y N x x y1 y ; 1 2 x2 ;
f Y
X x
x1 x ; 1 2 y2
N y
x
x
y1 y
4.- E X Y y x
2
2
5.- V X Y y 1 x
EY
VY

X x
X x
y
x
x1 x
1 2 y2
Observacin:
Si sabemos que X se distribuye en forma Normal con parmetros
N(1, 12) y la variable Y tambin se distribuye Normal con parmetros
N(2, 22) entonces la variable Z= X+Y tambin se distribuir normal con
parmetros Z N x y ; 12 22 2 covX, Y .
Un caso especial es cuando las variables son independientes lo que
2
2
implicara que la covarianza es 0 por lo tanto Z N x y ; 1 2 .
Ejercicio Resueltos.
____________________________________________________________________________________________

versin 1
Pg.
170
____________________________________________________________________________________________
1.-Sea f x x 1 , x 2 , x 3 , x 4 N,
4 0 1 2
9
3 4
con 1,2,3,1 y
16 7
Encontrar la distribucin de Z=3x1+x2+x3-2x4.

Desarrollo.i)Mtodo 1.-
Z N , 2
E[Z]= = 3E[x1]+E[x2]+E[x3]-2 E[x4] = 3*1+2-3-2*1 =0

V[Z]= 9V(X1)+ V(X2)+ V(X3)+4V(X4)+2[cov(3X1 ,X2) + 3cov(X1 ,X3) +
cov(3X1,-2X4) + cov(X2 ,X3) + cov(X2 ,-2X4) + cov(X3,-2X4)]
V[Z]= 9*4+9+16+4*4+2( 3*0+3*(-1)-6*2+3-2*4-2*(-7))= 65
Z N 0 , 65
ii) Mtodo 2. En forma matricial.
3
1
Z= x1 , x2 , x3 , x 4
1

2
3
1
Z x 1 , x 2 , x 3 , x 4
1

2
3
1
EZ 1,2,3,1 =3+2-3-2=0
1

2
V[Z]= E[(Z-E[Z])(Z-E[Z])]= E[(XA- A)(XA- A)]= E[A(X- )(X- )A]
____________________________________________________________________________________________

versin 1
Pg.
171
____________________________________________________________________________________________
= A E[(X- )(X- )]A =A A
4
0
VZ 1,2,3,1
1
0 1 2
9
3
4
3 16 7
4 7 4
3
1

1

2
7
4
V Z 3,1,1,2
30
5
V[Z]=21+4+30+10=65
2.-Durante aos en un test de conocimiento se efectan dos evaluaciones

con 3 preguntas cada una. Los rendimientos en las 6 preguntas se
pueden asociar a un v.a.c. X N 6 , donde X x 1 , x 2 , x 3 , x 4 , x 5 , x 6 en

que xi se asocia al resultado de la pregunta i con i=1,2,...,6
La evaluacin 1 corresponde a la suma de las preguntas impares y la
evaluacin 2 corresponde a la suma de las preguntas pares.
Datos:
10,12,9,14,13,11
4 1 0 2 3 0
5 1 2
0 1
4 0
4 2
6
0 0
5 2
a) Determinar la probabilidad que la evaluacin 2 sea mayor que 32.
____________________________________________________________________________________________

versin 1
Pg.
172
____________________________________________________________________________________________
b) Determinar la probabilidad que la evaluacin 2 sea mayor que la

evaluacin 1.
c) Si 30 alumnos rinden las 2 evaluaciones, Cul es la probabilidad que
al menos 6 alumnos tengan una evaluacin 1 menor que la 2?.
Desarrollo.a) Se sabe que la evaluacin 2 est compuesta por la suma de las
respuestas pares, por lo tanto, si definimos W y S como:
W = la evaluacin 1 y S = la evaluacin 2
2
Pregunta2 f x2 x 2 N 2 , 2
x N ,
2
Pregunta4 f x4 x 4 N 4 , 4
Pregunta6 f x6
2
6
Por lo que E[X2+X4+X6]= 2+4+6 =12+14+11 = 37

V[X2+X4+X6]= V(X2)+V(X4)+V(X6)+2 [cov(X2,X4)+cov(X2,X6)+ cov(X4,X6)]
=5+6+6+2*2+2*1+2*0 =23
S N37,23 entonces para el clculo de la probabilidad tenemos lo

siguiente:
S 37 32 37
PS 32 P
1 PZ 1.043
23
23
= 1-(-1.0426) = 0.8515
b)Si hacemos R = S-W entonces tenemos que encontrar la probabilidad
de que R>0 y como sabemos que R se distribuye en forma Normal slo
falta encontrar sus parmetros.
____________________________________________________________________________________________

versin 1
Pg.
173
____________________________________________________________________________________________
S N37,23 y W N32,15 R N s w ; Vs Vw 2 covS ,W
Para el clculo de la varianza de S con W tenemos lo siguiente:

Cov[X2+X4+X6 , X1+X3+X5 ]= [cov(X2,X1) + cov(X2,X3) + cov(X2,X5) +
cov(X4,X1) + cov(X4,X3) + cov(X4,X5) + cov(X6,X1) +cov(X6,X3) + cov(X6,X5)]
Cov[S ,W ]= (1-1+0-2+0+0+0+2-2)= -2
V(R)=42
R N5,42
R 5 05
PR 0 P
1 PZ 0.772 = 1-(-0.772) = 0.7799

42
42
c)Debido a que en general una persona no puede dar dos veces la misma
evaluacin es que el mtodo para resolverlo sera una hipergeomtrica,por
ello sta probabilidad se puede aproximar a una distribucin binomial con
los siguientes parmetros:
B Bin30 ; 0,7799
IP[x 6] = 1 Px 6
5
30
x
30 x
1
= (0.7799) (0.2201)
x 0 x
=1
____________________________________________________________________________________________

versin 1
Pg.
174
____________________________________________________________________________________________
3.- Sea X = (X1 , X2) un vector aleatorio bidimensional distribudo como

una normal bivariada tal que X 1 y X2 estn correlacionados positivamente y
tal que verifican las siguientes condiciones:
1. IP[X1<1] = 0,8413
2. IP[X2>6] = 0,0228
3. V[X1]=1 y V[X2]=2
4. V[X1/X2=x2] = 0,75
X~N (u , )
>0
a) Calcule IP[0 < X2 < 4 / X1 = 2].

b) Encuentre la matriz de varianzas y covarianzas.
Desarrollo.a)
V[X1]= 12 =1
V[X 2]= 22 =2
V[X1/X2=x2] = 12 (1-2)=0,75
=0.5
IP[0 < X2 < 4 / X1 = 2] = IP[ X2 < 4 / X1 = 2] IP [X2 < 0 / X1 = 2].

N x 2 x ; 1 2 2
f x2
1
x1
x2
x2
x1 x1
x1
= N(u2 + 2 /2 (2 u1) ; 1.5 )

Para calcular
2 :
____________________________________________________________________________________________

versin 1
Pg.
175
____________________________________________________________________________________________
x 1 1 1
Px1 1 P 1
0,841
1
1
1 0
x u 2 6 u 21
Px1 6 1 P 2
0,023
2
21
u 2 6 2 2 3,1716
IP [X2<4 / X1 = 2 ] = 0.3163
IP [X2 < 0 / X1 = 2] = 0
P[0 X2 4 / X1 2] 0.3163 - 0 0,3163

b)
=
12
2 1
1 2 /2
=
4.-Ciertas vigas tienen secciones rectangulares cuyas dimensiones, largo

y ancho se pueden representar mediante una distribucin normal bivariada
con vector de media 10 , 15 en [cm] y matriz de varianzas y

covarianzas
0 .5
0
1
____________________________________________________________________________________________

versin 1
Pg.
176
____________________________________________________________________________________________
Los limites de tolerancia para el largo de la viga son (9.3; 10.7) y

para el ancho son (14,16). Una viga se considera defectuosa si el largo o
el ancho est fuera de los lmites de tolerancia. Se tomo una muestra de
tamao n=15. cul es la IP de que 11 de estas vigas no sean
defectuosas?.
Desarrollo.Se aprecia claramente que existe independencia entre el largo y el ancho

por lo que la probabilidad de que las vigas no cumplan los requerimientos
ser la multiplicacin de las marginales las cuales tambin se distribuyen
en forma normal.
Sea X=Largo y Y=ancho
f(x,y)=fx*fy
Si son defectuosas tenemos
X N10,0.5
9.3 10
10.7 10
PX 10,7 X 9.3 1 P 9.3 X 10.7 1 P

Z
0
.
5
0
.
5
1 P 0.989 Z 0.989 1 0.989 0.989 0.32266
Y N15,1
16 15
14 15
PY 16 Y 14 1 P 14 Y 16 1 P
Z
1
1
= 1 P 1 Z 1 1 1 1 0.68268
Pdefectuosas 0.32266 0.68268 0.2202735
____________________________________________________________________________________________

versin 1
Pg.
177
____________________________________________________________________________________________
Pno sean defectuosas 1 0.2202735 0.7797265
Como las vigas son reemplazadas, la probabilidad pedida sigue una

distribucin hipergeomtrica pero esta es factible aproximarla a una
distribucin binomial.
B Bin30 ; 0,779
15
11
1511
0.20874
IP[x=11] = (0.779) (0.221)
11

5.- Sea (X,Y) V .a.n.b. con 5 , 10 y 12=1, 22=25 y >0. Si la

IP(4<Y<16/X=5)=0.954, encuentre la matriz de varianzas y covarianzas.
N y x ; 1 2 2
f y
x
y
y
x 5
x
N 5 5 5 ; 1 2 25
1
N 10 ; 1 2 25
____________________________________________________________________________________________

versin 1
Pg.
178
____________________________________________________________________________________________
4 10
16 10
P
Z
2
5 1 2
5 1
6
1.954
2
2
5 1
Luego
4
25
6
0.954
5 1
6
5 1 2
6

0.954

2
5 1
4
5
6.-Sea X x 1 , x 2 , x 3 v .a.3-normal con vector de medias 1 , 2,2 y matriz

de varianzas y covarianzas =diag(1,9,4).
Si Y1 = 3X1+2X2-X3 e
Y2=2X1-X2. Encuentre E[Y1/Y2] y V[Y1/Y2]
Desarrollo.Si Y1 = 3X1+2X2-X3
Y si Y2 = 2X1-X2
y1 =E[Y1] = E[3X1] + E[2X2] - E[X3] =5

y2= E[Y2] = E[2X1] - E[X2]] =0
V[Y1]= 9V(X1)+ 4V(X2)+ V(X3) = 9+36+4=49
____________________________________________________________________________________________

versin 1
Pg.
179
____________________________________________________________________________________________
V[Y2]= 4V(X1)+ V(X2) = 4+9=13

y1
Y

y2 y 2
1
y
1
y
1
y
2
Y2 y 2
y2
7
y2 0
13
y1 y2
cov y1 , y2
y1 y2
cov(y1,y2)=cov(3X1,2X1)+cov(3X1,-X2)+cov(2X2,2X1)+cov(2X2,-X2)+
cov(-X3 ,2X1) + cov(-X3 ,-X2) = 6cov(X1 ,X1) 2(X2 ,X2)= 6-18 = -12
y1 y2
cov y1 , y 2 12
0.475
y1 y2
7 13
Y
5 12 y
1
2
Y2 y 2
13
1 2 2 1 144 49 493
V Y1
y1 y2
y1
Y2 y 2
13
49 13
7.- Sea X N 5 , donde 1,4, 3,2, 1 y =
Sean Y1 X 2 X 2
4
Y2
X3
X1 2
4 0 -6 0 0
4 0 2 0
9 0 0
4 -1
9
Y3 3X 1 2X 3 X 4 X 5
____________________________________________________________________________________________

versin 1
Pg.
180
____________________________________________________________________________________________
a) Encuentre la distribucin de Y1, Y2, Y3 respectivamente.

b) Y1 e Y2 son independientes?.
c) Determine la IP (Y1> 2Y2).
Desarrollo.a) i)Para desarrollar estos ejercicios lo primero que hay que hacer es
calcular las marginales respectivas y luego usar las propiedades de la
normal bivariada.
N x 2 x ; 1 2 2
f x 2
24
4
x4
24
x2
x2
x 4 2
x4
N 4 24 2 2 ; 1 224 4
2
covx 2 , x 4 2 1
24
x2 x4
2 2 2
x2
N 4 1 2 2 2 ; 1 1 4 N 2,3
x 4 2
22
4
ii)
x3
x 1 2
2
N x 3 31 x 3 x 1 x 1 ; 1 31
2x 3
x1
2
N 3 31 2 1 ; 1 31
9
2
31
covx3, x1 6
1
x3x1
3 2
3
x
f 3 x 2 N 3 1 2 1 ; 1 14 N ,0
1
____________________________________________________________________________________________

versin 1
Pg.
181
____________________________________________________________________________________________
Y3 3X 1 2X 3 X 4 X 5 N 3 , 32
iii)
y3 =E[Y3] = E[3X1] - E[2X3] + E[X4] + E[X5]=3-6-2+1 = -4
V[Y3 ]= 9V(X1)+ 4V(X3)+ V(X4)+ V(X5)+ 2[cov(3X1 ,-2X3) + cov(3X1 ,X4) +

cov(3X1 ,X5) + cov(-2X3 ,X4) + cov(-2X3 ,X5) + cov(X4 ,X5)]=
= 36+36+4+9+2(36-1) = 155
Y3 N 4 , 155
b) Y1 e Y2 son independientes ya que se aprecia claramente en la matriz

de varianzas y covarianzas que X2 no est relacionado ni con X3 ni con
X1 y lo mismo pasa con X4.
c) IP(Y1>2Y2) = IP(R>0) con R =Y1 2Y2
Y1 N (-2,3)
Y2 N (3/2,0) y como de la pregunta b) sabemos que
son independientes, tenemos que:
R N 5 , 3
R 5 0 5
1 PZ 2.88675
PR 0 P
3
3
= 1-(2.88675) = 0.0019462
Ejercicios Propuestos.-
1.-Sean X e Y las desviaciones horizontal y vertical (sobre un plano)

respectivamente, de un vehculo espacial tripulado, con respecto al
aterrizaje de ste en el mar. Supngase que X e Y son 2 variables
aleatorias que se distribuyen en forma normal e independientes con
medias x = y=0 y varianzas iguales. Cul es la mxima desviacin
estndar permitible de X e Y, que cumplira con los requerimientos de la
Nasa de tener una probabilidad de 0.99, de que el vehculo aterrice a no
ms de 500 ft del punto elegido, tanto en direccin vertical como
horizontal?.
____________________________________________________________________________________________

versin 1
Pg.
182
____________________________________________________________________________________________
Respuesta: x=y<178 pies.
2.-Sea X X, Y vector normal bivariado. Se conoce:

a)P(X<5)=0.5
b)P(X<6) = 0,8413= P(Y<15)
c)P(Y<5) = 0.1587 = 1-P(X<6)
d)P[4 < Y < 16 / X = 2]
e)Si X aumenta entonces Y aumenta
Calcule la IP(3<X<3.6/Y=5).
Respuesta:0.13
3.-Sea X X, Y v .a. n. bivariado tal que :
x2
X x
2
i)
ii)
3y3
X
Y y
5
____________________________________________________________________________________________

versin 1
Pg.
183
____________________________________________________________________________________________
a) Demuestre que Y X x
b) Calcule E[X], E[Y],
xy .
Respuesta.x = -18
y = 25
xy = -0.95
Vectores Aleatorios bivariados discretos

Introduccin:
La necesidad de estudiar este tipo de vectores se debe a que son
muchas las situaciones en que el resultado de un suceso aleatorio puede
clasificarse en ms de una forma, generalmente nuestro inters est
enfocado a analizar ms de una categora, por ejemplo si X(t) es la
potencia consumida por un determinado circuito en un tiempo t, la cual es
una variable aleatoria unidimensional, pero si necesitamos analizar la
____________________________________________________________________________________________

versin 1
Pg.
184
____________________________________________________________________________________________
potencia consumida en 2 tiempos especficos, estudiaremos la distribucin

del vector (X1(t), X2(t)).
Vectores aleatorios bidimensionales discretos ( v . a.b.d):

Comencemos por definir el concepto
de vector
bidimensional discreto:
Se dice que X es un vector
bidimensional ( bivariado) discreto
a la funcin:
IRxIR
X:M
tal que X -1( - ,xi x - , yj ) = AM
aleatorio
aleatorio
(xi,yj)IRxIR
siendo M un espacio muestral, finito infinito contable 1 .
El vector aleatorio X puede representarse por:
IRxIR , es decir, X (m) = ( X(m) , Y(m) )

X :=(X,Y) : M
mM.
DEFINICIN :
Sea X un v .a.b.d . , se define la funcin de cuanta conjunta (f.c.c.)

denotada por f X (xi, yj )
f X : D R X RxR
0 ,1
f X
(xi,yj)

1) 0 f X (xi, yj ) 1
2)
xi y j
(xi, yj ) D
f X ( x i , y j ) I D ( x i , y j ) 1
Un conjunto C es infinito contable ssi podemos encontrar una funcin biyectiva entre C y los
naturales.
____________________________________________________________________________________________

versin 1
Pg.
185
____________________________________________________________________________________________
Obs.: usualmente se usa la notacin p ij para anotar el valor de

f X (xi, yj ) en que p ij = P(X(M) = xi Y(M) = yj ) = P(X=xi ; Y=yj) y por lo
tanto las condiciones quedan:
1) 0 p ij 1
2)
p
xi
ij
i,j
y j
Una vez definida la funcin de cuanta conjunta del vector X

podemos definir otras funciones importantes:
Sea X vector aleatorio bivariado discreto, con funcin de cuanta

conjunta f X ( xi , y j ) = p ij , se definen las funciones de cuanta marginales
como siguen:
1) la de X como f X ( xi ) pi pij
j
2) la de Y como f Y ( y j ) p j pij
i
Estas funciones deben cumplir las siguientes condiciones:

i)
pi 1
ii)
f X ( xi )
xi
fY ( y j )
j
____________________________________________________________________________________________

versin 1
Pg.
186
____________________________________________________________________________________________
Sea X vector aleatorio bivariado discreto con funcin de cuanta

conjunta f X ( xi , y j ) = p ij , se define la funcin de distribucin conjunta la
relacin:
0,1
FX : IRxIR
FX (x,y )= P( X x; Y y)
(x,y)
xi x y j y
ij
Sea X =(X,Y) v.a.b.d. con funcin de cuanta conjunta p ij y funcin

de cuanta marginal pi pj respectivamente. Se define la funcin de
distribucin marginal de X e Y como sigue:
FX : X R
0 ,1
x
FX ( x ) P X x
xi x
FY : Y R
0 ,1
FY y P Y y
y
con F X x F X x ,
p
y j
ij
y j y
FY y F X , y
p ij
xi
Sea X =(X,Y) v.a.b.d. y sean f X , f X , f Y funciones de cuanta

conjunta y marginales respectivamente. Se llama funcin de cuanta
condicional de X dado Y= y a:
____________________________________________________________________________________________

versin 1
Pg.
187
____________________________________________________________________________________________
f X Y y j
f X ( xi , y j )
fY ( y j )
si
fY (yj ) 0
Se llama funcin de cuanta condicional de Y dado X= x como:
f Y X xi
Teorema:
f X ( xi , y j )
f X ( xi )
si
f X ( xi ) 0
Sea X =(X,Y) v.a.b.d., consideremos f X : C1xC2
de cuanta conjunta de X , y f X : C1
IR y
IR la funcin
f Y : C2
IR
funciones de cuanta marginales de X e Y respectivamente. Entonces X e

Y son independientes ssi
f X (xi , y j ) f X (xi ) fY ( y j )
xi y j
Esperanza de vectores aleatorios bivariados discretos y sus

propiedades.
Sea X =(X,Y) v.a.b.d., con funcin de cuanta conjunta f X ( xi , y j )

y sea g: DIR2
IR, funcin continua y tal que X(M) D , entonces se
define como esperanza de g(x,y) y se denota por Eg(x,y) al nmero
dado por:
____________________________________________________________________________________________

versin 1
Pg.
188
____________________________________________________________________________________________
E g ( x , y )
g ( xi , y j ) f X ( xi , y j )
( xi , y j )
xi
g ( xi , y j ) f X ( xi , y j )
y j
Sea X1, X2 variables aleatorias cualesquiera tal que existe la

esperanza de cada una de ellas, se llama covarianza de X 1 y X2 al nmero
denotado por:
COV(X1,X2) = EX1X2-EX1EX2
Propiedades:
1) VX1+X2 = VX1+VX2+2COV(X1,X2)
2) COV(X1,X2) = COV(X2,X1)
3) Si X1, X2 son independientes, entonces COV(X1,X2) = 0
Se define el coeficiente de correlacin al nmero:
X1 X 2
COV ( X 1 , X 2 )
V X V X
1
el cual mide el grado de asociacin entre X 1 y X2. Si X1 y X2 son

independientes este coeficiente es cero. Una propiedad es que su valor
est en el intervalo -1,1.
Esperanzas condicionales
Sea X =(X,Y) v.a.b.d., con funcin de cuanta conjunta f X ( x , y ) y
sea
f X Y y j la funcin de cuanta condicional de X dado Y = yj.
Entonces se define la esperanza condicional de X dado Y = yj al nmero:
____________________________________________________________________________________________

versin 1
Pg.
189
____________________________________________________________________________________________
E X
f
Yy
y
j
j
xi
anlogamente para Y dado X = xi se define:
Y f Y
EY
j
X
x
X xi
i
yj
Por otro lado se define la varianza condicional de X dado Y = y
como:
X 2
X
V X
y
Y
y
Y
y
j
j
j
xi f X
donde la E X
y
Y
y
j
j
x i
anlogamente se define la varianza condicional de Y dado X = x como:
2
E Y 2
E Y
V Y
X xi
X xi X xi
donde la
E Y
y 2j f Y
X xi
X xi y
____________________________________________________________________________________________

versin 1
Pg.
190
____________________________________________________________________________________________
Ejemplos:
1) Sea (X,Y) vector aleatorio discreto con funcin de probabilidad conjunta
dada por:
Cx4 C y2 C(43 x y )
f ( x, y)
C310
si x0,1,2,3
si y0,1,2
e.t.o.c.
a) Encuentre las distribuciones marginales.

b) Calcule P( 1 X 3 / Y=2).
c) Calcule EY / X=1.
Solucin:
a) f X ( x ) y f Y ( y )
haciendo una tabla de valores tendremos f X ,Y ( x , y )
X
y
0
1
2
4
120
12
120
24
120
32
120
24
120
12
120
4
120
4
120
4
120
fY ( y
56
120
56
120
8
120
____________________________________________________________________________________________

versin 1
Pg.
191
____________________________________________________________________________________________
20
120
( xi)
( x i ) y fY ( y
i) f
60
120
36
120
4
120
) pueden escribirse como:
20
120
60
( x i ) P ( X x i ) 120
36
120
4
120
56
120
56
ii ) f Y ( y j ) P ( Y y j ) 120
8
120
b) P 1 X 3 Y 2
f (x/y=2)
f X Y 2
fX,Y=2
fY(2)
si x = 0
si x = 1
si x = 2
si x = 3
si
y=0
si
y =1
si
y=2
4
8
0
si x = 1,2,3
e.t.o.c.
realizando la suma se obtiene:
____________________________________________________________________________________________

versin 1
Pg.
192
____________________________________________________________________________________________
1
P 1 X 3Y 2
2
c)se sabe que la esperanza condicional est dada por:
E Y X 1
24
60
f X 1,Y 32
Y
pero f X 1 f (1) 60
X
4
60
y f Y X 1 1 f Y 1 X 1 2 f Y 2 X 1
si y = 0
si y = 1
si y = 2
y reemplazando estos valores en la sumatoria se tiene:
32
4
E Y X 1 1
2
60
60
2
E Y X 1
3
2) Un fabricante de circuitos integrados utilizados para controlar la

temperatura en contenedores frigorficos, determina a partir de numerosas
revisiones, que el 3,5% de una remesa de estos circuitos no funcionan al
ser instalados; el vende los circuitos en paquetes de 40 unidades,
garantizando el correcto funcionamiento del 90% de ellos.
Cul es la probabilidad de un paquete no cumpla la garanta ?
Cul es la probabilidad de que funcionen al menos 15 ?
Solucin:
Sea X: nmero de circuitos que funcionan incorrectamente
en un paquete determinado.
F: el paquete no cumple la garanta.
____________________________________________________________________________________________

versin 1
Pg.
193
____________________________________________________________________________________________
entonces la probabilidad de que el paquete no cumpla la garanta

est dada por:
P(F)= P(X>4) = 1-P(X 4)
del enunciado se deduce que si n = 40 y p = 0.035 tendremos que
X B(n=40,p=0.035)
luego
4 0
k
P(X k)
0 .0 3 5
k
1 0 .0 3 5
nk
por lo que la probabilidad de que un paquete no cumpla la garanta es:

40
k
nk
P ( F ) 1 0.035 1 0.035
k 0 k
4
1 0.9875 0.0125 1.25%
La probabilidad de que funcionen al menos 18 est dada por:

P ( X 3)
4 0
k
nk
0 .0 3 5 1 0 .0 3 5
k
k 0
2
0 .8 3 6 1 8 3.6 1 %
Ejercicios propuestos.
1) Dado que la distribucin binomial corresponde a un vector
aleatorio discreto bivariado, demuestre que:
a) La Esperanza de la binomial es np n(1-q)
b) La Varianza es npq.
2) Sea X =(X,Y) v.a.b.d., con
f X ( x , y ) dada por:
f X ( x , y )
x2 y2
32
funcin
de
cuanta
conjunta
( x , y ) 0,1,2,3 0,1
____________________________________________________________________________________________

versin 1
Pg.
194
____________________________________________________________________________________________
Calcular:
f X , FY , E[X] , E[X Y] .
Resp:
fX =
2x 2 1
32
FY 7 16
1
E[X] =
y<0
0 y 1
y 1
78
32
E[X Y] = 3
(6 + y 2 )
(7 2 y 2 )
____________________________________________________________________________________________

APUNTE22 V 1

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

APUNTE22 V 1

Uploaded by

Copyright:

Available Formats

Universidad Tcnica Federico Santa Mara

Por lo tanto se puede decir que X se distribuye como una geomtrica,

Universidad Tcnica Federico Santa Mara

3.6.- Distribucin Pascal (o Binomial Negativa)

ya que lo que sucede en las primeras (k-1) repeticiones son

Universidad Tcnica Federico Santa Mara

Es muy sencillo ver que para r=1, lo anterior se reduce a la distribucin

Sustituyendo p= /n, tomando el lmite cuando n se obtiene

Universidad Tcnica Federico Santa Mara

Se dice que la v.a.d. X se distribuye como una Poisson su funcin de

Veremos si cumple con la condicin de ser una funcin de cuanta.

(desarrollo de serie de MacLaurin de e)

3.7.3.- Funcin generatriz de momentos

Universidad Tcnica Federico Santa Mara

2.- Se sabe que 10 es el nmero promedio de camiones-tanque de aceite

3.-Despus de una prueba de laboratorio muy rigurosa con cierto

Universidad Tcnica Federico Santa Mara

FUNCIN GENERADORA DE MOMENTOS

Supngase que la mquina 1 produce en forma diaria el doble de

Universidad Tcnica Federico Santa Mara

combina la produccin diaria de ambas mquinas, y se toma una

Un artculo es producido por operaciones independientes de una

Si se eligen al azar 8 de estos artculos, encontrar :

La probabilidad de obtener exactamente un artculo

Si se elige la variable aleatoria X = Nmero de artculos

E[X], Var(X). (Sol : E[X]=1.6;Var(X)=1.28)

Si la utilidad esperada al vender 8 artculos es tal que por cada

Si se va extrayendo uno por uno los artculos, entonces :

Cul es la probabilidad de obtener un artculo

Universidad Tcnica Federico Santa Mara

Cul es la probabilidad de obtener un artculo

Cul es la probabilidad de que sean necesarios 6

Un lote de produccin de 80 unidades tiene 8 artculos defectuosos.

La probabilidad de que la muestra contenga 1 artculo

Universidad Tcnica Federico Santa Mara

Una caja contiene 3 artculos defectuosos, dos regulares y cuatro

Idem a problema 4, pero la extraccin es con reposicin.

Se supone que un promedio de 4 automviles llegan para ser

En promedio, 12 personas por hora consultan a un especialista en

Si el 3% de los platillos para ensalada fabricadas por una empresa

0 defectuosos. (Sol : 0.04979)

Entre las 2 y las 4 de la tarde el promedio de colectivos que van de

Universidad Tcnica Federico Santa Mara

0 colectivos. (Sol : 0.08208)

Un bal contiene un gran nmero de cajetillas de cigarrillos Kent,

4 Kent, 3 Lucky, 2 Belmont y 1 Hilton. (Sol : 0.0348)

4.- Ejercicios Desarrollados

2.- TPICO: UN DADO.

Universidad Tcnica Federico Santa Mara

3.- CALCETINES (LIMPIOS).

5.- PROYECTO FONDEF.

Universidad Tcnica Federico Santa Mara

7.- ...Y DALE CON EL PELUCHE.

Universidad Tcnica Federico Santa Mara

Universidad Tcnica Federico Santa Mara

Los tripulantes de la nave Nostromo han abordado una nave extraterrestre

Universidad Tcnica Federico Santa Mara

5.- Ejercicios Propuestos

Universidad Tcnica Federico Santa Mara

4.- SUEO POR UN DA.

Universidad Tcnica Federico Santa Mara

7.- CAMPAMENTO SCOUT.

E U = 3.000IP t 0,9 - 2.000IP t 0,9

1.000 = 3.000 5.000 k ( c-4 / 4 - (-1) )