Flores, J. (2013) - Estadística. EGGLL PUCP

Estadstica
Estudios Generales Letras

Flores Delgado
Jose
Marzo de 2013
Pr
ologo
Este trabajo corresponde a la septima edicion de las notas de clases del curso de
Estadstica impartidas por el autor a los alumnos de la Facultad de Estudios Generales
Letras de la Pontificia Universidad Catolica del Per
u.
En esta edicion se han corregido los errores encontrados y mejorado algunos ejemplos y
ejercicios propuestos. Se han mantenido enumerados los captulos y secciones. Tambien se
trata brevemente de la funcion generadora de momentos. Sin embargo, considero todava
inconcluso el trabajo y continuare la tarea de revision del texto.
Este texto incluye topicos de economa y administracion, como el estudio de la
desigualdad de los ingresos a traves de la curva de Lorenz y el indicador de Gini y
los modelos binomial y de Black-Scholes muy conocidos en el area de finanzas.
Agradezco a mi colega Richard Chavez por su valiosa ayuda y comentarios sobre los
temas de finanzas aqu tratados.
Tambien agradezco a la seccion de Matematicas por las facilidades brindadas para la
elaboracion de este texto, a la Facultad de Estudios Generales Letras por promover este
tipo de trabajos, a la Oficina de Publicaciones para la docencia de nuestra Universidad, a la
doctora Kathia Hanza, ex-directora de estudios de la Facultad de Estudios Generales Letras,
por el apoyo brindado en la primera edicion, y al profesor Luis Vargas por la revision de la
primera version del texto.
Me permito tambien felicitar a ustedes, alumnos, por su madurez demostrada al optar
por esta Universidad, sabiendo de su exigencia y prestigio reconocidos; los invito a que
contribuyan a mantenerlos, como lo han hecho los que los precedieron.
Finalmente, quiero advertir a los alumnos que este texto no debe sustituir a los principales
manuales del tema, ni a las clases, ni a sus propios apuntes, que espero ahora puedan hacer
en mejores condiciones. La lectura de la bibliografa sobre el tema es necesaria y valiosa para
un mejor aprendizaje.
Jose Flores Delgado.
Lima, marzo de 2013.
Indice
1. Probabilidad
1.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Definicion y propiedades de la probabilidad . . . . . . . . . . . . . . . . . . .
1.3. Propiedades de la probabilidad . . . . . . . . . . . . . . . . . . . . . . . . .
10
1.4. Probabilidad condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
La regla del producto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14
La regla de la probabilidad total . . . . . . . . . . . . . . . . . . . . . . . . .
15
La regla de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
1.5. Independencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
1.6. Probabilidad clasica y combinatoria . . . . . . . . . . . . . . . . . . . . . . .
21
1.7. Probabilidad geometrica y frecuencial . . . . . . . . . . . . . . . . . . . . . .
24
1.8. Ejercicios propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
2. Variable aleatoria
39
2.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
2.2. Modelo probabilstico de una variable aleatoria . . . . . . . . . . . . . . . . .
42
2.2.1. Propiedades del modelo probabilstico . . . . . . . . . . . . . . . . . .
44
2.3. El valor esperado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
45
2.3.1. Valor esperado de una funcion de una variable aleatoria . . . . . . . .
46
2.3.2. Otras propiedades del valor esperado . . . . . . . . . . . . . . . . . .
47
2.4. Varianza y desviacion estandar
. . . . . . . . . . . . . . . . . . . . . . . . .
49
2.4.1. Propiedades de la varianza . . . . . . . . . . . . . . . . . . . . . . . .
50
4 Profesor Jose Flores Delgado
Estadstica
2.5. Funcion de distribucion acumulada . . . . . . . . . . . . . . . . . . . . . . .
51
2.6. Propiedades de la distribucion acumulada . . . . . . . . . . . . . . . . . . . .
52
2.7. Tecnica del cambio de variable . . . . . . . . . . . . . . . . . . . . . . . . . .
53
2.8. Ejercicios propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
3. Modelos probabilsticos importantes
77
3.1. Modelos relacionados con un proceso de Bernoulli . . . . . . . . . . . . . . .
77
3.1.1. El Modelo o distribucion binomial . . . . . . . . . . . . . . . . . . . .
78
3.1.2. El modelo o distribucion geometrico . . . . . . . . . . . . . . . . . . .
80
3.1.3. El modelo o distribucion de Pascal o binomial negativa . . . . . . . .
82
3.2. Modelos relacionados con un proceso de Poisson . . . . . . . . . . . . . . . .
82
3.2.1. El modelo o distribucion de Poisson . . . . . . . . . . . . . . . . . . .
83
3.2.2. El modelo o distribucion exponencial . . . . . . . . . . . . . . . . . .
85
3.2.3. Modelo o distribucion gamma . . . . . . . . . . . . . . . . . . . . . .
86
3.3. Modelo gaussiano o distribucion normal . . . . . . . . . . . . . . . . . . . . .
87
3.3.1. Propiedades del modelo gaussiano o normal . . . . . . . . . . . . . .
88
3.4. Modelo o distribucion lognormal . . . . . . . . . . . . . . . . . . . . . . . . .
93
3.5. Modelo o distribucion hipergeometrica . . . . . . . . . . . . . . . . . . . . .
95
3.6. Modelo o distribucion uniforme . . . . . . . . . . . . . . . . . . . . . . . . .
95
3.7. Modelo o distribucion Beta . . . . . . . . . . . . . . . . . . . . . . . . . . . .
99
3.8. La funcion generadora de momentos . . . . . . . . . . . . . . . . . . . . . . .
99
3.9. Ejercicios propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4. Indicadores de concentraci
on para medir la desigualdad de los ingresos
117
4.1. La Curva de Lorenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117

4.2. El Coeficiente de Gini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
4
INDICE
Profesor Jose Flores Delgado
5. Estadstica descriptiva
123
5.1. Que es la Estadstica? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

5.2. Nociones basicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
5.3. Escalas o niveles de medicion . . . . . . . . . . . . . . . . . . . . . . . . . . 126
5.3.1. Escala nominal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
5.3.2. Escala ordinal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
5.3.3. Escala de intervalo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
5.3.4. Escala de razon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
5.4. Organizacion y tratamiento de datos. Promedios y percentiles . . . . . . . . 129
5.4.1. Caso de variables cualitativas . . . . . . . . . . . . . . . . . . . . . . 129
5.4.2. Caso de variables cuantitativas discretas . . . . . . . . . . . . . . . . 130
5.4.3. Caso de variables cuantitativas continuas . . . . . . . . . . . . . . . . 131
5.5. Propiedades y uso de los promedios . . . . . . . . . . . . . . . . . . . . . . . 137
5.6. Medidas de dispersion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
5.6.1. Propiedades de la desviacion estandar . . . . . . . . . . . . . . . . . . 141
5.7. Datos tipificados o estandarizados . . . . . . . . . . . . . . . . . . . . . . . . 142
5.8. Diagrama de hojas y tallos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
5.9. Ejercicios Resueltos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
5.10. Ejercicios propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
6. Correlaci
on y regresi
on lineal
157
6.1. Correlacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157

6.2. Indice de correlacion de Pearson . . . . . . . . . . . . . . . . . . . . . . . . . 158
6.3. Regresion lineal simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
6.4. Analisis de varianza para la regresion . . . . . . . . . . . . . . . . . . . . . . 161
5
Estadstica
Bibliografa
165
1.
Probabilidad
1.1. Introducci
on
El objetivo es cuantificar las posibilidades que tengan ciertos eventos inciertos. Sin duda,
el evento incierto de mayor importancia para la estadstica ocurre cuando se infiere algo a
partir de solo una muestra, en este caso, es importante averiguar la veracidad o el grado de
credibilidad que se le pudiera dar a dicha generalizacion, por eso la probabilidad es de suma
importancia para la estadstica.
Es importante se
nalar que muchas veces se debe tomar una decision en un contexto de
incertidumbre, en estos casos, la probabilidad resulta muy u
til para evaluar los riesgos.
Empezaremos tratando los conceptos basicos, propiedades y uso de la probabilidad; luego
veremos algunos modelos probabilsticos.
Definici
on 1.1. Experimento aleatorio. Es cualquier experimento cuyo resultado no se
puede predecir con certeza antes de realizarlo.
Definici
on 1.2. Espacio muestral asociado a un experimento aleatorio. Es el
conjunto de resultados posibles del experimento. Usualmente se lo denota por S u .
Ejemplo 1.1. Un lote contiene unidades que pueden tener alg
un defecto. Se escogeran dos
unidades al azar y se determinara si estas tienen alg
un defecto. Podemos considerar como
espacio muestral a = { (0; 0), (0; 1), (1; 0), (1; 1) }, con la convencion siguiente: el primer
componente de cada par ordenado representa el estado de la primera unidad y el segundo el
de la otra, ademas 0 significa que la unidad no tiene defectos y 1 que tiene alguno.
Definici
on 1.3. Evento Es cualquier subconjunto del espacio muestral1 . Es decir, salvo el
caso del evento , un evento es cualquier conjunto de resultados del experimento.
Ejemplo 1.2. A continuacion describamos algunos eventos del ejemplo anterior:
a) Ambas unidades estan en el mismo estado: A1 = {(0; 0), (1; 1)}.
Este evento tiene dos resultados, cualquiera de estos lleva a ocurrir este evento.
b) La segunda unidad tiene defectos: A2 = {(0; 1), (1; 1)}.
Nuevamente, este evento tiene dos resultados y cualquiera de estos lleva a ocurrir este
evento.
1
En un curso avanzado de probabilidades, solo los conjuntos que pertenecen a una familia llamada sigmaalgebra son considerados como eventos.
Estadstica
c) Ambas unidades se encuentran con defectos: A3 = {(1; 1)}.

Este evento solo tiene un resultado, cuando ocurra dicho resultado ocurrira este evento.
Hemos definido los eventos como conjuntos, a continuacion formalizaremos la caracterstica
mas importante que estos poseen, es decir, que pueden ocurrir.
Definici
on 1.4. Diremos que un evento ocurre cuando al realizar el experimento el resultado
obtenido es uno del evento.
Gracias a la definicion anterior podemos interpretar algunas de las operaciones entre
conjuntos en el contexto de eventos, esto sera de suma importancia para hacer la conexion
entre la formalidad y la aplicacion:
1. El conjunto vaco, , es denominado el evento imposible, pues nunca ocurre.
2. El espacio muestral, , es denominado el evento seguro, pues siempre ocurre.
3. Si A y B son dos eventos de , entonces:
a) A B es el evento que ocurre si, y solo si, al menos uno de los dos eventos ocurre.
b) A B es el evento que ocurre si, y solo si, ambos eventos ocurren.
4. Si A es un evento de , entonces:
Ac = A es el evento complementario de A y este ocurre si, y solo si, A no ocurre.
5. Si A y B son dos eventos de que son disjuntos, es decir, A B = , se dira que
estos eventos son excluyentes, pues no pueden ocurrir juntos. Para resaltar este hecho
escribiremos A ] B, en lugar de A B, cuando tengamos esta situacion.
Ejemplo 1.3. Un inspector debera revisar 3 trabajos, cualquiera de estos puede haber
satisfecho las especificaciones requeridas. Definamos los eventos Ai : el trabajo i satisfizo las
especificaciones, i = 1, 2, 3.
A partir de estos eventos expresemos los que siguen:
a) Los tres trabajos hayan satisfecho las especificaciones.
El evento de interes es A1 A2 A3 , cuyo complemento es Ac1 Ac2 Ac3 .
b) Por lo menos uno de los trabajos haya satisfecho las especificaciones.
En este caso el evento de interes es A1 A2 A3 , cuyo complemento es Ac1 Ac2 Ac3 .
c) Solo dos de los trabajos hayan satisfecho las especificaciones.
El evento de interes es (A1 A2 Ac3 ) ] (A1 Ac2 A3 ) ] (Ac1 A2 A3 ).
8
Probabilidad
d) Ninguno de los trabajos haya satisfecho las especificaciones.

El evento de interes es Ac1 Ac2 Ac3 .
e) Por lo menos uno de los trabajos no haya satisfecho las especificaciones.
Este evento puede expresarse como: Ac1 Ac2 Ac3 .
1.2. Definici
on y propiedades de la probabilidad
Como ya se ha dicho la probabilidad debe procurar reflejar las posibilidades que tienen de
ocurrir los eventos, as, como los eventos provienen de distintos experimentos, existen muchas
formas de asignar una probabilidad. A continuacion veamos cuando una asignacion de
probabilidades a los eventos de un espacio muestral se considera, en efecto, una probabilidad.
La definicion de Kolmogorov establece cuales son las condiciones mnimas que debe satisfacer
toda asignacion o regla de probabilidades a fin de lograr todo un conjunto de propiedades.
Definici
on 1.5. Una probabilidad es una transformacion, P , que asigna a cada evento,
A, de un espacio muestral, , un n
umero real: P (A) y que satisface las tres propiedades
siguientes, llamadas axiomas de probabilidad:
A1 Para cualquier evento A: P (A) 0.

A2 La probabilidad del espacio muestral es 1 : P ( ) = 1.
A3 Si A1 , A2 , . . . es una coleccion de eventos mutuamente excluyentes, entonces:
P (A1 ] A2 ] . . . ) = P (A1 ) + P (A2 ) + . . .
o, en notacion abreviada:
P
Aj =
j=1
P (Aj )
j=1
Ejemplo 1.4. (Probabilidad Clasica) Si el experimento tiene un n

umero finito de resultados
y cada uno de ellos se cree que es igualmente posible, entonces la mejor manera de asignar
probabilidades a los eventos de su espacio muestral es la siguiente:
P (A) =
#(A)
, para cada evento A de .
#()
Observaci
on 1.1. Esta asignacion es adecuada, pues, al ser cada resultado igualmente
probable de ocurrir, debera tenerse que la probabilidad de un evento sea proporcional al
n
umero de resultados que este tenga (a mayores resultados, mayor probabilidad); la division
entre el n
umero de resultados posibles se hace para estandarizar, es decir, a fin de que toda
probabilidad este entre 0 y 1.
9
Estadstica
Ejemplo 1.5. En el ejemplo 1.1 tenemos que el espacio muestral es finito, pues #() = 4.
Supongamos que cada resultado sea igualmente posible. Por lo tanto, es adecuado asignar
probabilidades de la manera clasica, es decir:
P (A) =
#(A)
, A .
4
En particular, considerando los eventos definidos en dicho ejemplo, tenemos que:

a) La probabilidad de que ambas unidades esten igual es P (A1 ) =
#(A1 )
4
b) La probabilidad de que la segunda unidad no tenga defectos es P (A2 ) =

c) La probabilidad de que las dos unidades no tengan defectos es P (A3 ) =
2
4
= 12 .
#(A2 )
4
#(A3 )
4
2
4
= 12 .
= 14 .
A continuacion veamos algunas de las demas propiedades que se derivan de las tres
basicas.
1.3. Propiedades de la probabilidad

P 1 La probabilidad del evento imposible es nula: P ( ) = 0.
P 2 La probabilidad de un evento y la de su complemento suman 1: P (A) + P (Ac ) = 1.
P 3 La probabilidad de cualquier evento, A, es menor o igual que 1: P (A) 1.
P 4 Si un evento A esta incluido dentro de otro, B, entonces, su probabilidad es a lo sumo
igual a la de aquel: P (A) P (B).
P 5 Para cualesquiera A y B, eventos de : P (B) = P (B A) + P (B Ac ).
P 6 Para cualesquiera A y B, eventos de : P (A B) = P (A) + P (B) P (A B).
Observaci
on 1.2. Las dos u
ltimas propiedades se generalizan para tres o mas eventos, como
se enuncian en la propiedad que se da despues del ejemplo siguiente y en el primer ejercicio
propuesto, respectivamente.
Ejemplo 1.6. Dos personas suelen trabajar en equipo al realizar un proyecto. La
probabilidad de que, al realizar el proyecto, la primera termine a tiempo su trabajo es
de 0,7; y la de que termine a tiempo la segunda es de 0,8. Ademas, la probabilidad de que
ambas terminen a tiempo su trabajo es de 0,51.
A modo de ejemplo calculemos algunas probabilidades:
10
Probabilidad
11
a) La probabilidad de que al menos una de estas personas termine a destiempo su trabajo.

Consideremos los eventos A, que la primera persona termine a tiempo su trabajo, y B,
que la segunda termine a tiempo. De los datos tenemos que: P (A) = 0, 7, P (B) = 0, 8
y P (A B) = 0, 51.
Nos interesa calcular P (Ac B c ), esta, por la propiedad 2 de la probabilidad, se puede
determinar por medio de la de su evento complementario (que ambas terminen a
tiempo):
1 P (A B) = 1 0, 51 = 0, 49
A manera de ejercicio, obtenga la probabilidad anterior por medio de la propiedad 6
de la probabilidad:
P (Ac B c ) = P (Ac ) + P (B c ) P (Ac B c ).
b) La probabilidad de que la primera persona no termine a tiempo su trabajo, pero s la
segunda.
En este caso el evento que nos interesa, que la primera persona no termine a tiempo
su trabajo, pero s la segunda, corresponde al evento Ac B, su probabilidad se puede
obtener usando la propiedad 5 de la probabilidad:
P (B) = P (B A) + P (B Ac ) P (Ac B) = P (B) P (B A) = 0, 8 0, 51 = 0, 29.
c) La probabilidad de que solo una de estas personas no termine a tiempo su trabajo.
Aqu, el evento que interesa es (Ac B) ] (A B c ) (no termine a tiempo la primera
pero s la segunda, o bien no termine a tiempo la segunda pero s la primera) y como
en esta reunion los eventos son excluyentes, basta sumar sus probabilidades (por el
axioma 3 de la probabilidad). As:

P (Ac B) ] (A B c ) = P (Ac B) + P (A B c ) = 0, 29 + 0, 19 = 0, 48
Aqu se ha obtenido P (A B c ) de manera analoga a como se procedio en la parte
anterior para hallar P (Ac B), es decir, usando: P (A) = P (A B) + P (A B c ).
d) La probabilidad de que al menos una de estas personas termine a tiempo su trabajo.
En este caso nos interesa el evento (A B) (al menos una de estas personas termine a
tiempo su trabajo). Para determinarla podemos usar la propiedad 6:
P (A B) = P (A) + P (B) P (A B) = 0, 7 + 0, 8 0, 51 = 0, 99.
Compruebe que P (A B) = P (Ac B) + P (A B c ) + P (A B).
11
Estadstica
Los datos y eventos dados pueden representarse en la tabla siguiente:
A
Ac
Totales
B
P (A B) = 0, 01
P (Ac B)
Bc
P (A B c )
P (Ac B c )
Totales
P (A) = 0, 3
P (Ac ) = 0, 7
P (B) = 0, 2
P (B c ) = 0, 8
Observaci
on 1.3. Tenga siempre presente el uso de las propiedades de la probabilidad. No
use la tabla anterior (u otras graficas) como justificacion para el calculo de probabilidades,
solo use propiedades para este fin.
Propiedad (Regla de la probabilidad total) Sean A1 , . . . , Ak , eventos mutuamente
k
U
excluyentes (esto es, Ai Aj = , i 6= j) y exhaustivos (es decir,
Ai = ). Entonces, para
i=1
todo evento, B, de :
P (B) =
k
X
P (B Ai )
i=1
Esta propiedad es una de las mas importantes en las aplicaciones. Las propiedades que
satisfacen los eventos A1 , . . . , Ak (mutuamente excluyentes y exhaustivos) se resumen
diciendo que estos constituyen una particion de y se puede ilustrar como sigue:
Ejemplo 1.7. Para producir cierto bien se usa solo uno de tres procedimientos principales
existentes (1, 2 y 3) y, opcionalmente, uno secundario (4). La probabilidad de usar el
procedimiento 1 es de 0,6; la probabilidad de usar el procedimiento 1 con el secundario
es igual a 0,24. La probabilidad de usar el procedimiento 2 sin el procedimiento secundario
es de 0,06. La probabilidad de usar el procedimiento 3 es de 0,25; y la probabilidad de usar
el procedimiento secundario con este procedimiento es de 0,16.
Obtengamos la probabilidad de usar el procedimiento secundario:
Consideremos los eventos: Ai , usar el procedimiento i; para i = 1, . . . , 4.
Estos eventos nos permiten expresar los datos dados con las notaciones necesarias para usar
las propiedades de la probabilidad:
A1 ]A2 ]A3 = , es decir, los eventos A1 , A2 y A3 son mutuamente excluyentes y exhaustivos.
P (A1 ) = 0, 6, P (A1 A4 ) = 0, 24, P (A2 Ac4 ) = 0, 06, P (A3 ) = 0, 25 y P (A3 A4 ) = 0, 16.
Para obtener la probabilidad del evento que interesa, es decir de A4 , la descomposicion
A1 ] A2 ] A3 = nos permite expresar A4 = (A4 A1 ) ] (A4 A2 ) ] (A4 A3 ); por lo tanto,
12
Probabilidad
13
la probabilidad pedida es:

P (A4 ) = P (A4 A1 ) ] (A4 A2 ) ] (A4 A3 )
= P (A4 A1 ) + P (A4 A2 ) + P (A4 A3 )
= 0, 24 + P (A4 A2 ) + 0, 16
Luego, basta obtener la probabilidad P (A4 A2 ). Para esto, puesto que A1 ] A2 ] A3 = ,
podemos deducir inmediatamente que, P (A1 ) + P (A2 ) + P (A3 ) = 1 y as P (A2 ) =
1 0, 6 0, 25 = 0, 15. Ademas, ya que P (A2 ) = P (A4 A2 ) + P (Ac4 A2 ), tenemos
que P (Ac4 A2 ) = P (A2 ) 0, 06 = 0, 15 0, 06. As, P (A4 ) = 0, 24 + 0, 09 + 0, 16 = 0, 49.
1.4. Probabilidad condicional

Como ya sabemos, una probabilidad P definida sobre los eventos de cuantifica las
posibilidades que tienen de ocurrir dichos eventos. Sucede que en el transcurrir del tiempo
podemos ir recibiendo informacion que modifique el estado de incertidumbre que se tena
sobre el experimento antes de realizarlo. Por ejemplo, si en una empresa el 70 % de los
proyectos que llegan se desarrollan a tiempo; entonces, podemos decir que si un proyecto
llega hay una probabilidad de 0, 7 de desarrollarlo a tiempo; sin embargo, resulta que
algunos proyectos llegan solo con un mes de anticipacion, se podra decir que estos tienen la
misma probabilidad de ser desarrollados a tiempo? El conocimiento de esta informacion a lo
mejor afectara las probabilidades anteriores, por lo tanto, hay la necesidad de actualizar las
probabilidades iniciales con base en el conocimiento de la nueva informacion adquirida, dicho
de otro modo, este conocimiento nos debe llevar a un aprendizaje que se concreta o expresa
en una nueva regla de asignacion de probabilidades, digamos P 0 . Dicha informacion nueva
es expresada como la ocurrencia de un evento B; y la nueva asignacion de probabilidades P 0
es llamada probabilidad condicional dado que ocurrio B y se la define para cada evento
A, a partir de la probabilidad P, anterior a la informacion recibida, como:
P 0 (A) =
P (A B)
P (B)
Ademas, se suele denotar a esta nueva asignacion de probabilidades, P 0 , como P ( / B), es

decir, para cada evento A de se tiene que:
P (A/ B) =
P (A B)
P (B)
Observese que para la asignacion clasica resulta:

P (A B)
P (A/ B) =
=
P (B)
#(AB)
#()
#(B)
#()
#(A B)
#(B)
Por lo que se interpreta como la probabilidad de que ocurra A, cuando el espacio se reduce
al evento B.
13
Estadstica
Observaci
on 1.4. La probabilidad condicional es, en efecto, una probabilidad, pues
satisface:
A1. P (A/ B) 0, para cada A evento de .
A2. P (/ B) = 1.
A3. Para cualesquiera C y D, eventos excluyentes de :
P (C ] D/ B) = P (C/ B) + P (D/ B).
En particular satisface tambien cualquier otra propiedad de la probabilidad:
P1. La probabilidad del evento imposible es nula: P (/ B) = 0.
P2. La probabilidad de cualquier evento A es menor o igual que 1: P (A/ B) 1.
P3. La probabilidad de un evento mas la de su complemento da 1: P (A/ B)+P (Ac / B) = 1.
P4. Si un evento, C, esta incluido dentro de otro, D, entonces, su probabilidad es a lo sumo
igual a la de aquel: P (C/ B) P (D/ B).
P5. Para cualesquiera C y D, eventos de : P (C) = P (C D/ B) + P (C Dc / B).
P6. Para cualesquiera C y D, eventos de :
P (C D/ B) = P (C/ B) + P (D/ B) P (C D/ B).
Propiedad (Regla del producto): para cualesquiera A y B eventos de , se tiene que:
P (A B) = P (B)P (A/ B) = P (A)P (B/ A).
Observaci
on 1.5. Esta regla es sumamente importante, pues permite obtener la
probabilidad que tienen de ocurrir conjuntamente dos eventos, a partir de la de uno de
ellos y la del otro condicional a la ocurrencia del primero.
En general:
P (A1 . . . Ak ) = P (A1 )P (A2 / A1 )P (A3 / A1 A2 ) . . . P (Ak / A1 . . . Ak1 ).
Ejemplo 1.8. Una empresa del pas se encuentra en cierto estado financiero si posee dos
caractersticas, c1 y c2 ; la probabilidad de que posea c1 es de 0,9. Ademas, una de cada cuatro
empresas, que posee la caracterstica c1 , tambien posee la c2 .
Usaremos la regla anterior para calcular la probabilidad de que una de estas empresas,
escogida arbitrariamente, se encuentre en dicho estado financiero:
As, consideremos los eventos A : la empresa presente la caracterstica c1 , y B : presente c2 .
Por los datos: P (A) = 0, 9 y P (B/ A) = 1/4 = 0, 25.
14
Probabilidad
15
Luego, por la regla del producto: P (A B) = P (A)P (B/ A) = 0, 225.

Propiedad (reglas de la probabilidad total y de Bayes) Sean A1 , . . . , Ak , eventos
mutuamente excluyentes (esto es, Ai Aj = , para cualesquiera i 6= j) y exhaustivos (es
k
U
decir,
Ai = ), y B otro evento. Esto se puede representar graficamente como sigue:
i=1
Entonces, tenemos las propiedades siguientes:

a) La regla de la probabilidad total: La probabilidad de B puede obtenerse mediante
una suma, como se muestra a continuacion:
P (B) =
k
X
P (B Ai ) =
i=1
k
X
P (Ai )P (B/ Ai )
i=1
Es com
un ilustrar esta regla mediante una tabla de probabilidades:
O, tambien, mediante un diagrama de arbol de probabilidades:
b) La regla de Bayes: Luego de saber de la ocurrencia del evento B, la probabilidad

que se le haba asignado a Aj (para j = 1, . . . , k) se actualiza como:
P (Aj / B) =
P (Aj B)
P (Aj )P (B/ Aj )
= k
P
P (B)
P (Ai )P (B/ Ai )
i=1
15
Estadstica
Ejemplo 1.9. En una compa

na el 30 % de los proyectos es encargado al administrador 1,
el 20 % al administrador 2, y el resto al administrador 3. Cuando el proyecto esta a cargo
del administrador 1, solo en el 1 % de estos se comete un error grave; en el 3 % si es el
administrador 2 quien esta a cargo; y en el 4 % si es el administrador 3 el que esta a cargo.
Cual es la probabilidad de cometer un error grave al realizarse un proyecto?
En este caso los porcentajes se refieren a las probabilidades frecuenciales, y la pregunta puede
ser resuelta con porcentajes y un poco de razonamiento con aritmetica; pero se trata de usar
las propiedades de probabilidad que ya hemos visto, como lo haremos a continuacion:
Podemos considerar los eventos Ai : el proyecto es realizado por el administrador i, i = 1, 2, 3;
y B : cometer un error grave al realizar el proyecto.
Los datos son: P (A1 ) = 0, 3; P (A2 ) = 0, 2; P (A3 ) = 0, 5; P (B/A1 ) = 0, 01; P (B/A2 ) =
0, 03 y P (B/A3 ) = 0, 04.
Podemos ilustrar estos datos mediante la tabla siguiente:
B
Bc
A1
P (B A1 )
P (B c A1 )
A2
P (B A2 )
P (B c A2 )
Totales
P (A1 ) = 0, 3 P (A2 ) = 0, 2 P (A3 ) = 0, 5
O mediante el diagrama de arbol siguiente:
16
A3
P (B A3 )
P (B c A3 )
Total
P (B)
P (B c )
1
Probabilidad
17
As, la probabilidad de cometer un error grave al realizar el proyecto es:

P (B)
=
P (B A1 )
+
P (B A2 )
+
P (B A3 )
= P (A1 ) P (B/ A1 ) + P (A2 ) P (B/ A2 ) + P (A3 ) P (B/ A3 )
=
(0,3)(0,01)
+
(0,2)(0,03)
+
(0,5)(0,04)
=
0,029
Las probabilidades de la primera fila del cuadro, o la de cada rama del arbol, pueden ser
completadas usando la regla del producto, P (B Ai ) = P (Ai )P (B/Ai ), as obtenemos:
B
Bc
Totales
A1
A2
A3
P (B A1 ) = 0, 003 P (B A2 ) = 0, 006 P (B A3 ) = 0, 02
P (B c A1 )
P (B c A2 )
P (B c A3 )
P (A1 ) = 0, 3
P (A2 ) = 0, 2
P (A3 ) = 0, 5
Total
P (B) = 0, 029
P (B c )
1
Y:
Ejercicio: Al realizar un proyecto se cometio un error grave, cual administrador tiene

mayor probabilidad de haberlo realizado?
17
Estadstica
Sugerencia: examine las probabilidades:

P (Ai /B) =
P (Ai )P (B/Ai )
P (Ai B)
=
, para i = 1, 2 y 3;
P (B)
P (B)
y luego determine a cual administrador corresponde la mayor probabilidad.
1.5. Independencia
Definici
on 1.6. Dado un espacio muestral , sobre cuyos eventos se tiene definida una regla
de asignacion de probabilidades P, se dice que dos eventos A y B son independientes, si:
P (A/ B) = P (A).
O, equivalentemente, si:
P (B/ A) = P (B).
As, esto significa que el conocimiento de la ocurrencia de uno de los eventos no altera la
probabilidad de que ocurra el otro.
Ejemplo 1.10. En el analisis costo-beneficio de la compra de cierta fabrica se considera,
para simplificar, que solo dos eventos pueden determinar el cierre de la fabrica al cabo del
primer a
no: una demanda muy baja del producto que se fabricara, o que la fabrica se vuelva
anticuada debido a nuevas normas de control ambiental.
En este caso es razonable suponer que los eventos anteriores sean independientes, pues, la
ocurrencia de uno de ellos no altera la probabilidad de ocurrir el otro. Es decir, si denotamos
por A al primer evento, y por B al segundo, es claro que:
P (A/ B) = P (A) y P (B/ A) = P (B).
Supongamos que la probabilidad de que ocurra el primer evento antes mencionado sea 0,1,
y 0,05 la del segundo. Entonces, la probabilidad de que, durante el primer a
no, ocurra una
demanda muy baja y que la fabrica se vuelva anticuada, puede obtenerse a partir de la regla
del producto y el concepto de independencia, as, obtenemos que:
P (A B) = P (A)P (B/A) = P (A)P (B) = 0, 1 0, 05 = 0, 005.
Lo visto en el ejemplo anterior motiva la definicion equivalente siguiente.
Propiedad 1: A y B son eventos independientes si y solo si: P (A B) = P (A)P (B).
Propiedad 2: Si A y B son eventos independientes, tambien lo son:
a) Ac y B; b) A y B c ; y c) Ac y B c .
18
Probabilidad
19
Observaci
on 1.6. As, podemos decir que dos eventos son independientes, si la probabilidad
de que ocurra uno de ellos no se altera aun sabiendo si ocurrio, o si no ocurrio el otro.
La definicion y propiedad anteriores se generalizan para una coleccion de eventos:
Definici
on 1.7. Una coleccion de eventos, {A1 , A2 , . . . }, son independientes, si la
probabilidad de que ocurran simultaneamente cualquier n
umero finito de estos eventos, es
igual al producto de las probabilidades correspondientes.
As, por ejemplo, si se consideran n de tales eventos, digamos, Ai1 , Ai2 , . . . Ain , entonces:
P (Ai1 Ai2 . . . Ain ) = P (Ai1 )P (Ai2 ) . . . P (Ain )
Propiedad 3: Si en una coleccion de eventos independientes, {A1 , A2 , . . . }, se sustituye
cualquiera de los eventos Aij por su complemento Acij , entonces, los eventos que resultan
as seguiran siendo independientes.
Observaci
on 1.7. Entonces, cuando se tiene independencia ocurre la simplificacion siguiente
de la regla del producto general:
P (Ai1 Ai2 . . . Ain ) = P (Ai1 )P (Ai2 / Ai1 )P (Ai3 / Ai1 Ai2 ) . . . P (Ain / Ai1 . . . Ain1 )
Ejemplo 1.11. Los eventos A, B y C son independientes si se cumplen las igualdades
siguientes:
P (AB) = P (A)P (B), P (AC) = P (A)P (C), P (B C) = P (B)P (C) y P (AB C) =
P (A)P (B)P (C).
Ejemplo 1.12. Sea = {1, 2, 3, 4} y los eventos A = {1, 4}, B = {2, 4} y C = {3, 4}.
Si consideremos la probabilidad clasica, tenemos que:
P (A) = P (B) = P (C) = 2/4 = 1/2.
P (A B) = P (A C) = P (B C) = 1/4 (pues A B = A C = B C = {4}).
As: P (A B) = P (A)P (B), P (A C) = P (A)P (C) y P (B C) = P (B)P (C).
Sin embargo, P (A B C) 6= P (A)P (B)P (C). Es decir, estos tres eventos no son
conjuntamente independientes; pero dos cualesquiera de estos s lo son.
Ejemplo 1.13. En el contexto del ejemplo 1.10, consideremos un perodo de 3 a
nos.
Supongamos que, en cada uno de estos a
nos, la probabilidad de que la demanda sea muy
baja se mantenga constante, es decir igual a 0,1, e independientemente de los demas a
nos.
Interesa obtener la probabilidad de los eventos siguientes:
a) En cada uno de estos a
nos la demanda sea muy baja.
b) Por lo menos en uno de los a
nos de este perodo la demanda sea muy baja.
19
Estadstica
c) Solo en un a
no de este perodo la demanda sea muy baja.
d) Solo en dos a
e) Por lo menos en dos a
Para obtenerlas definamos los tres eventos siguientes:
Ai : Durante el a
no i la demanda sea muy baja, i = 1, 2, 3.
a) Aqu estamos interesado en el evento A1 A2 A3 .
Por la independencia tenemos que:
P (A1 A2 A3 ) = P (A1 )P (A2 )P (A3 )
= (0, 1)(0, 1)(0, 1)
= (0, 1)3
b) En este caso el evento de interes es A1 A2 A3 , cuyo complemento es Ac1 Ac2 Ac3 . Por
la independencia, resulta mas simple obtener la probabilidad del complemento, en efecto:
P (Ac1 Ac2 Ac3 ) =
=
=
=
P (Ac1 )P (Ac2 )P (Ac3 )

(1 0, 1)(1 0, 1)(1 0, 1)
(1 0, 1)3
(0, 9)3
As, P (A1 A2 A3 ) = 1 P (Ac1 Ac2 Ac3 ) = 1 (1 0, 1)3 = 1 (0, 9)3 .

c) Aqu, el evento que interesa es: (A1 Ac2 Ac3 ) ] (Ac1 A2 Ac3 ) ] (Ac1 Ac2 A3 ).
Cuya probabilidad se puede obtener sumando las probabilidades de cada uno de los eventos
excluyentes anteriores, es decir:
P (A1 Ac2 Ac3 ) + P (Ac1 A2 Ac3 ) + P (Ac1 Ac2 A3 )
Nuevamente por la independencia, tenemos que:
P (A1 Ac2 Ac3 ) = P (A1 )P (Ac2 )P (Ac3 ) = (0, 1)(1 0, 1)(1 0, 1) = (0, 1)(1 0, 1)2
P (Ac1 A2 Ac3 ) = P (Ac1 )P (A2 )P (Ac3 ) = (1 0, 1)(0, 1)(1 0, 1) = (0, 1)(1 0, 1)2
P (Ac1 Ac2 A3 ) = P (Ac1 )P (Ac2 )P (A3 ) = (1 0, 1)(1 0, 1)(0, 1) = (0, 1)(1 0, 1)2
Por lo tanto, la probabilidad que interesa es: 3(0, 1)(1 0, 1)2 = 3(0, 1)(0, 9)2 .
d) Aqu, el evento que interesa es: (A1 A2 Ac3 ) ] (A1 Ac2 A3 ) ] (Ac1 A2 A3 ).
Cuya probabilidad se puede obtener sumando las probabilidades de cada uno de los eventos
excluyentes anteriores, es decir:
P (A1 A2 Ac3 ) + P (A1 Ac2 A3 ) + P (Ac1 A2 A3 )
20
Probabilidad
21
Nuevamente por la independencia, tenemos que:

P (A1 A2 Ac3 ) = P (A1 )P (A2 )P (Ac3 ) = (0, 1)(0, 1)(1 0, 1) = (0, 1)2 (1 0, 1)
P (A1 Ac2 A3 ) = P (A1 )P (Ac2 )P (A3 ) = (0, 1)(1 0, 1)(0, 1) = (0, 1)2 (1 0, 1)
P (Ac1 A2 A3 ) = P (Ac1 )P (A2 )P (A3 ) = (1 0, 1)(0, 1)(0, 1) = (0, 1)2 (1 0, 1)
Por lo tanto, la probabilidad que interesa es: 3(0, 1)2 (1 0, 1) = 3(0, 1)2 (0, 9).
e) Aqu el evento que interesa es la reunion del anterior, D, con el primero, A, es decir:
D ] A = (A1 A2 Ac3 ) ] (A1 Ac2 A3 ) ] (Ac1 A2 A3 ) ] (A1 A2 A3 ).
Y como estos eventos son excluyentes, la probabilidad que interesa es:
P (D ] A) = P (D) + P (A) = 3(0, 1)2 (0, 9) + (0, 1)3 .
Observaci
on 1.8. Se suele confundir el concepto de eventos independientes con el de eventos
excluyentes, esto sucede porque en el lenguaje com
un y corriente independencia significa
autonoma, as, dos eventos excluyentes al no tener elementos en com
un, son autonomos en
cuanto a sus elementos se refiere; pero la independencia de eventos se refiere a la autonoma
de las probabilidades de ocurrir, de lo que carecen los eventos excluyentes, pues, si ocurre
uno de ellos el otro tendra una probabilidad nula de ocurrir.
Propiedad 4: Si en una coleccion de eventos independientes se escogen subcolecciones
disjuntas (de este modo ning
un evento estara en mas de una subcoleccion) y en cada
subcoleccion se efect
uan operaciones (de reunion, interseccion o complemento) con los
eventos que la integran, entonces, los eventos que resultan de estas operaciones tambien
son independientes.
1.6. Probabilidad cl
asica y combinatoria
Como fue visto en el ejemplo 1.4, para calcular la probabilidad clasica de un evento se
requiere contar su n
umero de resultados. Existen tecnicas que facilitan el conteo, estas son
parte del llamado analisis combinatorio, a continuacion describiremos brevemente algunas.
Definici
on 1.8. (N
umero combinatorio) Si m y n son dos n
umeros naturales, con m
mayor o igual que n, al n
umero:

m
m!
= C nm =
n
n!(m n)!
se le denomina combinatorio de m en n y nos da el n
umero de subconjuntos (o grupos), de
tama
no n, que se pueden obtener a partir de m elementos.
Por m! entendemos el producto de los primeros m n
umeros naturales, es decir, m! =
1x 2x . . . x m, si m es mayor o igual que 1; y se define 0! como 1.
21
Estadstica
Ejemplo 1.14. Entre 20 empresas, de las cuales 5 son clasificadas del tipo a y las otras
15 del tipo b, se toma una muestra al azar de 4 de estas. Podemos describir el espacio
muestral asociado a este experimento, , como el conjunto de subconjuntos de tama
no 4 que
se pueden determinar con 20 elementos.
De este modo se deduce que tiene:

20!
17 18 19 20
20
20!
=
=
= 4 845 elementos o resultados.
=
4! (20 4)!
4! 16!
1234
4
Si quisieramos ser mas precisos podemos identificar a las empresas por los n
umeros naturales,
por ejemplo, del 1 al 20, donde los primeros 5 identifican a las del tipo a. As:
= { A / A {1, . . . , 20}, #(A) = 4 }.
Note que todo elemento (resultado) A de es un subconjunto (grupo), del conjunto
{1, . . . , 20}, integrado por 4 elementos.
Describamos dos eventos para ilustrar el uso del n
umero combinatorio en el conteo:
a) Seleccionar solo empresas del tipo a:
A1 = { {1, 2, 3, 4}, {1, 2, 3, 5}, {1, 2, 4, 5}, {1, 3, 4, 5}, {2, 3, 4, 5} }
En este caso el subconjunto elegido, ademas de ser de cuatro elementos, estos deben ser solo
del conjunto {1, 2, 3, 4, 5}, por lo tanto, A1 tiene:

5
5!
=
= 5 resultados o elementos,
4
4! 1!
cualquiera de estos resultados determina la ocurrencia del evento A1 . Es decir, hay 5
posibilidades, entre 4 845, de que ocurra A1 .
b) Seleccionar solo empresas del tipo b. Entonces, el grupo de 4 empresas debe estar integrado
solo por 4 de las seis del tipo b que hay en total, as, este evento, digamos A2 , tiene:

15
15!
12 13 14 15
=
=
= 1 365 resultados o elementos.
4
4! 11!
1234
En este caso hay 1 365 posibilidades, entre 4 845, de que ocurra A2 . As, la probabilidad de
seleccionar solo empresas del tipo b es de 1 365 en 4 845.
A continuacion mostramos algunos de estos resultados:
A2 = { {6, 7, 8, 9}, {6, 7, 8, 10}, . . . . , {6, 7, 8, 20}, . . . . , {17, 18, 19, 20} }.
Definici
on 1.9. (Principio de la multiplicaci
on) Si una primera operacion se puede
llevar a cabo de m formas, y despues de esta una segunda operacion se puede realizar de n
formas, entonces, la operacion de llevar a cabo la primera operacion y luego la segunda, se
puede realizar de m n formas posibles.
22
Probabilidad
23
Ejemplo 1.15. En el mismo ejemplo anterior veamos dos eventos mas para ilustrar las dos
tecnicas vistas del analisis combinatorio:
a) A3 : Seleccionar solo tres empresas del tipo a. Ahora se completa el grupo de modo
que tenga tres empresas del tipo a y solo una del tipo b. Para determinar el n
umero
de resultados que tiene este evento podemos, por ejemplo, describir sus elementos
enumerandolos abreviadamente y como una matriz de m filas y n columnas, de este
modo el producto m n nos dara el n
umero de resultados, veamos:
{1, 2, 3, 6}, {1, 2, 3, 7},
{1, 2, 4, 6}, {1, 2, 4, 7},

A3 =
...
...
{3, 4, 5, 6}, {3, 4, 5, 7},
.
.
.
.
.
.
.
.
.
.
.
.
{1, 2, 3, 20},
{1, 2, 4, 20},
...
{3, 4, 5, 20}
Notemos que se han listado los resultados anteriores siguiendo un orden adecuado,
como para evitar dejar afuera alguno de ellos. Tambien observemos que en este arreglo
el n
umero de filas y el de columnas lo obtenemos usando el n
umero combinatorio. En
efecto, como una fila es determinada por las tres empresas del tipo a que se hayan

5!
= 10 filas. Similarmente, cada columna es determinada por la
elegido, hay 53 = 3!2!

15!
empresa del tipo b que se haya escogido, as, hay 15
= 15 columnas. Entonces,
= 1!14!
1
el n
umero de casillas que hay en el arreglo anterior es 10 15 = 150 (por el principio
de la multiplicacion), luego, el evento A3 tiene 150 resultados. Por lo tanto, hay 150
posibilidades, entre 4 845, de que ocurra A3 .
b) A4 : Seleccionar dos empresas del tipo a y dos del tipo b.
Ahora tenemos que seleccionar dos empresas del tipo a, lo cual se puede hacer de

5
5!
= 2!3!
= 10 maneras, y seleccionar dos empresas del tipo b, lo cual se puede
2

15
15!
hacer de 2 = 2!13!
= 105 maneras. As, por el principio de la multiplicacion, hay
10 105 = 1 050 posibilidades para seleccionar dos empresas del tipo a y dos del tipo
b. Como lo hicimos con el evento anterior, podemos escoger un orden apropiado que
nos permita listar todas estas posibilidades como un arreglo de filas y columnas:
{1, 2, 6, 7}, {1, 2, 6, 8},
{1, 3, 6, 7}, {1, 3, 6, 8},

A4 =
...
...
{4, 5, 6, 7}, {4, 5, 6, 8},
.
.
.
.
.
.
.
.
.
.
.
.
{1, 2, 19, 20},

{1, 3, 19, 20},
...
{4, 5, 19, 20}

5!
15!
En esta lista hay 52 = 2!3!
= 10 filas, cada una contiene 15
= 2!13!
= 105 columnas.
2
As, hay 10 15 = 150 casillas, cada una representa a uno de los resultados que
conducen a la ocurrencia de este evento. Por lo tanto, las posibilidades de que, al
tomar al azar un grupo de 4 empresas, resulten dos del tipo a y dos del tipo b son de
1050 en 4 845.
23
Estadstica
Observaci
on 1.9. El principio de la multiplicacion se generaliza para tres o mas operaciones.
Ejemplo 1.16. En el contexto del ejemplo 1.14, supongamos ahora que en cada una de las
proximas semanas se visitara una empresa distinta y escogida aleatoriamente. Y nos interesa
obtener la probabilidad de que en la primera y cuarta semana se visite a una empresa del
tipo a.
Ahora el espacio muestral no estara integrado por subconjuntos o grupos de tama
no 4, sino
por cuartetos (grupo ordenado de tama
no 4), es decir:
= {(a1 , a2 , a3 , a4 )/ ai {1, . . . , 20}, ai 6= aj , i 6= j, i, j = 1, . . . , 20}
Puesto que la primera empresa que visitar puede ser cualquiera de las 20, la segunda
cualquiera de las 19 restantes, la tercera cualquiera de las 18 restantes, y finalmente la cuarta
empresa por visitar puede ser cualquiera de las 17 restantes; entonces, por el principio de la
multiplicacion, el n
umero de resultados posibles lo podemos obtener mediante el producto
siguiente: #() = 20 x 19 x 18 x 17 = 116 280. Nuestro evento de interes lo podemos denotar
por E y describirlo como:
E = {(a1 , a2 , a3 , a4 ) / a1 , a4 {1, ..., 5}}
La primera empresa que visitar puede ser cualquiera de las 5 del tipo a, la cuarta cualquiera
de las 4 del tipo a restantes, la segunda empresa por visitar puede ser cualquiera de las 18
empresas restantes (entre las del tipo a y b), y la tercera cualquiera de las 17 restantes.
6 120
1
= 116
= 19
.
Entonces tenemos que #(E) = 5x4 18 17 = 6 120. Luego, P (E) = #(E)
#()
280
Observaci
on 1.10. Si m y n son dos n
umeros naturales, con m mayor o igual que n, al
n
umero:
Pnm =
m!
= m(m 1) . . . (m (n 1))
(m n)!
se le denomina n
umero de permutaciones de m en n y nos da el n
umero de n-tuplas (grupos
ordenados de tama
no n) que se pueden obtener a partir de m elementos.
1.7. Probabilidad geom

etrica y frecuencial
Existe una infinidad de formas de asignar probabilidades a los eventos de un espacio
muestral, la mas conocida de todas es la llamada probabilidad clasica, pero el uso de una de
estas dependera de la situacion en particular. A continuacion veamos dos formas mas.
Definici
on 1.10. (Probabilidad geom
etrica) Esta asignacion es analoga a la probabilidad
clasica; pero en este caso el experimento tiene un n
umero infinito e innumerable de resultados,
los cuales se encuentran distribuidos aleatoria e indistintamente (uniformemente) sobre toda
24
Probabilidad
25
una region. Esta region puede ser un intervalo (por ejemplo de tiempo), un area o un volumen.
En este caso una manera natural de asignar probabilidades a los eventos del espacio muestral
(la region) es la siguiente:
medida de A
P (A) =
medida de
esto para cada evento, A, de .
La medida a la que se refiere la definicion anterior depende de la dimension de la region.
As, en una dimension la medida usual es la longitud, en dos dimensiones el area, y en tres
el volumen. Ahora la probabilidad de un evento es proporcional a su medida.
Ejemplo 1.17. El precio del bien A vara aleatoria y uniformemente entre 100 y 200 soles,
y el precio del bien B vara entre 200 y 300 soles de manera aleatoria y uniformemente para
cualquiera que sea el precio del bien A.
Una persona que desea adquirir una unidad de cada bien dispone de un presupuesto de 450
soles. Se quiere cuantificar el riesgo que corre esta persona de no conseguir su objetivo.
En este caso el espacio muestral puede describirse como:
= { (x; y) R2 / 100 x 200, 200 y 300}
Con la interpretacion siguiente: si (x; y) es un resultado de , quiere decir que el precio del
bien A es x soles y el del bien B es y soles.
La persona desea que su presupuesto de 450 soles alcance, es decir, que ocurra el evento
siguiente: E = { (x; y) / x + y 450} Y lo podemos representar graficamente junto al
espacio muestral como sigue:
Por la condicion del problema, cada resultado se distribuye indistintamente en toda la region
, luego, la asignacion de probabilidades adecuada para cada evento, A, de es
P (A) =
medida de A
a
rea de A
a
rea de A
=
=
.
medida de
a
rea de
1002
25
Estadstica
En particular, la probabilidad de que el presupuesto de la persona sea insuficiente es

P (E c ) =
50x50
2
1002
= 0, 125
Esta probabilidad cuantifica el riesgo que corre la persona, cuando solo dispone de 450 soles
para adquirir una unidad de cada bien.
Definici
on 1.11. Probabilidad frecuencial: Aqu, la probabilidad de un evento es
la frecuencia relativa con la que este ocurre en una gran cantidad de repeticiones del
experimento. Por tal motivo se acostumbra interpretarla como el porcentaje de veces que
suele ocurrir el evento en consideracion.
Ejemplo 1.18. En cierta region se ha observado la distribucion de los ingresos familiares
anuales (en ciertas unidades monetarias) siguiente:
x
0,5
0,75
1,5
2,5
F (x)
0,2
0,4
0,51
0,64
0,75
0,8
0,90
0.99
Entonces, si obtenemos las probabilidades de la manera frecuencial, podemos decir, entre

otras cosas, que
a) La probabilidad de que una familia tenga un ingreso anual de 1,5 um a lo sumo es 0, 64

(puesto que el 64 % de las familias ha tenido un ingreso de 1,5 um como maximo).
b) La probabilidad de que una familia tengo ingresos anuales entre 1 y 1,5 um es 0, 13.
c) La probabilidad de que una familia tengo ingresos anuales superiores a 2 um es 0,25,
pues el 75 % de las familias ha tenido un ingreso de hasta 2 um .
26
Probabilidad
27
1.8. Ejercicios propuestos

Ejercicio 1.1.
Demuestre que la propiedad 6 de la probabilidad se generaliza como sigue:
P (A1 . . . An )
n
X
XX
XX
=
P (Ai )
P (Ai Aj ) +
P (Ai Aj Ak ) + . . . + (1)n+1 P (A1 . . . An ).
i=1
i<j
i<j<k
En particular, si n = 3, se tiene que:

P (A1 A2 A3 ) = P (A1 )+P (A2 )+P (A3 )P (A1 A2 )P (A1 A3 )P (A2 A3 )+P (A1 A2 A3 ).
Ejercicio 1.2.
Cierto agente invierte en dos acciones con la meta de ganar mas de lo previsto, en por lo
menos una. La probabilidad de que gane mas de lo previsto en la primera es de 0,3; y la de
que solo gane mas de lo previsto en la segunda es de 0,2.
Cuantifique la confianza en lograr la meta.
Ejercicio 1.3.
En un supermercado los compradores tienen que elegir una de tres opciones de pago:
con dinero en efectivo, con credito proporcionado por el supermercado y con credito
proporcionado por otra entidad. La probabilidad de que un comprador pague con dinero
en efectivo es de 0,5. La probabilidad de que un comprador pague con credito proporcionado
por el supermercado es de 0,3. El supermercado propone a los compradores una donacion al
momento de pagar. La probabilidad de que un comprador pague con dinero en efectivo
y acepte donar es de 0,1. La probabilidad de que un comprador pague con credito
proporcionado por el supermercado y no acepte donar es de 0,05. La probabilidad de que un
comprador pague con credito credito proporcionado por otra entidad y acepte donar es de
0,15.
a) Exprese los datos dados con eventos previamente definidos e identifique una particion
conveniente del espacio muestral.
b) Determine la probabilidad de que un comprador pague con credito proporcionado por
otra entidad.
c) Determine la probabilidad de que un comprador pague con credito proporcionado por
el supermercado y acepte donar.
d) Determine la probabilidad de que un comprador acepte donar.
27
Estadstica
Ejercicio 1.4.
Sean P1 y P2 dos probabilidades definidas para los eventos de .
Para cada evento A de , se define Q(A) de la manera siguiente:
Q(A) =
3
1
P1 (A) + P2 (A) .
4
4
a) Demuestre que Q(A) 0, para todo evento A de .

b) Halle Q().
c) Si A1 , A2 , . . . es una coleccion de eventos mutuamente excluyentes, demuestre que
Q(A1 ] A2 ] . . . ) = Q(A1 ) + Q(A2 ) + . . .
d) Es Q una probabilidad?
Ejercicio 1.5.
Sea P una probabilidad definida para los eventos de . Sea C un evento tal que P (C) > 0.
Se define, para cada evento A de :
Q(A) =
P (A C)
.
P (C)
a) Demuestre que Q(A) 0, para todo evento A de .

b) Halle Q().
c) Si A1 , A2 , . . . es una coleccion de eventos mutuamente excluyentes, demuestre que
Q(A1 ] A2 ] . . . ) = Q(A1 ) + Q(A2 ) + . . .
d) Es Q una probabilidad?
Ejercicio 1.6.
Dados los eventos A1 , A2 y A3 , se sabe que
P (A1 A2 Ac3 ) = P (A1 Ac2 A3 ) = P (Ac1 A2 A3 ) = P (A1 A2 A3 ) = 81 .
a) Cual es la probabilidad de que los tres eventos ocurran?
b) Halle la probabilidad de que solo dos de los tres eventos ocurran.
c) Halle la probabilidad de que por lo menos dos de los tres eventos ocurran.
d) Halle la probabilidad de que por lo menos uno de los tres eventos no ocurra.
28
Probabilidad
29
Ejercicio 1.7.
Si P (A B c C) = 0, 8 y P (A B c C Dc ) = 0, 5.
a) Halle P (A B c C D).
b) Halle P (Ac B C c Dc ).
Ejercicio 1.8.
Como aguas duras se consideran aquellas que requieren cantidades considerables de
jabon para producir espuma y ocasionan incrustaciones en las tuberas de agua caliente,
calentadores y otras unidades en las cuales se incrementa la temperatura del agua.
Las aguas pueden clasificarse, seg
un su dureza, en cuatro tipos: blanda (cuando contiene
maximo 75 mg/L de CaCO3 ), moderadamente dura (cuando contiene entre 75 y 150 mg/L
de CaCO3 ), dura (cuando contiene mas de 150 y hasta 300 mg/L de CaCO3 ) y muy dura
(cuando contiene mas de 300 mg/L de CaCO3 ).
Un administrador, encargado de la comercializacion de cierto jabon que sera vendido en todo
el pas, ha determinado que:
i) La probabilidad de que el jabon sea usado con aguas blandas es de 2/9.
ii) La probabilidad de que el jabon se use con aguas blandas pero no alcance los
resultados deseados es de 1/36.
iii) Dos de cada cinco veces, el jabon se usara con aguas moderadamente duras y
alcanzara los resultados deseados.
iv) El 15 % de las veces, el jabon se usara con aguas duras y alcanzara los resultados
deseados.
v) La probabilidad de que el jabon se use con aguas muy duras es de 0,3.
vi) La probabilidad de que el jabon se use con aguas muy duras y no alcance los
resultados esperados es de 0,2.
conveniente del espacio muestral.
b) Cual es la probabilidad de que el jabon alcance los resultados esperados y sea usado
con aguas blandas?
c) Cual es la probabilidad de que el jabon alcance los resultados esperados y sea usado
con aguas muy duras?
d) Cual es la probabilidad de que el jabon alcance los resultados esperados?
29
Estadstica
Ejercicio 1.9.
Un trastorno se manifiesta si, y solo si, se presentan por lo menos dos de tres sntomas: s1 ,
s2 y s3 . La probabilidad de que se presenten los sntomas s1 y s2 es de 0,56. La probabilidad
de que se presenten estos tres sntomas es de 0,504. La probabilidad de que se presenten los
sntomas s1 y s3 pero no s2 es de 0,105. La probabilidad de que se presenten los sntomas s2
y s3 pero no s1 es de 0,117.
del espacio muestral.
b) La probabilidad de que se presenten los sntomas s1 y s2 pero no s3
c) La probabilidad de que se presenten los sntomas s1 y s3 .
d) La probabilidad de que se presenten los sntomas s1 y s2 pero no s3
e) Determine la probabilidad de que se manifieste el trastorno.
Ejercicio 1.10.
La probabilidad de ganar en las operaciones financieras 1 y 2 son iguales a 0,3 y 0,4,
respectivamente; y la probabilidad de ganar en ambas es de 0,2. Cual es la probabilidad de
ganar en, por lo menos, una de estas operaciones?
Ejercicio 1.11.
En la produccion de cierto bien se puede usar, por lo menos, uno de tres procedimientos
secundarios (1, 2 y 3), cada uno de estos tiene una probabilidad de 0,55 de ser usado. La
probabilidad de que se usen el procedimiento 1 y 2 durante la produccion es de 0,2. Los
procedimientos 1 y 3 son utilizados durante la produccion, con probabilidad 0,25; lo mismo
ocurre cuando se usan los procedimientos 2 y 3. Ademas, la probabilidad de usar los tres
procedimientos en la produccion es de 0,01.
Considere los eventos Ai : usar el procedimiento secundario i, para i = 1, 2 y 3.
a) Use los eventos Ai , antes definidos, y operaciones de conjuntos para expresar cada uno
de los eventos siguientes:
i) E1 : usar al menos uno de los procedimientos secundarios en la produccion.
ii) E2 : usar uno o dos de los procedimientos secundarios en la produccion.
iii) E3 : usar a lo sumo dos de los procedimientos secundarios en la produccion.
iv) E4 : ninguno de los procedimientos secundarios es usado en la produccion.
b) Determine la probabilidad de los eventos descritos en la parte anterior. Solo use
propiedades de la probabilidad y los resultados de la parte anterior.
30
Probabilidad
31
Ejercicio 1.12.
Una entidad crediticia califica a las empresas de cierto grupo para otorgarles un credito si, y
solo si, estas poseen al menos una de tres caractersticas (s1 , s2 , s3 ). La probabilidad de que
una de estas empresas posea una sola de las caractersticas es de 0,28 y la probabilidad de
que posea solo dos, de 0,67. Considere los eventos Ni : la cantidad de estas caractersticas
que posee una empresa es igual a i, para i = 0, 1, 2, 3.
a) Use los eventos antes definidos para expresar los eventos siguientes:
i) Una empresa de este grupo califique para el credito.
ii) Una empresa de este grupo no califique para el credito o bien califique por tener
las tres caractersticas.
b) Determine el valor de la suma P (N0 ) + P (N1 ) + P (N2 ) + P (N3 ).
c) Determine la probabilidad de que una empresa de este grupo no califique para el credito
o bien califique por tener las tres caractersticas.
d) Suponga que la probabilidad de que una empresa de este grupo califique para el credito
sea de 0,96. Cual sera la probabilidad de que una de las empresas del grupo posea
las tres caractersticas?
Ejercicio 1.13.
La produccion de cierto bien tiene tres procedimientos secundarios, (1, 2 y 3), y la
probabilidad de usar al menos uno se estos es de 0,9. En la produccion se pueden usar
al mismo tiempo dos procedimientos secundarios, 1 y 2, con probabilidad 0,2; 1 y 3, con
probabilidad 0,25, y 2 y 3 tambien con probabilidad 0,25. Por u
ltimo, la probabilidad de
usar los tres procedimientos secundarios en la produccion del bien es 0,01. Determine la
probabilidad de cada uno de los eventos siguientes:
a) Solo se usen los procedimientos secundarios 1 y 2.
Recuerde la propiedad P (A B) = P (A B C) + P (A B C c )
b) Solo se usen los procedimientos secundarios 1 y 3.
c) Solo se usen los procedimientos secundarios 2 y 3.
d) Solo se usen dos de los procedimientos secundarios.
e) Se use solo uno de los procedimientos secundarios.
f) Ninguno de los procedimientos secundarios se use.
g) Se usen, a lo mas, dos de los procedimientos secundarios.
31
Estadstica
Ejercicio 1.14.
Al poner a la venta un producto, el administrador responsable ha determinado que solo
puede presentarse una de las cuatro situaciones de la demanda siguientes: muy desfavorable,
desfavorable, favorable y optima. Tambien ha calculado las probabilidades siguientes:
i) 1/8 de que la demanda sea muy desfavorable.
ii) 1/9 de que la demanda sea muy desfavorable y no se logre los resultados deseados.
iii) 1/4 de que la demanda sea desfavorable.
iv) 0,15 de que la demanda sea desfavorable y se logre los resultados deseados.
v) 1/4 de que la demanda sea favorable.
vi) 0,18 de que la demanda sea favorable y se logre los resultados deseados.
vii) 0,1 de que la demanda sea optima y no se logre los resultados deseados.
a) Exprese los datos dados con eventos previamente definidos.
b) Cual es la probabilidad de que la demanda sea muy desfavorable y se logre los
resultados deseados?
c) Cual es la probabilidad de que la demanda sea optima?
d) Halle la probabilidad de que la demanda sea optima y se logre los resultados deseados.
e) Halle la probabilidad de que se logre los resultados deseados.
Ejercicio 1.15.
La probabilidad de fabricar un artculo defectuoso es de 0,1; y la probabilidad de que un
artculo fabricado defectuosamente sea inservible es de 0,8. Cual es la probabilidad de
fabricar un artculo defectuoso e inservible?
Ejercicio 1.16.
Con el fin de ganar 5 000 soles un inversionista realizara una de tres opciones. La probabilidad
de que se realice la opcion 1 es 0,3. Si se realiza la opcion 1, la probabilidad de ganar 5 000
soles es 0,4. Si se realiza la opcion 2, lo cual ocurre con probabilidad 0,2, la probabilidad de
ganar 5 000 soles es 0,1. Cuando se realiza la opcion 3, la probabilidad de ganar 5 000 soles
es 0,25. Cuantificar la confianza del inversionista en esta situacion.
Ejercicio 1.17.
En el contexto del ejemplo 1.8, suponga ahora que una empresa se encuentra en dicho estado
financiero si tambien posee la caracterstica c3 . Si, ademas de la informacion ya dada, se sabe
que el 75 % de las empresas, que poseen las caractersticas c1 y c2 , tambien presenta la c3 ;
cual es la probabilidad de que una empresa se encuentre en este estado financiero?
32
Probabilidad
33
Ejercicio 1.18.
En la identificacion de una ceramica2 , de cierto lugar arqueologico, esta puede ser preincaica,
con probabilidad 0,3, o bien incaica. Para ayudar a la identificacion de esta ceramica se
observa si posee cierta caracterstica distintiva. Si la ceramica es preincaica, la probabilidad
que que posea la caracterstica distintiva es de 0,6; pero si la ceramica es incaica, la
probabilidad solo es de 0,1.
b) Determine la probabilidad de que la ceramica posea la caracterstica distintiva.
c) En la identificacion de una ceramica, se observo que posea la caracterstica distintiva.
Si el arqueologo encargado quiere maximizar su confianza en la identificacion la debe
clasificar como incaica o preincaica?
Ejercicio 1.19.
Estudios acerca de la calidad han determinado que un producto tiene un problema de calidad
cuando presentan los tres defectos siguientes: 1 (mala presentacion), 2 (contenido) y 3 (peso).
La probabilidad de que el producto posea el defecto 1 es 0,05. Una de cada cuatro unidades
del producto que presentan el defecto 1, tambien presentan el defecto 2. Ademas, se sabe
que el 75 % de las unidades del producto, que presentan los defectos 1 y 2, tambien presenta
el defecto 3. Determine la probabilidad de que uno de los artculos del producto presente un
problema de calidad.
Ejercicio 1.20.
Al realizar tres proyectos, c1 , c2 y c3 , un economista estima las probabilidades siguientes:
i) 0,3, de que el desarrollo de c3 no sea exitoso.
ii) 0,8, para el desarrollo exitoso de c2 , si es que c3 resultara exitoso.
iii) 0,1, de que el desarrollo de c1 no sea exitoso, si es que resultaran exitosos c3 y c2 .
El economista obtendra un beneficio si, y solo si, los tres proyectos resultaran exitosos. Halle
la probabilidad de que este economista obtenga un beneficio.
Ejercicio 1.21.
Sean P, Q y R probabilidades tales que para cada evento A de : Q(A) = P (A/B) y
R(A) = Q(A/C). Demuestre que para cada evento A : R(A) = P (A/B C).
2
Este ejercicio es una simplificaci

on de un problema de Reconocimiento de Patrones. Una referencia es el
libro Neural Networks for Pattern Recognition de Christopher M. Bishop, Oxford University Press 2000.
33
Estadstica
Ejercicio 1.22.
Sean P, Q, R y S probabilidades tales que para cada evento A de : Q(A) = P (A/B),
R(A) = Q(A/C) y S(A) = R(A/D). Demuestre que para cada evento A :
S(A) = P (A/B C D).
Ejercicio 1.23.
Si P (A C/B) = 0, 1, P (A C c /B) = 0, 2, halle P (A/B).
Ejercicio 1.24.
Halle la probabilidad P (A B C D), si se conocen las probabilidades siguientes:
P (A) = 0, 1, P (B c /Ac ) = 0, 8, P (C/Ac B c ) = 0, 3 y P (D/Ac B c C c ) = 0, 4.
Ejercicio 1.25.
Al realizar tres proyectos, c1 , c2 y c3 , un economista estima las probabilidades siguientes:
i) 0,7, para el desarrollo exitoso de c1 ;
ii) 0,8, para el desarrollo exitoso de c2 , si es que c1 resultara exitoso;
iii) 0,6, para el desarrollo exitoso de c2 , si es que c1 no resultara exitoso;
iv) 0,9, para el desarrollo exitoso de c3 , si es que resultaran exitosos c1 y c2 ;
v) 0,75, para el desarrollo exitoso de c3 , si es que resultara exitoso c1 pero no c2 ;
vi) 0,65, para el desarrollo exitoso de c3 , si es que resultara exitoso c2 pero no c1 ;
vii) 0,5, para el desarrollo exitoso de c3 , si es que no resultaran exitosos c1 ni c2 .
El economista obtendra un beneficio si, y solo si, por lo menos dos de los tres proyectos
resultaran exitosos. Cuantifique el riesgo que correra al realizar los proyectos.
Ejercicio 1.26.
Se debe realizar una de dos inversiones. La probabilidad de que se realice la inversion I es
de 0,3. Si se realiza la inversion I, la probabilidad de ganar 5 000 soles es de 0,4. Si se realiza
la inversion II, la probabilidad de ganar 5 000 soles es de 0,1.
a) Cual es la probabilidad de que se realice la inversion I y se gane 5 000 soles?
b) Cual es la probabilidad de que se realice la inversion II y se gane 5 000 soles?
c) Cual es la probabilidad de que se gane 5 000 soles?
d) Si se gano 5 000 soles, cual inversion es la mas probable de haber sido realizada?
34
Probabilidad
35
Ejercicio 1.27.
En el contexto del ejemplo 1.10, suponga un perodo de 4 a
nos y que la probabilidad de
que la demanda sea muy baja se mantenga constante durante este perodo; demas, que
la probabilidad de que la fabrica se vuelva anticuada (por las nuevas normas de control
ambiental) al cabo del a
no i, dado que no se hizo antes, sea 1 (0, 95)i , para i = 2, 3 y 4.
a) Determine la probabilidad de que, al cabo de este perodo, la fabrica no tenga que
cerrarse.
b) Generalice el resultado anterior para un perodo de n a
nos. Puede concluir lo que
ocurrira en el largo plazo?
Ejercicio 1.28.
De los reportes sobre una operacion financiera, se tiene la informacion siguiente:
la probabilidad de ganar menos de 20 mil soles es de 0,35;
el 40 % de las veces se gana entre 20 mil y 40 mil soles;
cuando se gana menos de 20 mil soles, la probabilidad de no lograr la meta es de 0,2;
si se gana entre 20 mil y 40 mil soles, la probabilidad de que se logre la meta es de 0,6;
la probabilidad de ganar mas de 40 mil soles pero no lograr la meta es de 0,01.
a) Halle la probabilidad de que se logre la meta.
b) Si se logro la meta, en cual de los tres rangos mencionados es mas probable que se
encuentre la ganancia en la operacion? Recuerde justificar.
Ejercicio 1.29.
Las inversiones financieras (de resultados inciertos) han sido clasificadas, seg
un el riesgo de
perder, en tres tipos: de riesgo bajo, de riesgo normal y de riesgo alto. Seg
un las estadsticas,
la probabilidad de realizar una inversion de riesgo bajo es de 0,5 y la de realizar una inversion
de riesgo normal es de 0,3. Si la inversion es de riesgo bajo, la probabilidad de perder es de
0,1. La probabilidad de perder en una inversion de riesgo normal es de 0,15. Solo en una de
cada cinco inversiones, de riesgo alto, no se pierde.
b) Determine la probabilidad de perder cuando la inversion es de riesgo alto.
c) Determine la probabilidad de perder en una inversion financiera.
d) Si se perdio en la inversion, halle la probabilidad de que haya sido de riesgo bajo.
35
Estadstica
Ejercicio 1.30.
En la produccion de cierto bien se usa solo uno de tres procedimientos principales (1, 2 y
3) y opcionalmente, por lo menos, uno de dos procedimientos secundarios (4 y 5). Si se usa
el procedimiento 1, lo cual ocurre con probabilidad 0,6, cada uno de los procedimientos
secundarios tiene una probabilidad igual a 0,4 de ser usado; en este mismo caso, la
probabilidad de que se usen ambos procedimientos es de 0,2. Si se usa el procedimiento
2, pueden usarse los procedimientos secundarios (4 y 5) de manera independiente cada uno
y con probabilidades 0,2 y 0,3, respectivamente. El procedimiento 3 puede usarse con una
probabilidad de 0,25, en este caso, la probabilidad de usar al menos uno de los procesos
secundarios es 0,85.
a) Cual es la probabilidad de usar al menos uno de los procedimientos secundarios en la
produccion del bien, si se sabe que se ha usado el procedimiento 1?
b) Cual es la probabilidad de usar al menos uno de los procedimientos secundarios en la
produccion del bien y el procedimiento 1?
c) Cual es la probabilidad de usar al menos uno de los procedimientos secundarios?
Ejercicio 1.31.
En un supermercado cada cliente decide, independientemente de los demas, si compra un
artculo en promocion. Se sabe que el 75 % de los clientes suele comprar un artculo en
promocion. Suponga que 4 clientes (1, 2, 3 y 3) ingresan en el supermercado.
Use los eventos: Ai , el cliente i decida comprar un artculo en promocion, para i = 1, 2, 3
y 4, para expresar los eventos que se dan a continuacion y calcular sus probabilidades
correspondientes:
a) Ninguno de los cuatro clientes decida comprar un artculo en promocion.
b) Solo uno de los cuatro clientes decida comprar un artculo en promocion.
c) Solo dos de los cuatro clientes decida comprar un artculo en promocion.
d) Solo tres de los cuatro clientes decida comprar un artculo en promocion.
e) Por lo menos uno, de los cuatro clientes, decida comprar un artculo en promocion.
Ejercicio 1.32.
Halle la probabilidad P (A B C), en cada uno de los casos siguientes:
a) Estos eventos son excluyentes y cada uno tiene una probabilidad de 0,1.
b) Estos eventos son independientes y cada uno tiene una probabilidad de 0,1.
c) P (Ac ) = 0, 3, P (B c /Ac ) = 0, 4 y P (C/Ac B c ) = 0, 8.
36
Probabilidad
37
Ejercicio 1.33.
Al invertir en las operaciones financieras 1, 2, 3, 4 y 5 se puede ganar, independientemente
y con probabilidades iguales a 0,1; 0,2; 0,3; 0,4 y 0,5, respectivamente.

b) Halle la probabilidad de que ganar solamente en las operaciones 1 y 5.
c) Halle la probabilidad de ganar en, por lo menos, una de estas operaciones.
d) Para un agente financiero resulta rentable la inversion en las cinco operaciones si, y
solo si, gana en por lo menos una de las tres primeras y gana en las dos u
ltimas. Halle
la probabilidad de que resulte rentable la inversion en las cinco operaciones.
Ejercicio 1.34.
En una planta de produccion continua de un producto, en cualquier lapso de un minuto
puede producirse una imperfeccion con probabilidad 0,3. Si para perodos de observacion,
que no se traslapan, las imperfecciones producidas son independientes, cuan probables seran
los eventos siguientes, referidos a cuatro minutos de observacion que no se traslapan:
a) En los cuatro minutos de observacion se produzca una imperfeccion.
b) En al menos uno de los cuatro minutos de observacion se produzca una imperfeccion.
c) Solo en los dos primeros minutos de observacion se produzca una imperfeccion.
d) Solo en dos de los minutos de observacion se produzca una imperfeccion.
Ejercicio 1.35.
En el analisis costo-beneficio de la compra de cierta fabrica, se ha determinado que solo si
alguno de los dos eventos siguientes ocurre se producira una perdida: el evento E1 , cuya
probabilidad de ocurrir es de 0,1, y el evento E2 , cuya probabilidad es de 0,05. Tambien se
sabe que la probabilidad de que ocurran ambos eventos es de 0,02.
a) Puede deducirse que los eventos E1 y E2 sean independientes?

b) Cual es la probabilidad de que ocurra una perdida a causa u
nicamente del evento E1 ?
c) Cual es la probabilidad de que ocurra una perdida a causa u
nicamente del evento E2 ?
d) Cual es la probabilidad de que la compra ocasione una perdida?
37
Estadstica
Ejercicio 1.36.
{ A1 , . . . , A5 } es una coleccion de eventos independientes, cada uno tiene una probabilidad
de 0,9. Determine la probabilidad de los eventos siguientes:

(A1 Ac2 ) A3 y A1 A2 (A3 A4 ) A5 .
Ejercicio 1.37.
En una obra hay seis operarios, cada uno puede cometer alg
un error con una probabilidad de
0,05 e independientemente de los demas operarios. Calcular sus respectivas probabilidades:
a) Ninguno de los seis operarios comete un error.
b) Por lo menos uno de los seis operarios comete un error.
c) Solo uno de los seis operarios comete un error.
d) Solo dos de los seis operarios cometen un error.
e) Solo tres de los seis operarios cometen un error.
f) Los seis operarios cometen un error.
g) A lo sumo dos de los operarios cometen un error.
Ejercicio 1.38.
Con fines de auditora sobre 18 empresas aseguradoras que funcionan en nuestro medio (entre
las cuales tenemos a El Pacfico Peruano Suiza, Genarali Per
u y La Positiva) se tomara una
muestra aleatoria de 5 de ellas. Determine la probabilidad de los eventos siguientes:
a) Que la muestra solo tenga una de las tres empresas antes citadas.
b) Que la muestra solo tenga dos de las tres empresas antes citadas.
c) La muestra incluya a las tres empresas mencionadas.
d) Que la muestra incluya al menos una de las tres empresas antes citadas.
Ejercicio 1.39.
En el contexto del ejemplo 1.17:
a) Cual es la probabilidad de que un presupuesto de 350 soles garantice la adquisicion
de una unidad de cada bien?
b) Halle el presupuesto mnimo necesario para garantizar, con una probabilidad mayor o
igual que 0,95, la adquisicion de una unidad de cada bien.
c) Cuantifique el grado de confianza de aseverar que con un presupuesto de 450 soles se
puedan adquirir dos unidades del bien A y una del bien B.
38
2.
Variable aleatoria
2.1. Introducci
on
Si tenemos una variable, X, para la cual desconocemos como asume sus valores, podemos
cuantificar esta incertidumbre asignando probabilidades sobre sus valores, de este modo se
tendra un mejor conocimiento del comportamiento de ella. Esta asignacion debe ser tal que
nos permita obtener la probabilidad de que la variable X asuma valores sobre cualquier
subconjunto, A, de valores posibles, es decir, P (X A). Tambien es posible obtener un
modelo o funcion que nos de tal asignacion de probabilidades que permita una descripcion
de la variable. A continuacion formalizamos un poco mas lo anterior.
Definici
on 2.1. Sea un espacio muestral asociado a un experimento aleatorio. Una
variable aleatoria es una funcion, X, que transforma cada resultado, , del espacio muestral,
en un n
umero real X().
X:
R
7 X()
Observaci
on 2.1. Que interpretacion podemos dar a esta definicion formal? Para
averiguarlo pongamonos en el papel de una persona que recibe u observa los valores de la
variable, para ella estos valores tendran una naturaleza aleatoria, puesto que estos se originan
al transformar los resultados de un experimento aleatorio en n
umeros. El experimento que
da la aleatoriedad resulta, para dicha persona, como una caja negra, pues dicha persona
solo recibe los valores y no observa el experimento mismo, por lo tanto, para tener una
descripcion de ella tendra que hacerlo de manera indirecta y no a traves del experimento
aleatorio mismo.
Ejemplo 2.1. En el contexto del ejemplo 1.14 del captulo anterior, en donde se tienen 20
empresas, de las cuales 5 son clasificadas del tipo a y las otras 15 del tipo b, se toma una
muestra al azar de 4 de estas. Entonces, el espacio muestral asociado a este experimento es:
= { A / A {1, . . . , 20}, #(A) = 4 }
con la interpretacion que las empresas estan identificadas por los n
umeros naturales del 1 al
20 y los primeros 5 identifican a las del tipo a.
39
Estadstica
A manera de ejemplo, consideremos la variable X definida como el n

umero de empresas del
tipo a, que resultaran en la muestra por seleccionar. X es una variable, puede asumir como
valores 0 o 1 o 2 o 3 o 4, es decir, el rango de X es RX = {0, 1, 2, 3, 4}. Ademas, X asume
sus valores de manera aleatoria.
Veamos como se generan los valores de X a partir del experimento aleatorio que la origina,
es decir, entremos a la caja negra, pues en este caso es muy simple hacerlo.
Describamos, por ejemplo, como se genera el valor 4 de X, es decir, el evento X = 4 (las
cuatro empresas seleccionadas son del tipo a) o, dicho de otro modo, cuales son los resultados
de este experimento que generan este valor o, cual es el evento asociado a este valor:
{X = 4} = {{1, 2, 3, 4}, {1, 2, 3, 5}, {1, 2, 4, 5}, {1, 3, 4, 5}, {2, 3, 4, 5}}.
Note que todo resultado, , de este evento tiene la propiedad de ser transformado en el
n
umero 4, es decir, X() = 4, ya que han sido seleccionadas cuatro de las empresas del tipo

a. Son 54 = 5 resultados que se convierten en el valor 4.
A continuacion hagamos lo mismo para
{1, 2, 3, 6},
{1, 2, 4, 6},
{X = 3} =
...
{3, 4, 5, 6},
el resto de los valores posibles de esta variable:
{1, 2, 3, 7}, . . . {1, 2, 3, 20},
{1, 2, 4, 7}, . . . {1, 2, 4, 20},
...
...
...
{3, 4, 5, 7}, . . . {3, 4, 5, 20}
En este caso todo resultado, , de este evento tiene la propiedad de ser transformado en el
n
umero 3, es decir, X() = 3, ya que han sido seleccionadas tres de las empresas del tipo a.

Son 53 15
= 10x15 = 150 resultados que se convierten en el valor 3.
1
{1, 2, 6, 7}, {1, 2, 6, 8},
{1, 3, 6, 7}, {1, 3, 6, 8},

{X = 2} =
...
...
{4, 5, 6, 7}, {4, 5, 6, 8},
.
.
.
.
.
.
.
.
.
.
.
.
{1, 2, 19, 20},

{1, 3, 19, 20},
...
{4, 5, 19, 20}
Aqu, todo resultado, , de este evento tiene la propiedad de ser transformado en el n

umero
2, es decir, X() = 2, pues solo han sido seleccionadas dos de las empresas del tipo a. Son

5
15
= 10 15 = 150 resultados que se convierten en el valor 2.

2
2
{1, 2, 3, 6}, {1, 2, 3, 7},
{1, 2, 4, 6}, {1, 2, 4, 7},

{X = 1} =
...
...
{3, 4, 5, 6}, {3, 4, 5, 7},
.
.
.
.
.
.
.
.
.
.
.
.
{1, 2, 3, 20},
{1, 2, 4, 20},
...
{3, 4, 5, 20}
Note que todo resultado, , de este evento tiene la propiedad de ser transformado en el
n
umero 1, es decir, X() = 1, pues solo ha sido seleccionada una de las empresas del tipo

a. Son 51 15
= 5 455 = 2 275 resultados que se convierten en el valor 1.
3
40
Variable aleatoria
41
Finalmente:
{X = 0} = { {6, 7, 8, 9}, {6, 7, 8, 10}, . . . . , {6, 7, 8, 20}, . . . . , {17, 18, 19, 20} }.
Todo resultado, , de este evento tiene la propiedad de ser transformado en el n
umero 0,

15
es decir, X() = 0, ya que no han sido seleccionadas empresas del tipo a. Son 4 = 1 365
resultados que se convierten en el valor 0.
Definici
on 2.2. El rango de una variable aleatoria X, es el conjunto de valores posibles que
puede asumir la variable. Se lo denota por RX .
Ejemplo 2.2. En el ejemplo anterior, el rango de la variable aleatoria X es RX =
{0, 1, 2, 3, 4}.
Definici
on 2.3. Se dice que una variable aleatoria es discreta, si su rango es un conjunto
discreto; y continua, si su rango es un conjunto continuo.
Ejemplo 2.3. La variable aleatoria X, del ejemplo 1, es discreta.
Ejemplo 2.4. En el ejemplo 1.17 del tema anterior, en donde el precio del bien A vara
aleatoria y uniformemente entre 100 y 200 soles, y el precio del bien B vara entre 200 y 300
soles, el espacio muestral es: = { (x; y) R2 / 100 x 200, 200 y 300} Con la
interpretacion siguiente: si (x; y) es un resultado de , quiere decir que el precio del bien A
es x soles y el del bien B es y soles.
Consideremos ahora la variable T definida como el precio total para adquirir una unidad de
cada uno de estos productos. Entonces, cada resultado posible, = (x, y), es transformado
por esta variable, T , en el n
umero T ((x, y)) = x + y. As, esta variable solo puede asumir
valores entre 300 y 500, es decir, RT = [300, 500]. Por lo tanto, T es una variable aleatoria
continua. Esto u
ltimo se ilustra en la figura siguiente:
Observaci
on 2.2. Los dos ejemplos anteriores ilustran de manera sencilla el concepto de
variable aleatoria. En la aplicacion practica encontramos variables que se generan de modo
complejo y en estas situaciones usamos un modelo probabilstico para describirlas, esta forma
de hacerlo se describira a continuacion.
41
Estadstica
2.2. Modelo probabilstico de una variable aleatoria

Definici
on 2.4. Sea un espacio muestral y P una asignacion de probabilidades definida
sobre sus eventos. Entonces, el modelo o distribucion de probabilidades de una variable
aleatoria, X, definida en , es una funcion f : RX R, con la propiedad que, para cualquier
subconjunto A, de valores posibles para la variable, es decir, A RX , se tiene que:
P (X A) =
f (x), si X es discreta;
xA
f (x)dx,
si X es continua.
Es decir, la probabilidad de que X tome valores en A se determina sumando o integrando,

seg
un sea X discreta o continua, la funcion f en A.
Observaci
on 2.3. En el contexto de la inferencia estadstica clasica, la variable aleatoria
modela a la variable medida en toda una poblacion y su distribucion de probabilidades
describe la frecuencia relativa de todos sus valores en dicha poblacion; mientras que en la
estadstica descriptiva, se dispone tan solo de una muestra de la variable de la poblacion, por
lo tanto, la distribucion de frecuencias solo describe la frecuencia relativa de los valores en la
muestra; as, esta es solo una aproximacion o estimacion de la distribucion de la variable de
la poblacion. Mas formalmente, si para cada n + , X1 , . . . , Xn es una muestra aleatoria
n
P
1{Xj A} = (la proporcion de valores de la muestra que estan en A);
de X, A y p = n1
j=1
entonces, un resultado conocido como la Ley Fuerte de los Grandes N

umeros, garantiza que
lm p = P (X A) (con probabilidad 1).
Notese tambien que si en la muestra se consideran solamente los valores no repetidos, digamos
P
x1 , . . . xk , y f r(x1 ), . . . , f r(xk ) sus respectivas frecuencias relativas; entonces, p =
f r(x).
xA
As, en la muestra se usan las frecuencias relativas obtenidas, f r(x), pero para la poblacion
estas frecuencias relativas son reemplazadas por los valores proporcionados por el modelo
probabilstico, f (x).
A continuacion ilustramos graficamente el caso continuo:
42
Variable aleatoria
43
Ejemplo 2.5. Veamos como es la distribucion de probabilidades en el rango de la variable

del ejemplo 2.1. Para esto, consideremos x cualquier valor posible para X y apliquemos la
definicion dada al conjunto A = {x}, entonces, resulta que:
X
P (X = x) = P (X {x}) =
f (y) = f (x),
y{x}
es decir, f (x) = P (X = x).

En la tabla siguiente se muestran los valores de f (x) = P (X = x), para cada valor posible
de X :
x
0
1
2
3
4
15
4

20
4
5
1
f (x)
15
3
20
4
5
2
15
2
20
4
5
3
15
1
20
4
5
4

20
4
En este caso tenemos la formula explcita general:

15
5
f (X = x) = P (X = x) =
4x

20
4
, para cualquier x RX = { 0, 1, 2, 3, 4 }.
Y de aqu, si aplicamos la definicion para cualquier subconjunto, A, de valores posibles para

la variable, es decir, A RX , se tiene que:
15
X
X x5 4x

P (X A) =
P (X = x) =
20
xA
xA
Veamos como obtener las probabilidades de algunos eventos relacionados con esta variable
X, a partir de su modelo probabilstico f .
i) La probabilidad de que sean seleccionadas mas de 2 empresas del tipo a es

15
15
4
5
5
X
4 44
3 43
+
.
P (X > 2) =
f (x) = f (3) + f (4) =
20
20
4
x=3
ii) La probabilidad de seleccionar a lo mas una empresa del tipo a es

15
15
5
5
P (X 1) = f (0) + f (1) =
40

20
4
41

20
4
iii) La probabilidad de seleccionar tres empresas del tipo a es: P (X = 3) = f (3) =
15
(53)(43
)
20
(4)
Observaci
on 2.4. El modelo probabilstico, f , de una variable aleatoria X, puede extenderse
hacia todo n
umero real, definiendola como cero en los casos fuera del rango. Ademas, en el
caso discreto a esta funcion se le llama tambien funcion de probabilidad; y en el caso continuo
funcion de densidad.
43
Estadstica
Ejemplo 2.6. El ingreso en soles, en un sector, se considera una variable aleatoria continua,
X, cuyo modelo probabilstico esta dado por:
si 0 x < 1500
0, 0008x/1500,
f (x) =
0, 002 0, 0008x/1000, si 1500 x 2500
0,
en otro caso
A modo de ejemplo, obtengamos la probabilidad de que un trabajador gane a lo sumo 1000
soles, es decir, P (X 1000). Como X es continua sigue, de la definicion de f, que
Z 1000
Z 1000
0, 0008 x2 .x=1000
0, 0008
x dx =
= 0, 2667
P (X 1000) =
f (x) dx =
1500
1500 2 x=0
0
0
As, el 26, 67 % de los trabajadores de este sector gana a lo mas 1000 soles.
Tambien calculemos la probabilidad de que un trabajador gane 2000 soles o menos, es decir,
la probabilidad P (X 2000). En este conviene usar el complemento:
Z 2500
P (X 2000) = 1 P (X > 2000) = 1
(0, 002 0, 0008x/1000) dx = 1 0, 1 = 0, 9.
2000
As, el 90 % de los trabajadores de este sector gana, a lo mas, 2000 soles.
2.2.1. Propiedades del modelo probabilstico

El modelo o distribucion de probabilidades, f, de una variable aleatoria X, satisface las
propiedades siguientes:
1. Si X es discreta, para cualquier x RX se cumple que: f (x) = P (X = x).
2. Si X es continua, para cualquier valor x se tiene que: P (X = x) = 0.
3. Para cualquier x RX se cumple que f (x) 0.
44
Variable aleatoria
4. Si X es discreta, se tiene que:
45
f (x) = 1.
xRX
5. Si X es continua, se tiene que:
f (x)dx = 1.
RX
6. Si X es continua, se cumple que f es el modelo probabilstico de X, si y solo si:

Zb
para cualesquiera a < b : P (a X b) = f (x)dx.
a
7. Si X es continua, para cualesquiera a < b, se tiene que:

P (a X b) = P (a X < b) = P (a < X b) = P (a < X < b)
= P (X b) P (X a).
Observaci
on 2.5. En las aplicaciones, para determinar el posible modelo probabilstico de
una variable aleatoria, se debe buscar entre las funciones que satisfagan las propiedades 3 y
4, en el caso discreto, y 3 y 5, en el caso continuo.
2.3. El valor esperado

Definici
on 2.5. La esperanza o media de una variable aleatoria, X, cuyo modelo
probabilstico es fX , se denota por E(X) o X , y se le define, seg
un sea la variable discreta
o continua, mediante:
P
xf (x); si X es discreta.
xRX X
Z
X = E(X) =
xf (x)dx; si X es continua.
X
RX
Observaci
on 2.6. Resulta, entonces, que en el caso discreto: E(X) =
xP (X = x).
xRX
As, la esperanza o media es el promedio de los valores posibles de la variable ponderados

con sus respectivas probabilidades. Para extender esta definicion al caso continuo usamos la
integral, en este caso dicha integral tiene una interpretacion fsica: representa la abscisa del
centro de gravedad de un cuerpo cuya densidad es descrita por f . Por esta razon, cuando la
variable es continua a la funcion f se le llama funcion de densidad.
Ejemplo 2.7. Para nuestro ejemplo 2.1 (con los datos del ejemplo 2.5) como X es discreta:
E(X) =
P
xRX
xf (x) =
4
P
xf (x)
x=0
= 0f (0) + 1f (1) + 2f (2) + 3f (3) + 4f (4)

(5)(15)
(5)(15)
(5)(15)
(5)(15)
= 0 + 1 1 20 3 + 2 2 20 2 + 3 3 20 1 + 4 4 20 0
(4)
(4)
(4)
(4)
=1
Entonces, cuando se extraen muestras de 4 empresas, se encontrara en promedio una empresa
del tipo a en cada muestra.
45
Estadstica
Observaci
on 2.7. Cuando se registra u observa una gran cantidad de valores de una variable
aleatoria, la media de todos estos es aproximadamente igual a la esperanza de la variable.
Mas formalmente, si para cada n + , X1 , . . . , Xn es una muestra aleatoria de X y
n
= 1 P Xj (la media de la muestra); entonces, un resultado conocido por la Ley Fuerte de
X
j=1
= E(X). De all el nombre

los Grandes N
umeros, establece que, con probabilidad 1, lm X
n
e importancia del valor esperado o media, pues, con este valor podemos anticipar lo que
ocurrira en promedio.
Ejemplo 2.8. En el contexto del Ejemplo 2.6, la media o valor esperado de los ingresos es:
Z
1500
2500
xf (x) dx +
xf (x) dx =
R
xf (x) dx
1500
1500
2500
x(0, 002 0,0008x/1000)dx
x(0, 0008x/1500)dx +
=
0
1500
= 600 + 733, 33 = 1333, 33

Es decir, el ingreso esperado o medio, en este sector, es de 1 333,33 soles.
2.3.1. Valor esperado de una funci

on de una variable aleatoria
Sea X una variable aleatoria, con modelo probabilstico f (x), y g : RX R una funcion.
X
Entonces, la esperanza de la variable aleatoria g(X) puede obtenerse usando la distribucion

de probabilidades de X, seg
un sea esta discreta o continua, como se indica a continuacion:
P
g(x)f (x); si X es discreta.
xRX
Z
E(g(X)) =
g(x)f (x)dx; si X es continua.
RX
Observaci
on 2.8. Esta propiedad es muy importante: desde el punto de vista practico, pues,
al establecer que con el modelo probabilstico de una variable aleatoria se puede determinar
el valor esperado de cualquier funcion de esta, entonces no es necesario determinar el modelo
para la variable que es funcion de otra cuyo modelo es conocido; y desde el punto de vista
teorico, pues, permite deducir otras propiedades del valor esperado relacionadas con funciones
de una variable aleatoria, como las que se daran mas adelante.
P
Observe tambien que, en el caso discreto: E(g(X)) =
g(x)P (X = x).
xRX
Ejemplo 2.9. La demanda diaria de un artculo se considera una variable aleatoria discreta,
X, con modelo probabilstico:
2x
f (x) =
, x = 1, 2, 3, 4.
6(x!)
46
Variable aleatoria
47
El fabricante, de estos artculos, decide producir 2 unidades diarias, durante un perodo

de muchos das. Cada unidad vendida, del artculo, genera una utilidad de 5 soles; pero
cualquier unidad que no se vende, al cabo del da, se desecha y genera una perdida de 3
soles. El fabricante desea saber cual sera la utilidad promedio, durante este perodo.
Como la utilidad diaria es una funcion g(X), usamos la propiedad anterior para averiguarlo.
Los valores de g y f se muestran en la tabla siguiente:
x
1
2
3
4
g(x) 5(1) 3(1) = 2 5(2) 3(0) = 10 5(2) 3(0) = 10 5(2) 3(0) = 10
21
22
23
24
f (x)
= 31
= 13
= 29
= 19
6(1!)
6(2!)
6(3!)
6(4!)
As la utilidad esperada esta dada por:
X
E g(X) =
g(x)f (x) =
4
X
g(x)f (x) = 2 31 + 10 13 + 10 29 + 10
1
9
22
.
3
x=1
xRX
Es decir, la utilidad diaria promedio, en este perodo, sera de 7,33 soles.

Observaci
on 2.9. Un error frecuente es pensar que E(g(X)) = g(E(X)), es decir, que para
obtener el valor esperado de una funcion de X, baste evaluar g en E(X). Una excepcion
ocurre cuando la funcion g es lineal de la forma a + bX, como se vera mas adelante.
Ejemplo 2.10. En el contexto del ejemplo anterior determinemos el valor esperado de X y
verifiquemos que E(g(X)) no es igual a g(E(X)).
As: E(X) =
X
RX
xf (x) =
4
X
xf (x) = 1
1
3
+2
1
3
+3
2
9
+4
1
9
19
.
9
Es decir, en
x=1
promedio, la demanda diaria es de 2,11 unidades. Ademas, en la tabla del ejemplo anterior
se puede apreciar que E(g(X)) 6= g(E(X)).
2.3.2. Otras propiedades del valor esperado
1. El valor esperado de una constante es dicha constante.
2. Para cualesquiera que sean las constantes a y b : E(a + bX) = a + bE(X).
3. Sean g1 , . . . , gn , funciones, y a0 , a1 , . . . , an , constantes; entonces,

E a0 + a1 g1 (X) + . . . + an gn (X) = a0 + a1 E(g1 (X)) + . . . + an E(gn (X)).
Ejemplo 2.11. En el contexto del ejemplo 2.9, suponga que un comerciante compra cada
unidad demandada a 3 soles, y vende cada una a 6 soles; ademas la venta le produce un
costo fijo de 2 soles. As, la utilidad del comerciante es Y = 6X 3X 2 = 3X 2. Por lo
tanto, por la propiedad anterior y el resultado del ejemplo anterior, la utilidad esperada del
) 2 = 13
.
comerciante es E(Y ) = E(3X 2) = 3E(X) 2 = 3( 19
9
3
47
Estadstica
Ejemplo 2.12. Sea X una variable aleatoria tal que E(X m ) = m! , m + ; entonces,
E(1 + 2X 3X 2 + X 3 ) = 1 + 2E(X) 3E(X 2 ) + E(X 3 ) = 1 + 2(1!) 3(2!) + 3! = 3.
Ejemplo 2.13. (Teora de decisiones) Un comerciante debe decidir por cual de tres
proveedores comprar cierto producto. La demanda puede ser excelente, con probabilidad
0, 3, adecuada, con probabilidad 0, 5 o mala con probabilidad 0, 2. Y las utilidades semanales
(en soles) correspondientes dependen del proveedor y del estado de la demanda de los
consumidores, como se muestra a continuacion:
Estado de la demanda
Excelente Adecuada Mala
Proveedor
1
2
3
4000
2800
3100
1900
2850
2900
1800
1900
1200
La variable aleatoria que nos interesa esta asociada a los valores del estado de la demanda,
entonces, definamosla de la manera siguiente:
1, si el estado de la demanda es excelente.

X=
2, si el estado de la demanda es adecuado.
3, si el estado de la demanda es malo.

Estos valores son arbitrarios, solo sirven para diferenciar los posibles estados de la demanda.
a) Determinemos la mejor decision y la utilidad correspondiente, para cada valor posible
de la demanda:
Estado de la demanda X = x : 1 = Excelente 2 = Adecuada
3 = Mala
Decision: Proveedor 1
Proveedor 3 Proveedor 2
Utilidad= g(x) :
4000
2900
1900
Probabilidad P (X = x) = f (x) :
0, 3
0, 5
0, 2
b) Determinemos cual sera la utilidad promedio del comerciante, si este pudiera enterarse
del estado de la demanda y obviamente tomara la mejor decision:
Como la utilidad es una funcion de X, el estado de la demanda, podemos usar la
propiedad anterior con g la funcion cuyos valores correspondientes estan en la tabla
anterior. As:
P
E(U ) =
g(x)fX (x) = 4000 0, 3 + 2900 0, 5 + 1900 0, 2 = S/. 3 030.
xRX
c) El comerciante enfrentara esta situacion durante muchas semanas, por eso, desde un
principio quiere optar por uno de los proveedores. Cual es la mejor decision?
Por lo observado para el valor esperado, bastara comparar las utilidades esperadas,
E(Ui ), que corresponderan a cada decision posible (proveedor i elegido). As,
48
Variable aleatoria
49
procediendo de manera analoga a lo efectuado en la parte anterior, nuevamente

podemos hacer una tabla que incluya los valores de estas utilidades:
Estado de la demanda X = x : 1 =
U1 (x) :
U2 (x) :
U3 (x) :
Probabilidad P (X = x) = f (x) :
Excelente 2 =
4000
2800
3100
0, 3
Adecuada 3 = Mala
1900
1800
2850
1900
2900
1200
0, 5
0, 2
Resultara:
E(U1 ) =
U1 (x)fX (x) = 4000 0, 3 + 1900 0, 5 + 1800 0, 2 = S/. 2 550
xRX
E(U2 ) =
U2 (x)fX (x) = 2800 0, 3 + 2850 0, 5 + 1900 0, 2 = S/. 2 645
xRX
E(U3 ) =
U3 (x)fX (x) = 3100 0, 3 + 2900 0, 5 + 1200 0, 2 = S/. 2 620
xRX
Por lo tanto, la mejor decision sera optar por el segundo proveedor, ya que con este el
comerciante tendra una mayor utilidad promedio, en este caso de S/. 2 645.
d) Supongamos que el comerciante podra averiguar el estado de la demanda pagando un
precio. En promedio, cual sera el valor maximo que podra pagar?
En la teora de decisiones, este valor se llama el valor esperado de la informacion
perfecta. Lo obtenemos comparando las utilidades esperadas antes obtenidas, bajo
el conocimiento perfecto del estado de la demanda y bajo incertidumbre. As, el
comerciante debera pagar, en promedio, S/. 3 030 S/. 2 645 = S/. 385 como maximo.
2.4. Varianza y desviaci

on est
andar
Definici
on 2.6. La varianza de una variable aleatoria X cuya media o esperanza es X , se
define como: E(X X )2 y se la denota por V (X) o X2 . As,
X2
= V (X) = E(X X )2 = E(X E(X))2
A la raz cuadrada de la varianza, X , se le llama desviacion estandar.

Observaci
on 2.10. La desviacion estandar mide la variabilidad promedio respecto a la
media. Por medio de la propiedad basica del valor esperado, puede verificarse que:
X2
= E(X 2 ) 2X
Ejemplo 2.14. Calculemos la desviacion estandar de la variable X del ejemplo 2.1 (con los
datos de los ejemplos 2.5 y 2.7).
49
Estadstica
Primero calculamos E(X 2 ). Para esto basta usar la propiedad que permite obtener el valor
esperado de una funcion de una variable aleatoria discreta, as:
2
E(X ) =
x f (x) =
4
X
x2 f (x)
x=0
xRX
2
= 0 f (0) + 1 f (1) + 22 f (2) + 32 f (3) + 42 f (4)

5 15
5 15
5
5 15
= 0+1
3 + 4
20
4
2 + 9
20
4
1 + 16
20
4
15
4
0
20
4
= 3, 1053.
Luego X2 = E(X 2 ) 2X = 3, 1053 12 = 2, 1053; y X = 1,4509. Entonces, en general, los
valores de X no varan demasiado entorno de su media.
Ejemplo 2.15. Calculemos ahora la desviacion estandar de la variable X del ejemplo 6.
Nuevamente calculamos primero E(X 2 ), pero ahora usamos la propiedad que permite obtener
el valor esperado de una funcion de una variable aleatoria continua:
2
E(X ) =
1500
x f (x) dx =
R
2500
x f (x) dx +
X
1500
=
0
x2 f (x) dx
X
1500
0, 0008x
)dx +
x(
1500
2
2500
x2 (0, 002
1500
0,0008x
)dx
1000
= 675 000 + 1 366 666, 7 = 2 041 666, 7.

As, X2 = E(X 2 ) 2X = 3 408 333, 4 (1333, 3333)2 = 26 3889, 0201 y X = 513, 70.
En resumen, el ingreso medio del sector es de 1 333,33 soles y la desviacion promedio de los
ingresos entorno de esta media es de 513,7 soles.
2.4.1. Propiedades de la varianza

La varianza tiene, entre otras, las propiedades siguientes:
1. Si a y b son constantes, entonces V (a + bX) = b2 V (X).
2. Desigualdad de Chebyshev: Si X es una variable aleatoria, entonces, para cualquier
k > 0 se cumple que:
1
P (| X X | kX ) 1 2
k
o, equivalentemente:
1
P (| X X | > kX ) < 2
k
50
Variable aleatoria
51
Observaci
on 2.11. De la desigualdad anterior se deduce que la proporcion de veces con
la cual la variable asume valores que disten de la media, en mas de tres veces la desviacion
estandar, es menor que un noveno. Por tal razon, a los valores que distan de la media, en mas
de tres veces la desviacion estandar, se les puede llamar valores poco frecuentes o inusuales.
2.5. Funci
on de distribuci
on acumulada
Definici
on 2.7. Si X es una variable aleatoria, discreta o continua, se define su funcion de
distribucion acumulada, FX , mediante:
FX (x) = P (X x), para cada x R.
Luego, recordando como se obtienen las probabilidades a traves de la ley o distribucion de
probabilidades de X, f (x), se tiene que:
X
f (y);
si X es discreta.
yx X
Z x
FX (x) =
f (y) dy; si X es continua.
X
Ejemplo 2.16. En el contexto del ejemplo 2.6, en donde el ingreso en soles, en un sector,
se considera una variable aleatoria continua, X, con densidad:
si 0 x < 1500.
0,0008x/1500,
f (x) =
0,002 0,0008x/1000, si 1500 x 2500.
0,
si x
/ [ 0; 2500 ].
Rx
Obtengamos la distribucion acumulada F (x) = P (X x) =

x
Z
Si 0 < x 1500 : F (x) = P (X x) =
Z
fX (y) dy =
f (y) dy :
(0, 0008y/1500)dy =
0
8
7 2
x10 x .
3
Si 1500 x 2500 :
Z2500
Z
F (x) = P (X x) = 1 P (X > x) = 1
fX (y) dy= 1
2500
(0, 002 0, 0008y/1000) dy
= 0,002x 4x107 x2 1,5.

51
Estadstica
0, si x < 0.
8 x107 x2 , si 0 x < 1500.

3
F (x) =
0,002x 4x107 x2 1,5, si 1500 x 2500.
1, si x > 2500.
Ahora veamos dos casos que ilustran como la distribucion acumulada facilita el calculo de
las probabilidades:
a) La probabilidad de que un trabajador gane entre 1000 y 2000 es:
P (1000 X 2000) = F (2000) F (1000)
= 0,002(2000) 4x107 (2000)2 1,5 38 x107 (1000)2
= 0,6333
As, el 63, 33 % de los trabajadores de este sector gana entre entre 1000 y 2000 soles.
b) La probabilidad de que un trabajador gane mas que el ingreso promedio (1333,33) es:
P (X > 1333, 33) = 1 F (1333, 33) = 1 83 x107 x2 = 0, 4741.
Z 1500
Z 2500
Z 2500
0,0008x
0,0020,0008x
f (x)dx =
dx +
dx;
Con la densidad: P (X > 1333, 33) =
1500
100
1333,33
1333,33
1500
con el complemento y la densidad: P (X > 1333, 33) = 1 P (X 1333, 33) =

Z 1333,33
0,0008x
1
dx = 1 0, 5259 = 0, 4741.
1500
0
2.6. Propiedades de la distribuci

on acumulada
La funcion de distribucion acumulada tiene las propiedades siguientes:
1. La distribucion acumulada es siempre creciente. Y si la variable es continua y su rango
es un intervalo, entonces es estrictamente creciente sobre este intervalo.
2. F es siempre continua por la derecha, es decir, lm F (y) = F (x).
y x+
Ademas, el conjunto de puntos en los que presenta discontinuidad es enumerable y
estos solo son aquellos que tienen probabilidad positiva, pues, se cumple que para cada
52
Variable aleatoria
53
x:
lm F (y) = F (x) P (X = x)
yx
3. P (a X b) = F (b) F (a) + P (X = a).

En particular, si X es continua: P (a x b) = F (b) F (a).
4. Si X es continua con densidad continua: F 0 (x) = f (x).
5. Si X es discreta y rango, digamos, RX = { a1 , a2 , . . . }, con a1 < a2 < . . . , entonces,
para i > 1 : f (ai ) = P (X = ai ) = F (ai ) F (ai1 ).
Observaci
on 2.12. Las dos u
ltimas propiedades establecen que la distribucion acumulada
identifica al modelo o distribucion de probabilidades.
2.7. T
ecnica del cambio de variable
Sean X e Y dos variables aleatorias, con Y una funcion de X. En algunos casos se puede
deducir el modelo probabilstico de Y a partir del modelo de X, una tecnica para hacerlo se
detalla a continuacion:
a) Si Y es discreta f (y) = P (Y = y). Para hallar esta probabilidad se expresa el evento
Y
Y = y en terminos de X; hecho esto se obtiene la probabilidad con el modelo de X.
b) Cuando Y es continua f (y) = P (Y = y) = 0; as, lo explicado en la parte anterior
Y
no es u
til. En este caso primero se determina la funcion de distribucion acumulada de
Y, a partir de F (y) = P (Y y). Es decir, se expresa el evento Y y en terminos
Y
de X, hecho esto se expresa la probabilidad P (Y y) en terminos de la distribucion

acumulada de X. Obtenida FY , se deriva para obtener f (y) (esto u
ltimo por una
Y
propiedad dada para los modelos de las variables continuas).

Ejemplo 2.17. Si la funcion de distribucion (o modelo probabilstico) de la variable aleatoria
positiva X esta dada por fX (x) = 2 e2x , x > 0, determinemos la funcion de densidad de
la variable Y = 4X. Para esto no basta reemplazar x = y/4 en fX (x), como podramos
pensar, pues, el modelo probabilstico no es solo una funcion matematica, ademas de esto
determina probabilidades y otras cantidades relacionadas con la variable aleatoria (recuerde
la definicion).
Como Y es continua, primero debemos determinar FY a partir de FX :
FY (y) = P (Y y) = P (4X y) = P (X y/4) = FX (y/4).
Es decir, FY (y) = FX (y/4), luego se obtiene la derivada respecto de y :
53
Estadstica
fY (y) = Dy FY (y) = [ FX0 (y/4) ] Dy (y/4) = [ fX (y/4) ] 41 = 2 e2y/4
1
4
= 12 ey/2 , y > 0.
Ejemplo 2.18. Sea X una variable aleatoria positiva, cuya funcion de probabilidad (o
modelo probabilstico) esta dada por fX (x) = x/210, para x = 1, . . . , 20. Sigamos la tecnica
antes descrita, para determinar la funcion de la variable Y = 2X.
Como Y es discreta: fY (y) = P (Y = y).
Ademas, P (Y = y) = P (2X = y) = P (X = y/2) = fX (y/2). As, fY (y) = fX (y/2) = y/420,
para y = 2, 4, . . . , 40.
54
Variable aleatoria
55

Ejercicio 2.1.
El precio de una unidad del bien A vara en el conjunto { 1; 2; 3; 4 }, lo mismo ocurre con
el precio del bien B, pero ademas el de B nunca es mayor que el de A.
a) Interesa observar simultaneamente los precios unitarios de cada bien. Determine (por
extension) un conjunto que describa el espacio muestral asociado.
b) Considere el espacio muestral anterior y la variable aleatoria X definida como el gasto
total al comprar una unidad de cada bien.
b1 ) Determine el evento (del espacio muestral) asociado con X = 4.
b2 ) Determine el evento asociado con X = 3.
b3 ) Determine el evento asociado con X = 8.
b4 ) Halle el rango de X.
b5 ) Si se considera la Probabilidad Clasica, halle P (X = 4).
b6 ) Si se considera como modelo probabilstico de X a la funcion definida por
f (x) = x2 /203, halle P (X 3).
Ejercicio 2.2.
Cierto productor fabrica un bien cuya demanda semanal, en toneladas, es una variable
aleatoria X, con rango entre 0 y 10 toneladas, y funcion de densidad f (x) = x/50, x RX .
Cada tonelada tiene un costo de produccion de diez mil soles y un precio de venta de 25 mil
soles. Suponga que en cierta semana el productor decide fabricar cinco toneladas.
a) Cual es la probabilidad de satisfacer la demanda?
b) Cual es la probabilidad de que se satisfaga la demanda y al mismo tiempo el productor
gane mas de 30 mil soles?
c) Cual es la probabilidad de que la demanda no sea satisfecha?
d) Cual es la probabilidad de que la demanda no sea satisfecha y al mismo tiempo el
productor gane mas de 30 mil soles?
e) Cual es la probabilidad de que el productor gane mas de 30 mil soles?
f) Determine la produccion semanal que maximiza la utilidad esperada.
Ejercicio 2.3.
Sea X una variable aleatoria con rango { 1, . . . , 20 }. Determine el modelo probabilstico si
este es constante en el rango de la variable.
55
Estadstica
Ejercicio 2.4.
El n
umero de automoviles que contaminan el ambiente, cada minuto, es una variable
2 x
aleatoria, X, cuyo modelo probabilstico esta dado por: f (x) = e x!2 , x = 0, 1, . . .
a) Determine la probabilidad de que en un minuto no circulen automoviles que contaminen
el ambiente.
b) Cual es la probabilidad de que en un minuto circulen mas de un automovil
contaminando el ambiente?
Ejercicio 2.5.
Considere los 55 datos siguientes:
1,
2,
3,
4,
5,
6,
7,
8,
9,
10,
2,
3,
4,
5,
6,
7,
8,
9,
10,
4,
5,
6,
7,
8,
9,
10,
4,
5,
6,
7,
8,
9,
10,
4
5,
6,
7,
8,
9,
10,
7,
8,
9,
10,
7,
8,
9,
10,
7
8,
9,
10,
9,
10,
a) Encuentre la proporcion de veces que ocurre cada uno de los valores anteriores y la
media de estos datos e indquelas en la tabla siguiente:
x 1
p
2 3 4 5 6 7 8
9 10
b) Asuma que los valores dados correspondan a una muestra aleatoria de la variable
aleatoria X cuyo modelo probabilstico esta dado por f (x) = x/55. Use este modelo
para completar la tabla siguiente:
x
P (X = x)
1 2 3 4
5 6 7 8 9 10
c) Diga si los resultados obtenidos en las partes anteriores estan en armona. Emplee la
Ley Fuerte de los Grandes N
umeros.
(la media de la muestra de estos 55 datos) y E(X) (el valor esperado de
d) Obtenga X
X); luego, diga si los resultados obtenidos estan en armona con la Ley Fuerte de los
Grandes N
umeros.
56
Variable aleatoria
57
Ejercicio 2.6.
Sea X una variable aleatoria continua que puede tomar cualquier valor y modelo
c
probabilstico dado por f (x) = 1+x
2 .
a) Determine el valor de la constante c.
b) Halle P (X > 0).
c) Demuestre que esta variable aleatoria no tiene valor esperado.
Ejercicio 2.7.
El ahorro de los habitantes de una ciudad (medido en miles de soles) es considerado una
variable aleatoria continua, X, cuyo modelo probabilstico esta determinado por la regla
f (x) = x2 /9, 0 x 3.
a) Seg
un este modelo probabilstico, que porcentaje de los habitantes de esta ciudad
ahorran mas de mil soles?
b) Seg
un este modelo probabilstico, cual es el ahorro promedio de los habitantes de esta
ciudad?
c) Seg
un las autoridades, el consumo de los habitantes de la ciudad, en funcion del ahorro,
esta dado por 1 + 4 X. Si esto es as, halle el consumo promedio.
d) Suponga que las autoridades han estimado un impacto en la economa igual a 1000X 2 .
Si es as, halle el valor esperado de este impacto.
Ejercicio 2.8.
Cierto productor fabrica un bien cuya demanda semanal, en kilogramos, es una variable
aleatoria X con densidad f (x) = 0, 002e0,002x , x > 0. Cada kilogramo producido le cuesta
100 soles y lo vende a 250 soles. Toda cantidad que no logra vender el productor se pierde sin
generar un costo adicional al de su fabricacion. Suponga que en cierta semana el productor
decide fabricar 500 kilogramos.
a) Cual es la probabilidad de satisfacer la demanda?
b) Cual es la probabilidad de que se satisfaga la demanda y al mismo tiempo el productor
gane mas de cincuenta mil soles?
c) Cual es la probabilidad de que la demanda no sea satisfecha?
d) Cual es la probabilidad de que la demanda no sea satisfecha y al mismo tiempo el
productor gane mas de cincuenta mil soles?
e) Cual es la probabilidad de que el productor gane mas de cincuenta mil soles?
57
Estadstica
Ejercicio 2.9.
Sea X una variable aleatoria discreta cuyos valores y probabilidades correspondientes se
muestran en la tabla siguiente:
x
P (X = x)
-2
0
2
1/4 1/2 1/4
a) Halle P (X 6= 0).
b) Determine el valor esperado de X.
c) Determine el valor esperado de X 2 . No debera cumplirse que E(X 2 ) = [ E(X) ]2 ?
d) Determine el valor esperado de 5 + 6X.
Ejercicio 2.10.
Se realizaran cinco inversiones; se sabe que por lo menos una resultara exitosa. Sea X la
variable aleatoria definida como la cantidad de inversiones que resulten exitosas. El modelo
probabilstico de esta variable esta determinado por f (x) = c 2x , x RX , con c una
constante.
a) Determine el rango de la variable aleatoria X.
b) Cual es el valor de la constante c?
c) Halle la probabilidad de que mas de tres inversiones resulten exitosas.
d) Halle la probabilidad de que mas de dos inversiones resulten exitosas.
e) Halle el valor esperado del n
umero de inversiones que resulten exitosas.
f) Cada inversion tiene un costo de 100 soles; si la inversion resulta exitosa se gana 200
soles, pero si no resulta exitosa se pierde 150 soles. Obtenga el valor esperado de de la
utilidad que generara realizar estas cinco inversiones.
g) Halle el valor esperado de la razon existente entre el n
umero de inversiones que no
resulten exitosas y el n
umero de inversiones que resulten exitosas.
Ejercicio 2.11.
Sea X una variable aleatoria que puede asumir cualquier valor positivo y funcion de densidad
dada por f (x) = e x , x > 0, con > 0.
a) Verifique que, en efecto, f determina un modelo probabilstico.
b) Demuestre que P (X > t + h / X > t) = P (X > h), h, t > 0.
58
Variable aleatoria
59
Ejercicio 2.12.
La distribucion de los ingresos, X, de los trabajadores en cierto sector laboral, esta determinada por la funcion de densidad, definida entre 0 y 10000 soles, y cuya grafica se muestra
en la figura siguiente:
Suponga que un impuesto de solidaridad es implantado en este sector: los que ganan menos
de 2000 soles quedan exonerados; los que ganen entre 2000 y 3000 soles pagaran 10 soles, los
que ganen mas de 3000 pero menos de 8000 pagaran 15 soles; y los que ganen mas de 8000
soles pagaran 20 soles.
a) Halle el porcentaje de los trabajadores cuyos ingresos estan entre 2000 y 4000 soles.
b) Que porcentaje de trabajadores tendra sus ingresos gravados con el impuesto?
c) Que porcentaje de trabajadores debera pagar mas de 15 soles?
d) Determine el monto promedio que se pagara por este impuesto. Hagalo con el modelo
de X. Luego, use el modelo probabilstico de la variable aleatoria Y, definida como el
monto pagado por trabajador debido al impuesto.
Ejercicio 2.13.
El tiempo (en a
nos) hasta la ocurrencia de cierto evento catastrofico se considera una variable
aleatoria continua, X, con modelo probabilstico dado por: f (x) = 2 x/25 , 0 x 5.
a) Halle P (1 < X < 2).
b) Cual es la probabilidad de que dicho evento ocurra despues de 2 a
nos?
c) Si ya hace un a
no que no ocurre tal evento, determine la probabilidad de que pasen
mas de 2 a
nos todava.
d) Una persona adquiere una poliza, contra este tipo de evento, que le cuesta mil soles.
El contrato de la poliza estipula que esta vale solo por un a
no y cubre solamente la
primera vez que ocurra el evento, de modo que si el evento ocurre en este perodo la
compa
na aseguradora le pagara una suma indemnizatoria de tres mil soles, pero no lo
volvera hacer si ocurriera nuevamente el evento.
d1 ) Determine la probabilidad de que la aseguradora gane dos mil soles.
d2 ) Determine la utilidad esperada de la aseguradora.
59
Estadstica
Ejercicio 2.14.
En cierta region se tomo una muestra aleatoria de 100 habitantes y se registro, para cada
uno de estos, el ingreso mensual (en miles de soles). Los resultados obtenidos se resumen en
la tabla siguiente:
Ingso. men. (miles de soles)
N
umero de habitantes
[ 0, 1 [ [ 1, 2 [ [ 2, 3 [ [ 3, 4 [ [ 4, 5 ]
6
19
33
31
11
Para realizar inferencias sobre los ingresos en la region entera se decidio considerar al ingreso
mensual (en miles de soles) de sus habitantes como una variable aleatoria continua, X, con
valores en el intervalo [0, 5] y modelo probabilstico dado por
si 0 x 3.
15 x,
1
f (x) =
1 5 x, si 3 < x 5.
0,
en otro caso.
a) Use el modelo considerado para calcular la proporcion de habitantes, en la region
completa, que ganan hasta tres mil soles.
b) Diga si los valores observados (mostrados en la tabla anterior) parecen estar en armona
con el modelo probabilstico considerado. Haga los calculos que considere necesarios,
de modo que pueda sustentar su respuesta con estos y la Ley Fuerte de los Grandes
N
umeros (aplicada a proporciones de muestras).
c) Halle E(X).
d) Interprete el valor obtenido en la parte anterior, seg
un este contexto.
e) Para tomar en cuenta solo los ingresos de quienes ganan hasta tres mil soles, se
considera la funcion siguiente:
(
x, si 0 x 3.
g(x) =
0, si 3 < x.
Use esta funcion y el modelo probabilstico de X para hallar el ingreso promedio
de quienes ganan hasta tres mil soles. Luego calcule que proporcion representa este
promedio obtenido, respecto del ingreso promedio en la region entera (tambien obtenido
con el modelo)
f) Un especialista afirma que el ingreso total de esta region se distribuye desigualmente
entre sus habitantes. Trate de explicar si las proporciones obtenidas en las partes a y
e reflejan esta afirmacion.
g) El gasto en alimentos de los habitantes de esta region esta dado por 1 + 12 X. Determine
el gasto promedio en alimentos en esta region.
60
Variable aleatoria
61
Ejercicio 2.15.
En el contexto del ejercicio 1.27 del captulo de probabilidad, halle el rango, la funcion de
probabilidad, el valor esperado y la desviacion estandar de la variable, X, definida como el
n
umero de a
nos (del perodo considerado) en los que la demanda es muy baja.
Generalizar el ejercicio para un perodo de n a
nos.
Ejercicio 2.16.
Suponga que la proporcion diaria de veces que ciertos comerciantes evaden la entrega de
una boleta de pago es una variable aleatoria con funcion de densidad f (x) = 6x(1 x),
0 x 1. Una muestra aleatoria de 100 comerciantes fue supervisada durante un da y se
registro, para cada uno de estos, la proporcion diaria de evasiones:
Proporci
on de evasiones
N
umero de comerciantes
[ 0, 0,2 [
9
[ 0,2, 0,4 [ [ 0,4, 0,6 [

26
30
[ 0,6, 0,8 [ [ 0,8, 1 ]

25
10
a) Determine la probabilidad que corresponde a cada uno de los intervalos de la tabla

anterior, seg
un el modelo dado; luego, diga si estas probabilidades y los datos de la
tabla estan en armona con la Ley Fuerte de los Grandes N
umeros (comente).
b) Determine e interprete el valor esperado de la proporcion diaria de evasion por
comerciante.
Ejercicio 2.17.
El tiempo (en a
nos) hasta la ocurrencia de cierto evento catastrofico puede considerarse
como una variable aleatoria continua con funcion de densidad f (x) = 0, 1e0,1x , x > 0.
a) Cual es la probabilidad de que pasen mas de 2 a

nos hasta la ocurrencia de dicho
evento?
b) Si ya hace un a
no que no ocurre tal evento, determine la probabilidad de que pasen
mas de 2 a
nos todava.
c) Encuentra extra
nos los resultados obtenidos en las partes anteriores? Generalice estos
considerando t a
nos, en lugar de 2, y h a
nos transcurridos en lugar de uno.
d) Una persona adquiere una poliza contra este tipo de evento. El contrato estipula que si
el evento ocurre antes del primer a
no la compa
na aseguradora debe pagarle una suma
indemnizatoria de 3000 soles por una u
nica vez. La poliza cuesta 5000 soles. Determine
la utilidad esperada de la aseguradora.
61
Estadstica
Ejercicio 2.18.
Supongamos que X, la demanda diaria de un artculo, ha sido considerada como una variable
x
aleatoria discreta con modelo probabilstico: f (x) = 61 ( x!2 ), x = 1, 2, 3, 4.
a) Antes de optar por el modelo anterior se tena informacion de la demanda diaria
correspondiente a sesenta das, que se resume por la distribucion de frecuencias
siguiente:
Le parece a usted que la eleccion de la distribucion de probabilidades es coherente

con esta informacion que se tena?
b) Cual sera la demanda diaria esperada?
c) Cada artculo se vende por 5 soles. Cualquier artculo que no se vende al cabo del
da se desecha, lo cual genera una perdida de 3 soles. El fabricante, de estos artculos,
fijara su produccion diaria, N, que regira a lo largo de muchos das, y debe decidirlo
entre uno de los valores posibles de la demanda: 1 o 2 o 3 o 4 artculos. Cual es su
mejor decision?
Ejercicio 2.19.
La cantidad mensual (en toneladas) que suele vender un comerciante se considera una
variable aleatoria continua, X, con rango RX = [ 0, 5 ] y modelo probabilstico dado por:
f (x) = 2 x/25 , 0 x 5.
a) Determine la cantidad promedio que el comerciante vende mensualmente.

b) Determine la desviacion estandar de la cantidad mensual que vende el comerciante.
c) Adquirir cada tonelada le cuesta al comerciante una unidad monetaria. El precio de
venta por tonelada es de tres unidades monetarias. Ademas hay un costo fijo mensual
de cuatro unidades monetarias. Halle el valor esperado y la varianza de la utilidad del
comerciante.
62
Variable aleatoria
63
Ejercicio 2.20.
El ingreso mensual (en miles de soles) de las familias de cierta region es una variable aleatoria
continua, X, con rango el intervalo [0; 2], y funcion de densidad f (x) = 1 21 x, 0 x 2.
Para tomar en cuenta solo los ingresos de las familias que ganan hasta y miles de soles, con
0 y 2, se considera la funcion g cuya regla de correspondencia es la siguiente:
(
x, si 0 x y;
g(x) =
0, si x > y.
a) Halle h(y) = E(g(X)) : el ingreso promedio de quienes ganan hasta y miles de soles.
h(y)
: la proporcion del ingreso promedio de quienes ganan hasta y
E(X)
miles de soles, respecto al ingreso promedio en la region, 0 y 2.

c) Halle el Coeficiente de Gini: 1 2E (X) .
b) Halle (y) =
d) Bosqueje la Curva de Lorenz, es decir, la formada por los pares (F (x), (x)). Concluya,
comparandola con la situacion de distribucion sin desigualdad.
Ejercicio 2.21.
Para el estudio de la distribucion de los ingresos de cierta region, se decidio considerar al
ingreso mensual (en miles de soles) de las familias (de esta region) como una variable aleatoria
continua, X, con valores en el intervalo [0, 8] y modelo probabilstico determinado por la
1
funcion de distribucion acumulada siguiente: F (x) = 14 x 64
x2 , si 0 x 8.
a) Use solo F para obtener la probabilidad P (2 < X 4).
b) Halle f : el modelo probabilstico de X.
c) Halle E(X) e interpretelo en este contexto.
d) Para tomar en cuenta solo los ingresos de las familias que ganan hasta y miles de soles
(0 y 8), se considera la funcion g, con la regla de correspondencia siguiente:
(
x, si 0 x y,
g(x) =
0, si x > y.
d1 ) Halle h(y) = E(g(X)).
h(y)
d2 ) Se define (y) =
, para 0 y 8. Que representa (y)?
E(X)
d3 ) Obtenga (y) (para 0 y 8).
d4 ) Haga un bosquejo de la Curva de Lorenz, es decir, de la curva formada por los
pares (F (y), (y)). Concluya.

d5 ) Halle el Coeficiente de Gini: 1 2E (X) .
63
Estadstica
Ejercicio 2.22.
Sea X una variable aleatoria continua tal que P (X > 1) = 0, 2. Sea la variable aleatoria Y
tal que Y = 1, si X > 1, e Y = 0, si X 1. Determine el valor esperado de la variable Y.
Ejercicio 2.23.
El n
umero de semanas, X, en las que una inversion es de alto riesgo, durante cierto perodo
c(5)x
, x RX .
de 8 semanas, tiene como modelo probabilstico a la funcion dada por: f (x) =
x!
Tambien se sabe que por lo menos en una semana (de este perodo) la inversion es de alto
riesgo, pero no en todas las semanas sera as.
a) Determine el rango de la variable aleatoria X.
b) Cual es el valor de la constante c?
c) Determine la probabilidad de que en mas de la mitad de las semanas (de este perodo)
la inversion sea de alto riesgo.
d) Determine la probabilidad de que en mas de dos de las semanas (de este perodo) la
inversion sea de alto riesgo.
e) Halle el n
umero promedio de semanas en las que la inversion sera de alto riesgo.
f) Cuando la inversion es de alto riesgo la perdida en la semana es de 400 um; mientras
que cuando no lo es se obtiene una ganancia semanal de 500 um. Obtenga el valor
esperado de la utilidad semanal.
g) Determine el valor esperado de la proporcion existente entre el n
umero de semanas en
las que la inversion es de alto riesgo y el n
umero de semanas en las que no lo es.
Ejercicio 2.24.
Sea X una variable aleatoria con media = 14 y desviacion estandar = 2
a) Halle la media y la varianza de Y = 21 X 6.
b) Halle las constantes a y b para que la transformacion de X : Y = a + bX, tenga una
media de 50 y una desviacion estandar de 10.
c) Use la desigualdad de Chebychev para tener una idea de como es el valor de la
probabilidad: P (6 X 22).
d) Use la desigualdad de Chebychev para tener una idea de como es el valor de la
e) Use la desigualdad de Chebychev para tener una idea de como es el valor de la
64
Variable aleatoria
65
Ejercicio 2.25.
Un psicoterapeuta, que se especializa en problemas de autoestima, ha registrado el tiempo
necesario que necesitan sus pacientes para revertir este problema. As, ha determinado que
esta variable puede considerarse continua, con un rango de valores entre 0, 5 y 4, 5 meses, y
funcion de densidad f (x) = x/10, 0, 5 x 4, 5.
a) Un alumno con problemas de autoestima inicia su terapia un mes antes de sus examenes
finales. Cuan probable es que este tiempo sea suficiente para revertir su problema antes
de dichos examenes?
b) Determine e interprete el valor esperado del tiempo que necesitan los pacientes para
revertir este problema.
c) El costo de la terapia (en soles) puede considerarse como una variable, Y, que depende
del tiempo necesario para revertir este problema, X, como sigue:
400, si 0, 5 X 1.
600, si 1 < X 2.
Y =
1000, si 2 < X 3.
2000, si 3 < X 4, 5.
Determine e interprete el valor esperado del costo de la terapia. Use el modelo
probabilstico de X; y luego el de Y.
Ejercicio 2.26.
La demanda, de cierto producto es una variable aleatoria discreta, X, con valores posibles
entre 0 y 100 unidades y funcion de distribucion acumulada:
FX (x) =
x(x + 1)
, x { 0, 1, . . . , 100 }.
10 100
La utilidad del fabricante del producto, en funcion de la demanda y en miles de soles,

esta dada por:
(
20X 850, para X = 0, 1, . . . , 80.
g(X) =
750,
para X = 81, 82, . . . , 100.
a) Determine la probabilidad de que el productor obtenga por lo menos 160 mil soles,
pero menos de 750 mil.
b) Determine la media de la utilidad del productor.
c) Halle la funcion de probabilidad de la variable aleatoria Y = g(X).
d) Emplee la definicion de valor esperado y el resultado anterior para determinar la media
pedida en la parte b.
65
Estadstica
Ejercicio 2.27.
Tres pacientes inician un tratamiento que durara un mes. Sea X el n
umero de estos pacientes
que estaran curados al cabo del mes. Suponga que el modelo probabilstico para esta variable
1
, x = 0, 1, 2, 3.
esta dado por: f (x) = 27
40 3x
a) Determine el valor esperado del n
umero de pacientes que estaran curados al cabo del
mes.
b) Determine la desviacion estandar del n
umero de pacientes que estaran curados al cabo
del mes.
c) El costo por paciente que se recupere al cabo del mes es de tres unidades monetarias.
Cada paciente que no se recupera al cabo del mes origina un costo adicional de una
unidad monetaria. Ademas, hay un costo fijo de dos unidades monetarias. Halle el valor
esperado y la desviacion estandar del costo total.
Ejercicio 2.28.
Al invertir una cantidad en una operacion financiera se obtiene una tasa de rentabilidad, X,
modelada por la funcion de densidad siguiente:
(
x + c, si 1 x < 0.
f (x) =
d x, si 0 x 1.
con c y d constantes. Ademas, en tres de cada ocho inversiones se gana, pero menos del 50 %
de lo invertido.
a) Determine las constantes c y d.
b) Determine la probabilidad de que la rentabilidad este entre - 0,3 y 0,7.
c) Halle el valore esperado de la rentabilidad.
d) Suponga que al invertir en esta operacion, se quiere que en el peor de los casos se pierda
una fraccion r de lo invertido. Determine el valor r para que lo anterior suceda con una
probabilidad de 0,95. Este valor r se conoce como el valor en riesgo (VaR) que tiene
una confianza del 95 %. Note que si c0 es la cantidad invertida y cf es la cantidad al
c c0
final de la inversion; entonces, X = f
. Si X > 0 : se gana; y si X < 0 : se pierde.
c0
Ejercicio 2.29.
Sea X una variable aleatoria continua, con rango RX = [ 0, 5 ] y modelo probabilstico

dado por: f (x) = 2 x/25 , 0 x 5. Halle E g(X) , si g(x) = 10x, 0 x 2 y
g(x) = 5x, 2 < x 5.
66
Variable aleatoria
67
Ejercicio 2.30.
Una municipalidad verificara si las tiendas de su distrito cumplen una ordenanza dictada
recientemente. Con este fin, se escogera una muestra aleatoria de 20 tiendas.La cantidad de
tiendas, en la muestra que sera seleccionada, que incumplan la ordenanza es una variable
aleatoria, X, cuya funcion de probabilidad esta dada por: f (x) = x/210, x = 0, 1, . . . , 20 .
a) Determine la probabilidad de que por lo menos cinco de las tiendas, en la muestra por
seleccionar, incumplan la ordenanza.
b) Determine e interprete el valor esperado del n
umero de tiendas, en la muestra por
seleccionar, que incumplan la ordenanza.
c) Suponga que inspeccionar cada tienda de la muestra seleccionada costara 500 soles.
Ademas, cada deteccion originara un descuento de 500 soles en el costo, pues esta
cantidad sera pagada por el propietario de la tienda que incumpla la ordenanza; pero
cada tienda seleccionada que cumpla la ordenanza originara un costo adicional de 250
soles, pues el propietario de la tienda recibira un descuento en sus tributos por este
valor. El presupuesto para llevar a cabo este muestreo es de 12 750 soles.
c1 ) Cuantifique la confianza de este presupuesto para poder llevar a cabo el muestreo.
c2 ) Determine e interprete el valor esperado del costo para llevar a cabo el muestreo.
Ejercicio 2.31.
El n
umero de unidades defectuosas, que se pueden encontrar en un lote de artculos,
corresponde a una variable aleatoria X cuya distribucion acumulada es:
0,
si
x<0
0,75, si 0 x < 1
0,85, si 1 x < 2
F (x) =
0,925, si 2 x < 3
0,975, si 3 x < 4
1,
si
x4
a) Use F solamente, sin obtener la funcion de probabilidad asociada f, para obtener las
probabilidades de los eventos siguientes:
i) No encontrar unidades defectuosas en el lote.
ii) Encontrar, como maximo, tres unidades defectuosas en el lote.
iii) Encontrar, por lo menos, una unidad defectuosa, pero maximo tres.
b) Determine el n
umero promedio de unidades defectuosas.
67
Estadstica
Ejercicio 2.32.
El fabricante de cierto producto debe decidir la cantidad tde toneladas que debe fabricar
mensualmente. Por estudios de mercado realizados por el fabricante sobre la demanda para el
mes siguiente, se llego a establecer que la demanda proyectada debe considerarse una variable
aleatoria continua, pudiendo asumir valores entre 0 y 10 toneladas y funcion de densidad
f (x) = x/50, 0 x 10. El costo de fabricacion y el precio de venta proyectados, por
cada tonelada del producto, son 10 mil y 20 mil soles, respectivamente. Ademas el estudio
de mercado le costo al fabricante 50 mil soles y naturalmente debera incluirlo en sus costos.
a) Suponga que el fabricante decidiera producir una cantidad t igual a 8 toneladas, cual
sera la probabilidad de que gane menos de 10 mil soles?
b) Determine el valor, t, que debe producir el fabricante para maximizar su utilidad
esperada.
Ejercicio 2.33.
El estudio de la demanda de un bien para el perodo de los proximos tres a
nos (1, 2 y 3)
determino que esta podra ser muy baja en cualquiera de estos a
nos, de manera independiente
y con una probabilidad de un decimo. Las decisiones que se deben tomar dependen de la
variable aleatoria X, definida como la cantidad de a
nos (de este perodo) en los que la
demanda sera muy baja.
a) Determine la probabilidad de que en los tres a
nos de este perodo la demanda del bien
sea muy baja.
b) Determine la probabilidad de que solo en dos de los a
nos de este perodo la demanda
del bien sea muy baja.
c) Halle RX , el rango de la variable aleatoria X.
d) Determine fX , el modelo probabilstico de la variable X. Sugerencia: considere los
eventos Ai : la demanda sera muy baja en el a
no i; i = 1, 2 y 3.
e) Halle el valor esperado de la cantidad de a
nos (de este perodo) en los que la demanda
sera muy baja.
f) La utilidad de cierta inversion (en miles de soles) es una funcion g(X), con
si x = 0.
1000,
g(x) =
1000 200x, si x = 1 o 2.
1000 400x, si x = 3 o 4.
Determine el valor esperado de esta utilidad.
68
Variable aleatoria
69
Ejercicio 2.34.
En cierta inversion la utilidad generada es una variable aleatoria, X, con valores entre 6,5 y
7,5 miles de soles y funcion de densidad dada por:
f (x) =
57 51(x 7)2
; 6, 5 x 7, 5.
40
10
a) Halle la probabilidad de que esta inversion genere mas de siete mil soles de utilidad.
b) Una persona desea invertir de modo que su utilidad esperada sea de 7 mil soles. Esta
inversion cumple este requerimiento?
c) Determine la probabilidad de que esta inversion genere utilidades superiores a la media.
d) Determine los valores de a y b, de modo que la probabilidad de que la utilidad generada,
X, este en el intervalo [ a , b ] sea igual a 0,95. Si es posible, hagalo de tal forma que la
longitud de este intervalo sea lo mas peque
na posible.
e) Halle e interprete la utilidad esperada.
Ejercicio 2.35.
Se debe decidir cual debe ser el tama
no de un lote, de cierto artculo, que debe ser adquirido.
El tama
no posible del lote puede ser 100, 200 o 400 unidades. Ademas, en cada lote, cada
unidad sin defectos genera una ganancia de 500 soles y cada unidad defectuosa origina una
perdida de 300 soles. Por otra parte, se sabe que la proporcion de unidades defectuosas, por
lote adquirido durante una semana, es una variable aleatoria discreta, X, cuya distribucion
acumulada, F, tiene la grafica siguiente:
Suponga el tama
no del lote que se adquirira sera el mismo para un perodo de muchas
semanas.
a) Si adquieren lotes de 100 unidades, cual sera la utilidad esperada por lote?
b) Si adquieren lotes de 200 unidades, cual sera la utilidad esperada por lote?
c) Si adquieren lotes de 400 unidades, cual sera la utilidad esperada por lote?
d) Cual es el tama
no optimo del lote que se debe adquirir?
69
Estadstica
Ejercicio 2.36.
La proporcion de comerciantes evasores de cierto impuesto es una variable aleatoria continua,
X, cuyo modelo probabilstico esta determinado por la funcion: fX (x) = 2,5 x, 0, 1 < x < 0,9.
La perdida para el fisco (en millones de soles) esta determinada por la variable Y = 10X + 5.
a) Halle la probabilidad de que la proporcion de evasion sea superior a 0,3.
b) Halle la probabilidad de que la perdida del fisco este entre 7 y 9 millones de soles.
c) Determine e interprete el valor esperado de la proporcion de evasion.
d) Determine e interprete la desviacion estandar de la proporcion de evasion.
e) Cual es el valor esperado de la perdida del fisco?
f) Determine, fY , la densidad de Y.
g) Emplee la definicion del valor esperado y el resultado anterior para determinar el valor
esperado pedido en la parte e.
Ejercicio 2.37.
La demanda de cierto bien es descrita por una variable aleatoria continua X, cuya funcion
de distribucion acumulada esta dada por: FX (x) = 1 ex x ex , x > 0. La utilidad de
cierto comerciante (en miles de soles) es una funcion de la demanda: g(X), con g dada por:
(
1, si 0 < x 1.
g(x) =
x, si
x 1.
a) Halle la probabilidad de que la demanda sea mayor que 4.
b) Halle la probabilidad de que la demanda este entre 2 y 5.
c) Halle la probabilidad de que el comerciante gane entre 2 mil y 3 mil soles.
d) Halle la probabilidad de que el comerciante gane entre 500 soles y 3 mil soles.
e) Determine la funcion de densidad de X.
f) Determine e interprete el valor esperado de la demanda.
g) Determine la desviacion estandar de la demanda.
h) Determine el valor esperado de la utilidad.
i) Determine la desviacion estandar de la utilidad.
70
Variable aleatoria
71
Ejercicio 2.38.
La duracion, X (en horas), de un dispositivo electronico tiene una funcion de distribucion
acumulada dada por: FX (x) = 1 e x/3 ; x > 0.
a) Determine la probabilidad de que el dispositivo dure mas de dos horas.
b) Determine la probabilidad de que el dispositivo dure, maximo, una hora.
c) Determine la probabilidad de que el dispositivo dure entre 2 y 4 horas.
d) Determine la media de la duracion y su desviacion estandar.
e) Halle la probabilidad P ( | X X | 2X ).
Ejercicio 2.39.
Sea X es una variable aleatoria discreta con funcion de probabilidad dada por fX (x) =
0, 9 (0, 1)x1 , x N+ . Se define Y = X 1.
a) Determine E(X).
b) Determine, fY , la funcion de probabilidad de Y.
c) Determine E(Y ) con la funcion de probabilidad de X; y luego con la de Y.
Ejercicio 2.40.
Sea X una variable aleatoria continua, positiva, con funcion de distribucion acumulada dada
2
por FX (x) = 1 e4x , x > 0. Sea Y = X 2
a) Halle P (X > 2).
b) Halle P (2 X 4).
c) Determine, fX , la funcion de densidad de X.
d) Determine, FY , la funcion de distribucion acumulada de Y.
e) Determine, fY , la funcion de densidad de Y.
f) Determine E(Y ) con la funcion de densidad de Y ; y luego con la de X.
Ejercicio 2.41.
2
Sea X una variable aleatoria continua tal que E(X t ) = et , t R.

a) Halle E(X), E(X 2 ), E(X 3 ) y V (X).
b) Halle E( 2 + 3e1 X + 4e4 X 2 + e9 X 3 ).
71
Estadstica
Ejercicio 2.42.
Sea X una variable aleatoria continua tal que E(X m ) =
2m+1
, m > 0.
a) Halle E(1 + 12 X).

b) Halle la varianza de X.
c) Halle E(4 +
X+
X2
X 3 ).
Ejercicio 2.43.
Sea X una variable aleatoria con rango RX = R, media 3,5 y desviacion estandar 0,25.
La utilidad que genera una inversion, en funcion de X, esta dada por:
(
100; 2 X 4.
G(X) =
160; X < 2 o X > 4.
a) Si usa la desigualdad de Chebychev que podra concluir acerca de la probabilidad
P (3 X 4) ?
b) Seg
un su conclusion dada anteriormente, que puede concluir acerca de la probabilidad
P (2 X 4) ?
c) Puede asegurarse que la media de estas utilidades sea por lo menos 35?
Ejercicio 2.44.
Sea X una variable aleatoria continua y positiva, con funcion de densidad f (continua) y
funcion de distribucion acumulada F.
a) Si F (x) = 1 e x , x > 0 (con > 0), demuestre que:
P (X > t + h / X > t) = P (X > h), h > 0, t > 0.
b) Si P (X > t + h / X > t) = P (X > h), h, t > 0, demuestre que:
F (x) = 1 e x , x > 0, con = F 0 (0) = f (0).
Sugerencia: exprese las probabilidades anteriores en terminos de F y compruebe que:
F 0 (t) = lim
h0
F (t + h) F (t)
F (h)
= [1 F (t)] lim
= [1 F (t)] F 0 (0) , t > 0.
+
h
h
h0
Ejercicio 2.45.
Si X Pareto(1; ); es decir, f (x) = x(+1) , x > 1, con > 0. Determine E(X) y
X
V (X).
72
Variable aleatoria
73
Ejercicio 2.46.
El n
umero de clientes que llegan a un cajero automatico, hasta el primero que realiza
una transferencia hacia otra cuenta, es una variable aleatoria discreta X cuya funcion de
distribucion acumulada esta dada por F (x) = 1 (0, 6)x , x = 1, 2, . . .
a) Halle la probabilidad de que el n

umero de clientes que lleguen al cajero, hasta el primero
que realice una transferencia hacia otra cuenta, sea mayor o igual que 2 pero menor o
igual que 20. Use solo F.
b) Halle P (X 4). Use solo F.
c) Halle f (x) = P (X = x), x = 1, 2, . . .
Ejercicio 2.47.
El tiempo (medido en minutos) hasta el primer automovil que pasa contaminando el ambiente
es una variable aleatoria continua, X, cuya funcion de distribucion acumulada esta dada por
F (x) = 1 e2x , x > 0.
a) Halle la probabilidad de que el tiempo hasta el primer automovil que pasa

contaminando el ambiente este entre dos y cinco minutos. Use solo F.
b) Halle P (X 4). Use solo F.
c) Halle f (x), x > 0.
Ejercicio 2.48.
En el contexto del ejemplo 1.17 del captulo anterior:
a) Determine la funcion de distribucion acumulada de la variable aleatoria, T, definida
como el precio de venta total de una unidad de cada bien.
Sugerencia: use la probabilidad geometrica para determinar P (T t).
b) Determine la funcion de densidad de la variable T, definida en la parte anterior.
c) Obtenga e interprete el valor esperado y la desviacion estandar de T.
Ejercicio 2.49.
Sea X una variable aleatoria continua con funcion de densidad f (x) = 4x3 , 0 x 1.
X
Considere la variable Y = 5X, halle f . Use la tecnica del cambio de variable descrita en la
Y
seccion 2.7
73
Estadstica
Ejercicio 2.50.
Se dice que una variable aleatoria continua y positiva, X, tiene modelo exponencial con
parametro (con > 0) 1 , si su modelo probabilstico esta dado por
f (x) = e x, x > 0.
X
Denotamos esto por X exp().

a) Si X exp(), use la tecnica del cambio de variable (descrita en la seccion 2.7) para
hallar e identificar el modelo probabilstico de Y = 71 X. Incluya los parametros.
b) Si X exp(), halle F (x), x > 0.
X
c) Si X exp(), halle el modelo de Y = eX .

d) Sea X como en el ejercicio 2.45, determine e identifique el modelo de Y = Ln(X).
Ejercicio 2.51.
Se dice que una variable aleatoria continua y positiva, X, tiene modelo gamma con
parametros > 0 y > 0, si su modelo probabilstico esta dado por
1 x
x
e
, x > 0;
()
X
Z
con la funcion gamma, definida por (z) =
tz1 et dt, z > 0. Esto se denota por
f (x) =
X G(, ).
Si X G(, ), use la tecnica del cambio de variable (descrita en la seccion 2.7) para hallar
e identificar el modelo probabilstico de Y = 2 X. Incluya los parametros.
Ejercicio 2.52.
Se dice que una variable aleatoria continua y positiva, X, tiene modelo Weibull con
parametros > 0 y > 0, si su modelo probabilstico esta dado por
f (x) = x1 e x , x > 0.
X
Esto se denota por X W (; ).

a) Si X W (; ), halle e identifique el modelo probabilstico de Y = 2 X.
b) Si X exp(), halle e identifique el modelo probabilstico de Y = X .
1
Vease el ejercicio propuesto 2.11.
74
Variable aleatoria
75
Ejercicio 2.53.
Otro de los modelos probabilsticos importantes para variables aleatorias positivas es el
Weibull generalizado. Este modelo se caracteriza por la distribucion acumulada siguiente:
F (x) = 1 ex
, x > 0;
con > 0, > 0 y > 0. Si X es una variable positiva que tiene este modelo, denotamos
esto por X W g(; ; ).
a) Determine las probabilidades siguientes:

P (X > 5) y P (2 X < 5).
b) Use la tecnica del cambio de variable para hallar e identificar el modelo probabilstico
de Y = X, con > 0.
Ejercicio 2.54.
El modelo exponencial generalizado 2 es una extension del modelo exponencial, definido en el
ejercicio 2.50, y es otro de los modelos importantes para variables aleatorias positivas. Este
modelo se caracteriza por la distribucion acumulada siguiente:

F (x) = 1 ex , x > 0;
con > 0 y > 0. Sea X una variable positiva que tiene este modelo, denotamos esto por
X expg(; ).
Use la tecnica del cambio de variable para hallar e identificar el modelo probabilstico de
Y = X, con > 0.
Ejercicio 2.55.
Se dice que una variable aleatoria continua, X, tiene modelo normal con parametros son
y 2 (con y > 0), si su modelo probabilstico esta dado por
f (x) =
X
1
2
1
e 2 2 (x) , < x < .
2
Denotamos esto por X N (, 2 ).

Si X N (, 2 ), use la tecnica del cambio de variable (descrita en la seccion 2.7) para
hallar e identificar el modelo probabilstico de Y = a + b X (con a y b > 0). No olvide
dar los parametros.
Gupta & Kundu(1999). Theory & methods: Generalized exponential distributions. Australian and New
Zealand Journal of Statistics, 41(2), 173188.
75
Estadstica
Ejercicio 2.56.
Sea X N (, 2 ), es decir, el modelo dado en el ejercicio 2.55. Use la tecnica del cambio
de variable para hallar el modelo de Y = (X )/. Tenga el cuenta el ejercicio 2.51 para
reconocer el modelo obtenido anteriormente.
Si X N (, 2 ), use la tecnica del cambio de variable (descrita en la seccion 2.7) para
hallar e identificar el modelo probabilstico de Y = a + b X (con a y b > 0). No olvide
dar los parametros.
Ejercicio 2.57.
En la tabla siguiente se muestran algunos valores de la funcion de distribucion acumulada,
F, de una variable aleatoria X :
x
1,0
1,5
2,0
2,5
3,0
3,5
4,0
4,5
5,0
5,5
F (x)
0,0190
0,0656
0,1429
0,2424
0,3528
0,4634
0,5665
0,6577
0,7350
0,7983
6,0
6,5
7,0
7,5
8,0
8,5
9,0
9,5
10,0
10,5
F (x)
0,8488
0,8882
0,9182
0,9409
0,9576
0,9699
0,9788
0,9851
0,9897
0,9929
Determine P (2 X 10) en cada una de las situaciones siguientes:

a) el conjunto de valores posibles de X es RX =] 0; [ ;
b) el conjunto de valores posibles de X es RX = { 0; 0,5; 1; 1,5; . . . ; 11,5; 12 }.
76
3.
Modelos probabilsticos importantes
En las aplicaciones practicas algunas variables aleatorias se presentan con mucha

frecuencia, por tal motivo a sus distribuciones de probabilidad se les denomina distribuciones
importantes y son usadas como modelos probabilsticos para describir el comportamiento
de variables que asumen sus valores de modo incierto. Estas distribuciones o variables ya
han sido ampliamente estudiadas por importantes estudiosos del area de las ciencias, fueron
personas que tuvieron la capacidad de entrar en la caja negra en donde se originaban estas
variables y proporcionarnos la informacion mas relevante en un lenguaje a nuestro alcance, es
decir, nos proporcionaron los supuestos basicos que las gobiernan, para as poder identificar
mas rapidamente otras variables similares, as como tambien la funcion matematica o ley
de probabilidades que las describe. A continuacion veremos algunas de estas y empezaremos
con las que se originan a partir de dos de los procesos mas conocidos en probabilidad y
estadstica: el proceso de Bernoulli y el proceso de Poisson, luego veremos otros modelos
como el normal.
3.1. Modelos relacionados con un proceso de Bernoulli

Nuestro punto de partida para tratar con un proceso de Bernoulli (y tambien con uno
de Poisson) es un evento de interes. Sucede que en determinado momento, por alguna
razon, nuestro interes se concentra en un evento incierto, por tal motivo, cuando este ocurra
podemos decir que se ha tenido exito, as, podemos denominar a este evento de interes como
E: exito; mientras que a su complemento como E c o F , que significara fracaso. En el proceso
de Bernoulli se puede decir que la observacion es discreta, puesto que lo hacemos dentro de
una secuencia de ensayos u oportunidades, en cada uno de ellos puede ocurrir el evento que
nos interesa o su complemento (todo lo demas que puede ocurrir).
Supongamos que en cualquier secuencia de ensayos, el evento E ocurra independientemente y con la misma probabilidad en cada ensayo. Si el proceso de observacion del evento
E se da bajo estas condiciones, diremos que estamos frente a un proceso de Bernoulli.
As, si definimos la secuencia de eventos E1 , E2 , . . . , con Ei ocurrio E en el i-esimo
ensayo, tendremos que estos eventos son independientes y con la misma probabilidad, la
cual la denotamos por p, la probabilidad de exito; los complementos de estos eventos tendran
como probabilidad a 1 p, la probabilidad de fracaso, que sera denotada por q.
Ejemplo 3.1. Cuando un producto se ofrece en venta con una promocion, el promotor
de ventas esta interesado en averiguar si los clientes que visitara compraran el producto.
77
Estadstica
El promotor visitara a muchos clientes, cada uno de estos puede comprar el producto en
promocion. Cada visita origina un ensayo u oportunidad para observar si ocurre el evento
de interes: que el cliente compre el producto. Entonces, si cada cliente puede comprar el
producto independientemente de los demas y con la misma probabilidad, se tendra un proceso
de Bernoulli.
Ahora veamos los tres modelos que se generan a partir de un proceso de Bernoulli.
3.1.1. El Modelo o distribuci

on binomial
En un proceso de Bernoulli, definimos X como el n
umero de
exitos obtenidos, en n
ensayos, entonces el modelo probabilstico de X es dado por

n x nx
f (x) = P (X = x) =
p q , x = 0, 1, . . . , n.
x
Cuando el modelo probabilstico de una variable aleatoria X es de esta forma, se dice que
X tiene distribuci
on binomial con parametros n y p. Se denotara esto por: X b(n, p).
Los parametros sirven para identificar una distribucion especfica, dentro de una familia de
distribuciones, en este caso de la forma antes indicada.
Los valores esperados son:
X = np y X2 = npq
La distribucion acumulada no tiene una formula explcita particular.

Ejemplo 3.2. En el contexto del ejemplo 1, supongamos que los registros acerca de este tipo
de promociones indican que el 75 % de los clientes suele comprar el producto cuando se da
esta promocion. As, tenemos que la probabilidad de nuestro evento de interes (que el cliente
visitado compre el producto) es P (E) = 0, 75. Supongamos ahora que el promotor visite a
50 clientes, entonces, si X es el n
umero de clientes que compraran el producto, tenemos que:
X b(50; 0, 75).
Esto se justifica porque X puede ser vista como el n
umero de exitos en una secuencia de
50 eventos de un proceso de Bernoulli. Siendo as, tenemos que la probabilidad de que x de
estos clientes compren el producto es:

50
f (x) = P (X = x) =
(0, 75)x (0, 25)50x , x = 0, 1, . . . , 50.
x
En particular la probabilidad de que 30 clientes compren el producto es:

50
P (X = 30) = f (30) =
(0, 75)30 (0, 25)5030 = 0, 0077.
30
La media (promedio) o valor esperado del n
umero de clientes que compraran el producto es:
X = E(X) = np = (50)(0, 75) = 37, 5.
78
79
Entre que valores se encontrara el grupo promedio de esta distribucion? Ya sabemos que
este es el grupo de datos que esta entre X X .
Como ya se vio X = 37, 5.
Ademas X2 = npq = (50)(0, 75)(0, 25) = 9, 375, as, X = 3, 0618.
Por lo tanto, los datos dentro del promedio estaran entre 34, 4382 y 40, 5618 o,
equivalentemente, entre 35 y 40. As, cuando se de esta promocion y se ofrezca a 50 clientes
en muchas ocasiones, observaremos con mayor frecuencia que el n
umero de clientes que
compraran este producto estara entre 35 y 40.
Obtengamos otra probabilidad, por ejemplo, la de que, a lo mas, 45 de estos clientes compren
el producto en promocion es P (X 45) y conviene hallarla por el complemento:
P (X > 45)
= f (46) + f (47) + f (48) + f (49) + f (50)
=
50
46
(0, 75)46 (0, 25)5046 +
50
47
50
49
(0, 75)49 (0, 25)5049 +
50
50
(0, 75)47 (0, 25)5047 +
50
48

(0, 75)48 (0, 25)5048

(0, 75)50 (0, 25)5050
= 0,0021.
As, P (X 45) = 1 P (X > 45) = 1 0, 0021 = 0, 9979.
Podemos tambien obtener probabilidades a partir de la distribucion acumulada, pero como
esta no tiene una formula explcita debemos usar la computadora o, como era costumbre
hace alg
un tiempo atras, con tablas.
Si usamos el Excel podemos obtener muy rapidamente probabilidades en este contexto.
Por ejemplo, la probabilidad de que mas de 25, pero a lo sumo 40 clientes compren el
producto:
P (25 < X 40) = f (26) + + f (40) = F (40) F (25) = 0, 8363 0, 0001 = 0, 8362.
Se ha restado la probabilidad acumulada hasta 25 porque deseamos excluir este valor.
O la probabilidad de que compren como mnimo 30, pero a lo sumo 45 clientes es:
P (30 X 45) = f (30) + + f (45) = F (45) F (29) = 0, 9979 0, 0063 = 0, 9916.
Se ha restado la probabilidad acumulada hasta 29 porque debemos incluir el valor 30.
Para terminar, la probabilidad de que por lo menos 35 clientes compren el producto es:
P (X 35) = 1 P (X 34) = 1 F (34) = 1 0, 1631 = 0, 8369.
79
Estadstica
Ejemplo 3.3. (modelo financiero binomial)

Cada da puede llevarse a cabo una operacion financiera, la cual puede resultar exitosa
o fracasada. Cuando la operacion es exitosa, lo cual ocurre con probabilidad 0,7, se gana
una proporcion de lo invertido igual a 0,02; mientras que cuando la operacion fracasa se
pierde una fraccion de lo invertido igual a 0,04. El capital inicial es de 50 000 soles; y en las
sucesivas operaciones se invierte el monto que resulta de las inversiones anteriores. Ademas
los resultados de las operaciones financieras se asumen independientes. Por las condiciones
dadas, la secuencia de operaciones realizadas originan un proceso de Bernoulli con evento
de interes, E, que la operacion sea exitosa (tambien pudo escogerse su complemento) con
probabilidad p = 0, 7. En particular, X, el n
umero de operaciones que resulten exitosas,
entre n llevadas a cabo, tiene distribucion binomial con parametros n y p = 0, 7, es decir,
X b(n, 0, 7).
Esta variable X nos permite determinar cual sera el valor del capital acumulado, Y, hasta
la enesima operacion. En efecto, no es difcil verificar que:
Y = 50 000(1 + 0, 02)X (1 0, 04)nX
(3.1)
Tenemos una situacion de incertidumbre, pero la formalizacion anterior nos permite

cuantificar, mediante probabilidades, confianzas y riesgos. Por ejemplo, si la inversion de los
50 000 soles se hace con la meta de que al cabo de 10 operaciones se obtenga una ganancia
de, por lo menos, 5 000 soles; entonces, el riesgo que se corre puede cuantificarse por la
probabilidad de que el capital acumulado, al cabo de las 10 operaciones, resulte menor
que 55 000 soles, es decir, la probabilidad P (Y < 55 000) que por la ecuacion 3.1 dada
anteriormente, equivale a:
P (50 000(1 + 0, 02)X (1 0, 04)10X < 55 000)
o, despejando X :

P (X < 8, 3057) = 1 fX (9) + fX (10)

= 1 10
(0, 7)9 (0, 3)109 +
9
= 1 0, 1493 = 0, 8507
10
10
(0, 7)10 (0, 3)1010
Es decir, el riesgo que corre el inversionista es bastante alto.

Otro asunto de interes al respecto se encuentra en el ejercicio propuesto 3.8.
3.1.2. El modelo o distribuci

on geom
etrico
Definimos ahora, X, como el n
umero de ensayos que son necesarios para
conseguir el primer
exito, entonces el modelo probabilstico de X viene dado por
f (x) = P (X = x) = q x1 p, x = 1, 2, . . .
80
81
X tiene distribuci
on geom
etrica con parametro p. Se denotara esto por X g(p).
X = 1/p y X2 = q/p2 .
La distribucion acumulada esta dada por:
F (x) = P (X x) =
x
X
q j1 p = 1 q x , x = 1, 2, . . .
j=1
Ejemplo 3.4. Continuando con el evento de interes anterior, supongamos que ahora nos
interese la variable X definida como el n
umero de clientes que debe visitar el promotor hasta
el primero que compre el producto. Entonces, como el proceso es de Bernoulli y X puede
verse como el n
umero de ensayos (en la secuencia de visitas) hasta lograr el primer exito, se
tiene que X g(0, 75).
As, la probabilidad de que el primer cliente, que compre el producto, sea el x-esimo que
visite es
P (X = x) = f (x) = (0, 25)x1 (0, 75), x = 1, 2, . . .
El valor esperado de esta variable es X = 1/p = 1/0, 75 = 4/3 = 1, 333, por lo tanto, si
fueran muchas las visitas que haga el promotor y asumimos condiciones similares para cada
una de estas, en promedio en la primera visita el cliente comprara el producto.
En este caso, como la distribucion acumulada tiene una formula explcita, podemos calcular
muchas probabilidades usando dicha formula:
F (x) = P (X x) = 1 q x = 1 (0, 25)x ; x = 1, 2, . . .
Por ejemplo, la probabilidad de que el primer cliente que compre el producto sea por lo
menos el cuarto que visite, pero a lo mas el decimo, es:
P (4 X 10) = F (10) F (3) = (1 (0, 25)10 ) (1 (0, 25)3 ) = 0, 0156.
Propiedad: esta es la u
nica distribucion discreta que satisface la relacion:
P (X > m + n / X > m) = P (X > n), m, n N+ .
Esta propiedad afirma que si ya se han realizado m ensayos sin haber obtenido un exito,
entonces, la probabilidad de que sean necesarios n ensayos adicionales, para lograrlo, es
exactamente igual a la probabilidad que se tena antes de realizar estos m ensayos. Por lo
que se dice que la distribucion no tiene memoria.
81
Estadstica

on de Pascal o binomial negativa
Si ahora X es el n
umero de ensayos que son necesarios hasta conseguir el r
esimo
exito, entonces el modelo probabilstico de X viene dado por

x 1 xr r
f (x) = P (X = x) =
q p , x = r, r + 1, . . .
r1
Cuando el modelo probabilstico de una variable aleatoria X es de esta forma, se dice que X
tiene distribuci
on de Pascal con parametros r y p. Se denotara esto por: X P s(r, p).
X = r/p y X2 = rq/p2 .

Ejemplo 3.5. Nuevamente en el contexto del proceso de Bernoulli de los ejemplos anteriores,
sea ahora la variable X definida como el n
umero de clientes que debe visitar el promotor
hasta el tercero que compre el producto. Entonces, como el proceso es de Bernoulli y X puede
verse como el n
umero de ensayos hasta lograr el tercer exito, se tiene que X g(0, 75).
As, la probabilidad de que el tercer cliente, que compre el producto, sea el x-esimo visitado

es: P (X = x) = f (x) = x1
(0, 25)x3 (0, 75)3 , x = 3, 4, . . .
31
Propiedades:
a) La variable X tiene distribucion geometrica con parametro p si, y solo si, X tiene
distribucion de Pascal con parametros 1 y p.
b) La suma de variables independientes y cuya distribucion sea geometrica tiene una
distribucion de Pascal. Es decir, si X1 , . . . , Xn son variables aleatorias independientes,
n
P
con distribucion geometrica de parametro p, entonces,
Xj tiene distribucion de
j=1
pascal con parametros r = n y p.
3.2. Modelos relacionados con un proceso de Poisson

En el proceso de Poisson se observa el evento de interes, E, en una region continua, como
por ejemplo un intervalo de tiempo o un area, y con los supuestos siguientes:
S1. La probabilidad de que ocurra E en una region de medida peque
na, t, es
aproximadamente igual a t, para cierta constante positiva independiente de
la medida de la region t.
S2. La probabilidad de que ocurra E mas de una vez en una region peque
na es casi nula.
S3. Las ocurrencias de E en regiones excluyentes son independientes.
82
83
Si E ocurre satisfaciendo los supuestos anteriores, entonces estamos frente a un

proceso de Poisson con tasa, o promedio de ocurrencias, por unidad de medida.
Ejemplo 3.6. Hoy que comenzamos a tomar mas conciencia del problema de la
contaminacion ambiental, podemos interesarnos en observar, durante cierto perodo del da,
los vehculos que pasan contaminando el ambiente por determinada avenida. Supongamos
que se cumplen:
S1. La probabilidad de que pase un vehculo contaminando el ambiente en una region
de medida peque
na, t, es aproximadamente proporcional a dicha medida, esto es,
aproximadamente igual a t, para cierta constante positiva independiente de la
medida de la region t, digamos = 2 vehculos por minuto.
S2. La probabilidad de que pase mas de una vehculo contaminando el ambiente en un
intervalo de tiempo muy peque
no es casi nula.
S3. Las ocurrencias de las llegadas de los automoviles que pasan contaminando el ambiente,
en regiones excluyentes, son independientes.
En este caso, los automoviles pasan contaminando el ambiente seg
un un proceso de Poisson,
con una tasa de 2 automoviles por minuto.
Veamos ahora las variables aleatorias y distribuciones de probabilidad que se generan a
partir de un proceso de Poisson, cada una tiene su analoga en el proceso de Bernoulli.

on de Poisson
Si definimos X como el n
umero de ocurrencias de E en una regi
on de medida
t, entonces, el modelo probabilstico de X viene dado por:
e x
, x = 0, 1, . . . con = t.
x!
X tiene distribuci
on de Poisson con parametro . Se denotara esto por: X P ().
f (x) = P (X = x) =
X = y X2 = .

Ejemplo 3.7. En el ejemplo 3.6, si X es el n
umero de vehculos que pasen, durante un
perodo de media hora, contaminando el ambiente, entonces X tiene distribucion de Poisson
culos
con parametro = t = 2 veh
minuto 30 minutos = 60 vehculos.
As, la probabilidad de que, durante un perodo de media hora, pasen x vehculos que
contaminen el ambiente es:
e60 (60)x
P (X = x) = f (x) =
, x = 0, 1, . . .
x!
83
Estadstica
En particular, la probabilidad de que, durante un perodo de media hora, no pasen vehculos

que contaminen el ambiente es:
P (X = 0) = f (0) =
e60 (60)0
= e60 = 8, 8 1027 .
0!
O la probabilidad de que, durante un perodo de media hora, pasen entre 59 y 61 vehculos

que contaminen el ambiente es:
P (59 X 61) = f (59) + f (60) + f (61) =
e60 (60)59 e60 (60)60 e60 (60)61

+
+
= 0, 1535.
59!
60!
61!
Tambien podemos obtener probabilidades a partir de la distribucion acumulada, F, la cual

se obtiene con la ayuda de una computadora, por ejemplo, la probabilidad de que, durante
un perodo de media hora, pasen entre 50 y 70 vehculos que contaminen el ambiente es:
P (50 X 70) = f (50) + . . . + f (70) = F (70) F (49) = 0, 9098 0, 0844 = 0, 8254.
Propiedades:
a) Este proceso es estacionario en la region de observacion, en el sentido que, la

distribucion del n
umero de exitos solo depende de la medida de la region de observacion
y no de la parte de la region escogida para la observacion.
As, el n
umero de vehculos que pasan contaminando el ambiente en un perodo de una
hora debera comportarse probabilsticamente igual si el perodo es de ocho a nueve de
la ma
nana o si es de ocho de la noche a nueve de la noche. Lo que ocurre en la realidad
es que a veces la tasa del proceso no es la misma a lo largo del tiempo, es decir, existen
procesos con tasas heterogeneas.
b) La distribucion de Poisson puede verse como un caso lmite de la distribucion binomial.
En efecto, si el n
umero de observaciones, n, crece indefinidamente y p tiende a cero, de
modo que np tienda a , la distribucion binomial tiende a una distribucion de Poisson
con parametro .
Una forma de entender la anterior propiedad es la siguiente: dividamos la region de
observacion en una gran cantidad, n, de partes muy peque
nas y excluyentes. Tenemos,
entonces, una secuencia de n partes y el n
umero de exitos en la region puede obtenerse
observando la cantidad de exitos en cada una de estas partes muy peque
nas; pero
por los supuesto S2 y S3, puede decirse que en cada una de estas partes solo puede
ocurrir una o ninguna vez el evento de interes y que ademas estas ocurrencias son
independientes, por lo tanto, el n
umero de exitos en estas n partes muy peque
nas
(que tambien da el n
umero de exitos en toda la region) sigue, aproximadamente, una
distribucion binomial, esto es, se estara aproximando la distribucion binomial a la de
Poisson.
84
85

on exponencial
En el proceso de Poisson, si definimos X como la medida de la regi
on que habr
a que
observar hasta que se presente el primer
exito, entonces, se puede verificar que la
distribucion de probabilidades de X es dada por
f (x) = ex , x > 0; siendo = .
Cuando la densidad de una variable aleatoria X es de esta forma, se dice que X tiene
distribuci
on exponencial con parametro . Se denotara esto por: X exp().
A continuacion se muestran las graficas de la densidad y de la distribucion acumulada:
X = 1/ y X2 = 1/ 2 .
La distribucion acumulada:
F (x) = P (X x) =
Rx
et dt = 1 ex , x > 0.
Ejemplo 3.8. Nuevamente en el contexto del ejemplo 3.6, tenemos que la variable X,
definida como el tiempo (en minutos) que hay que esperar hasta que pase el primer vehculo
contaminando el ambiente, sigue una distribucion exponencial con parametro = 2, esto
si medimos el tiempo en minutos (recuerdese que la tasa del proceso de llegadas de los
culos
vehculos que contaminan el ambiente es = 2 veh
minuto ). As, su modelo probabilstico
esta determinado por la funcion f (x) = 2e2x , x > 0; y su funcion de distribucion acumulada
es dada por: F (x) = 1 e2x , x > 0. En particular, la probabilidad de que sea necesario
esperar menos de cinco minutos hasta que pase el primer vehculo que contamine el ambiente
es:
P (X < 5) = P (X 5) = F (5) = 1 e2(5) = 0, 99995.
Propiedad: esta es la u
nica distribucion continua que satisface:
P (X > t + h / X > t) = P (X > h), h, t > 0.
Seg
un lo indicado en el caso de la distribucion geometrica, se dice que la distribucion
no tiene memoria. Por ejemplo, si suponemos que la duracion de una computadora tiene
una distribucion exponencial y si tenemos que al cabo de dos a
nos, esta a
un no se ha
malogrado, entonces el riesgo de malograrse dentro del a
no siguiente, sera el mismo que el
correspondiente a cuando esta era nueva. Una interpretacion que se le puede dar a esto, al
parecer increble, es que cuando la computadora falla se debe a causas incidentales.
85
Estadstica
3.2.3. Modelo o distribuci

on gamma
En el proceso de Poisson, si definimos ahora X como la medida de la regi
on que
se debe observar hasta que se presente el r -
esimo
exito; entonces, el modelo
probabilstico, o funcion de densidad, de X es dado por
f (x) =
x1 ex
, x > 0,
()
con = r, = > 0 y la funcion gamma.

Cuando la densidad de una variable aleatoria X es de esta forma, se dice que X tiene
distribuci
on gamma con parametros y . Se denotara esto por: X G(, ).
Observaci
on 3.1. La funcion gamma, , se define para todo y > 0, como: (y) =
Z
ty1 et dt. Tiene las propiedades siguientes: (y + 1) = y(y); (0, 5) = y si y

0
es natural positivo (y) = (y 1)!

La distribucion gamma se extiende para todo positivo y tambien se le conoce como la
distribucion de Pearson Tipo-III ; y cuando es un n
umero natural tambien se denomina
distribucion de Erlang.
La grafica de la densidad es como se muestra a continuacion:
X = / y X2 = / 2 .
Si el parametro es un n
umero natural, la distribucion acumulada tiene la forma siguiente:
F (x) = 1
1 x
X
e (x)j
j!
j=0
, x > 0.
Ejemplo 3.9. Siguiendo con los ejemplos anteriores, si definimos la variable X como el
tiempo (en minutos) que habra que esperar hasta que pase el quinto vehculo contaminando el
ambiente, tenemos que X tiene distribucion gamma con parametros = 5 y = 2. Podemos,
por ejemplo, obtener la probabilidad de que el quinto vehculo que pase contaminando el
ambiente lo haga luego de cuatro minutos:
P (X > 4) = 1 P (X 4) = 1 F (4) = 1 (1
51 2(4)
X
e
(2(4))j
j=0
86
j!
) = 0, 0996.
87
Propiedades. Este modelo tiene, entre otras, las propiedades siguientes:

a) Se cumple que X tiene distribucion exponencial de parametro , si y solo si, X tiene
distribucion Gamma de parametros = 1 y .
b) Si X1 , . . . , Xn son variables aleatorias independientes y con distribucion exponencial
n
P
de parametro , entonces la suma tiene distribucion gamma:
Xj G(n, ).
j=1
3.3. Modelo gaussiano o distribuci

on normal
Si la densidad de una variable aleatoria X esta dada por
f (x) =
(x)2
1
e 22 , < x < ; con > 0 y R.
2
Se dice que X tiene distribuci

on normal o gaussiana, con parametros y 2 . Esto lo
denotamos por X N (, 2 ).
La grafica de esta funcion es de la forma siguiente:
Es decir, la grafica tiene forma de campana y es simetrica alrededor de , con inflexiones

en y + . Ademas, las areas a los extremos de la media tienden a cero conforme se
distancian de esta; tanto as que, con fines practicos, si consideramos solo cuatro decimales
el rango de la variable se reduce al intervalo [ 4; + 4], es decir, fuera de este intervalo
f (x) es aproximadamente cero.
X = y X2 = 2 .
Observaci
on 3.2.
a) Si = 0 y = 1 : la distribucion se llama normal est
andar.
Es decir, si Z N (0; 1) :
1
f (z) =
e
Z
2
z2
2
, < z < .
b) No hay una formula explcita para la distribucion acumulada; pero existen tablas para
la distribucion normal estandar, as, para poder usarlas previamente se debe pasar
a la forma estandar, como se indica en la segunda de las propiedades que se dan a
continuacion. Sin embargo, debe mencionarse que hoy en da estas tablas estan cayendo
en desuso, la razon es obvia: las computadoras.
87
Estadstica
c) Originalmente esta distribucion fue propuesta por Karl Gauss (1777-1855) para
modelar errores (en el ejemplo siguiente se ilustra esta situacion)
3.3.1. Propiedades del modelo gaussiano o normal

A continuacion veremos las propiedades de este modelo.
1. Propiedad de cerradura respecto a transformaciones lineales.
Si X tiene distribucion normal, entonces, la transformacion lineal Y = a + bX, para b 6= 0,
tambien tiene distribucion normal. Es decir,
X N (X ; X2 ) e Y = a + bX Y N (Y ; Y2 ), con Y = a + bX y Y2 = b2 X2 .
Ejemplo 3.10. Al medir con cierto instrumento la longitud, , de un objeto, se produce un
error aleatorio, . Es muy razonable modelar este error con el modelo normal, con media 0
mm y desviacion estandar mm .
A continuacion determinamos el modelo probabilstico que describe a X, la medicion
resultante. Para este fin, notemos que X = + , es decir, X es una transformacion lineal
de y este tiene distribucion normal, es decir, N (0; 2 ).
Por lo tanto, por la propiedad anterior: X N (; 2 ).
2. Propiedad de estandarizaci
on
Cualquier distribucion normal puede convertirse en una normal estandar. En efecto, si X
tiene distribucion normal y consideramos
Z=
X X
;
X
entonces, Z N (0, 1). Es decir: X N (X ; X2 ) y Z =
X X
Z N (0, 1).
X
Por lo tanto:
F (x) = F (
X
xX
X
Esta transformacion se deduce de la primera propiedad, y se la conoce como formula de

estandarizacion.
Ejemplo 3.11. Los ingresos en cierto sector pueden ser modelados por una variable X con
distribucion normal de media 20 unidades monetarias (u.m.) y desviacion estandar de 5 u.m.
A manera de ejemplo, calculemos la probabilidad de que el ingreso de un trabajador de este
sector sea superior a 22 u.m., es decir, la probabilidad P (X > 22). Para esto obtenemos
88
89
primero FX (22), y tenemos dos formas de obtener esta probabilidad acumulada: con la
computadora, o con una tabla de la distribucion normal estandar.
Si usamos el Excel, solo debemos pedir FX (22) y se obtendra inmediatamente FX (22) =
0, 6554. Por lo tanto, P (X > 22) = 1 FX (22) = 1 0, 6554 = 0, 3446.
Si usamos una tabla de la distribucion normal estandar, como nuestra variable X no es
estandar, previamente debemos estandarizarla seg
un la segunda propiedad de la distribucion
normal:
En este caso Z =
X20
5
N (0; 1), as:

22 20
= FZ (0, 4) = 0, 6554.
5
FX (22) = FZ
Para hacer un calculo mas, supongamos que en este sector solo los ingresos superiores a 25
u.m. estan sujetos a un impuesto extraordinario; y queremos averiguar, para el sector de
trabajadores que ganan mas de 22 u.m. , cual es el porcentaje que paga este impuesto.
En este caso basta obtener la probabilidad:
P (X > 25/ X > 22) =
1 F (25)
P (X > 25)
0, 1587
P (X > 25 X > 22)
X
=
=
=
= 0, 4604.
P (X > 22)
P (X > 22)
1 F (22)
0, 3446
X
Las probabilidades anteriores se han obtenido usando el programa Excel; pero tambien
pueden obtenerse usando una tabla de la distribucion normal estandar.
F (25) = F
X
2520
5
= F (1) = 0, 8413;
Z
Y como ya se obtuvo antes:

F (22) = F
X
2220
5
= F (0, 4) = 0, 6554.
Z
As, el porcentaje buscado es 46,04 %.

3. Propiedad de cerradura de la distribuci
on normal, respecto de la suma.
La suma de variables normales e independientes sigue teniendo distribucion normal:
Si X1 , . . . , Xn son variables aleatorias independientes y con distribucion normal, entonces,
n
P
la suma de ellas, T =
Xj , tambien tiene distribucion normal:
j=1
T N (T ; T2 ), con T =
n
X
Xj y T2 =
j=1
En este caso:
Z=
T T
N (0, 1).
T
89
n
X
X2 .
j
j=1
Estadstica
Observaci
on 3.3. La propiedad anterior requiere las aclaraciones siguientes:
Se dice que las variables aleatorias X1 , . . . , Xn son independientes, cuando para cada Ai ,
conjunto de valores posibles para Xi , se tiene que:
P (X1 A1 . . . Xn An ) = P (X1 A1 ) . . . P (Xn An )
La esperanza de una suma de variables aleatorias es igual a la suma de sus esperanzas, es
n
n
P
P
decir: E
Xj =
E(Xj ).
j=1
j=1
Y cuando las variables son independientes, la varianza de su suma es igual a la suma de sus
n
n
P
P
varianzas, es decir: V ( Xj ) =
V (Xj ).
j=1
j=1
Ademas, si a esta propiedad le a

nadimos la de linealidad, tenemos que:
n
n
n
P
P
P
T = a0 +
aj Xj N (T ; T2 ), con T = a0 +
aj Xj y T2 =
a2j X2 , con
j=1
j=1
j=1
a0 , a1 , . . . , an constantes, con por lo menos una de estas distinta de cero.

Ejemplo 3.12. En el contexto del ejemplo anterior, supongamos que para 10 trabajadores,
cuyos ingresos son independientes, interesa determinar la probabilidad de que la suma de los
ingresos correspondientes este entre 190 u.m. y 240 u.m.
Para este fin, consideremos las variables Xj , el ingreso del j-esimo trabajador, j = 1, . . . , 10.
10
P
As, la suma los ingresos es T =
Xj ; e interesa obtener la probabilidad P (190 T 240).
j=1
Tenemos que estas variables Xj tienen distribucion normal (Xj N (20, 52 )) y son
independientes, entonces podemos aplicar esta propiedad de cerradura respecto de la suma
10
P
Xj , tambien sigue una distribucion normal; pero con una media,
para establecer que T =
j=1
T , igual a la suma de las medias, es decir, T = 200, y una varianza, T2 , igual a la suma
de las varianzas, es decir, T2 = 250.
As, T N (200, 250) y P (190 T 240) = FT (240) FT (190) = 0, 9943 0, 2635 =
0, 7307.
Para calcular las probabilidades anteriores con la distribucion normal estandar debe
considerarse la variable:
T 200
T T
=
.
Z=
T
250

As, FT (240) = FZ 240200

= FZ (2, 53) = 0, 9943 y FT (190) = FZ 190200
= FZ (0, 63).
250
250
Ejemplo 3.13. En el contexto del ejemplo 3.10, suponga que para determinar la verdadera
longitud del objeto, , se realizaran n mediciones independientes con las caractersticas
mencionadas. Luego, se estimara con la media aritmetica de las mediciones efectuadas, X.

90
91
a) Deducir la distribucion de T = X1 + . . . + Xn , la suma de las mediciones efectuadas,
y a partir de esta deduzca la de X.
b) Deducir la distribucion de X.
|, sea a lo
c) Si n = 4 y = 5, halle la probabilidad de que el error de estimacion, |X
sumo 2 mm .
Soluci
on:
a) Por lo visto en el ejemplo 3.10, cada una de las mediciones X1 , . . . , Xn tiene
distribucion normal, con media y desviacion estandar , ademas estas son
independientes, entonces, por la propiedad anterior de la distribucion normal, la suma
de estas variables, T, tiene distribucion normal con media T = X1 + . . . + Xn = n
y varianza T2 = X2 + . . . + X2 n = n 2 , es decir, T N (n ; n 2 ).
1
= T es una transformacion lineal de T , entonces la

b) Como T N (n ; n 2 ) y X
n
tambien tiene distribucion
primera propiedad de la distribucion normal establece que X
2
normal, pero con media: X = n1 T = , y varianza: X2 = n12 T2 = n , es decir,
N (; 2 ).
X
n
| 2) = F ( + 2) F ( 2).
c) Queremos determinar la probabilidad P (|X
X
X
N (; 52 ). Es claro que no se
La deduccion anterior aplicada a este caso da: X
4
porque el valor de es
puede usar directamente FX , la distribucion acumulada de X,
desconocido; sin embargo con la estandarizacion s lo sera.

X
X
En efecto, en este caso Z =
=
N (0; 1),
5
2, 5
2

luego: FX ( + 2) FX ( 2) = FZ +2
FZ 2
2,5
2,5
= FZ (0, 8) FZ (0, 8) = 0, 7881 0, 2119 = 0, 5763.
Observaci
on 3.4. (Muestra aleatoria y distribuci
on de la media de una muestra)
Si X es una variable aleatoria, una muestra aleatoria de X, de tama
no n, es un conjunto de
n variables aleatorias, X1 , . . . , Xn , independientes y con la misma distribucion que la de X.
Como consecuencia del ejemplo anterior se tiene el resultado siguiente:
Si X1 , . . . , Xn es una muestra aleatoria de una variable, X, con distribucion normal de
tiene distribucion normal con
media X y varianza X2 , entonces, su media aritmetica, X,
2
2
N (; ).
media X y varianza X , es decir: X
n
n
4. Teorema del lmite central (T.L.C.)
La suma de muchas variables independientes tiene una distribucion aproximadamente
normal. En efecto, si las variables X1 , . . . , Xn son independientes y n es suficientemente
grande, entonces:
91

T =
T =
n
P
Estadstica
Xj , tiene aproximadamente distribucion normal de media T y varianza T2 , con
j=1
n
P
j=1
Xj y T2 =
n
P
j=1
aprox.
X2 , es decir, T
j
N (T , T2 ).
En particular, si las Xj tienen la misma distribucion: T = n y T2 = n 2 , con y 2 la

media y varianza com
un a todas las variables Xj .
Ejemplo 3.14. Un inversionista recibe 100 utilidades, las cuales pueden ser consideradas
como variables aleatorias independientes de igual distribucion, con una media de 5 u.m. y
una desviacion estandar de 0,5 u.m. Interesa saber la probabilidad de que la utilidad total
recibida por el inversionista sea menor que 510 u.m. (el mnimo previsto). Para averiguar
lo deseado consideremos, como en el ejemplo anterior, las variables: Xj , la j-esima utilidad
recibida, j = 1, . . . , 100. Como estas variables son muchas e independientes, entonces, por
la cuarta propiedad de la distribucion normal (el teorema del lmite central), la suma de
100
P
estas, T =
Xj , sigue aproximadamente una distribucion normal con media T , igual a la
j=1
suma de las medias, y varianza T2 , igual a la suma de las varianzas, es decir, T = 500 y
2 = 25. Entonces tenemos que T N (500, 25), luego podemos obtener la probabilidad de
interes directamente con el Excel. Es decir: P (T < 510) = FT (510) = 0, 9772.
Observese que, en este caso, para usar la distribucion normal estandar debe considerarse la
variable:
T 500
T T
=
N (0; 1).
Z=
T
5
As, el calculo de la probabilidad que interesa resulta ahora:
FT (510) = P (T 510) = FZ
510500
5
= FZ (2) = 0, 9772.
Ejemplo 3.15. En el contexto del ejemplo anterior, cual sera la probabilidad de que la
media de las utilidades recibidas sea menor o igual a 5,1 u.m.? Ahora se desea averiguar el
100
5, 1), con X
= P Xj /100 = T /100.
valor de la probabilidad P (X
j=1
5, 1) = P ( T 5, 1) = P (T 510) = F (510) = F (2) = 0, 9772.

As: P (X
T
Z
100
100
a partir de la de T = P Xj . En efecto, como
Tambien puede deducirse la distribucion de X
j=1
=
X
T
100
y T N (500; 25), entonces, por la propiedad de linealidad de la distribucion

2
N ( , 2 ), con = T = 500 = 5, y 2 = T 2 = 252 =
normal, tenemos que: X
X
X
100
100
100
100
X
X
N (5; 0, 0025).
0, 0025, es decir, X
Para usar la distribucion normal estandar tenemos que: Z =

5, 1) = F (5, 1) = F 5,15 = F (2) = 0, 9772.
P (X
Z
Z
X
0,05
92
X5
0,05
N (0, 1).
As,
93
3.4. Modelo o distribuci

on lognormal
Se dice que una variable aleatoria, X, tiene distribucion lognormal si, y solo si, la
transformacion logaritmo natural de X, Ln(X), tiene una distribucion normal. Puede
verificar que la densidad es la siguiente:
(lnx )2
1
f (x) =
2 2
, x > 0.
x1 e
2
Esto lo denotamos por: X logN (; 2 ).
Las constantes R y 2 > 0, son los parametros del modelo y estos son tambien los
parametros de la distribucion de Ln(X), es decir, se tiene que Ln(X) N (, 2 ).
La grafica de la funcion de densidad es de la forma siguiente:
X = e
(2+ 2 )/2
2+ 2
y X2 = e
(e
1) = 2X (e 1).
Observaci
on 3.5. En general este modelo es u
til para describir datos con valores positivos
y distribucion asimetrica, como suele ocurrir con los ingresos o algunos precios.
En la economa y las finanzas esta distribucion aparece, por ejemplo, cuando el valor de cierta
inversion es el resultado de muchas variaciones ocasionadas por incrementos o reducciones
aleatorias, cada variacion reduce o aumenta el valor actual en una proporcion aleatoria. Esto
se conoce como la Ley de fragmentacion de Kolmogorov. Una explicacion de la validez de
esta ley se muestra en el ejemplo siguiente.
Ejemplo 3.16. En la enesima operacion, de una serie de operaciones financieras, se invierte
el capital acumulado, cuyo valor es Xn unidades monetarias (u.m.). La tasa de rentabilidad
de esta operacion se define como
Rn =
Xn Xn1
,
Xn1
con Xn1 el valor del capital acumulado disponible antes de realizar la operacion.
Sigue inmediatamente que el valor del capital acumulado, Xn , en funcion del capital invertido
(Xn1 ) y la tasa de rentabilidad de esta inversion (Rn ), esta dada por:
Xn = (1 + Rn )Xn1
93
Estadstica
Y si usamos Wn = 1 + Rn , que se conoce como el factor de capitalizacion, tenemos que:

Xn = Wn Xn1
De aqu no es difcil verificar que Xn = W1 , . . . , Wn X0 , con X0 el valor del capital inicial
(un valor conocido).
Y si en esta u
ltima ecuacion tomamos logaritmos resulta que:
Ln(Xn ) = Ln(W1 ) + Ln(W2 ) + . . . + Ln(Wn ) + Ln(X0 ).
Supongamos un contexto financiero de incertidumbre seg
un el cual las tasas de rentabilidad,
Ri , son variables aleatorias independientes, entonces, as tambien los seran los factores de
capitalizacion, Wi . Si ademas de este supuesto tenemos muchas operaciones, entonces, por el
teorema del lmite central tendremos que Ln(Xn ) tendra aproximadamente una distribucion
normal y, por lo tanto, Xn una distribucion lognormal.
Entonces, podemos decir que el valor del capital al cabo de muchas operaciones (en el largo
plazo) sigue una distribucion lognormal.
Ejemplo 3.17. Actualmente en finanzas se ha hecho bastante conocido el modelo de precios
de Black-Scholes1 . Por ejemplo, seg
un este modelo, la ecuacion que describe la evolucion
del precio de un stock en el tiempo es de la forma:
St = S0 exp [ (
1 2
) t + Xt ], t > 0,
2
(1)
donde: S0 > 0 es el precio inicial del stock; es el valor esperado de la tasa instantanea de
rentabilidad; > 0 es la volatilidad del stock (estos u
ltimos no se consideran aleatorios sino
constantes) y Xt es una variable aleatoria con distribucion normal, de media cero y varianza
t, es decir, Xt N (0, t).
El modelo anterior puede escribirse como:
LnSt = LnS0 + (
1 2
) t + Xt
2
(2)
Y como Xt tiene distribucion normal, entonces, por la primera propiedad de la distribucion

normal, Ln(St ) tambien tendra distribucion normal, es decir:
1
LnSt N ( LnS0 + ( 2 )t; 2 t )
2
(3)
Por lo tanto, la distribucion de St es lognormal.

Para ilustrar el uso de este modelo supongamos que el valor inicial del stock sea 20 u.m. ,
que el valor esperado de la tasa instantanea de rentabilidad sea 0,2 y que la volatilidad del
stock sea 0,4. Entonces, reemplazando estos valores en la ecuacion (3), tenemos que:
LnS5 N (2, 795; 0, 8 )
1
Ve
ase Lars Tyge Nielsen (1999), ejemplo 1.7, pag. 13.
94
95
En particular, la probabilidad de que el precio del stock, despues de 5 unidades de tiempo,

sea inferior a 55 u.m. esta dada por:
P (S5 < 55) = P (Ln(S5 ) < Ln(55)) = P (Ln(S5 ) < 4) = F (4) = 0, 911.
Ln(S5 )
Y para usar la normal estandar tenemos que Z =

As: F (4) = F
Ln(S5 )
42,795
0,8
Ln(S5 ) 2,795
0,8
N (0, 1).
= F (1, 35) = 0, 911.

Z

on hipergeom
etrica
Si de una poblacion con N elementos, de los cuales M son de interes, se toma una muestra
aleatoria de n elementos; y definimos X como el n
umero de elementos de inter
es en la
muestra, entonces el modelo probabilstico de X viene dado por:
f (x) = P (X = x) =
N M
CxM Cnx
, x = 0, 1, . . . , n.
CnN
Cuando la ley de probabilidad de una variable aleatoria X es as, se dice que tiene una
distribuci
on hipergeom
etrica con parametros N , M y n.
Se denotara esto por: X H(N, M, n).
Observaci
on 3.6. en realidad X asume valores que van, desde el mayor de los valores entre
0 y n (N M ), hasta el menor de los valores de n y M , es decir, no necesariamente entre
0 y n.
n
2
Los valores esperados son: X = np y X
= npq( N
), siendo p =
N 1
M
N
y q = 1 p.

Observaci
on 3.7. Si la muestra es con reposicion, X b(n, p); y si N es muy grande, en
relacion con n, la distribucion hipergeometrica se aproxima a la binomial.
Ejemplo 3.18. En el ejemplo 2.1 del captulo anterior, la variable X, el n
umero de empresas
del tipo a en la muestra de tama
no 4, tomada de la poblacion de 20 empresas entre las cuales
5 son del tipo a, sigue una distribucion hipergeometrica con parametros: N = 20, M = 5 y
n = 4. As, su modelo probabilstico esta dado por la funcion:
15
5
f (X = x) = P (X = x) =
4x

20
4
, para cualquier x RX = { 0, 1, 2, 3, 4 }.

on uniforme
Si una variable aleatoria X tiene como rango a un intervalo de extremos finitos, a y b, y
su densidad es constante, es decir, dada por:
95
Estadstica
f (x) =
1
, a x b.
ba
Se dice que X tiene distribuci

on uniforme. Denotamos esto por X U (a, b).
La grafica de la densidad es la de una funcion constante:

La distribucion acumulada:
X =
(b a)2
a+b
y X2 =
.
2
12
F (x) = P (X x) =
xa
, a x b.
ba
Observaci
on 3.8. Esta distribucion es adecuada para describir a una variable que asuma
sus valores uniforme o indistintamente en un intervalo de extremos finitos.
Propiedad: Sea U una variable aleatoria con distribucion uniforme en el intervalo [0, 1], es
decir, U U [0, 1], y X una variable aleatoria con distribucion acumulada F.
Caso 1: Si X es continua podemos asumir que F es continua sobre RX y suponiendo
que esta sea estrictamente creciente, entonces tendra una inversa F 1 . Definimos para cada
0 u 1 : G(u) = F 1 (u).
Caso 2: Si X es discreta, definimos para cada 0 u 1 : G(u) = min{x RX / F (x) u}
Entonces, en ambos casos, la variable transformada de U, G(U ), tiene la misma distribucion
d
que la de X: G(U ) = X.
Observaci
on 3.9. La propiedad anterior nos dice como transformar una variable aleatoria
con distribucion uniforme en [0, 1], U U [0, 1], en otra que tenga una distribucion deseada.
Esto permite generar valores de una distribucion arbitraria, a partir de valores generados de
una distribucion uniforme y es la tecnica mas conocida en simulacion. Es decir, si u1 , . . . , un
son n valores generados de una distribucion uniforme entre 0 y 1, entonces, los valores
asociados a una variable X, con distribucion con acumulada F, se pueden generar como
sigue.
En el caso que X sea continua, consideraremos:
xj = F 1 (uj ) uj = F (xj ), j = 1, . . . , n.
Y en el caso que X sea discreta:
xj = G(uj ) = min{x RX / F (x) uj }, j = 1, . . . , n.
96
97
Ejemplo 3.19. Simulemos 50 valores de una variable aleatoria, X, con modelo exponencial
con parametro = 1/4.
Para generar, mediante simulacion, 50 valores de X : x1 , . . . , x50 . Primero simulamos 50
valores de una variable aleatoria con distribucion uniforme en [0, 1], U U (0; 1). Por
ejemplo, con una computadora y el Excel obtenemos los n
umeros aleatorios siguientes:
0,674
0,696
0,734
0,070
0,377
0,558
0,926
0,126
0,973
0,661
0,682
0,271
0,732
0,948
0,519
0,914
0,073
0,493
0,592
0,603
0,104
0,817
0,194
0,580
0,504
0,273
0,639
0,470
0,479
0,480
0,854
0,005
0,019
0,832
0,614
0,430
0,947
0,191
0,208
0,213
0,508
0,906
0,870
0,522
0,345
0,089
0,449
0,785
0,524
0,878
Como X es continua, podemos considerar xj = G(uj ) = F 1 (uj ), j = 1, . . . , 50.

As, ya que X exp(1/4), se tiene que F (x) = 1 ex/4 , x > 0.
Luego:
xj = F 1 (uj ) uj = F (xj ) = 1 exj /4 xj = 4Ln(1 uj ), j = 1, . . . , 30.
De este modo se obtienen los valores deseados:
4,480
4,761
5,299
0,290
1,891
3,263
10,406
0,537
14,506
4,330
4,582
1,266
5,274
11,861
2,930
9,815
0,305
2,715
3,589
3,691
0,439 1,277 7,683

6,800 4,072 0,019
0,864 2,540 0,077
3,471 2,611 7,137
2,801 2,618 3,806
2,246 2,833
11,770 9,442
0,850 8,168
0,932 2,951
0,956 1,695
0,374
2,382
6,152
2,973
8,429
Si consideramos estos datos generados como una muestra aleatoria de X existe una tecnica
llamada bondad de ajuste para verificar que efectivamente el modelo de esta variable es uno
especificado, en este caso exponencial con parametro = 1/4. A continuacion aplicaremos
esta tecnica que requiere una muestra grande, como lo es en este caso, pero solo en la etapa
descriptiva y no en la de inferencia.
Empezamos por ver como es la distribucion de frecuencias de la muestra generada:
03 36 69 9
26
12
7
5
0, 52 0, 24 0, 14
0, 1
X
frecuencia observada
frecuencia relativa observada
97
Estadstica
Se observa una tendencia decreciente, como ocurre en un una distribucion exponencial; pero
esto -incluso en esta etapa descriptivo- a
un resulta impreciso, pues esta grafica depende del
n
umero de intervalos y ademas solo esta forma del polgono no garantiza que la distribucion
exponencial con el parametro especificado ( = 1/4). Entonces, debemos comparar las
frecuencias observadas (las de los valores obtenidos para X) con las frecuencias esperadas,
seg
un la distribucion supuesta para X (en este caso exp (1/4)). A continuacion expresamos
los valores de estos tipos de frecuencias en la tabla siguiente:
frecuencia
frecuencia
frecuencia
frecuencia
X
observada (oj )
relativa observada (fj )
relativa esperada (pj )
esperada (ei = npj )
03
36
26
12
0, 52
0, 24
0, 5276
0, 2492
26,3817 12, 4618
69 9
7
5
0, 14
0, 1
0, 1177 0, 1054
5,8865 5,2700
Se observa que las frecuencias observadas estan proximas a las esperadas. Por lo tanto, el
modelo especificado parece ajustar a los datos; es decir, la simulacion parece haber sido
adecuada. 0, 24 = 12/50; 0, 2492 = FX (6) FX (3); 12, 4618 = 50 0, 2492.
Tambien se acostumbra ilustrar la conclusion con la llamada grafica de probabilidades, es
decir, la grafica de las frecuencias relativas esperadas (probabilidades esperadas seg
un el
modelo) con las correspondientes a las observadas:
Se observa que las frecuencias observadas estan proximas de las esperadas. Por lo tanto, la
simulacion parece haber sido adecuada; es decir, generado datos seg
un el modelo especificado.
Esto se cumple, pues el metodo para simular lo establece y la cantidad de datos es grande.
98
99

on Beta
Se dice que la variable aleatoria X tiene modelo o distribucion beta, si su funcion de
densidad esta dada por:
f (x) =
( + ) 1
x
(1 x)1 , 0 x 1.
()()
con > 0 y > 0, los parametros del modelo. Esto lo denotamos por X B(; ).
A continuacion se muestran las graficas tpicas de este modelo, para 6= 1 y 6= 1 :
X =
y X2 =
.
2
+
( + ) ( + + 1)
Observaci
on 3.10. Esta distribucion puede ser generalizada para un intervalo de extremos
arbitrarios, a < b, mediante el cambio de variable Y = a + (b a)X. En este caso la densidad
de Y esta dada por:
fY (y) =
( + )
(y a)1 (b y)1 /(b a)+1 , a y b.
()()
Ademas, la distribucion uniforme en el intervalo de extremos 0 y 1 es un caso particular

de esta distribucion. En efecto: X U (0; 1) X B(1; 1). As, el modelo beta es de
gran utilidad para modelar una variable aleatoria que asume sus valores en un intervalo de
extremos finitos y aun cuando no sea de manera uniforme, generalizando de este modo a la
distribucion uniforme.
3.8. La funci
on generadora de momentos
Definici
on 3.1. Si X es una variable aleatoria, se define su funcion generadora de momentos
MX : R
R, mediante: MX(t) = E(et X ).
t 7 MX(t)
A continuacion veamos la propiedad principal de la funcion generadora de momentos,
esta explica el nombre que se le da. Aunque la deduciremos para una variable discreta,
similarmente se puede deducir para el caso continuo.
99
Estadstica
Por la propiedad que permite obtener el valor esperado de una funcion de una variable
aleatoria, se tiene que:
MX(t) = E(et X )
X
=
etx fX (x)
xRX
Entonces, al derivar respecto de t y evaluar en cero, obtenemos:

MX0 (t) =
xetx fX (x)
xRX
0
MX (0) =
xfX (x)
xRX
0
Entonces, MX (0) = E(X). Pero se debe observar que no siempre es posible hacer esta
derivacion.
Y al derivar una vez mas respecto de t y evaluar en cero, obtenemos:
X
MX00 (t) =
x2 etx fX (x)
xRX
00
MX (0) =
x2 fX (x)
xRX
Entonces, MX00 (0) = E(X 2 ). Generalizando, tenemos que MX(j) (0) = E(X j ).
2 /2
Ejemplo 3.20. Si Z N (0; 1), entonces: MZ (t) = et
R. En efecto:
MZ (t) = E(etZ )
Z
z2
1
=
etz e 2 dz
2
Z
z2
1
e tz 2 dz
=
2
Z
1
1
2
e 2 (z 2tz) dz
=
2
Z
1
1
2
2
2
e 2 (z 2tz+t t ) dz
=
2
Z
1
1
2 1 2
e 2 (zt) + 2 t dz
=
2
Z
1
1
2
2
e 2 (zt) dz
= e t /2
2
|
{z
}
2 /2
= et
, t
R.
Propiedad 1.
Si X es una variable aleatoria, con funcion generadora de momentos MX , e Y = a + bX;
entonces:
MY (t) = e a t MX (bt).
100
101
Ejemplo 3.21. Como se vio en el ejemplo anterior, si Z N (0; 1); entonces, MZ (t) =
2
e t /2 , t R.
A partir de este resultado, usaremos la propiedad anterior para determinar la funcion
generadora de una normal con parametros arbitrarios, X N (; 2 ).
As, si X N (; 2 ) :
X = |{z}
a + |{z}
b Z
Z=
X
N (0; 1) X = + Z;
luego, por la propiedad anterior

MX (t) = e t MZ ( t) = e t e
2 t2 /2

MY (t) = e a t MX (bt) :
= e t+
2 t2 /2
; as, MX (t) = e t+
2 t2 /2
, t
R.
Propiedad 2.
La funcion generadora de momentos determina unvocamente el modelo probabilstico.
Ejemplo 3.22. Demostremos la propiedad de cerradura del modelo normal respecto de
la transformacion lineal. Es decir, si X N (X ; X2 ) e Y = a + b X, entonces: Y
N (a + b X ; b2 X2 ).
Para esto, hallaremos la funcion generadora de Y y veremos que esta corresponde a la de
una normal con parametros a + b X ; b2 X2 , as el resultado quedara garantizado por esta
u
ltima propiedad de la funcion generadora.
Como ya hemos visto, si X N (X ; X2 ), su funcion generadora esta dada por:
2 2
MX (t) = e t+ t /2 , t .
Luego, como Y = a+b X, entonces, por la propiedad 1 se puede derivar la funcion generadora
de momentos de Y a partir de la de X :
MY (t) = e a t MX (bt)
2
2
= e a t e btX +X (bt) /2 , bt R
2 2 2
= e at+bX t+b X t /2
2 2
= e (a+b X )t+(bX ) t /2 , t R.
As, la funcion generadora de momentos de Y corresponde a la de una normal con parametros
a + b X ; y b2 X2 ; y como la funcion generadora determine unvocamente el modelo, entonces
se puede afirmar que Y N (a + b X ; b2 X2 ).
Propiedad 3.
Si X1 , . . . , Xn son variables aleatorias independientes, entonces, la funcion generadora de
momentos de la suma es el producto de las correspondientes a estas variables:
M (t)
= M (t) . . . M (t) .
X1 + + Xn
X1
101
Xn
Estadstica
Ejemplo 3.23. Demostremos la propiedad de cerradura del modelo normal respecto de la

suma de variables independientes.
Es decir, si Xj N (Xj ; X2 ), para j = 1, . . . , n; entonces,
j
X1 + + Xn N (X1 + + Xn ; X2 + + X2 n ).
1
Para esto, hallaremos la funcion generadora de X1 + + Xn y veremos que esta corresponde

a la de una normal con parametros X1 + + Xn y X2 + + X2 n , as el resultado
1
quedara garantizado por esta u
ltima propiedad de la funcion generadora.
M (t)
= M (t)
X1 + + Xn
...
M (t)
X1
=e
=e
MX1 ++Xn (t) = e
Xn
tX + 2 t2 /2
X1
... e
tX + 2
n
Xn
tX + 2 t2 /2 +... +tX + 2
X1
Xn
t2 /2
t(X ++X )+( 2 X +... + 2

1
t2 /2
Xn
)t2 /2
Que era lo que se quera demostrar, es decir, la funcion generadora de momentos de la suma
corresponde a la de una normal con parametros X1 + + Xn y X2 + + X2 n , por lo
1
tanto, este sera el modelo de la suma: N (X1 + + Xn ; X2 + + X2 n ).
1
102
103

Ejercicio 3.1.
En cierto sector del comercio, los establecimientos comerciales pueden pagar sus tributos a
tiempo, independientemente entre estos y en un porcentaje del 95 %.
a) Identifique la distribucion de la variable X definida como el n
umero de establecimientos,
entre 8 por inspeccionar, que paguen a tiempo sus tributos. A partir de esta distribucion
determine la probabilidad del evento siguiente:
Por lo menos 6 de los 8 establecimientos paguen a tiempo sus tributos.
b) Identifique la distribucion de la variable X definida como el n
umero de establecimientos
que deben ser inspeccionados hasta que se encuentre el primero que haya pagado a
tiempo sus tributos. A partir de esta distribucion determine la probabilidad del evento
siguiente:
El n
umero de establecimientos inspeccionados, hasta el primero que pague sus
impuestos a tiempo, esta entre 5 como mnimo y 15 como maximo.
c) Identifique la distribucion de la variable X definida como el n
umero de establecimientos
que deben inspeccionarse hasta que se encuentre el cuarto que haya pagado a tiempo sus
tributos. A partir de esta distribucion determine la probabilidad del evento siguiente:
El n
umero de establecimientos inspeccionados, hasta el cuarto que pague sus tributos
a tiempo, esta entre 5 como mnimo y 7 como maximo.
Ejercicio 3.2.
En una empresa de transporte cada vehculo puede llegar a tiempo, independientemente de
otros vehculos y con una probabilidad de 0,6.
a) En un da, la terminal espera el arribo de 20 vehculos; determine la probabilidad de

que por lo menos dos, de estos vehculos lleguen a tiempo. Debe definir una variable e
identificar (justificando) su modelo.
b) Halle la probabilidad de que el primer vehculo que llegue a tiempo sea por lo menos
el vigesimo. Debe definir una variable e identificar (justificando) su modelo.
c) Halle e interprete el valor esperado del n
umero de vehculos hasta el primero que llegue
a tiempo.
d) Halle la probabilidad de que el tercer vehculo que llegue a tiempo sea por lo menos el
quinto. Debe definir una variable e identificar (justificando) su modelo.
103
Estadstica
Ejercicio 3.3.
Suponga que los usuarios de un sistema de informacion llegan de acuerdo con un proceso de
Poisson con una tasa de 2 usuarios por minuto.
a) Identifique la distribucion de la variable X definida como el n
umero de usuarios
que llegan al sistema en un perodo de cinco minutos. A partir de esta distribucion
determine la probabilidad de que el n
umero de usuarios que llegan al sistema en un
perodo de cinco minutos es por lo menos 6 y maximo 7.
b) Identifique la distribucion de la variable X definida como el tiempo (en minutos) hasta
que llegue el primer usuario del sistema. A partir de esta distribucion determine la
probabilidad de que se deba esperar entre 4 y 12 minutos hasta que llegue el primer
usuario.
c) Identifique la distribucion de la variable X definida como el tiempo (en minutos) hasta
que llegue el tercer usuario del sistema. A partir de esta distribucion determine la
probabilidad de que se espere por lo menos 3 minutos hasta que llegue el tercer usuario.
Ejercicio 3.4.
Una agencia bancaria (que nunca cierra para los clientes) divide su trabajo interno en
perodos. Durante cada perodo se debe realizar cierta operacion de verificacion, esta se
puede realizar mal con una probabilidad de 0,9 e independientemente en cada perodo.
a) Cuan probable es que esta operacion se realice mal despues del quinto perodo?
b) Cada vez que dicha operacion se realice mal se debe registrar algunos datos en una
ficha especial. Al empezar la jornada de trabajo de diez perodos el administrador se
da cuenta que solo dispone de cinco de estas fichas, pero no solicita mas. Determine el
n
umero esperado de fichas que seran usadas durante esta jornada de trabajo.
c) Determine la funcion de probabilidad de la variable aleatoria Y, definida como la
cantidad de perodos de trabajo antes de que se realice mal dicha operacion.
Ejercicio 3.5.
Determine la probabilidad de que por lo menos dos vehculos lleguen a tiempo en cada una
de las situaciones siguientes:
a) hay 20 vehculos en total, ademas, se sabe que cada vehculo puede llegar a tiempo,
independientemente entre ellos y con una probabilidad de 0,6;
b) en un perodo de 2 minutos, ademas, se sabe que los vehculos llegan a tiempo seg
un
un proceso de Poisson con una tasa de 5 vehculos por minuto.
104
105
Ejercicio 3.6.
Un educador ha elaborado una prueba de opcion m
ultiple con 10 preguntas de 5 opciones
cada una. El educador es conciente que algunos alumnos rendiran la prueba simplemente
escogiendo al azar una de las cinco opciones como respuesta y haran esto para cada una de
las preguntas de modo independiente, por tal motivo es necesario penalizar las respuestas
incorrectas. En las cuestiones siguientes solo considere este tipo de alumnos.
a) Identifique un proceso de observacion de Bernoulli en el contexto dado.

b) Determine el modelo probabilstico mas adecuado para describir a la variable X, el
n
umero de respuestas acertadas.
c) Determine e interprete el n
umero de respuestas correctamente contestadas.
d) Cada pregunta bien contestada vale 2 puntos. Determine cuanto debe descontarse por
cada pregunta mal contestada, de modo que la nota esperada de los alumnos de este
grupo sea cero.
Sugerencia: si k es el valor buscado, vea que la nota es 2X k(10 X).
e) Uno de estos alumnos necesita por lo menos 14 en esta prueba para aprobar el curso.
Cuantifique el riesgo que correra. Use el valor de k obtenido en la parte anterior.
Ejercicio 3.7.
Los clientes de un banco que deben recibir un tratamiento especial llegan de acuerdo con un
proceso de Poisson con un tasa de un cliente cada 20 minutos.
a) Cual es la probabilidad de que en un perodo de media hora lleguen mas de 2 clientes

que deben recibir un tratamiento especial en el banco?
b) A todo cliente que debe recibir un tratamiento especial se le entrega un premio; pero
al empezar la jornada de trabajo el administrador se da cuenta que solo dispone de
cinco de estos premios. Determine el n
umero esperado de premios que seran entregados
durante la primera hora de atencion.
c) Determine el tiempo que dispone el administrador para que, con una probabilidad de
0,9, pueda completar una peque
na labor antes de la llegada del primer cliente que deba
recibir un tratamiento especial.
d) Cual es la probabilidad de que pase mas de una hora hasta la llegada del tercer cliente
que deba recibir un tratamiento especial en el banco?
105
Estadstica
Ejercicio 3.8.
En el contexto del modelo binomial de finanzas, descrito en el ejemplo 3.3, determine el valor
esperado del capital acumulado al cabo de 10 operaciones.
n

P
n i ni
Puede ser u
til la formula del binomio de Newton: (a + b)n =
ab .
i
i=0
Ejercicio 3.9.
La ocurrencia de cierto evento catastrofico para la economa ocurre de acuerdo con un proceso
de Poisson con una tasa de uno cada cinco a
nos.
a) Halle la probabilidad de que en una decada no ocurra mas de dos veces este evento.
b) Halle la probabilidad de que en, un perodo de cinco a
nos, ocurra mas de dos veces
este evento catastrofico.
c) Un proyecto debe ejecutarse durante un perodo de diez a
nos. Si este evento no se
presenta durante el perodo de ejecucion del proyecto, el costo es de 200 unidades
monetarias (u.m.); en otro caso este costo se incrementa en 100 u.m. por cada unidad de
tiempo faltante hasta completar la ejecucion del proyecto. Determine el valor esperado
del costo de ejecucion del proyecto.
d) Cuan probable es que pasen mas de 20 a
nos hasta que ocurra tres veces dicho evento?
e) Considerando las proximas 5 decadas, determine la probabilidad de que en por lo menos
dos de estas el evento catastrofico ocurra mas de dos veces. Asuma independencia y
condiciones similares en cada una de las 5 decadas.
Ejercicio 3.10.
Cierto evento imprevisto puede ocurrir durante cada mes, con una probabilidad de 0,1 e
independientemente de otros meses.
a) Al comenzar el mes se inicia la ejecucion de un proyecto que debe tardar 10 meses.
Ademas, el proyecto se concluira en el plazo previsto siempre y cuando el evento
imprevisto no ocurra en mas de 2 meses de este plazo. Cuantifique el riesgo que se
corre al afirmar que la ejecucion se concluira en el plazo previsto.
b) Una persona adquiere una poliza contra este tipo de evento, que regira durante los
cinco meses siguientes. El contrato estipula que si el evento ocurre antes del quinto
mes, entonces, la compa
na aseguradora debe pagarle una suma indemnizatoria de
seis mil soles, pero no volvera hacerlo si ocurriera nuevamente; ademas, la persona solo
hara un u
nico pago de diez mil soles. Determine la utilidad esperada de la aseguradora.
c) Halle la probabilidad de que el evento ocurra por tercera vez despues del quinto mes.
106
107
Ejercicio 3.11.
Los pedidos llegan a cierto supermercado (que atiende las 24 horas del da) seg
un un proceso
de Poisson, con una media de cuatro pedidos por hora.
a) Desde que empezo un da, ha pasado media hora y no ha llegado el primer pedido, halle
la probabilidad de que este pedido tampoco llegue durante la siguiente media hora.
b) Por da el supermercado tiene un costo de 250 soles, siempre y cuando el primer
pedido llegue durante las dos primeras horas del da; pero por cada hora adicional (a
las primeras dos horas del da) que tarde este primer pedido, dicho costo se incrementa
en 50 soles. Determine el costo esperado por da.
Ejercicio 3.12.
Se sabe que la demanda anual de un bien puede ser muy baja en cualquier a
no, de manera
independiente de otros a
nos y con una probabilidad de un decimo.
a) Un comerciante estudia la posibilidad de adquirir grandes cantidades de este bien, en
cada uno de los proximos seis a
nos.
a1 ) El comerciante ha calculado que su inversion sera exitosa si a lo mas en cuatro de
estos seis a
nos la demanda del bien es muy baja. Cuantifique el riesgo que corre.
a2 ) El comerciante ha calculado que, en cada a
no en el que la demanda del bien sea
muy baja perdera 10 u.m. ; pero en cada a
no en el que la demanda no sea muy
baja ganara 30 u.m. Determine e interprete la utilidad esperada del comerciante.
b) Calcule la probabilidad de que el primer a
no en el que la demanda sea muy baja sea
por lo menos el quinto, pero maximo el vigesimo.
Ejercicio 3.13.
Suponga que durante un a
no, en cierto pas, los eventos catastroficos ocurren seg
un un
proceso de Poisson con una tasa de 2 eventos por mes. Ademas, cada evento catastrofico
produce una da
no cuya magnitud es independiente de las correspondientes a otros eventos
catastroficos y con distribucion exponencial. El dise
no de prevencion contra desastresdel
gobierno considero un valor crtico para el da
no ocasionado por una catastrofe cuando esta
es 3,5 veces la media de dicha magnitud. Obtenga la confiabilidad del dise
no prevencion
contra desastresdurante el perodo de un a
no, es decir, la probabilidad de que durante dicho
perodo ninguna de las magnitudes de los da
nos que se produzcan supere el valor crtico2 .
Sugerencia: sean X el n
umero de tales eventos en un a
no e Y, el n
umero de los que su
P
magnitud supera el valor crtico. Se desea hallar P (Y = 0) =
P (X = 0 Y = 0). Note
x=0
que si X = x : Y b(x, p), con p = P (Z > 3, 5/), donde Z exp().

2
Este ejercicio est

a basado en la teora estudio de peligro ssmico, presentada en Alejandro Mu
noz P.
(2002).
107
Estadstica
Ejercicio 3.14.
Una municipalidad verificara si las tiendas de su distrito cumplen una ordenanza dictada
recientemente. Con este fin, se escogera una muestra aleatoria de 20 tiendas del distrito.
Ademas, por experiencia se sabe que el 25 % de estos establecimientos suele incumplir las
ordenanzas nuevas.
a) Identifique un proceso de observacion de Bernoulli en el contexto dado. Debera asumir
la validez de los supuestos necesarios y dar su significado en este contexto.
b) Halle el modelo probabilstico que describe a la variable X, definida como el n
umero
de tiendas, en la muestra por seleccionar, que incumplen la ordenanza.
c) Determine la probabilidad de que por lo menos cinco de las tiendas, en la muestra por
seleccionar, incumplan la ordenanza.
d) Determine e interprete el valor esperado del n
umero de tiendas, en la muestra por
seleccionar, que incumplan la ordenanza.
e) Suponga que inspeccionar cada tienda de la muestra seleccionada costara 500 soles.
Ademas, cada deteccion originara un descuento de 500 soles en el costo, pues esta
cantidad sera pagada por el propietario de la tienda que incumpla la ordenanza; pero
cada tienda seleccionada que cumpla la ordenanza originara un costo adicional de 250
soles, pues el propietario de la tienda recibira un descuento en sus tributos por este
valor. Si el presupuesto para llevar a cabo este muestreo es de 12 750 soles:
e1 ) Cuantifique la confianza de este presupuesto para poder llevar a cabo el muestreo.
e2 ) Determine e interprete el valor esperado del costo para llevar a cabo el muestreo.
Ejercicio 3.15.
Una compa
na alquila un equipo que se puede descomponer durante un mes independientemente de otros meses y con probabilidad 0,2. El equipo se usara 20 meses. Cada mes le
generara un ingreso de 1000 soles (as se descomponga el equipo); ademas cada mes en donde
se descomponga el equipo le significara un egreso de 500 soles por reparacion.
a) Identifique el modelo probabilstico que describe a la variable, X, definida como el
n
umero de meses (entre los 20) en los que el equipo se descompondra.
b) Halle el valor esperado y la desviacion estandar del n
umero de meses en los que se
descompondra el equipo.
c) Determine la utilidad esperada de la compa
na.
d) La compa
na desea ganar, por lo menos, 18 500 soles. Cuantifique el riesgo que correra.
108
109
Ejercicio 3.16.
Los pedidos llegan a una central seg
un un proceso de Poisson con una tasa de tres por
minuto.
a) Determine la probabilidad de que, en un intervalo de diez minutos, lleguen mas de dos

pedidos. Debe definir una variable e identificar (justificando) su modelo.
b) Halle la probabilidad de que el primer pedido demore en llegar mas de cinco minutos
pero menos de diez. Debe definir una variable e identificar (justificando) su modelo.
c) Halle la probabilidad de que el segundo pedido demore en llegar mas de cinco minutos
pero menos de diez. Debe definir una variable e identificar (justificando) su modelo.
Ejercicio 3.17.
En una empresa de transporte cada vehculo puede llegar a tiempo, independientemente de
otros vehculos y con una probabilidad de 0,6.
a) En un da, la terminal espera el arribo de 20 vehculos; determine la probabilidad de

que por lo menos dos, de estos vehculos lleguen a tiempo. Debe definir una variable e
identificar (justificando) su modelo.
b) Halle la probabilidad de que el primer vehculo que llegue a tiempo sea por lo menos
el vigesimo. Debe definir una variable e identificar (justificando) su modelo.
Ejercicio 3.18.
Si X b(10; 0, 1), encuentre f : la funcion de probabilidad de Y = 10 X. Use la tecnica
Y
descrita al final del captulo anterior.
Ejercicio 3.19.
Si X exp(2), encuentre la funcion de densidad de Y = 3X. Use la tecnica descrita al final
del captulo anterior.
Ejercicio 3.20.
Una operacion financiera resulta rentable con una probabilidad de 0,25. Un inversionista
realizara esta operacion en 20 oportunidades. Para evaluar los riesgos se supondra que las
operaciones originan resultados independientes y que la probabilidad de que sea rentable se
mantiene constante. Determine la probabilidad de que por lo menos tres de las operaciones
resulten rentables. Debe definir una variable X e identificar, justificando, su modelo.
109
Estadstica
Ejercicio 3.21.
Parte del trabajo de un promotor que trabaja en una Administradora de Fondos de Pensiones
(AFP) consistente en visitar a personas que estan afiliadas a una AFP distinta para tratar de
convencerlos de que se cambien a esta AFP. Este promotor, seg
un su experiencia, estima que
la probabilidad de convencer a una persona es de apenas 0,05. El promotor decide evaluar
ciertos riesgos, para esto considerara que este trabajo obedece un proceso de Bernoulli
a) Diga cuales son las dos condiciones que se deben cumplir para que, efectivamente, el
convencer a los afiliados que visite el promotor ocurra seg
un un proceso de Bernoulli.
b) Durante el a
no que termina, la gerencia de la AFP considera que el promotor ha
realizado un buen trabajo; as, le ofrece otorgarle una bonificacion extraordinaria
(por fin de a
no) siempre y cuando convenza a, por lo menos, tres clientes mas. La
dificultad que enfrenta el promotor es que solo dispone de veinte visitas mas; entonces,
antes de tomar una medida distinta a las usadas hasta ahora, decide suponer que las
condiciones mencionadas en la parte anterior se verifican y emplear la teora basica de
modelos probabilsticos para cuantificar su confianza actual en lograr esta bonificacion
extraordinaria. Efect
ue el procedimiento que realizara el promotor y determine el valor
que obtendra.
Ejercicio 3.22.
Ciertas bacterias se presentan en un deposito de agua, conforme un proceso de Poisson con
una tasa de cuatro bacterias por cm3 .
a) Determine la probabilidad de que, en un volumen de cinco cm3 , se encuentren por lo
menos dos bacterias. Debe definir una variable e identificar, justificando, su modelo.
b) Halle la probabilidad de que el volumen de agua que se debe revisar hasta ubicar la
primera bacteria este entre cinco y diez cm3 .
Ejercicio 3.23.
Sea X una variable aleatoria con modelo probabilstico normal, con media X y desviacion
estandar X .
a) Obtenga el valor de la probabilidad P ( | X X | 2X ).
b) Use la tecnica de cambio de variable para demostrar la propiedad de estandarizacion.
c) Use la tecnica de cambio de variable para demostrar la propiedad de cerradura del
modelo normal respecto con respecto a transformaciones lineales.
d) Use la tecnica de cambio de variable, para demostrar que el cuadrado de la variable
estandarizada de X tiene distribucion gamma con parametros = = 21 .
110
111
Ejercicio 3.24.
El precio de una unidad del bien A es una variable aleatoria X con modelo normal de media
30 soles y desviacion estandar 4 soles. El precio de una unidad del bien B es una variable
aleatoria Y con modelo normal de media 20 soles y desviacion estandar 3 soles. Estas dos
variables son independientes.
a) Halle la probabilidad de que el precio de una unidad del bien A sea mayor que 25 soles.
b) Se debe comprar una unidad del bien A y otra del bien B; halle la probabilidad de que
55 soles sean suficientes.
c) Halle la probabilidad de que el precio de una unidad del bien A sea mayor que el de
una del bien B.
d) Halle la probabilidad de que el precio de una unidad del bien A sea mayor que dos del
bien B.
e) Se debe comprar una unidad del bien A y dos del bien B; halle la probabilidad de que
60 soles sean suficientes.
Ejercicio 3.25.
La distribucion de los tiempos necesarios para que las personas se recuperen de la dolencia
A se considera normal con media 14, 5 horas y desviacion estandar 3 horas; mientras que el
tiempo necesario correspondiente a la recuperacion de la dolencia B se considera normal con
media 13, 5 horas y cuarto inferior a partir de 15 horas. Suponiendo que existe independencia
entre ambos tiempos:
a) Determine el porcentaje de personas que se recuperan de la dolencia A despues de 11
horas.
b) Determine la cantidad de horas, t, que debera disminuir el tiempo de recuperacion
de cada persona para reducir en 25 el porcentaje de personas que se recuperan de la
dolencia A despues de 11 horas.
c) Halle la desviacion estandar de los tiempos de recuperacion de la dolencia B.
d) Cual es la probabilidad de que ambos tiempos de recuperacion sean mayores que 11
horas?
e) Cual es la probabilidad de que la media de los tiempos de recuperacion de ambas
dolencias, para una persona, sea mayor que 11 horas?
f) Cual es el porcentaje de personas que se recuperan de la dolencia A en mayor tiempo
que el correspondiente a la dolencia B?
111
Estadstica
Ejercicio 3.26.
En una operacion financiera la tasa de rentabilidad, R, se considera una variable aleatoria
con distribucion normal de media 0,05 y desviacion estandar 0,25.
a) Determine la probabilidad de que la tasa de rentabilidad R, asociada a esta operacion
financiera, sea superior a 0,3.
b) Halle el valor en riesgo (VaR) de un grado de confianza del 95 %. Vea el ejercicio 2.28
c) Determine la probabilidad de que el factor de capitalizacion W = 1 + R, asociado a
esta operacion, sea superior a 1,25.
d) Un inversionista coloca un capital de 10 unidades monetarias (u.m.), en esta operacion
financiera, a fin de ganar por lo menos 5,5 um. Cuantifique el riesgo que afrontara.
e) En el contexto de la parte anterior, determine cual debe ser el monto del capital que
debera colocar el inversionista para que, con una probabilidad de 0,95 o mas, la perdida
no pase de 5,5 u.m.
f) Suponga que se realizan dos operaciones independientes con estas caractersticas, pero
una de 10 u.m. y la otra de 20 u.m.
f1 ) Determine la probabilidad de que, R1 , la rentabilidad de la primera inversion, sea
menor o igual que 0,95.
f2 ) Determine la probabilidad de que, R2 , la rentabilidad de la segunda inversion, sea
mayor que 1,02.
f3 ) Halle la probabilidad que la suma de los capitales finales sea por lo menos 30 u.m.
f) El capital acumulado al cabo de una gran cantidad de estas operaciones tiene
distribucion lognormal con media 60,34 u.m. y desviacion estandar 28,39 u.m.
Determine la probabilidad de que un capital inicial de 20 u.m. genere mas de 50 u.m.
de utilidad.
Ejercicio 3.27.
El modelos probabilstico de Pareto se usa para describir los ingresos, su densidad es de la
forma f (x) = x , x > 0, con > 0 y > 0 los parametros del modelo.
a) Bosqueje, lo mas precisamente posible, la grafica de dicha densidad.
b) Encuentre una formula explcita para la distribucion acumulada.
c) Encuentre formulas explcitas para la media y la desviacion estandar.
d) Determine la probabilidad de que el ingreso de una persona sea superior a la media.
112
113
Ejercicio 3.28.
La distribucion de los salarios en el sector A se considera normal con una media de 1 450
soles y una desviacion estandar de 300 soles. En el sector B la distribucion de los ingresos
es normal con media 1 350 soles; ademas el 25 % de los asalariados gana mas de 1 500 soles.
a) Determine el porcentaje de asalariados, en el sector A, que ganan mas de 1 100 soles.
b) Determine el percentil 75 de la distribucion de los salarios en el sector A.
c) En cual sector los salarios son menos variables?
d) Un promotor de creditos visita a una pareja de asalariados, uno del sector A y el otro
del B, para ofrecerles un credito que requiere un salario conjunto de por lo menos
2 500 soles. Cual es la probabilidad de que esta pareja cumpla el requisito anterior
para poder acceder al credito? Asuma que los salarios son independientes.
e) Se escoge al azar un asalariado de la ciudad A y otro de la B. Determine la probabilidad
de que el de la ciudad A gane mas. Asuma que los salarios son independientes.
f) En el contexto de la parte anterior, determine la probabilidad de que ambos salarios
se diferencien en 200 soles, como maximo.
Ejercicio 3.29.
Se realizaran 100 operaciones financieras, en cada una se invertira 10 u.m. , las tasas
de rentabilidad correspondientes son variables aleatorias con modelos probabilsticos
desconocidos; pero estas son independientes, cada una de las primeras 25 tiene una media
de 0,01, y cada una de las restantes 75 una media de 0,02. Cada tasa tiene una desviacion
estandar de 0,3. Halle la probabilidad de que el capital final este entre 950 y 1100 u.m.
Ejercicio 3.30.
Para el ingreso familiar en una region se considera un modelo lognormal con media 1,65
miles de soles y desviacion estandar 2,16 miles de soles. En la tabla siguiente se muestra
informacion incompleta respecto a estos ingresos:
x
0,5
0,75
1,5
2,5
F (x)
0,2441
0,3868
---
---
---
---
---
0,9812
0,9860
x es un valor del ingreso familiar y F (x) la proporcion de familias con ingresos hasta x.
a) El modelo parece estar en armona con los datos?
b) Complete la tabla dada, a partir del modelo dado.
c) Cual es la proporcion de familias con ingresos superiores a 5 mil soles?
113
Estadstica
Ejercicio 3.31.
El capital acumulado al cabo de una gran cantidad de operaciones financieras tiene una
distribucion lognormal, su media es de 60 u.m. y su desviacion estandar de 28 u.m.
a) Encuentre los parametros de este modelo lognormal.
b) Halle la probabilidad de que un capital inicial de 20 u.m. genere mas de 25 u.m. de
utilidad.
Ejercicio 3.32.
Los ingresos (en miles de soles), de los trabajadores de cierto sector, son explicados por un
modelo lognormal con parametros = 3 y 2 = 1.
a) Determine la probabilidad de que un trabajador gane 55 mil soles o menos.
b) Halle la media y la desviacion estandar de los ingresos en este sector.
Ejercicio 3.33.
Sea X b(n; p).
a) Verifique, calculando, que MX (t) = E(etX ) = (pet + q)n , t
n

P
n i ni
Recuerde que (a + b)n =
ab .
i
R.
i=0
b) Halle E(X) y E(X 2 ), a partir de la funcion generadora de momentos.

c) Si Y = n X, halle MY .
Recuerde la propiedad: si Y = a + bX, entonces, MY (t) = e a t MX (bt).
d) Si Y = n X, demuestre que X b(n; q).
Use el resultado de la parte anterior y la propiedad por la que la funcion generadora
de momentos determina unvocamente el modelo o distribucion de la variable.
Ejercicio 3.34.
Sea X una variable aleatoria con distribucion binomial con parametros n = 1 y p.
a) Deducir la funcion generadora de momentos de X.
b) Use la funcion generadora de X para obtener E(X) y E(X 2 ).
c) Si X1 , . . . , Xn es una muestra aleatoria de X, deducir el modelo de X1 + + Xn , a
partir de su funcion generadora de momentos.
114
115
Ejercicio 3.35.
Sea X una variable aleatoria con distribucion gamma de parametros y .
a) Demuestre que la funcion generadora de momentos de este modelo esta dada por:
MX (t) =
, t < .
( t)
b) Sea Y = b X, con b > 0. Use la tecnica de cambio de variable para obtener fY : la

funcion de densidad de Y. Luego identifique el modelo obtenido.
c) Sea Y = b X, con b > 0. Use la tecnica de la funcion generadora de momentos para
obtener el modelo probabilstico de Y.
d) Sean X1 , . . . , Xn variables aleatorias independientes y cada una con modelo
probabilstico gamma con primeros parametros 1 , . . . , n , respectivamente, y
segundos parametros iguales a . Use la tecnica de la funcion generadora de momentos
para determinar el modelo probabilstico (con sus parametros) de X1 + + Xn .
e) Use la funcion generadora de X para obtener E(X) y E(X 2 ).
Ejercicio 3.36.
Sea X una variable aleatoria con distribucion exponencial de parametro .
a) Sea Y = b X, con b > 0. Use la tecnica de cambio de variable para obtener fY : la
funcion de densidad de Y. Luego identifique el modelo obtenido.
b) Halle la funcion generadora de X. Use la definicion y propiedades del valor esperado.
c) Sea Y = b X, con b > 0. Use la tecnica de la funcion generadora de momentos para
obtener el modelo probabilstico de Y.
d) Sean X1 , . . . , Xn variables anteriores independientes y cada una con modelo
probabilstico exponencial de parametro . Use la tecnica de la funcion generadora
de momentos para determinar el modelo probabilstico (con sus parametros) de
X1 + + Xn . Para esto u
ltimo vea el resultado del ejercicio siguiente.
Ejercicio 3.37.
Sea X una variable aleatoria con distribucion de Poisson de parametro .
b) Use la funcion generadora de X para obtener E(X) y E(X 2 ).
c) Si X1 , . . . , Xn es una muestra aleatoria de X, deducir el modelo de X1 + + Xn , a
115
Estadstica
Ejercicio 3.38.
Sea X una variable aleatoria con distribucion de Pascal con parametros r y p.
b) Si X1 , . . . , Xn es una muestra aleatoria de X, deducir el modelo de X1 + + Xn , a
c) Use la funcion generadora de X para obtener E(X) y E(X 2 ).
Ejercicio 3.39.
Sea X g(p).
a) Verifique, calculando, que MX (t) = E(etX ) =
Recuerde que si 0 < r < 1 :
P
i=1
ri =
r
1r
pet
1qet
, t < ln q.
b) Si X1 , . . . , Xn son independientes, determine el modelo probabilstico X1 + + Xn ,

a partir de su funcion generadora.
Ejercicio 3.40.
La llegada de cada uno de los empleados a su centro de labores se produce independiente y
uniformemente entre las 8.00 a.m. y las 8.25 a.m.
a) Determine la probabilidad de que uno de estos empleados llegue entre las 8.00 a.m y
las 8.20 a.m.
b) Si son diez los empleados,
i) en promedio, cuantos de estos llegan entre las 8.00 a.m. y las 8.20 a.m. ?
ii) cual es la probabilidad de que cuatro empleados lleguen entre las 8.00 a.m y las
8.20 a.m. ?
Sugerencia: considere la variable X, definida como el n
umero de empleados que llegan
entre las 8.00 a.m. y las 8.20 a.m.
116
4.
Indicadores de concentraci
on para medir la
desigualdad de los ingresos
4.1. La Curva de Lorenz

Definici
on 4.1. Sea X una variable con densidad f, distribucion acumulada F y media
> 0. Definimos la funcion mediante
Z x
yf (y)dy
(x) =
Observaci
on 4.1. Si X es el ingreso familiar, sigue de la definicion anterior que (x) puede
interpretarse como la fraccion que representa el ingreso promedio (o total) de las familias con
ingresos inferiores o iguales a x, respecto al ingreso medio (o total) familiar 1 . Para entender
R
esto recuerdese que = E(X) =
yf (y)dy; ademas, si para cada x consideramos g(y) = x,
si y x, y g(y) = 0, si y > x, entonces, E(g(X)) =
Rx
g(y)f (y)dy corresponde al ingreso
promedio de las familias con ingresos menores o iguales que x2

Ejemplo 4.1. Si X N (; 2 ), tenemos que (x) = F (x)
1
2
e 2 2 (x) , como se
2
verifica a continuacion:
Z
Z
Z x
1 2
1 x
1
1 x
1
1
1 2 (y)2
(x) =
yf (y) dy =
y
e 2
dy =
( + z) e 2 z dz

2
2
Z x
Z x
1 2
1 1 z2
1
2
e
=
dz +
z e 2 z dz

2
2
Z x
1
2
1 2
1
x
=F ( )+
z e 2 z dz = F (x) e 2 2 (x) , con Z N (0; 1).

Z
2
2
En particular, (x) < F (x), es decir, la fraccion que representa el ingreso total de las familias
con ingresos inferiores o iguales a x (respecto al ingreso total de las familias) siempre es
menor que la proporcion de familias con ingresos inferiores o iguales a x (esto u
ltimo es
la interpretacion de F (x)). Por lo tanto, para completar una proporcion del ingreso total
(empezando con las familias de menores ingresos) siempre se requiere una proporcion menor
de familias. Esta es una de las propiedades que se enuncian a continuacion y que justificaran
la forma de la curva de Lorenz.
1
2
Vease Frankn A. Cowell 1995, p

ag. 138.
Vease la parte e del ejercicio propuesto 2.12.
117
Estadstica
Propiedades. satisface, entre otras, las propiedades siguientes:

1. es una funcion creciente, si xf (x) > 0. 2. lm (x) = 0 y lm (x) = 1.
x
3. Si L(x) = (x) F (x), entonces, lm L(x) = lm L(x) = 0.

x
4. L(x) = (x) F (x) es una funcion decreciente, si x < , creciente si x >

5. (x) < F (x), si 0 < F (x) < 1, y (x) = F (x), si F (x) = 0 o F (x) = 1.
Para justificar estas propiedades basicamente se debe notar que 0 (x) = xf (x)/, F 0 (x) =
f (x), lm F (x) = 0 y lm F (x) = 1.
x
Definici
on 4.2. Sea X una variable con densidad f, distribucion acumulada F y media .
Se define la Curva de Lorenz como la grafica de los pares (F (x), (x)), para cada x .
Observaci
on 4.2. La Curva de Lorenz es uno de los metodos mas usados para ilustrar
la desigualdad de la distribucion de los ingresos totales (riqueza) de una poblacion, fue
introducida en 19053 . Como se han interpretado (x) y F (x), esta curva muestra cual es la
proporcion del ingreso acumulado que es obtenida por cada proporcion de la poblacion.
La siguiente grafica muestra una desigualdad en la distribucion de los ingresos, esta es
la curva tpica de Lorenz para una distribucion de ingresos con tendencia central, pero con
presencia de valores grandes concentrados en una proporcion baja de familias, como ocurre,
por ejemplo, en un modelo lognormal4 :
podemos apreciar que para llegar a completar solo el 28 % de los ingresos (empezando por
los de menor valor) se tiene ya el 66 % de la poblacion; que evidencia la distribucion desigual
del ingreso en la poblacion, la mayor parte de este se concentra en una parte muy peque
na
de la poblacion. Observese que inicialmente la diferencia entre (x) y F (x) es nula (si la
proporcion del ingreso acumulado es cero tambien lo es la proporcion de la poblacion), luego
a medida que aumenta (x) esta diferencia aumenta (la desigualdad se hace mayor), pero a
partir de cierto valor disminuye (la desigualdad se hace menor) hasta ser nuevamente nula
(el ingreso total corresponde a la poblacion completa): conforme las dos u
ltimas propiedades.
3
4
Vease Frankn A. Cowell 1995, p

ag. 19.
La gr
afica se ha elaborado considerando un modelo lognormal con parametros = 0 y = 1.
118
on de los ingresos
119
La lnea de igualdad que se muestra corresponde a una distribucion igual del ingreso entre la
poblacion, es decir, cuando para completar determinada proporcion del ingreso se requiere
la misma proporcion de la poblacion, es decir, si X es constante.
A continuacion comparemos la desigualdad de las distribuciones de los ingresos de dos
poblaciones, R1 y R2 , a partir de sus respectivas graficas de Lorenz.
De las graficas anteriores podemos deducir, entre otras cosas, que para llegar a completar
solo el 28 % de los ingresos (empezando por los de menor valor), en la poblacion R2 se tiene
ya el 66 % de la poblacion; pero en la poblacion R1 se tiene solo el 46 %. En resumen la
distribucion del ingreso en la region R2 es mas desigual.
4.2. El Coeficiente de Gini

Definici
on 4.3. El Coeficiente de Gini, denotado G, asociado a una variable X con densidad
f se define como sigue:

G = 1 2E (X) ;
o, equivalentemente,
Z
G=12
(x)f (x)dx
Observaci
on 4.3. El coeficiente de Gini cuantifica el grado de desigualdad del ingreso en
la curva de Lorenz. Cuando no hay desigualdad, este coeficiente es igual a cero, y a medida
que aumenta dicho valor se tendra mayor desigualdad; pero este coeficiente por s mismo
no determina si esta desigualdad se concentra en los valores superiores o inferiores de los
ingresos, es decir, no da una idea de la forma de la curva de la distribucion. Puesto que
R
R
graficamente la integral (x)f (x)dx = (x)dF (x) representa el area debajo de la curva
de Lorenz y por encima del eje horizontal; y el area debajo de la recta de igualdad es
igual a 1/2, entonces, graficamente el valor del coeficiente de Gini es igual al doble del area
comprendida entre la curva de Lorenz y la recta de igualdad. Esto se ilustra a continuacion:
119
Estadstica
Ejemplo 4.2. Si X N (; 2 ) el Coeficiente de Gini es igual a
, como se verifica a

continuacion:

G = 1 2E (X)

= 1 2E F (X)

1
2
e 2 2 (X)
(vease el ejemplo 4.1)
2

1
2
= 1 2E F (X) + 2 E e 2 2 (X)
2

1
2
2
= 1 2 ( 12 ) + E e 2 2 (X)
( F (X) tiene distribucion uniforme en (0, 1) )
2

1
2
2
=
E e 2 2 (X)
2
Z
1
1
2
2
2
1
=
e 2 2 (x)
e 2 2 (x) dx
2
2
Z
1
2
2
1
=
e 2 (x) dx
2
2
Z
1
2
1
1
(x)2
e 2 (/ 2)2
dx
=
2 2
2 2
|
{z
}
2
1

2 2
= .

Ejemplo 4.3. As, las distribuciones de los ingresos de dos poblaciones, R1 y R2 , son
normales con parametros 1 = 2 = 5, 1 = 1 y 2 = 3, entonces, los coeficientes de
1
3
Gini respectivos son: G1 = = 0, 1128 y G2 = = 0, 3385. La conclusion es que
5
5
la distribucion del ingreso en la poblacion R1 es menos desigual. Lo anterior se ilustra en el
grafico que sigue:
120
on de los ingresos
121
Observaci
on 4.4. Un defecto que tiene este coeficiente es que dos distribuciones pueden
tener el mismo coeficiente y, sin embargo, distinto grado de desigualdad.
Definici
on 4.4. Si trabajamos con datos disponibles, en lugar de un modelo, la definicion
formal es la siguiente:
n
n
1 XX
G= 2
| x i xj |
2n X i=1 j=1
121
5.
Estadstica descriptiva
5.1. Qu
e es la Estadstica?
Como es natural, lo primero que debemos precisar es que es la estadstica; en ese sentido,
proponemos las observaciones siguientes. De donde proviene el termino estadstica ?
Desde tiempos muy remotos en la historia de la humanidad, 2300 a
nos antes de Cristo,
encontramos evidencias historicas que demuestran que culturas antiguas, como la china,
la hebrea, la griega (particularmente la ateniense) y la romana, formaron censos (listas,
registros, res
umenes), por razones de estado, por ejemplo, tributarios, alimentarios y
militares. Como puede imaginarse, en aquellos tiempos remotos, el habitante com
un no
estaba interesado en llevar a cabo semejante tarea, es decir, esta generacion de datos
resumidos era una labor o competencia exclusiva del estado; no es ahora difcil imaginar
que de all derive el termino estadstica, en cuanto a su acepcion de censo, lista o incluso
resumen. Para ilustrar mas este significado de estadstica, recordemos las siguientes frases
comunes:
las estadsticas no mienten
las estadsticas demuestran que...
existen las mentiras, las grandes mentiras y las estadsticas
Despues de tratar del origen de la estadstica, veamos ahora el significado actual de esta.
Solo a fines del siglo XVII, en Alemania, es la estadstica considerada como ciencia, gracias
a los trabajos culminantes de Karl Friedrich Gauss. En efecto, hoy en da, la estadstica
es considerada como una ciencia y su caracterstica principal, ya no es solo obtener
res
umenes; sino m
as bien, realizar inferencias a partir de los resultados obtenidos
de una muestra relativamente peque
na de datos. A continuacion damos dos ejemplos
de esto u
ltimo.
Ejemplo 5.1. Cuando estamos en epocas de elecciones, queremos saber las preferencias de
todo el electorado, pero encuestar a todos resulta imposible, por razones de tiempo y dinero.
Entonces, se recurre a tomar adecuadamente una muestra y a partir de los resultados que
se obtienen de ella, inferir lo que ocurrira en general.
Ejemplo 5.2. En el proceso de produccion de un artculo, interesa comprobar si realmente
se ha logrado el nivel de calidad deseado. Evidentemente, usar todas las unidades fabricadas
resulta muy costoso y poco factible. Entonces, nuevamente, se opta por efectuar el control
de la calidad solo para una muestra de unidades (apropiadamente elegida) para evidenciarse
si esta o no satisfecho el nivel deseado.
123
Estadstica
Parece claro que las inferencias que resulten de lo observado, en solo una muestra de la
poblacion de estudio, no tienen que ser necesariamente verdaderas; sino que mas bien estan
acompa
nadas de cierto margen de error y nivel de confianza, es decir, son solo estimaciones
o aproximaciones de lo que realmente ocurre. Es precisamente la b
usqueda de estas medidas
de error y de confianza para las inferencias, que convierten a la estadstica en una ciencia,
pues para ello usa las matematicas y crea su propia teora. El primer resultado cientfico en
ese sentido, data de 1818, en este se estudio la eficiencia de los estimadores estadsticos, lo
que se obtuvo gracias a resultados matematicos, originales de Gauss, sobre teora de los
errores.
A continuacion, empezamos dando algunas definiciones, mas bien conceptos o ideas
basicas.
5.2. Nociones b
asicas
Definici
on 5.1. La estadstica es una ciencia que se ocupa de la recoleccion, presentacion
y analisis de datos. La caracterstica que la distingue es la de hacer generalizaciones o
inferencias, a partir de solo una muestra.
Ejemplo 5.3. Un ejemplo de inferencia estadstica muy conocido es la inferencia sobre las
preferencias electorales. Por ejemplo: basandose en los resultados de una muestra de 1822
electores del pas, se estima que el porcentaje de electores (en todo el pas) a favor del
candidato AT es de 41 %, con un margen de error de 2 % y un nivel de confianza en esta
inferencia del 95 %. En este caso, el margen de error significa que en realidad el verdadero
porcentaje a favor del candidato AT esta entre 41 % 2 % y 41 % + 2 %, es decir, entre
39 % y 43 %. Y el nivel de confianza significa que la metodologa seguida, para estimar dicho
porcentaje, acierta en el 95 % de las veces que es usada con muestras de este tama
no; por
lo tanto, siendo este porcentaje de aciertos tan alto, uno confa en que esta aplicacion de la
metodologa, con la muestra dada, sea uno de los casos en que se acierta en la inferencia.
Clasificaci
on de la estadstica Existen dos grandes ramas en la estadstica: la Estadstica
Descriptiva y la Estadstica Inferencial.
La estadstica descriptiva, como su nombre lo da a entender, no va mas alla de los datos
disponibles, por ejemplo la muestra; y lo que interesa es describir que muestran los datos.
Es la parte mas conocida por la mayora de las personas. Sus labores la encontramos, por
ejemplo, en las tablas y graficas que se acostumbran presentar con el fin de ilustrar ciertos
patrones de tendencia que presenten los datos o, simplemente, para que los resultados sean
mejor entendidos. Se puede decir que se ocupa de la primera etapa en el analisis de los datos:
la descripcion o analisis exploratorio. La estadstica inferencial, en cambio, hace el trabajo
mas importante, es decir, lo que respecta a las inferencias: segunda etapa en el analisis de
los datos.
124
125
Observaci
on 5.1. En realidad, en la estadstica inferencial actual, existen dos corrientes
cuyas metodologas se contraponen: La llamada estadstica cl
asica, esta es la que se
acostumbra a ense
nar y la mas conocida; y por otra parte, esta la llamada estadstica
bayesiana en honor a su impulsor Thomas Bayes (1702-1761), esta u
ltima estuvo
demasiado tiempo olvidada, pues requiere de mucho calculo computacional. Con respecto
a fundamentos, la estadstica bayesiana parece ser mas formal, por ejemplo, la inferencia
obtenida con la estadstica clasica, como ya hemos explicado, se basa en la aplicacion de
una tecnica sobre determinada muestra aleatoria disponible, entonces, sucede que en un
alto porcentaje de las veces la tecnica produce un resultado o inferencia acertada, por tal
razon, parece natural que quien la aplica en una muestra en particular, confe en que esa
vez corresponda a uno de los aciertos y no a uno de los desaciertos, salvo, claro esta, que
la persona en cuestion se considere muy desafortunada, es decir, la inferencia estadstica
clasica se sustenta en el llamado principio de la confianza. En contraposicion, para la
estadstica inferencial bayesiana, el grado de credibilidad o de confianza, en una inferencia,
se debe basar solo en la oportunidad en la cual se este aplicando, es decir, en la muestra
disponible sin considerar todas las veces en las cuales se aplica. Entender esta exigencia de
rigor requiere de un espritu filosofico innato en el hombre desde su origen; pero mas alla de
esta discusion, lo importante es que el objetivo basico es hacer inferencias.
Definici
on 5.2. Una variable es cualquier caracterstica de interes.
Definici
on 5.3. Poblaci
on es el conjunto de unidades, personas u objetos, sobre los cuales
interesa observar una o mas caractersticas.
Definici
on 5.4. Una muestra es cualquier conjunto de una poblacion. La muestra se llama
aleatoria, si sus integrantes han sido escogidos al azar.
Definici
on 5.5. Un dato u observaci
on es cualquier medida, resultado de haber observado
una variable en una unidad de alguna poblacion.
Ejemplo 5.4. A continuacion veamos algunos ejemplos de variables, todas referidas a la
poblacion de electores del Per
u:
Preferencia electoral (opcion del elector por determinado candidato o ninguno).
Edad del elector (generalmente en a
nos cumplidos).
Estado socioeconomico del elector.
N
umero de integrantes en la familia del elector.
Sexo del elector.
Grado de instruccion del elector.
Ingresos mensuales del elector.
125
Estadstica
Definici
on 5.6. Las variables se suelen clasificar como cualitativas si tienen caracter no
numerico, y cuantitativas, si representan cantidades. A su vez, las variables cuantitativas,
se subclasifican en discretas, si el conjunto de valores posibles de la variable (denominado
rango) puede ser enumerado, y en continuas, si este conjunto de valores constituye un
intervalo o reunion de intervalos.
Ejemplo 5.5. Veamos como se clasifican las variables dadas en el ejemplo 5.4:
La preferencia electoral es una variable cualitativa, expresa la intencion de votar a favor o
en contra de determinado candidato.
La edad del elector es una variable cuantitativa y por la forma de medirla usualmente, se la
puede considerar discreta; formalmente debera ser continua, pero en la practica se mide en
a
nos cumplidos.
El estado socioeconomico del elector es tambien una variable cualitativa, expresa el grupo o
estrato socioeconomico al que pertenece el elector.
El n
umero de integrantes en la familia del elector es una variable cuantitativa discreta, ya
que representa una cantidad y ademas los valores posibles que podra asumir, se pueden
enumerar.
El sexo del elector es una variable cualitativa.
El grado de instruccion del elector, tambien es una variable cualitativa, pues si bien representa
un grado, esto solo significa mas o menos instruccion, pero no cantidad.
El ingreso mensual es una variable cuantitativa continua, pues representa una cantidad y
sus valores posibles, en teora, constituyen un intervalo.
5.3. Escalas o niveles de medici

on
Por medicion se puede entender al proceso de observacion de una caracterstica de interes
sobre las unidades de la poblacion. Esta medici
on se debe expresar como un n
umero
que informe, lo m
as precisamente posible, sobre la caracterstica en la unidad
observada. Claro est
a que no siempre los n
umeros informar
an lo mismo, pues
depende de la naturaleza de lo observado, seg
un esto, se tienen distintos niveles de
medicion o escalas, solemos considerar cuatro niveles que trataremos a continuacion.
5.3.1. Escala nominal

Aqu, los n
umeros solo sirven para distinguir valores o categoras diferentes de la variable.
126
127
Ejemplo 5.6. El sexo de los electores se mide a este nivel de medicion o escala. Una escala
apropiada puede ser, por ejemplo, la siguiente:
0=
femenino; 1 =
masculino.
En general, cualquier escala de este tipo es de la forma:

a=
femenino; b =
masculino.
Para ciertos a y b n
umeros reales, fijados previamente y con la u
nica condicion de que sean
diferentes.
5.3.2. Escala ordinal

Aqu, los n
umeros, ademas de servir para distinguir, reflejan un orden existente entre
los valores de la variable, seg
un el menor o mayor grado en el que se encuentre presente la
caracterstica.
Ejemplo 5.7. El grado de instruccion del elector, se suele medir con este nivel.
Para simplificar, supongamos que solo distingamos cuatro valores: analfabeto, primaria,
secundaria y superior. Entonces, una escala apropiada puede ser:
0
analfabeto;
primaria;
secundaria;
superior
superior
En general, cualquier escala de este tipo es de la forma:

a
analfabeto;
primaria;
secundaria;
Para ciertos a, b, c y d n
umeros reales, fijados previamente y con la u
nica condicion de que
a < b < c < d.
5.3.3. Escala de intervalo

Ademas de las caractersticas anteriores, se tiene que las diferencias entre los n
umeros
asignados representan propiamente cantidades de la caracterstica medida. Esto se logra
definiendo una unidad de medida y un cero u origen, este u
ltimo es arbitrario por no existir
naturalmente, es decir, no existe un valor que indique ausencia de la caracterstica que se
mide.
127
Estadstica
Ejemplo 5.8. El tiempo en el calendario actual es medido de esta forma. Para ilustrar este
tipo de escala fijemonos en el acontecimiento de tres eventos A, B y C, en el calendario
actual, como se muestra a continuacion:
A.C.
A
100
B
200
300
400
C
500
Es inexacto afirmar que el tiempo transcurrido hasta B sea el doble del transcurrido hasta A,
en efecto, esto puede parecer cierto en esta escala del calendario gregoriano, donde el origen,
al no existir naturalmente, ha sido fijado arbitrariamente, es decir, no significa ausencia de
tiempo transcurrido. Sin embargo, s es cierto que la diferencia entre el tiempo transcurrido
hasta el acontecimiento A y el transcurrido hasta B, es la tercera parte de la correspondiente
diferencia existente entre B y C.
Observaci
on 5.2. Si dos escalas de intervalo son equivalentes, es decir, son u
tiles para medir
la misma caracterstica, la relacion existente entre una medicion, X, cualquiera, obtenida
para un elemento de la poblacion; e Y , la correspondiente medicion en el mismo elemento,
pero con la otra escala es:
Y = a + bX
Siendo a y b constantes independientes del objeto que se mide con ambas escalas. Esto es as,
pues b representa el posible cambio de unidad, por ejemplo de a
nos a siglos, y a representa
el posible cambio de origen.
5.3.4. Escala de raz

on
Aqu, los propios n
umeros asignados en la medicion ya representan cantidades de la
caracterstica que se mide. Estas escalas se caracterizan, no solo por tener una unidad de
medida; sino tambien por poseer un cero u origen natural, el cual significa ausencia de la
caracterstica que se mide. Por esta razon, las proporciones entre los propios n
umeros ya
representan cantidades y de all el nombre de escala de razon.
Ejemplo 5.9. Los ingresos del elector se miden con este nivel o escala, pues existe una
unidad de medida (soles, dolares, etc.) y existe un cero absoluto u origen natural, es decir,
un valor que, sin importar la escala de razon empleada, indica ausencia de ingresos. Por la
misma razon, el n
umero de integrantes de la familia del elector, tambien se mide con este
nivel, en efecto, hay una unidad de medida (unidades, decenas, etc) y el cero es u
nico, indica
que no hay integrantes.
Observaci
on 5.3. Si dos escalas de razon poseen equivalencia, es decir, son u
tiles para medir
la misma caracterstica, existira una relacion entre una medicion, X, cualquiera, obtenida
128
129
para un elemento de la poblacion, e Y , la correspondiente medicion en el mismo elemento,

pero con la otra escala. La relacion existente entre ambas es:
Y = bX
Siendo b una constante independiente del objeto sobre el que se mide con ambas escalas.
Esto es as, pues b representa el posible cambio de unidad, por ejemplo de a
nos a siglos o,
de soles a dolares, o de unidades a decenas.
5.4. Organizaci
on y tratamiento de datos. Promedios y
percentiles
A fin de poder detectar patrones de tendencia que puedan mostrar los datos disponibles, es
usual organizarlos en una distribucion de frecuencias, agrupandolos en clases y determinando
las frecuencias, es decir, el n
umero o proporcion de datos correspondiente a cada una. Como
veremos a continuacion, el tratamiento depende del tipo de variable, pero vale la pena se
nalar
que no existe una u
nica manera de hacerlo. En todos los casos, suponemos que X es la variable
de la cual se han obtenido los n datos disponibles.
5.4.1. Caso de variables cualitativas

Ejemplo 5.10. El tipo de credito directo otorgado por la banca m
ultiple es una variable
cualitativa de interes en la supervision de la banca. Supongamos que se desea averiguar como
se han distribuido los creditos otorgados seg
un el tipo, esta informacion la podemos obtener
de la pagina web de la superintendencia de banca y seguros. As, la tabla siguiente muestra
la distribucion de esta variable al 31 de mayo de 2003:
Distribucion del Tipo de Credito
Concedido por la Banca M
ultiple
Tipo de Credito
N
umero de deudores Porcentaje de deudores
Hipotecario Para Vivienda
38 761
2,5
Comercial y a Microempresa
237 882
15
De Consumo
1 303 561
82,5
La distribucion de frecuencias se representa mediante barras o mediante sectores circulares,
en ambos casos los tama
nos son proporcionales a la frecuencia del valor que representa.
Ejemplo 5.11. La distribucion del ejemplo anterior puede representarse mediante barras o
sectores circulares como se muestra a continuacion:
129
Estadstica
Distribucion de los deudores seg

un el tipo de credito adquirido. Panel izquierdo: grafico de barras.
Panel derecho: grafico de sectores circulares
Apreciamos claramente que la mayor parte de los creditos concedidos son de consumo, con un
82,5 % del total de creditos asignados, sigue el tipo de credito comercial y a microempresas
(con el 15 %), y el tipo de credito menos otorgado es el hipotecario con solo un 2,5 %.
Al valor de la variable que se presenta con mayor frecuencia se de denomina moda, entonces,
podemos decir que la moda del tipo de credito otorgado es el tipo de consumo.
5.4.2. Caso de variables cuantitativas discretas

Ejemplo 5.12. A fin de estudiar el n
umero de sucursales que tienen las empresas de cierto
ramo de la produccion nacional, se tomo una muestra de 80 estas empresas y se conto el
n
umero de sucursales que tena cada una, obteniendose los resultados siguientes:
2
5
4
4
5
4
5
7
4
4
6
6
4
5
4
4
5
4
5
6
4
3
5
4
4
4
4
5
6
5
5
4
4
2
3
4
4
4
4
1
6
6
3
4
4
5
6
5
5
4
4
3
4
5
4
5
4
4
3
4
7
4
5
Estos datos se organizan en una distribucion de frecuencia como sigue:

Distribucion del
n
umero de sucursales
Sucursales
X
Empresas
f
Acumulado
F
10
40
50
20
70
78
80
130
5
4
4
2
4
4
4
4
5
4
5
2
5
4
4
4
6
131
Una representacion grafica de esta distribucion es la siguiente:
Puede apreciarse que el n

umero de sucursales tiende a concentrarse alrededor de 4, es decir,
la tendencia es hacia la centralizacion, pues, existe un valor valor central que sobresale en
frecuencia y alrededor de este se distribuyen los demas valores los cuales van disminuyendo
en frecuencia conforme se distancian del valor central. En este caso es facil encontrar un valor
promedio, es decir, uno que represente a la mayor parte de los datos (el termino medio).
Una medida de este valor central es, por ejemplo, la moda, 4 sucursales, o la media aritmetica:
n
P
=
X
xj
j=1
346
1(1) + 2(4) + ... + 7(2)
=
= 4, 325.
80
80
Las estadsticas mas usadas para determinar un valor promedio son la media aritmetica, la
moda y la mediana. La mediana, me , es el valor que ocupa la posicion central cuando los
datos se ordenan, por lo tanto este valor tiene la propiedad que la mitad de los datos son
menores o iguales que el. En el u
ltimo ejemplo, la mediana es 4, es decir, la mitad de las
empresas tienen 4 sucursales o menos.
El promedio es entonces un valor medio, en el sentido que se parece a muchos de los
datos, as, puede ser usado para representarlos. Sin duda el promedio es la estadstica mas
importante, pues da una idea general de los valores de los datos.
5.4.3. Caso de variables cuantitativas continuas

En este caso, los datos se agrupan en k intervalos de igual longitud o amplitud, C, luego se
determinan las frecuencias de los intervalos. Tambien se acostumbra definir el representante
o marca de clase de cada intervalo, como el punto medio del intervalo, este servira para
aproximar a todos los datos que se encuentren en dicho intervalo.
Ejemplo 5.13. En un cajero automatico se midio el tiempo de las transacciones de cada
uno de 25 clientes, de una muestra aleatoria. Se obtuvo en minutos:
0,19
1,61
1,39
3,76
2,16
0,96
1,23
1,94
0,75
1,65
2,59
4,75
1,40
1,59
131
0,02
0,47
0,71
2,01
2,41
0,82
3,53
0,92
1,17
3,07
1,16
Estadstica
Obtengamos primero las estadsticas usadas para determinar un promedio, las cuales se
complementaran con los patrones de tendencia que se puedan detectar al organizar los datos
en una distribucion de frecuencias, y mas adelante veremos otras estadsticas que serviran
para cuantificar la variabilidad existente entre los datos y, de este modo, verificar la idoneidad
= (x1 + x2 + . . . + x25 )/25 =
de tales promedios. As, la media aritmetica resulta: X
42, 26/25 = 1, 6904, entonces, seg
un este resultado, el tiempo promedio para efectuar las
transacciones es de 1,6904 min ; sin embargo, esto no es suficiente para garantizar que
realmente este valor sea un buen promedio. Estos datos no tienen una moda, pues no existe
uno que se repita mas. La mediana de estos datos es el que ocupa la posicion central (en
este caso la decimotercera), es decir, 1,4, as, tenemos que el 50 % de los clientes demoro 1,4
min o menos. Este u
ltimo valor tambien puede tomarse como promedio, pero, como ya se
menciono, debe verificarse que realmente cumpla este rol.
Ahora pasemos a la deteccion de los posibles patrones de tendencia, para este fin
construyamos una distribucion de frecuencias con k = 6 intervalos de igual longitud. Los
datos extremos son: x(1) = 0, 02 y x(25) = 4, 75. Luego, el rango es R = 4, 75 0, 02 = 4, 73.
As, la longitud de cada uno de los k = 6 intervalos sera C = 4, 73/6 = C = 0, 78833..., pero
como no sale un valor exacto, es necesario redondear. En este caso, podemos redondear a
2 decimales (pues los datos solo tienen dos decimales, as, no vale la pena considerar mas),
claramente el redondeo debe ser por exceso (hacia arriba), pues de otro modo el mayor
dato quedara fuera. Tomamos C = 0, 79. El primer intervalo comenzara en x(1) = 0, 02 y
terminara en x(1) + C = 0, 02 + 0, 79 = 0, 81, el segundo empezara en 0, 81 y terminara
en 0, 81 + C = 1, 60; y as sucesivamente, hasta haber completado los k = 6 intervalos. Con
estos intervalos se obtiene la tabla, todava incompleta, de la forma siguiente:
Tiempo
Marca
Frecuencia
[0, 02; 0, 81]

]0, 81; 1, 60]
]1, 60; 2, 39]
]2, 39; 3, 18]
]3, 18; 3,97]
]3, 97; 4, 76]
Ahora, se distribuyen los datos uno por uno. Al final, se habra completado la tabla de
frecuencias siguiente:
Tiempo
Marca
[0, 02; 0, 81]
]0, 81; 1, 60]
]1, 60; 2, 39]
]2, 39; 3, 18]
]3, 18; 3,97]
]3, 97; 4, 76]
132
Frecuencia
133
Las otras partes de la tabla son las siguientes: xj = marca de clase del intervalo j (punto
medio del intervalo j); Fj = frecuencia acumulada hasta el intervalo j; h = f /n y H = F/n.
Con estas completamos la tabla de la distribucion de frecuencias
Distribucion de los tiempos necesarios
Tiempo
(minutos)
Marca
X
Frecuencia
f
Frecuencia
acumulada
Frecuencia
relativa
Frecuencia
acumulada relativa
[0, 02; 0, 81]
0, 415
0, 20
0, 20
]0, 81; 1, 60]
1, 205
14
0, 36
0, 56
]1, 60; 2, 39]
1, 995
19
0, 20
0, 76
]2, 39; 3, 18]
2, 785
22
0, 12
0, 88
]3, 18; 3,97]
3, 575
24
0, 08
0,96
]3, 97; 4, 76]
4, 365
25
0, 04
1, 00
Podemos representar la distribucion de frecuencias con el histograma o el polgono de

frecuencias. El histograma es una representacion con barras de altura proporcionales a la
frecuencia del intervalo que representa. El polgono se obtiene uniendo, con lneas continuas,
cada punto con una abscisa igual a la marca de clase de un intervalo y ordenada igual a la
frecuencia de dicho intervalo. Existen otras graficas, como la gr
afica de caja. A continuacion
se presentan estos dos graficos para nuestro ejemplo anterior:
Distribuci
on de los tiempos para realizar las transacciones. Panel izquierdo: histograma. Panel
derecho: polgono
En cualquiera de estas graficas apreciamos los patrones de tendencia que muestran los datos.
Podemos empezar por mencionar lo evidente, la variacion natural de los datos, es decir, no
todos los clientes necesitan el mismo tiempo, los valores correspondientes estan entre 0,02
y 4,75 min. Tambien se puede apreciar claramente que los tiempos necesarios, para que
los clientes efect
uen sus transacciones, tienden a distribuirse alrededor del intervalo entre
0,81 y 1,6, el cual sobresale en frecuencia y conforme consideramos tiempos con valores que
se alejan de este intervalo, son menos los clientes que necesitan de este tiempo, es decir,
se distingue un patron de centralizacion, como es razonable. Por lo observado, la media y
mediana s cumplen el papel de promedio, y algo mejor la mediana por estar en el intervalo
central. Ademas, existen unos pocos clientes cuyos tiempos necesarios son muy grandes en
comparacion con los otros, es decir, existe una asimetra o sesgo hacia valores altos.
133
Estadstica
Ahora, representaremos las frecuencias acumuladas mediante la ojiva de frecuencias, usando

tambien los datos de nuestro ejemplo anterior:
Figura 5.1: Ojiva de la distribucion de los tiempos para realizar las transacciones
Esta grafica es de utilidad cuando, por ejemplo, queremos determinar ubicaciones relativas
en la distribucion, como lo ilustra el ejemplo siguiente.
Ejemplo 5.14. Al banco le interesa saber, entre otros detalles, si necesita dar mas
recomendaciones en cuanto al uso del cajero para bienestar de todos los clientes. As, no
solo le interesa que los tiempos necesarios tiendan a centralizarse alrededor de un valor
razonable; sino tambien que no exista un sesgo indicativo de posible malestar en los clientes
que podran estar esperando su turno, por mucho tiempo. En ese sentido, el banco considera
un grupo de clientes crtico, este lo integran aquellos que necesitan de mayores tiempos y
que constituyen la cuarta parte de los clientes. A partir de que tiempo un cliente, de la
muestra, ya es considerado dentro del grupo referido?
Ya hemos hablado sobre el patron de tendencia a la centralizacion. Ahora, para obtener el
valor del tiempo a partir del cual un cliente estara dentro del grupo crtico, basta observar
en la ojiva anterior, el porcentaje acumulado de 75 %, pues, si este grupo de mayores tiempos
constituyen una cuarta parte o 25 %, entonces, las otras tres cuartas partes o 75 % (y cuyos
tiempos correspondientes son inferiores) estan fuera del grupo. As, es claro que el valor
buscado, x, debe ser tal que le corresponda un porcentaje acumulado igual a 75 %, es decir,
H(x) = 0, 75. De aqu la solucion es simple, basta ordenar los datos para descubrir dicho
valor, es decir, 2,16 minutos.
Supongamos ahora que se deseara resolver el problema, pero la poblacion completa de
clientes. Claramente la solucion es compleja, casi inviable, por eso podemos recurrir a una
solucion estadstica, hacer una inferencia a partir de los datos de la muestra disponible,
entonces, el valor obtenido en la muestra es solo una estimacion, es decir, podemos decir, que
2,16 es el tiempo estimado, sin embargo para que esto sea realmente una inferencia estadstica
habra que cuantificar el error de estimacion y el correspondiente nivel de confianza en esta,
esto sera visto posteriormente.
134
135
El problema anterior tambien puede resolverse desde un punto de vista probabilstico, para
esto basta obtener un modelo que describa las frecuencias relativas de los tiempos necesarios
mas adelante nos ocuparemos del estudio de modelos de esta naturaleza, podemos
considerar uno muy simple a partir de los datos de la muestra, es decir, una funcion H
cuya grafica corresponde a la ojiva dada anteriormente, as, de all observamos (o incluso
simplemente de la tabla de la distribucion) que el valor buscado, x, esta en el tercer intervalo,
es decir, x ]1, 60; 2, 39], luego, concentrando nuestra atencion en este intervalo, obtenemos:
x = 2,3505. Lo anterior se ilustra a continuacion:
Determinacion de un percentil a partir de la ojiva
Con esta funcion podemos averiguar, bajo un enfoque probabilstico, todo lo relacionado
con esta variable (el tiempo necesario para realizar las transacciones en el cajero), como por
ejemplo el tiempo promedio necesario, de esto nos ocuparemos en el captulo de probabilidad.
El ejemplo anterior tambien motiva la definicion siguiente.
Definici
on 5.7. Si K es un n
umero entre 0 y 100, el percentil K es el valor de los datos
que tiene la propiedad de que el K % de las observaciones es menor o igual que el. Podemos
denotarlo por PK . As, H(PK ) = k / 100 o, equivalentemente, F (PK ) = nk / 100, siendo n
el n
umero total de observaciones.
Observaci
on 5.4. Notese que el percentil es una medida de posici
on o ubicaci
on
relativa dentro del grupo de observaciones. Un ejemplo muy familiar para todos nosotros
lo encontramos en la universidad cuando se habla del tercio superior o, a veces, hasta del
quinto superior; el primer grupo corresponde a los alumnos con un promedio ponderado
de notas de por lo menos igual al P66,66 ; y el segundo grupo esta integrado por los alumnos
cuyo promedio ponderado de notas sea por lo menos igual al P80 . Estas medidas son de suma
utilidad cuando queremos comparar datos medidos en diferentes unidades.
135
Estadstica
Ejemplo 5.15. Cuando usted, como es de esperarse, termine satisfactoriamente sus estudios
o, haya completado buena parte de ellos, querra empezar a trabajar o, tal vez, querra salir
al extranjero para realizar un pos grado; entonces, tendra que preparar su curriculum vitae,
ademas, probablemente tenga que rendir un examen de suficiencia en el idioma ingles y
tambien le tendran que elaborar algunas cartas de recomendacion. Para lo del ingles, lo
que importara sera su ubicacion relativa o, percentil, dentro de las notas de dicho examen;
mientras que para la carta de recomendacion, sera de suma importancia su percentil dentro
del grupo de notas de los alumnos de la universidad.
Definici
on 5.8. Gr
afica de caja: es una grafica que se obtiene con los percentiles 25, 50
y 75, junto con el menor y mayor valor de los datos. Se obtiene as un buen resumen de los
datos.
A continuacion hagamos la grafica de caja que corresponde a los datos del ejemplo 5.13,
correspondientes a los tiempos necesarios para realizar una transaccion en un cajero
automatico. Las estadsticas necesarias las presentamos en la tabla siguiente:
Tiempo necesario
Mnimo
Maximo
Percentil 25
Percentil 75
Percentil 50
(min)
0,02
4,75
0,92
2,16
1,4
Figura 5.2: Grafica de caja de la distribucion de los tiempos para realizar las transacciones
En esta grafica se puede apreciar que los tiempos necesarios para realizar las transacciones
varan entre 0,02 min y 4,75 min, mientras que el 50 % de las tiempos centrales esta entre
0,92 min y 2,16 min, esto da un rango medio de 2,48 min . Un promedio para estos tiempos
puede ser 1,4 min .
Observaci
on 5.5. Una vez mas destacamos que la distribucion de los datos tiene por
finalidad primordial detectar patrones de tendencia que muestren estos datos y en particular
proponer, a partir de estos patrones, modelos para describir no solo la muestra de datos
disponibles, sino a la poblacion entera de la que provienen estos. Las estadsticas (res
umenes)
de una muestra de datos disponible (media, moda, mediana, etc.) se obtienen directamente
con los propios datos, sin necesidad de la distribucion de frecuencias.
136
137
5.5. Propiedades y uso de los promedios

La importancia del promedio se debe a que muchas veces necesitamos saber como son
los datos en general y esto resulta mas importante que las particularidades de cada uno. A
continuacion damos algunas observaciones y propiedades de los promedios ya definidos, no
sin antes incidir una vez mas que la media aritmetica no es la u
nica forma de obtener un
promedio, es la mas conocida, pues, generalmente es la mejor, pero no siempre lo es.
1. La moda se puede calcular y tendra significado en terminos de la variable medida,
incluso con escalas nominales. Para la mediana esto sucede a partir de escalas ordinales.
Para la media con escalas de razon y hasta con las de intervalo.
2. La moda y la mediana presentan dificultades en su calculo. Puede ocurrir que ninguno
de los datos sobresalga en frecuencia, en este caso no existe la moda o, a veces, se admite
la existencia de una o dos modas. Si el n
umero de datos es par, existiran dos de ellos
que ocuparan las posiciones centrales al ser ordenados, si estos dos son iguales, no hay
ning
un problema; pero si no lo son, dos reglas son muy usadas: la primera consiste en
tomar el de menor valor, la cual es muy u
til incluso con escalas ordinales simplemente;
y la segunda, valida para escalas de intervalo o de razon, consiste en tomar la media
aritmetica de los dos valores centrales.
3. De estos tres promedios, solo la media es proporcional a la suma total de las
n
X
As, solo la media debera usarse para
observaciones. Y se tiene que:
xj = nX.
j=1
este fin.
4. En el caso de variables cuantitativas, la media aritmetica es el promedio mas usado,
esto se debe a que tiene mejores propiedades y es mas adecuado para la inferencia
estadstica, pues produce generalmente mejores estimaciones. Sin embargo, como
medida del promedio, la principal desventaja de la media es que se ve afectada por
la presencia de asimetra o valores extremos no compensados, desplazandose en esa
direccion. A continuacion se ilustra esto graficamente para el caso de una distribucion
correspondiente a una variable cuantitativa continua con tendencia a la centralizacion:
El ejemplo 5.13 ilustra la situacion de asimetra hacia la derecha, razon por cual la
media resulta un poco mayor que la mediana.
137
Estadstica
5. La media aritmetica es el u
nico punto de equilibrio, compensa los valores de a su
izquierda con los de su derecha. Se cumple que:
n
n
X
X
= 0 y si
(xj X)
(xj x) = 0, entonces, x = X.
j=1
j=1
6. Considerando la distancia euclidiana, la media aritmetica es el punto que mas cerca

esta de todos los datos en general, es decir, para cualquier n
umero real x se cumple
que:
n
n
X
X
2
(xj X)
(xj x)2 .
j=1
j=1
La propiedad anterior tambien se enuncia diciendo que la media aritmetica es el valor

que tiene la propiedad de minimizar la suma de los cuadrados de las desviaciones de
los datos respecto a el.
7. Considerando la distancia valor absoluto, la mediana es el punto que mas cerca esta de
todos los datos en general, es decir, para cualquier n
umero real x se cumple que:
n
X
| xj M e |
j=1
n
X
| xj x |.
j=1
La propiedad anterior tambien se enuncia diciendo que la mediana es el valor que tiene
la propiedad de minimizar la suma de los valores absolutos de las desviaciones de los
datos respecto a el.
8. Para cualesquiera a y b, que se fijen, si hacemos que cada dato xj , se transforme en:
yj = a + bxj ,
entonces, la media aritmetica resultante de estos datos, as transformados, tambien
satisface dicha relacion, es decir,
Y = a + bX.
Esta propiedad nos dice como vara la media aritmetica ante cambios en la unidad de
medida o del origen de la escala.
Ahora veamos las principales medidas de dispersion, la tendencia natural de los datos a
diferenciarse entre ellos.
5.6. Medidas de dispersi

on
La tendencia a la dispersion es la tendencia mas natural en los datos, sin ella no existiran
problemas que resolver y significa la tendencia que tienen los datos a diferenciarse entre ellos,
a ser menos homogeneos y mas heterogeneos, a estar mas dispersos.
138
139
El Rango es la diferencia entre los dos valores mas extremos, es decir, entre el mayor y el
menor de los datos. Lo podemos denotar por R. As, si como ya fue indicado antes, x(1) es
el menor valor y x(n) es el mayor, se tiene que:
R = x(n) x(1)
Claramente es una medida muy imprecisa, como se ilustra en el ejemplo siguiente.
Ejemplo 5.16. Dadas las series de datos siguientes:
= Me = Mo
Datos
R X
Serie 1 : 15 20 20 20 25
10
20
Serie 2 : 195 200 200 200 200 200 200 200 205 10
200
En cual de las series dira usted que los datos estan menos dispersos?
La respuesta es en la segunda, pues puede apreciarse en ella que hay mayor cantidad de
datos parecidos a su promedio. El rango es una medida muy imprecisa. Solo cuando el rango
sea peque
no, tendremos razones para pensar que no haya mucha dispersion.
El rango intercuartil Es la diferencia existente entre los percentiles 75 y 25. Lo podemos
denotar por RI. As:
RI = P75 P25 .
Esta medida refina al rango, pues ya no considera los dos valores mas extremos; sino a los
cuartos superior e inferior, es decir, descarta los datos que queden fuera del intervalo formado
por estos percentiles y se queda solo con el 50 % restante, o sea, el 50 % central.
La desviaci
on est
andar Se la define como una distancia promedio de los datos respecto
a su media. Esto es, si la denotamos por S, tenemos que:
v
uP
u n
2
u (xj X)
t j=1
S=
.
n
En esta formula, la raz cuadrada permite que esta medida se exprese en las mismas unidades
de los datos.
Si no se dividiera por n, se tendra exactamente la distancia euclidiana entre los puntos de
. . . , X),
entonces esta medida es una distancia promedio de los
Rn : (x1 , . . . , xn ) y (X,
datos a su media. Cuanto mas grande sea este valor, mas heterogeneos seran los datos; y
cuanto mas peque
no sea este valor, mas homogeneos lo seran.
Esta estadstica es la medida de dispersion mas usada, por razones similares a las que hacen
de la media la medida de resumen o promedio mas usada, y naturalmente tambien presenta
dificultades cuando existe asimetra.
139
Estadstica
La varianza es el cuadrado de la desviacion estandar, por eso se la denota por S 2 .

El coeficiente de variaci
on Se le define como la proporcion que representa el valor de la
desviacion estandar respecto al de la media. Se lo denota por CV. As:
S
CV = .
X
Al carecer de unidades, se le suele usar para comparar la dispersion existente entre dos
grupos de datos cuyas unidades no sean comparables, o cuyos promedios est
en
muy distanciados por corresponder a distintas poblaciones.
Ejemplo 5.17. Veamos lo que ocurre con los datos del ejemplo 5.12. Aprovechemos para
obtener las principales estadsticas de estos datos con ayuda del Excel, el cual tiene los
procedimientos estadsticos en la opcion del men
u de Herramientas llamada Analisis de
datos (si esta opcion no estuviera activada se puede hacerlo en los Complementos del
men
u de Herramientas). En la opcion Analisis de datos se pide el procedimiento Estadstica
descriptiva, as, la secuencia anterior es:
Herramientas Analisis de datos Estadstica descriptiva.
Al procedimiento Estadstica Descriptiva se le solicita el resumen de estadsticas y para
que este incluya los percentiles 75 y 25 se indica el k-esimo mayor y el k-esimo menor
correspondientes, en este caso como son 80 datos, estos corresponden al vigesimo mayor y
vigesimo menor, respectivamente (la cuarta parte de 80 es 20). As obtenemos, entre otras,
las estadsticas siguientes:
N
umero de sucursales
Media
4,325
Error tpico
0,1204
Mediana
4
Moda
4
Desviacion estandar
1,077
Varianza de la muestra
1,1589
Curtosis
1,1995
Coeficiente de asimetra -0,1874
Rango
6
Mnimo
1
Maximo
7
Suma
346
Cuenta
80
Mayor (20)
5
Menor(20)
4
Nivel de confianza(95 %) 0,2396
140
141
Como ya hemos visto los datos estan alrededor de 4. Vemos que el rango es 6, mientras
que el rango intercuartil es P75 P25 = 5 4 = 1 este u
ltimo indica que no es muy
grande la dispersion en el n
umero de sucursales, al igual que la desviacion estandar que
es 1,077, si queremos precisar mejor cuan grande son estas medidas de dispersion hay que
compararlas con la magnitud promedio de los datos, as apreciamos que es relativamente
baja la dispersion. Entonces, por lo visto hasta ahora sobre estos datos, concluimos que el
n
umero promedio de sucursales es 4 y es relativamente peque
na la variabilidad.
Ejemplo 5.18. En el ejemplo 5.13 la media, mediana, desviacion estandar y rango
intercuartil son respectivamente 1,6904; 1,4; 1,1289 y 1,24. As, con los patrones de tendencia
observados y las estadsticas anteriores, concluimos que en promedio los clientes tardan 1,4
minutos y la variabilidad promedio es de 1,2 minutos.
5.6.1. Propiedades de la desviaci

on est
andar
1. Se verifica la formula siguiente, llamada formula de calculo para la varianza:
n
P
S2 =
n
P
2
x2j nX
j=1
x2j
j=1
2.
X
2. Para cualesquiera a y b, que se fijen, si hacemos que cada dato xj , se transforma en:
yj = a + bxj ,
entonces, la varianza resultante de estos datos as transformados satisface:
2
SY2 = b2 SX
Y si b es positivo: SY = bSX .
3. Desigualdad de Chebychev Para cualquier n
umero K > 0, la proporcion de datos
KS y X
+ KS, es por lo menos igual
que caen dentro del intervalo de extremos X
a 1 1 / K 2.
3S y X
+ 3S, se encuentran por lo
Esta propiedad permite establecer que entre X
menos 8/9 de los datos, es decir, el 88,89 % (aproximadamente). De aqu que mientras
mas disten los datos respecto a su media, menos frecuentes seran.
Lo discutido al final tambien motiva, en parte, la definicion siguiente, relacionada con
la ubicacion relativa de un dato respecto a la media de su grupo.
141
Estadstica
5.7. Datos tipificados o estandarizados

y la desviacion estandar es SX , entonces el valor
Si en un grupo de datos, la media es X
tipificado de xj , se lo denota por zj y se le define como:
zj =
xj X
.
SX
As, el dato tipificado, no es mas que su distancia respecto a la media del grupo; pero
expresada en terminos de la desviacion estandar. Especficamente, el signo del dato,
as tipificado, indica si el dato esta por debajo o por encima de la media del grupo; y la
magnitud, en valor absoluto, indica cuan alejado esta en terminos del alejamiento promedio
de los datos (la desviacion estandar). Tambien es claro que al pasar los datos a esta escala,
es decir aplicando tal formula de transformacion, los datos as obtenidos preservan el orden
original.
Ademas de lo mencionado antes, lo mas importante es que al transformar as los datos,
sin que importe cual sea la media y desviacion estandar de los datos originales, los valores
resultantes tienen una media igual a cero y una desviaci
on est
andar igual a 1, de all el
nombre de estandarizados. Esto u
ltimo y el hecho que el orden se preserve al transformar
as los datos, hace que esta transformacion sea de utilidad, por ejemplo, cuando se quiere
comparar dos datos provenientes de grupos con medias muy diferentes, o si corresponden a
mediciones efectuadas en distintas escalas.
Observaci
on 5.6. La forma anterior no es la u
nica utilizada para estandarizar, existen otras
como la puntuaci
on T , para la cual la media es 50 y la desviacion estandar 10, no es difcil
verificar que la formula para este caso es la siguiente:

xj X
10.
T = 50 +
SX
Esta es la formula que se utiliza para estandarizar las notas en nuestra universidad, antes
de obtener el coeficiente de rendimiento estandarizado (CRAEST).
La deduccion de esta formula es la siguiente:
Si X es la variable original, deseamos efectuar una transformacion simple de ella: Y = a+bX,
con b > 0 (para conservar el orden original de los valores de X), de modo que la media y
desviacion estandar resultantes sean 50 y 10, respectivamente. Entonces, por la propiedad 8
de la media y la propiedad 2 de la desviacion estandar, a y b deben satisfacer las ecuaciones
siguientes:
= 50
a + bX
b SX = 10.

10
10
10
10
xj X
entonces, b =
y a = 50
X. As, Y = 50
X+
X = 50 +
10.
SX
SX
SX
SX
SX
142
143
Resulta claro que al efectuar esta transformacion el orden de merito de los alumnos en un
determinado curso, establecido por la nota final (x), se mantiene al hacerlo con las notas
estandarizadas (T ), pero con la diferencia que ahora la media es 50 y la desviacion estandar
10, lo que facilita la comparacion del rendimiento de dos alumnos de diferentes facultades.
Tambien se puede notar que si el promedio ponderado de un alumno esta por debajo de la
entonces su CRAEST sera menor que 50; pero si su
media de su facultad (esto es x < X),
entonces su craest
promedio esta por arriba de la media de su facultad (esto es x > X),
sera mayor que 50.
Observaci
on 5.7. En general, si se quiere una media Y = y y una desviacion estandar
SY = sY , la formula de transformacion es:

xj X
sy
Y = y +
SX
5.8. Diagrama de hojas y tallos

Este diagrama es una alternativa a la distribucion de frecuencias, para la tarea de analizar
los datos. En esta grafica cada dato se divide en dos partes: su tallo y sus hojas.
Ejemplo, a continuacion tenemos 21 datos:
72 71 65 54 78 85
63 61 51 77 85 83 63
55 57 73 73 68 73 75
77
73 75 77 77 78 83 85
85
Primero ordenamos los datos de menor a mayor:

51 54 55 57 61 63
63 65 68 71 72 73 73
Observamos que el menor dato es 51 y el mayor 85. Para cada dato, podemos tomar la cifra
de las decenas como tallo, entonces, la otra sera la hoja. As, por ejemplo, para el dato 51: su
tallo es 5, su hoja 1. Tenemos, entonces, colocamos los tallos en una columna, como sigue:
5
6
7
8
Luego escribimos cada hoja junto a su tallo:
5
6
7
8
1
1
1
3
4
3
2
5
5 7
3 5 8
3 3 5 7 7 8
5
143
Estadstica
5.9. Ejercicios Resueltos

Ejercicio 5.1.
Muestre dos grupos de datos para verificar que el rango es una medida de dispersion muy
imprecisa.
Soluci
on: Dadas las series de datos siguientes:
Serie 1:
Serie 2:
195
15
200
20
200
20
200
20
205
20
20
20
20
20
20
25
En ambas series el rango es 10; pero en la segunda hay mayor cantidad de datos parecidos
entre s.
Ejercicio 5.2.
Muestre una serie de datos para los que no exista un promedio o termino medio.
Soluci
on: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 18, 19, 20, 21, 22, 23.
No existe una estadstica que sirva de termino medio, es decir, los datos no se parecen a un
valor en particular.
Ejercicio 5.3.
En una compa
na la media aritmetica de los sueldos es de S/. 2 500. Se proponen dos
alternativas de aumento, en la primera se propone incrementar a todos los empleados S/.
600; mientras que, en la segunda un aumento del 5 % mas una bonificacion de S/. 200. Cual
de las dos alternativas le representara mas gasto a la compa
na?
Soluci
on: Para responder la pregunta, basta comparar las medias bajo cada alternativa,
pues la media es proporcional a la suma total. Veamos entonces como cambia la media con
cada alternativa:
Seg
un la primera alternativa, cada sueldo xj se transforma en yj = 600 + xj . As, por la
= 600 + 2500 = S/. 3 100.
propiedad 8 de la media, resulta una media Y = 600 + X
Para la segunda alternativa, cada sueldo xj se transforma en tj = xj + 0, 05 xj + 200 =
200 + 1, 05 xj . Nuevamente, por la propiedad anterior, resulta que la media bajo esta
= 200 + (1, 05)2500 = S/. 2 825.
alternativa es T = 200 + 1, 05X
As, la primera alternativa le representara mas gasto a la compa
na.
144
145
Ejercicio 5.4.
A fin de tomar diferentes decisiones sobre el tiempo que permanece inactivo un sistema de
informacion durante un da, se le solicita a usted el valor promedio y el tiempo total de
inactividad en un perodo de 60 das. Suponga que solo se tiene la informacion siguiente
sobre los tiempos registrados para cada uno de los das de este perodo:
Mediana = 6 000 s; Media = 8 500 s .
Proporcione lo solicitado. Si fuera el caso, mencione la informacion que se requiera para una
mejor respuesta.
Soluci
on: Sean x1 . . . x60 los tiempos de inactividad correspondientes a los 60 das de este
60
P
= 60 8 500 = 510 000.
perodo. Entonces, el tiempo total de inactividad es
xj = 60 X
j=1
Pero para dar una respuesta apropiada para el tiempo promedio de inactividad, se requiere
mayor informacion. Podramos optar por la mediana, pensando que si este valor difiere de la
media, probablemente se deba a que en algunos das el tiempo de inactividad es muy grande;
pero incluso podra ser que no se pueda encontrar un buen promedio o termino medio para
los tiempos registrados.
Ejercicio 5.5.
A fin de mejorar el rendimiento de los alumnos, en un curso de estadstica, los alumnos fueron
separados en dos grupos, al primero le fue dado un curso con herramientas computacionales
modernas, al segundo un curso tradicional sin las herramientas computacionales. Al cabo
del curso ambos grupos fueron evaluados con una misma prueba, las notas correspondientes
fueron procesados con el Excel, obteniendose las distribuciones de frecuencias siguientes:
Con herramientas computacionales
Notas
Alumnos
9
1
10
4
11
2
12
3
13
10
14
10
15
7
16
8
17
4
18
1
145
Sin herramientas computacionales

Notas
Alumnos
9
4
10
7
11
12
12
9
13
10
14
3
15
3
16
2
Estadstica
a) Obtenga e interprete las estadsticas descriptivas que resumen los datos.

b) Represente cada distribucion con su respectiva grafica de caja de modo que se muestre
la conclusion al problema formulado. Comente al respecto.
Soluci
on:
a) Estadsticas importantes:
Estadstica
Con
Cuenta
50
Media
13,92
Mediana
14
Moda
13 y 14
Desviacion estandar 2,1174
Mnimo
9
Maximo
18
Rango
9
Percentil 75
16
Percentil 25
13
Rango medio
3
Sin
50
11,9
12
11
1,7871
9
16
7
13
11
2
Fueron evaluados 50 alumnos con cada prueba.

La nota promedio (media) fue 13,92, cuando se usaron herramientas computacionales,
y 11,9 cuando no se usaron dichas herramientas.
El 50 % de los alumnos tuvo una nota menor o igual que 14, cuando se usaron
herramientas computacionales, y menor o igual que 12, cuando no se usaron.
La mayora de los alumnos tuvo una igual a 14, cuando se usaron herramientas
computacionales, y 11, cuando no se usaron dichas herramientas.
La diferencia promedio de las notas fue 2,1173, cuando se usaron herramientas
computacionales, y 1,7871, cuando no se usaron dichas herramientas.
La mnima nota fue 9 independientemente del uso de herramientas computacionales;
pero cuando se usaron dichas herramientas la maxima nota fue 18, dos puntos mas que
cuando no fueron usadas. Lo que determina un rango de variacion de las notas de 9 en
el primer caso y de 7 en el segundo.
146
147
El rango de variacion medio de las notas fue 3 puntos, cuando se usaron herramientas
computacionales y 2 cuando no se usaron dichas herramientas.
b) Graficas de cajas:
Figura 5.3: Comparacion de las notas cuando se usan herramientas computacionales

Se concluye que cuando se usaron las herramientas computacionales el promedio de las
notas aumento (aproximadamente dos puntos); sin embargo las notas resultaron algo
mas heterogeneas, pues la variabilidad aumento (aproximadamente un punto).
147
Estadstica

Ejercicio 5.1.
Redacte la conclusion dada en cada una de las partes siguientes, pero seg
un el contexto
respectivo:
a) En un estudio sobre cambios en la conducta de drogadictos, de cierto grupo de personas,
fue registrada la edad (en a
nos) en la cual dichas personas iniciaron el consumo de
drogas. Se concluyo que el 75 % de los datos registrados era mayor que 15.
b) En un estudio sobre cierto sector laboral, se registro el ingreso mensual (en soles) de
cada trabajador. Se concluyo que solo el 10 % de los datos registrados era superior a
3 500.
c) En un estudio acerca de las caractersticas de ciertas ceramicas precolombinas fue
registrado (en centmetros) el diametro central de estas. Se concluyo que el 30 % de los
datos registrados estaba entre 20 cm y 25 cm .
Ejercicio 5.2.
Usando una misma escala, cierta caracterstica ha sido medida sobre tres objetos, A, B y C,
obteniendose los valores 0, 40 y 20, respectivamente.
a) Con esta informacion no se puede asegurar que la escala usada sea ordinal. Justifique
con un ejemplo.
b) Con esta informacion no se puede descartar que la escala usada sea ordinal. Justifique
con un ejemplo.
c) Con una segunda escala, tambien del mismo tipo de la primera, se midio la misma
caracterstica sobre estos objetos y se obtuvieron las mediciones siguientes: 10, 90 y
50, respectivamente. Cual puede ser el nivel de medicion empleado?
d) Suponga que esta caracterstica sea cuantitativa y que la escala usada sea de razon.
De usted una variable que pueda servir como ejemplo y brinde la informacion principal
que proporcionaran dichos valores acerca de ella.
Ejercicio 5.3.
Fue registrada la tolerancia de tres personas, A, B y C, empleando una escala nominal, y se
obtuvo los resultados siguientes:
A
3
B C
5 5
Se puede deducir si una de estas personas es mas tolerante que las otras dos?
148
149
Ejercicio 5.4.
A continuacion se presentan tres series de datos y tres afirmaciones:
Serie 1:
Serie 2:
Serie 3:
1, 2,
39, 40,
3, 3,
4, 6,
40, 40,
4, 4,
6,
40,
5,
6, 6,
40, 40,
5, 6,
8, 10, 11.
40, 40, 40, 40,
6, 7, 7, 8,
40,
8,
40,
9,
41, 70.
9.
Afirmacion 1:
El producto de la mediana y el n
umero de datos
no proporciona una buena idea de la suma total de los datos.
Afirmacion 2: No siempre es facil determinar un valor promedio.
Afirmacion 3: El rango es una medida de dispersion muy imprecisa.
Identifique cada afirmacion con la serie de datos que mejor refleje lo sostenido en ella. Para
la eleccion de cada serie debera indicar la razon por la que descarta las otras.
Ejercicio 5.5.
En una clnica, cada una de dos terapias nuevas (A y B) para la rehabilitacion de pacientes
con depresion se aplico en uno de dos grupos de igual n
umero de pacientes (con caractersticas
similares) que adolecan de este problema, obteniendose las estadsticas siguientes sobre las
horas de terapia aplicadas hasta la recuperacion de los pacientes:
Horas de aplicacion
Estadstica
Terapia A Terapia B
Media
66,5
77,0
Mediana
66,5
63,0
Moda
66,5
63,0
Desviacion estandar
15,5
16,5
Percentil 75
86,0
83,0
Percentil 25
47,0
50,0
a) Si los histogramas de cada muestra de datos mostraron una tendencia a la
centralizacion, determine la terapia que, en general, necesito de un menor tiempo de
aplicacion por paciente.
b) Si el gasto para la clnica, por hora de aplicacion, fue el mismo para cada terapia, la
aplicacion de cual de las terapias significo un menor gasto total para la clnica?
c) Si como criterio para decidir cual de las terapias se deba adoptar se impuso la condicion
de que, a lo mas, el 25 % de los pacientes requieran mas de 85 horas, cual de estas dos
terapias, si existe una, decidira adoptar usted?
149
Estadstica
Ejercicio 5.6.
A continuacion se dan cuatro afirmaciones. Estudie la veracidad de cada una de ellas.
Ademas, si una afirmacion es verdadera proporcione una serie de datos que refleje lo que esta
sostiene; y si considera que la afirmacion es falsa muestre una serie que exhiba lo contrario.
i) Con el promedio de una serie de 10 datos se puede tener cierta idea de la suma total
de los datos, pero no necesariamente la suma exacta.
ii) Para obtener un percentil de una serie de datos, obtenidos de una variable cuantitativa
continua, es necesario construir previamente la distribucion de frecuencias y usar la
ojiva de frecuencias acumuladas.
iii) El rango es una medida de dispersion muy imprecisa.
iv) Si una serie de datos tiene una media distinta a la mediana, entonces, necesariamente
existe un patron de tendencia a la centralizacion con sesgo.
Ejercicio 5.7.
A fin de estudiar la eficiencia de cierto programa, usado para la ubicacion de archivos, se
registro el tiempo que demoro el programa para localizar la posicion de memoria de cincuenta
archivos de caractersticas similares. Se obtuvo los resultados siguientes:
[
]
]
]
]
]
]
]
Tiempo (s)
0,000; 0,125
0,125; 0,250
0,250; 0,375
0,375; 0,500
0,500; 0,625
0,625; 0,750
0,750; 0,875
0,875; 1,000
]
]
]
]
]
]
]
]
Frecuencia relativa
0,04
0,12
0,16
0,18
0,18
0,14
0,12
0,06
a) Una hipotesis sostiene que el tiempo necesario para localizar la posicion de memoria
esta, para la mayora de los archivos, alrededor de medio segundo y conforme el tiempo
se aleje de este valor, se encontraran menos archivos que requeriran de tal tiempo.
Considera que los datos evidencian la validez de esta hipotesis? Comente y justifique
con el apoyo de una grafica conveniente.
x2 x3
b) La funcion G(x) = 6( ), 0 x 1, es una de las funciones usadas para modelar
2
3
(aproximar) la frecuencia relativa acumulada hasta x, cuando 0 x 1. Seg
un esta
funcion, cual sera el valor de la frecuencia que corresponde al cuarto intervalo de la
distribucion de estos datos?
150
151
Ejercicio 5.8.
Se hizo un muestreo aleatorio de 66 comunidades del pas para averiguar el porcentaje de
carencias basicas de las comunidades. Los datos se muestran a continuacion:
87,4
75,2
82,1
82,3
74,8
77,2
75,5
76,6
78
71,9
74,4
75,4
70,6
86,4
83,6
77,1
74,7
67,5
71
65,4
70,9
77,2
78,3
80,8
70,9
74,8
74,5
71,8
83,7
73
75,4
84,5
77
75,2
76,9
71,7
76
76,8
78,5
75,1
81,7
67,7
66,5
76,4
70,5
70,8
78,6
66,6
72,7
70,4
80,8
79,5
81,8
68,2
75,2
71,7
83,8
71,3
80,9
79,6
71,6
75,9
75,3
79
75,9
72,4
A fin de realizar una descripcion estadstica de estos datos, primero se obtuvieron las
principales estadsticas con el Excel:
Porcentaje de Carencias
Media
75,68
Mediana
75,40
Moda
75,20
Desviacion estandar
4,97
Rango
22,00
Mnimo
65,40
Maximo
87,40
Suma
4994,90
Cuenta
66,00
Mayor (17)
78,60
Menor(17)
71,70
Nivel de confianza (95 %)
1,22
A continuacion, con fines de detectar los posibles patrones de tendencia, se construyo una
distribucion de frecuencias. Para esto primero se uso la regla emprica 2 a la k, la cual
establece que el n
umero de intervalos es el menor entero, k, con la propiedad de que 2 elevado
a la k sea mayor o igual que el n
umero de datos, por lo que se consideraron 7 intervalos de
igual longitud.
Luego, para obtener la tabla de la distribucion de frecuencias correspondiente se uso el
Excel, para esto se proporciono los datos y como rango de clases los lmites derechos de
los intervalos seg
un la secuencia:
Herramientas Analisis de datos Histograma.
As, se obtuvo la tabla siguiente:

151
Porcentaje
68,55
71,70
74,85
78,00
81,15
84,30
87,45
Estadstica
Frecuencia
relativa
0,09
0,17
0,15
0,30
0,14
0,11
0,05
Frecuencia
acumulada
0,09
0,26
0,41
0,71
0,85
0,95
1,00
En la primera columna de esta tabla se encuentran los lmites derechos de los intervalos y
estos son cerrados.
a) Obtenga las conclusiones.
Debe incluir:
i) Interpretacion de las estadsticas que arroja el Excel y otras que considere
necesarias.
ii) Estudio de los posibles patrones de tendencia que muestran estos datos, con
ilustracion grafica, identificacion e interpretacion de estos en el contexto dado.
iii) Conclusiones que integren los puntos anteriores.
b) En el estudio se considero que una comunidad estaba en extrema pobreza si el
porcentaje de carencias era superior al 70 %.
i) Que porcentaje de comunidades en extrema pobreza hay en esta muestra?
ii) Como es sabido la ojiva muestra la tendencia mostrada por las frecuencias
acumuladas de esta muestra de datos. Considere la ojiva como la grafica de una
funcion modelo para describir, bajo un enfoque probabilstico, el porcentaje de
carencias en las comunidades del pas. Seg
un este modelo, cual sera el porcentaje
de comunidades en el pas que se encuentra en extrema pobreza?
c) Determine en cuanto debera disminuir el porcentaje de carencias de cada comunidad
para que la media de dicho porcentaje sea solo del 55 %. Si se lograra esto, que ocurrira
con la desviacion estandar de dicho porcentaje?
Ejercicio 5.9.
y desviacion estandar S , determine la
Si x1 , . . . , xn es una serie de datos con media X
X
media y desviacion estandar de la serie y1 , . . . , yn , en cada uno de los casos siguientes:
j = 1, . . . , n.
a) yj = 4 + 5(xj X),
j = 1, . . . , n.
b) yj = n(xj X),
+ xn , j = 1, . . . , n.
c) yj = (xj X)
j = 1, . . . , n.
d) yj = 10xj X,
152
153
Ejercicio 5.10.
Para comparar la dureza del agua en dos ciudades, A y B, se tomaron muestras de agua y
se medio el contenido de calcio. Los resultados, en miligramos por litro de agua, fueron los
siguientes:
A 250 250 258
B 222 244 250
270 270 270 271 271 272 284

251 255 261 264 264 265 266
291 291 292 292

277 277
a) Haga las graficas de caja, de manera que facilite la comparacion del contenido de calcio
entre las muestras de agua de las ciudades. Obtenga las conclusiones.
b) El tercer valor de la muestra de agua en la ciudad A fue 258, el correspondiente a la
B fue 250. Cual de estos valores representa mayor contenido de calcio en su grupo?
Ejercicio 5.11.
En un banco se quiere estudiar la implementacion de una capacitacion a fin de mejorar
la atencion que brindan los empleados. Con esta finalidad se tomaron dos muestras de 50
empleados y se capacito a los de una de estas. Luego se espero a que todos los empleados
hayan atendido 10 clientes y se registro, para cada empleado, el n
umero de clientes que
mostraron su insatisfaccion por la atencion recibida. Los datos fueron procesados con el
Excel obteniendose, entre otros, los resultados siguientes:
Sin la Capacitacion
Insatisfechos
Empleados
1
1
2
4
3
2
4
3
5
10
6
10
7
7
8
8
9
4
10
1
Media
Desviacion estandar
5.92
2.12
Con la Capacitacion
Insatisfechos
Empleados
1
4
2
7
3
12
4
9
5
10
6
3
7
3
8
2
Media
Desviacion estandar
3.9
1.79
Obtenga conclusiones a partir de la descripcion de estos datos. Incluya tambien otras

estadsticas importantes que no han sido presentadas en el resumen de los datos y represente
cada distribucion mediante una grafica de caja y comente seg
un esta.
153
Estadstica
Ejercicio 5.12.
A fin de fiscalizar el pago de impuestos de los empleados de cierto sector laboral, se tomo una
muestra aleatoria de 25 empleados, entre los 10 000 que integran este sector.
Los ingresos mensuales de esta muestra (en miles de soles) se procesaron con las herramientas
estadsticas que proporciona el Excel y se obtuvo los resultados siguientes:
Media
Mediana
Desviacion estandar
Cuenta
9,69
9,40
1,15
25
a) Complete la informacion faltante en el grafico.

b) Obtenga las conclusiones importantes que se derivan de esta informacion.
c) Los ingresos mensuales de este sector, superiores a 10 mil soles, seran gravados con un
impuesto extraordinario de 100 soles. Se presenta el problema de estimar la recaudacion
total mensual que se obtendra al aplicar el impuesto sobre este sector.
i) Resuelva el problema bajo un enfoque estadstico descriptivo, es decir, considere
los resultados de la muestra para obtener una estimacion.
ii) Resuelva el problema bajo un enfoque probabilstico, empleando como modelo a la
funcion, H, cuya grafica corresponde a la ojiva de frecuencias relativas acumuladas
de esta muestra.
154
155
Ejercicio 5.13.
En un centro de trabajo, al que llega una gran cantidad de clientes por da, los
operarios fueron capacitados, siguiendo un entrenamiento patron, para realizar funciones
del mismo tipo y con gran rapidez. Los tiempos correspondientes hasta que se requiere
un descanso, durante el da de trabajo, se distribuyen siguiendo una patron de tendencia
a la centralizacion, cuya media y percentiles 25, 50 y 75 son 4,6; 2,75; 5,1 y 5,1 horas,
respectivamente. Con el fin de mejorar los tiempos, anteriormente descritos, fue elaborado
un nuevo tipo de entrenamiento para realizar las mismas funciones diarias; y al adiestrar
a los operarios los tiempos correspondientes dieron una media y percentiles 25, 50 y 75 de
4,5; 4,1; 5,4 y 5,5 horas, respectivamente. Ademas la distribucion de frecuencias con este
entrenamiento nuevo es como la representada a continuacion:
a) Existe tambien un patron de tendencia a la centralizacion en la distribucion de los

tiempos correspondientes al nuevo entrenamiento? Explique por que razones podra
esperarse la existencia de este patron de tendencia en este contexto.
b) Respecto al entrenamiento patron, se sostena que un grupo de operarios requera una
capacitacion complementaria. Esta usted de acuerdo? Que puede decir al respecto si
se trata de la capacitacion nueva?
c) El entrenamiento nuevo sera implantado definitivamente, en lugar del antiguo, si tanto
el tiempo promedio, como la variabilidad, resultaran mejores. Usted es encargado para
decidirlo, cual, seg
un los datos, sera su decision?
d) Cual es el tiempo mnimo para ser considerado en el cuarto mejor calificado, seg
un
cada entrenamiento?
e) Cual es el tiempo maximo para ser considerado en el cuarto menos calificado, seg
un
cada entrenamiento?
155
Estadstica
Ejercicio 5.14.
Un alumno obtuvo una nota de 14 en el curso A y esta corresponde al percentil 40 de las
notas en el curso. La nota de este alumno en el curso B fue de 13 y esta corresponde al
percentil 60 de las notas en este curso. Determine en cual de los dos cursos el alumno obtuvo
un mejor desempe
no con respecto a los demas alumnos. Suponga que el desempe
no esta dado
por la nota y justifique su respuesta.
Ejercicio 5.15.
En una clnica, cada una de dos terapias nuevas (A y B) para la rehabilitacion de pacientes
con depresion se aplico en uno de dos grupos de igual n
umero de pacientes (con caractersticas
similares) que adolecan de este problema, obteniendose las estadsticas siguientes sobre las
horas de terapia aplicadas hasta la recuperacion de los pacientes:
Horas de aplicacion
Estadstica
Terapia A Terapia B
Media
66,5
77,0
Mediana
66,5
63,0
Moda
66,5
63,0
Desviacion estandar
15,5
16,5
Percentil 75
86,0
83,0
Percentil 25
47,0
50,0
Ademas, los histogramas de cada muestra de datos mostraron una tendencia a la
centralizacion.
a) Si el gasto para la clnica, por hora de aplicacion, fue el mismo para cada terapia, la
aplicacion de cual de las terapias significo un menor gasto total para la clnica?
b) Si como criterio para decidir cual de las terapias se deba adoptar se impuso la condicion
de que, a lo mas, el 25 % de los pacientes requieran mas de 85 horas, cual de estas dos
terapias, si existe una, decidira adoptar usted?
c) Analice en cual de las terapias los tiempos de recuperacion fueron mas homogeneos.
Ejercicio 5.16.
Durante el u
ltimo perodo de doce meses, la rentabilidad mensual de cierta operacion
financiera tuvo una media de 20 % y una desviacion estandar de 5 %. Si un agente invirtio en
cada mes un capital de 500 unidades monetarias, determnese la media y la desviacion
estandar de los capitales finales mensuales en este perodo.
Nota: si x1 , . . . , x12 son las rentabilidades (en porcentaje) de cada uno de estos meses,
x
observe que el capital final al cabo del j-esimo mes es de 500 + 500 100j = 500 + 5xj .
156
6.
Correlaci
on y regresi
on lineal
6.1. Correlaci
on
Basicamente, el analisis de correlacion lineal consiste en averiguar si dos variables X e
Y estan asociadas o correlacionadas de manera lineal. Y el objetivo principal del analisis
de regresion lineal es poder predecir el valor de una de las variables (la que se denomina
dependiente y usualmente se la denota por Y ) a partir de un determinado valor de la
otra (variable independiente), para lo cual se determina la ecuacion del modelo lineal que
relaciona a las dos variables. Para estos fines se dispone de una muestra de n observaciones
conjuntas de ambas variables, digamos (x1 , y1 ), . . . , (xn , yn ); en donde cada par corresponde
a la medicion de X e Y, respectivamente, sobre una misma unidad (sujeto u objeto) de
observacion.
La correlacion se puede detectar facilmente mediante la grafica de los pares dados en un
sistema de coordenadas cartesianas, la que se conoce como Diagrama de dispersion o de
esparcimiento. A continuacion se muestran cuatro ejemplos:
i Y ) es un indicador de
Estos diagramas sugieren que el promedio de los valores (xi X)(y
correlacion lineal, a este se le llama covarianza y se denota por SX,Y . As:
n
P
i Y )
(xi X)(y
i=1
SX,Y =
n
157
Estadstica
Como se aprecia en los graficos anteriores, si los datos tienden a seguir un patron de tendencia
lineal y directa (si una aumenta la otra tambien aumenta), entonces, la covarianza es positiva;
si en cambio la tendencia lineal es inversa (si una aumenta la otra disminuye), la covarianza
es negativa. Pero, este indicador no es tan preciso como lo es el siguiente.
6.2. Indice de correlaci

on de Pearson
A partir de la covarianza se puede definir el indicador de correlacion lineal siguiente:
r=
SX,Y
SX SY
Una formula u
til para el calculo de r es la siguiente:
n
P
Y
xj y j n X
j=1
r=s
(
n
P
2 )( P y 2 nY 2 )
x2j nX
j
j=1
j=1
Las propiedades que tiene este indicador son las siguientes:

1. Esta limitado entre 1 y 1; es decir: 1 r 1.
2. Solo en el caso de que entre los datos exista una relacion lineal exacta es r, en valor
absoluto, igual a 1. Si dicha relacion es directa, r es igual a 1, y si es inversa r es igual
a 1. Es decir, se cumple que:
r = 1 existen a y b, positivo, tales que: yj = a + bxj , j = 1, . . . , n.
r = 1 existen a y b, negativo, tales que: yj = a + bxj , j = 1, . . . , n.
3. Este indicador es invariante ante transformaciones de los datos que sean lineales y del
mismo tipo (ambas directas, o bien ambas inversas). Se tiene que si uj = c + dxj y
vj = e + f yj , j = 1, . . . , n, con d y f con el mismo signo, entonces, el coeficiente de
correlacion de los datos, as transformados, no vara; es decir, rU,V = rX,Y .
Ejemplo 6.1. En un centro de procesamiento de datos, se esta interesado en estudiar Y, el
tiempo que se necesita en el computador central para procesar una cantidad, X, de ciertos
trabajos especiales. Para este fin, determinados n
umeros de trabajos de este tipo fueron
procesados en diferentes oportunidades. Los resultados se presentan a continuacion:
X 2
5 7
9
11 15 9
2
7
Y 5, 5 8 9 11 13 20 11 5, 5 9, 2
X 5
9 11 2
5
7 10 9
15
Y 8, 4 11 12 5, 9 8, 2 9, 4 12 11 20
158
10 15
7 11
12 20 8, 4 13
10 2
7
12 5, 5 8, 6
Correlaci
on y regresi
on lineal
159
Con estos datos haremos un breve analisis de correlacion lineal, grafica y cuantitativamente.
Graficamente, construimos el diagrama de dispersion:
Se observa una fuerte tendencia lineal entre ambas variables, de modo que a mayor n
umero
de trabajos le corresponde un mayor tiempo.
Cuantitativamente, usamos el coeficiente de correlacion entre ambas variables:
n
P
Y
xj y j n X
j=1
r=s
(
n
P
2 )(
x2j nX
j=1
n
P
= 0, 96453
yj2 nY 2 )
j=1
Se ratifica lo apreciado en el grafico, es decir, existe una fuerte relacion lineal (r 1) y

directa (r > 0) entre el n
umero de trabajos para procesar y el tiempo correspondiente.
Ejemplo 6.2. En determinada empresa, se piensa que Y, el precio de venta (en soles) de un
producto, decrece conforme aumenta X, el tiempo (en a
nos) que tiene de uso este, y seg
un
el modelo Y = X , para ciertos parametros positivos y , con este u
ltimo menor que 1 y
expresados en unidades convenientes. Para corroborarlo, se dispuso de la muestra conjunta
de ambas variables siguiente:
X
1
3
6
8 9 10 12
Y 4500 1200 155 42 22 11 5
En este caso, el diagrama de dispersion es:
Claramente se aprecia que las variables tienden a relacionarse, pero no de forma lineal, sino
mas bien parece una forma exponencial decreciente como la del tipo se
nalado.
159
Estadstica
Para analizar la validez de este modelo no podemos usar el coeficiente de correlacion, pues no
es lineal. Sin embargo, veamos como, en este caso, es posible transformar el modelo formulado
en uno equivalente y que s sea lineal, de este modo podremos resolver el problema aplicando
la teora al modelo lineal. Para esto basta usar logaritmos, en efecto:
Y = X LnY = Ln + (Ln)X
Es decir, LnY y X estan relacionados linealmente. Para estudiar el modelo transformado en
lineal, con variables LnY y X, usamos el coeficiente de correlacion, al hacerlo obtenemos:
rLnY ; X = 0, 9977. As, como este coeficiente grande, en valor absoluto, se concluye que existe
una fuerte relacion lineal e inversa entre LnY y X. Por lo tanto, tambien es fuertemente
apreciable la formulada: Y = X . A continuacion se muestra la grafica de LnY y X.
6.3. Regresi
on lineal simple
Si ya sabemos que los datos presentan una correlacion lineal, entonces, interesa ahora
determinar cual es la ecuacion de la relacion que los aproxima, es decir, cuales son los valores
de a y b tales que, para la mayora de los datos xj e yj , se tenga que yj sea aproximadamente
igual a a + bxj . El metodo mas conocido es el de los cuadrados mnimos. Bajo este metodo
los valores de a y b son aquellos que minimizan la suma de los cuadrados:
Q(a, b) =
n
X
(yj a bxj )2
j=1
Se demuestra que estos valores son:

yb=r
a = Y bX
SY
SX
Geometricamente, la recta buscada es la que mejor ajusta a los datos (como muestra la
figura anterior).
160
Correlaci
on y regresi
on lineal
161
Ejemplo 6.3. En el problema formulado en el ejemplo 6.1, ya sabemos que entre el tiempo
de procesamiento, Y, y el correspondiente n
umero de trabajos X, existe una fuerte relacion
lineal, es decir, esperamos que el modelo entre las dos variables sea:
Y = a + bX
Entonces, el paso siguiente sera averiguar los valores a y b que definen dicha relacion.
Estos parametros a y b los podemos estimar usando los datos dados y el metodo de
4,1706
=
= 1, 03033; a = Y bX
los cuadrados mnimos. As: b = r SSXY = 0, 96453 3,90427
10, 832 1, 03033(8, 08) = 2, 50693. Luego, el modelo estimado es: Y = 2, 50693 + 1, 03033X.
En particular, podemos hacer el pronostico de la variable dependiente asociada a un valor
cualquiera dentro del rango de valores registrados de la variable independiente. Por ejemplo,
la estimacion del pronostico, para una cantidad de 8 trabajos, es Y = 2, 50693+1, 03033(8) =
10, 75 minutos.
Ejemplo 6.4. En el contexto del ejemplo6.2, ya sabemos que entre el precio del producto,
Y, y la correspondiente edad, predomina una fuerte relacion del tipo:
Y = X LnY = Ln + (Ln)X
Para efectuar un pronostico, estimamos los parametros del modelo transformado a lineal.
Para esto, usamos las formulas dadas para el modelo lineal Y = a + bX, con Y = LnY ; y
X = X; a = Ln y b = Ln. As, usando los datos dados del ejemplo obtenemos:
b = Ln = rLnY ; X SLnY / SX = 0, 638197, por lo tanto, = 0, 52824.
= LnY (Ln)X
= 4, 483054 (0, 638197)(7) = 8, 95043, por lo
a = Ln = Y bX
tanto, = 7711, 20697.
Entonces, la ecuacion del modelo esperado, la estimamos como: Y = 7711, 20697(0, 52824)X .
As, por ejemplo, el pronostico del precio del producto que tiene cinco a
nos de uso es
5
Y = 7711, 20697(0, 52824) = 317, 16 soles.

Observaci
on 6.1. Todo esto ha sido basado exclusivamente en una muestra, por lo tanto,
sera valido solo para los datos dados, es decir, hemos trabajado simplemente a nivel
descriptivo y no de inferencia. Ademas, incluso para los propios datos, estara faltando una
medida de la bondad de las estimaciones y del pronostico. Lo u
ltimo sera completado a
continuacion; pero la inferencia correspondiente no es materia del curso.
6.4. An
alisis de varianza para la regresi
on
Veamos como se puede medir el poder explicativo de la variable dependiente (X) sobre
la independiente (Y ), a traves de la regresion planteada. Analizaremos la varianza de Y,
llamada de la regresion, identificando dos fuentes que dan origen a ella.
161
Estadstica
El valor ajustado por la regresion de X sobre Y , para cada valor yj de Y es:
yj = a + bxj = Y + b(xj X)
Y el correspondiente error es:
ej = yj yj = yj Y b(xj X)
Tenemos lo siguiente:
n
P
yj /n = Y .
La media de los valores ajustados es igual a la de los propios valores: Y =
j=1
La media de los errores de ajuste es cero: e = 0.

La llamada suma de cuadrados total es:
SCT =
nSY2
n
X
(yj Y )2
j=1
Como sabemos, esta mide la variabilidad de Y .

La llamada suma de cuadrados de la regresion es:
SCR
= nSY2
=
=
n
P
(
yj Y )2
j=1
n
P
(
yj Y )2
j=1
n
P
= b2
2
(xj X)
j=1
2
= n b2 SX
Esta debe medir la variabilidad de la variable Y , es decir, la de los valores que se obtendran
para Y si se usara la regresion lineal obtenida con X. Es claro que si el ajuste es perfecto
(lo cual sucede solo si efectivamente la relacion lineal entre X e Y es exacta), se tendra que
Y = Y y as SY2 = SY2 .
La llamada suma de cuadrados de los errores es:
SCE =
nSe2
=
=
n
X
j=1
n
X
j=1
(ej e)2
2
ej =
n
X
2
(yj Y b(xj X))
j=1
Y debe medir la variabilidad de los errores que se cometen al usar la regresion lineal para
ajustar los valores de Y, as, tambien mide el ajuste de los datos a la recta de regresion.
De las ecuaciones anteriores, se verifica la identidad siguiente llamada descomposici
on de
la varianza:
SCT = SCR + SCE
162
Correlaci
on y regresi
on lineal
163
As, las sumas anteriores tiene una nueva interpretacion:

SCR estara midiendo la variabilidad de Y explicada por su relacion lineal con X; mientras
que SCE estara midiendo la otra parte de la variabilidad.
De la descomposicion anterior se tiene la siguiente identidad:
1=
SCR SCE
+
SCT
SCT
A la proporcion
R2 =
SCR
2
= rX,
Y
SCT
Se le llama el coeficiente de determinacion. Por lo visto en la descomposicion de la varianza,

este coeficiente mide la proporcion de variabilidad de la variable dependiente, que es debida
a su relacion lineal con la variable independiente.
Ejemplo 6.5. As, en el contexto del ejemplo 6.1, no solo estamos, ahora, en la capacidad
de afirmar que la relacion existente entre el tiempo de procesamiento y la cantidad de
trabajos asociada es fuertemente lineal y directa; sino ademas podemos sostener que el 93 %
2
= 0, 93) de la variabilidad en el tiempo se debe a la asociacion lineal existente con el
(rX,
Y
n
umero de trabajos para procesar.
163
Estadstica
164
Referencias bibliogr
aficas
1. Introduccion a la Teora de Probabilidades e Inferencia Estadstica. LARSON, Harold.

2. Ingeniera Sismorresistente.
Alejandro Mu
noz P.
PUCP 2002.
3. Pricing and Hedging of Derivate Securities.
Lars Tyge Nielsen.
Oxford University Press, 1999.
4. Measuring Inequality.
Frank A. Cowell.
Prentice Hall/ Harvester Wheatsheaf 1995.
165

Flores, J. (2013) - Estadística. EGGLL PUCP

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Flores, J. (2013) - Estadística. EGGLL PUCP

Загружено:

Авторское право:

Доступные форматы

Estadstica

Estudios Generales Letras

1.2. Definicion y propiedades de la probabilidad . . . . . . . . . . . . . . . . . . .

1.3. Propiedades de la probabilidad . . . . . . . . . . . . . . . . . . . . . . . . .

1.4. Probabilidad condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

La regla del producto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

La regla de la probabilidad total . . . . . . . . . . . . . . . . . . . . . . . . .

1.6. Probabilidad clasica y combinatoria . . . . . . . . . . . . . . . . . . . . . . .

1.7. Probabilidad geometrica y frecuencial . . . . . . . . . . . . . . . . . . . . . .

1.8. Ejercicios propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.2. Modelo probabilstico de una variable aleatoria . . . . . . . . . . . . . . . . .

2.2.1. Propiedades del modelo probabilstico . . . . . . . . . . . . . . . . . .

2.3. El valor esperado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.3.1. Valor esperado de una funcion de una variable aleatoria . . . . . . . .

2.3.2. Otras propiedades del valor esperado . . . . . . . . . . . . . . . . . .

2.4. Varianza y desviacion estandar

2.4.1. Propiedades de la varianza . . . . . . . . . . . . . . . . . . . . . . . .

4 Profesor Jose Flores Delgado

2.5. Funcion de distribucion acumulada . . . . . . . . . . . . . . . . . . . . . . .

2.6. Propiedades de la distribucion acumulada . . . . . . . . . . . . . . . . . . . .

2.7. Tecnica del cambio de variable . . . . . . . . . . . . . . . . . . . . . . . . . .

2.8. Ejercicios propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3. Modelos probabilsticos importantes

3.1. Modelos relacionados con un proceso de Bernoulli . . . . . . . . . . . . . . .

3.1.1. El Modelo o distribucion binomial . . . . . . . . . . . . . . . . . . . .

3.1.2. El modelo o distribucion geometrico . . . . . . . . . . . . . . . . . . .

3.1.3. El modelo o distribucion de Pascal o binomial negativa . . . . . . . .

3.2. Modelos relacionados con un proceso de Poisson . . . . . . . . . . . . . . . .

3.2.1. El modelo o distribucion de Poisson . . . . . . . . . . . . . . . . . . .

3.2.2. El modelo o distribucion exponencial . . . . . . . . . . . . . . . . . .

3.2.3. Modelo o distribucion gamma . . . . . . . . . . . . . . . . . . . . . .

3.3. Modelo gaussiano o distribucion normal . . . . . . . . . . . . . . . . . . . . .

3.3.1. Propiedades del modelo gaussiano o normal . . . . . . . . . . . . . .

3.4. Modelo o distribucion lognormal . . . . . . . . . . . . . . . . . . . . . . . . .

3.5. Modelo o distribucion hipergeometrica . . . . . . . . . . . . . . . . . . . . .

3.6. Modelo o distribucion uniforme . . . . . . . . . . . . . . . . . . . . . . . . .

3.7. Modelo o distribucion Beta . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.8. La funcion generadora de momentos . . . . . . . . . . . . . . . . . . . . . . .

3.9. Ejercicios propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

4.1. La Curva de Lorenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117

Profesor Jose Flores Delgado

5.1. Que es la Estadstica? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

6.1. Correlacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157

6 Profesor Jose Flores Delgado

8 Profesor Jose Flores Delgado

c) Ambas unidades se encuentran con defectos: A3 = {(1; 1)}.

Profesor Jose Flores Delgado

d) Ninguno de los trabajos haya satisfecho las especificaciones.

A1 Para cualquier evento A: P (A) 0.

Ejemplo 1.4. (Probabilidad Clasica) Si el experimento tiene un n

10 Profesor Jose Flores Delgado

En particular, considerando los eventos definidos en dicho ejemplo, tenemos que:

b) La probabilidad de que la segunda unidad no tenga defectos es P (A2 ) =

1.3. Propiedades de la probabilidad

Profesor Jose Flores Delgado

a) La probabilidad de que al menos una de estas personas termine a destiempo su trabajo.

12 Profesor Jose Flores Delgado

Los datos y eventos dados pueden representarse en la tabla siguiente:

Profesor Jose Flores Delgado

la probabilidad pedida es:

1.4. Probabilidad condicional

Ademas, se suele denotar a esta nueva asignacion de probabilidades, P 0 , como P ( / B), es

Observese que para la asignacion clasica resulta: