1.

REGLAS BSICAS DE LA PROBABILIDAD

En esta seccin, se repasaran algunas reglas bsicas y definiciones, que puede ya haber visto durante su
estudio previo de la probabilidad.
DEFINICIN Cualquier situacin, en la cual el resultado es inseguro, se llama un experimento.
Por ejemplo, sacar un naipe de una baraja sera un eperimento.
DEFINICIN Para cualquier eperimento, el espacio muestral S del mismo consiste en todos los
resultados posibles de este.
Por ejemplo, si lan!amos un dado y si nos interesa el n"mero de puntos que se ve, entonces S = {1, 2, 3, 4, 5, 6}.
DEFINICIN #n evento E es cualquier coleccin de puntos $conjunto de resultados% del espacio muestral.
&s se tiene que E S.
'e dice que una coleccin de eventos E1, E2, ..., En es una coleccin mutuamente excluyente de eventos si
para i j (i = 1, 2, ..., n y j = 1, 2, ..., n), Ei y Ej no tienen puntos en com"n, es decir EiEj = . &s, si E1, E2, ..., En
es una coleccin de eventos mutuamente ecluyentes y ocurre Ei podemos estar seguros que ninguno de los
dems eventos de la coleccin ocurri. Por ejemplo, si lan!amos un dado y si nos interesa el n"mero de puntos
que este muestra en su cara superior, la siguiente coleccin de eventos es mutuamente ecluyente, ya que
dado uno de ellos es imposible que los otros se presenten(
E1 ) El dado muestra un punto.
E2 ) El dado muestra dos puntos.
E3 ) El dado muestra tres puntos.
E4 ) El dado muestra cuatro puntos.
E5 ) El dado muestra cinco puntos.
E6 ) El dado muestra seis puntos.
Con cada evento E, asociamos un evento
__
E
, tal que
__
E
esta formado por los puntos del espacio muestral S
que no estn en E. Con cada evento E, asociamos tambi*n un n"mero P(E), que es la probabilidad de que
ocurra el evento E al reali!arse el eperimento. +as probabilidades de eventos tienen que satisfacer las
siguientes reglas de la probabilidad(
Regla 1 Para cualquier evento E, P(E) 0.
Regla 2 'i E = S $es decir, si E contiene todos los puntos del espacio muestral%, entonces P(E) =
1.
Regla 3 'i E1, E2, ..., En es una coleccin de eventos mutuamente ecluyentes, entonces

n
k
k n
E P E E E P
1
2 1
) ( ) (
Regla 4 P(
__
E
) = 1 - P(E).
En algunas situaciones se debe dar respuesta a la probabilidad de un evento cuando *ste se halla sujeto a
ciertas condiciones, tal como en el caso de determinar la probabilidad de p*rdida de la asignatura ,odelos ---
dado que el alumno no ha visto la asignatura Probabilidad. En este caso se presentan dos eventos( E1 y E2
donde E1 es el evento .el alumno no ha visto la asignatura probabilidad/ y E2 representa el evento .el alumno ha
perdido la asignatura ,odelos ---/. 0e igual manera, aqu se da que E1 condiciona la ocurrencia de E2 o, de otra
manera, la posibilidad de ocurrencia de E2 esta determinada por la posibilidad de que E1 ocurriera o porque E1
ya haba ocurrido. +o anterior motiva la siguiente definicin(
1
DEFINICIN Para dos eventos E1 y E2, P(E2|E1) $probabilidad condicional de E2 dado E1% es la
probabilidad de que ocurra el evento E2 dado que ha ocurrido E1. Entonces
) (
) (
) | (
1
2 1
1 2
E P
E E P
E E P

$1%
2o obstante, en muchos casos la ocurrencia de un suceso no influye ni esta influenciada por la ocurrencia de
otro. Por ejemplo, 3qu* tiene que ver la probabilidad de ganarse la lotera con la eventualidad de que ma4ana
sea un da lluvioso5 +uego intuitivamente decimos que los eventos E1 y E2 son independientes si y slo si el
saber que ha ocurrido E1 no cambia la probabilidad de que ocurra E2, y viceversa.
DEFINICIN 'uponga que se presentan los eventos E1 y E2 con probabilidades positivas. +os eventos E1 y
E2 son independiente si y slo si P(E2|E1) = P(E2) $o equivalentemente, P(E1 |E2) = P(E1)%.
& partir de $1%, E1 y E2 son independientes si y slo si
) (
) (
) (
2
1
2 1
E P
E P
E E P

o ) ( ) ( ) (
2 1 2 1
E P E P E E P $6%
E!E"PLO 1 'uponga que sacamos un solo naipe de una baraja de 76 cartas.
1. 3Cul es la probabilidad de que se saque cora!ones o picas5
2. 3Cul es la probabilidad de que el naipe sacado no sea un 25
3. 0ado que se ha sacado un naipe rojo, 3cul es la probabilidad de que haya sacado
una diamante5 3'on los eventos E1 ) sacar una naipe rojo y E2 ) sacar un diamante,
independientes5
4. 0emuestre que los eventos E1 = sacar una pica y E2 = sacar un 2, son independientes.
S#l$%i&n 1. 'ean los eventos
E1 = sacar un cora!n
E2 = sacar una pica
E1 y E2 son eventos mutuamente ecluyentes, con P(E1) = P(E2) = 1/4. &s89i, se cumplen los
requisitos de la regla : de la probabilidad y por lo tanto,
2
1
4
1
4
1
2 1 2 1
) ( ) ( ) ( + + E P E P E E P
6. 'ea el evento E = sacar un 2. Entonces P(E) = 4/52 ) 1/13. 'eg"n la regla ; de la
probabilidad,
P(
__
E
) = 1 - 1/13 = 12/13.
:. & partir de la Ecc. 1,
) (
) (
) | (
1
2 1
1 2
E P
E E P
E E P

,
pero,
4
1
52
13
2 1 2
) ( ) ( E P E E P y P(E1) = 26/52 =
&s,
2
2
1
) | (
2
1
4
1
1 2
E E P
Como P(E2) = 1/4, se ve que P(E2|E1) P(E2). Por lo tanto, E1 y E2 no son eventos
independientes. $Esto se debe a que si se sabe que se ha sacado un naipe rojo
aumenta la probabilidad de que se saque un diamante.%
4. P(E1) = 13/52 = 1/4, P(E2) = 4/52 = 1/13 y P(E1

E2) = 1/52. Como P(E1)P(E2) = P(E1

E2),
E1 y E2 son eventos independientes. -ntuitivamente, como 1/4 de todos los naipes en la
baraja son picas y 1/4 de todos los dos en la baraja son picas, saber que se ha sacado
un 2 no cambia la probabilidad de que el naipe que se etraiga sea una pica.
' PROBLE"AS
GR(PO A
1. 'e lan!an dos dados $para cada dado, es
equiprobable que apare!can 1, 2, 3, 4, 5 o 6 puntos%.
(a) 3Cul es la probabilidad de que la suma de los
puntos en los dos dados sea 7 u 115
(b) 3Cul es la probabilidad de que la suma de los
puntos en los dos dados sea un n"mero diferente
a 2 o 125
$c% 3'on los eventos
E1 = el primer dado muestra un 3
E2 = la suma de los dos dados es 6
independientes5
$d% 3'on los eventos
E1 = el primer dado muestra un 3
E2 = la suma de los dos dados es 7
independientes5
(e) 0ado que la suma de los dados es 5, 3cul es la
probabilidad de que el primer dado haya tenido 2
puntos5
(f) 0ado que el primer dado muestra un 5, 3cul es
la probabilidad de que la suma de los dos dados
sea par5
2. LA REGLA DE BA)ES
#na decisin importante depende frecuentemente del .estado del mundo/. Por ejemplo, podramos querer
saber si una persona tiene tuberculosis o no. Entonces nos interesara la probabilidad de los siguientes estados
del mundo(
S1 = la persona tiene tuberculosis
S2 = la persona no tiene tuberculosis
En general, se pueden presentar n estados del mundo mutuamente ecluyentes $S1, S2, ..., Sn%. +os estados del
mundo son colectivamente exhaustivos( ya que S1, S2, ... Sn son mutuamente ecluyentes e incluyen todas las
posibilidades. 'uponga que quien toma decisiones asigna una probabilidad P(Si) a la ocurrencia del estado Si.
P(Si) es la probabilidad a priori de Si. Para obtener ms informacin acerca del estado del mundo, quien toma
las decisiones puede observar el resultado de un eperimento. 'upngase que para cada resultado posible Oj y
para cada estado del mundo posible Si, quien toma las decisiones conoce P(Oj | Si), la verosimilitud del
resultado Oj, dado el estado del mundo Si. +a regla de <ayes combina las probabilidades a priori y las
verosimilitudes de los resultados eperimentales para determinar una probabilidad posteperimental, o
probabilidad a posteriori, para cada estado del mundo. Para deducir la regla de <ayes, obs*rvese que $1%
significa que
) (
) (
) | (
j
j i
j i
O P
O S P
O s P

$:%
& partir de $1%, tambi*n se infiere
3
P(Si Oj) = P(0j | Si)P(Si) $;%
+os estados del mundo S1, S2, ..., Sn son colectivamente ehaustivos y, por lo tanto, el resultado eperimental Oj
$si ocurre% tiene que ocurrir con uno de los Si $=ig. 1%. Como S1 Oj, S2 Oj , ... , Sn Oj son eventos
mutuamente ecluyentes, la regla : de la probabilidad significa que
) ( ) ( ) ( ) (
2 1 j n j j j
O S P O S P O S P O P + + +
$7%
+as probabilidades de la forma P(Si Oj) se llaman frecuentemente probabilidades conjuntas, y las
probabilidades P(Oj) es llaman probabilidades marginales. &l sustituir $;% en $7%, obtenemos

n
k
k k j j
S P S O P O P
1
) ( ) | ( ) ( . $>%
Figura 1
-lustracin de la
Ecc. >
) ( ) (
) ( ) ( ) (
4 3
2 1
S O P S O P
S O P S O P O P
j j
j j j
+ +
+
+a sustitucin de $;% y $>% en $:%, proporciona la regla de Bayes(

n
k
k k j
i i j
j i
S P S O P
S P S O P
O S P
1
) ( ) | (
) ( ) | (
) | (
$?%
Con el ejemplo siguiente se ilustra el uso de la regla de <ayes.
E!E"PLO 2 'uponga que el 1% de todos los ni4os tiene tuberculosis $@<%. Cuando se aplica a un ni4o
con @< la prueba de ,antou, se presenta un resultado positivo en 95% de los casos.
Cuando se aplica a un ni4o sin @< la prueba de ,antou, se presenta un resultado positivo
en 1% de los casos. 0ado que se aplica la prueba a un ni4o y el resultado es positivo, 3cul
es la probabilidad de que el ni4o tenga @<5
S#l$%i&n +os estados del mundo son
S1= el ni4o tiene @<
S2 = el ni4o no tiene @<
+os posibles resultados eperimentales son
O1 = prueba positiva
O2 = prueba negativa
Como las probabilidades a priori P(S1) = 0.01 y P(S2) = 0.99, y las verosimilitudes P(O1 | S1) =
0.95, P(O1 | S2) = 0.01, P(O2 | S1) = 0.05 y P(O2 | S2) = 0.99, & partir de $?%,
.49 0
194
95
) 99 . 0 ( 01 . 0 ) 01 . 0 ( 95 . 0
) 01 . 0 ( 95 . 0

) ( ) | ( ) ( ) | (
) ( ) | (
) | (
2 2 1 1 1 1
1 1 1
1 1

+

S P S O P S P S O P
S P S O P
O S P
4
+a ra!n por la cual un resultado positivo en la prueba significa solamente una probabilidad del 49% de que el
ni4o tenga @<, es que muchos ni4os del 99% de todos los ni4os que no tiene @< tendrn un resultado positivo.
Por ejemplo, en un grupo tpico de 10 000 ni4os, 9 900 no tendrn @< y 0.01(9 900) = 99 ni4os presentarn un
resultado positivo en la prueba. En el mismo grupo de 10 000 ni4os, 0.01(10 000) = 100 ni4os tendrn @< y
0.95(100) = 95 ni4os presentarn un resultado positivo en la prueba. &s, la probabilidad de que un resultado
positivo indique @< es
194
95
99 95
95

+
.
' PROBLE"AS
GR(PO A
1. #n escritorio tiene tres cajones. En el cajn 1 hay
dos monedas de oro. En el cajn dos hay una
moneda de oro y una moneda de plata. En el cajn
tres hay dos monedas de plata. Escojo un cajn al
a!ar y despu*s escojo una moneda al a!ar. 'i se
escoge una moneda de plata, 3cul es la probabilidad
de que haya escogido el cajn :5
2. Cliff Colby quiere determinar si su campo de petrleo
en el sur de Aapn producir petrleo. Ba contratado
al gelogo 0igger <arnes para reali!ar algunas
pruebas en el campo. 'i hay petrleo en el campo,
hay una probabilidad de 95% de que las pruebas de
0igger indiquen la eistencia de petrleo. 'i el
campo no tiene petrleo, eiste una probabilidad del
5% de que las pruebas de 0igger indiquen la
eistencia de petrleo. 'i las pruebas de 0igger
indican que no hay petrleo en el campo, 3cul es la
probabilidad de que el campo contenga petrleo5
&ntes de que 0igger realice las pruebas, Cliff cree
que hay una probabilidad de 10% de que haya
petrleo en el campo.
3. #n cliente fue a un banco para pedir un pr*stamo. 'in
informacin adicional, el banco opina que hay una
probabilidad de 4% de que el cliente no cumpla con
sus compromisos. El banco puede investigar la
solvencia del cliente. +a verificacin producir un
informe favorable o desfavorable. & partir de la
eperiencia pasada, el banco opina que P $recibir un
informe favorable C el cliente no cumple con sus
compromisos% ) 1/40, y que P $informe favorable C
cliente cumple con sus compromisos% ) 99/100. 'i se
recibe un informe favorable, 3cul es la probabilidad
de que el cliente falte a sus compromisos5
3. *ARIABLES ALEA+ORIAS, "EDIA, *ARIANCIA ) CO*ARIANCIA
'e utili!an los conceptos de variables aleatorias, media, variancia y covariancia en varios captulos posteriores.
DEFINICIN #na variable aleatoria es una funcin que asocia un n"mero a cada punto del espacio
muestral de un eperimento. Depresentamos las variables aleatorias mediante may"sculas en
negrilla $normalmente X, Y o Z%.
:.1. E&D-&<+E' &+E&@FD-&' 0-'CDE@&'
DEFINICIN #na variable aleatoria es discreta si puede tomar solamente valores discretos x1, x2, ... #na
variable aleatoria discreta X se caracteri!a por el hecho de que conocemos la probabilidad
de que X ) xi, $se representa con P(X =xi)).
P(X = xi) es la funcin de masa de probabilidad $f.m.p.% para la variable aleatoria X.
DEFINICIN +a funcin de distribucin acumulativa F(x) para cualquier variable aleatoria X se define
como F(x) = P(X x). Para una variable aleatoria discreta X,

x x
k
k
x P x F ) ( ) ( X
'igue un ejemplo de una variable aleatoria discreta.
5
E!E"PLO 3 'ea X el n"mero de puntos en la cara superior de un dado despu*s de lan!arlo. Entonces,
para i = 1, 2, 3, 4, 5, 6, P(X = i) = 1/6. +a funcin de distribucin acumulativa $f.d.a.% para X se
muestra en la =ig. 6.
Figura 2
=uncin de
distribucin
acumulativa para
el ejem. :
:.6. E&D-&<+E' &+E&@FD-&' CF2@-2#&'
'i en alg"n intervalo la variable aleatoria X puede tomar todos los valores del intervalo, entonces X ser una
variable aleatoria continua. &firmaciones probabilsticas acerca de una variable aleatoria continua X requieren
conocer la funcin de densidad de probabilidad $f.d.p.%. 'e puede interpretar la funcin de densidad de
probabilidad f(x) para una variable aleatoria X de la manera siguiente( para un peque4o,
) ( ) ( x f x X x P +
0e la =ig. :, vemos que para una variable aleatoria X, con la funcin de densidad f(x),
Grea 1 ) P(a X a + ) f(a)
y
Grea 6 ) P(b X b + ) f(b)
Figura 3
-lustracin de la
funcin de
densidad de
probabilidad
6
&s, para una variable aleatoria X, con la funcin de densidad f(x) como la de la =ig :, es ms probable que se
presenten valores de X cercanos a a que cercanos a b.
0el estudio anterior sobre el @eorema =undamental del Clculo, se deduce que

b
a
dx x f b a P ) ( ) ( X
&s, para una variable aleatoria continua, cualquier rea bajo la f.d.p. de la variable aleatoria corresponde a una
probabilidad. ,ediante el concepto de rea como una probabilidad, vemos que la f.d.a. para una variable
aleatoria continua X, con una funcin de densidad f(x), est dada por

a
dx x f a P a F ) ( ) ( ) ( X
E!E"PLO 4 Considere una variable aleatoria continua X con una funcin de densidad dada por

'

c!"#a#$ ca% 0
1 0 2
) (
x x
x f
Fbtenga la f.d.a. para X. @ambi*n encuentre P(1/4 X 3/4).
S#l$%i&n Para a 0, F(a)=0. Para 0 a 1,

a
dx x a F
0
2 ) (
Para a 1, F(a) = 1. +a grfica de F(a) se encuentra en la =ig. ;.

4 3
4 1
4
3
4
1
2
1
2 ) ( dx x X P
Figura 4
=uncin de
distribucin
acumulativa para
el ejemplo ;
:.:. ,E0-& H E&D-&2C-& 0E #2& E&D-&<+E &+E&@FD-&
+a media $o valor esperado% y la variancia son dos medidas importantes que se utili!an frecuentemente para
resumir la informacin contenida en la distribucin de probabilidad de una variable aleatoria. +a media de una
variable aleatoria X $representada por E(X)) es una medida del lugar central de la variable aleatoria.
"EDIA DE (NA *ARIABLE ALEA+ORIA DISCRE+A. Para una variable aleatoria discreta X,

k
k k
x X P x E
&'a
) ( ) ( X
$I%
7
"EDIA DE (NA *ARIABLE ALEA+ORIA CON+IN(A. Para una variable aleatoria continua

x
dx x f x E ) ( ) ( X $J%
Fbserve que en el clculo de E(X), se pondera cada valor posible de una variable aleatoria mediante su
probabilidad de ocurrencia. &s, la media de una variable aleatoria es, en realidad, el centro de masa de la
variable aleatoria.
Para una funcin h(X) de una variable aleatoria X $como X
2
y e
x
%, se puede calcular E(h(X)) de la manera
siguiente. 'i X es una variable aleatoria discreta,

k
k k
x P x h h E
&'a
) ( ) ( )) ( ( X X
$IK%
'i X es una variable aleatoria continua,

dx x f x h h E ) ( ) ( )) ( ( X $JK%
+a variancia de una variable aleatoria X $que se representa *a# X% mide la dispersin de X con respecto a E(X).
Entonces *a# X se definir como E(X - E (X))
2
.
*ARIANCIA DE (NA *ARIABLE ALEA+ORIA DISCRE+A. Para una variable aleatoria discreta X, $IK%
produce

k
k k
x P E x
&'a
2
) ( )) ( ( *a# X X X
$1L%
*ARIANCIA DE (NA *ARIABLE ALEA+ORIA CON+IN(A. Para una variable aleatoria continua X, $JK%
produce

dx x f E x ) ( )) ( ( *a#
2
X X
$11%
'e puede obtener tambi*n *a# X mediante la relacin
*a# X = E(X
2
) - E(X)
2
$16%
Para cualquier variable aleatoria X, (*a# X)
1/2
es la desviacin estndar $se representa con x%.
Con los Ejemplos 7 y > se ilustra el clculo de la media y de la variancia para una variable aleatoria discreta y
para una variable aleatoria continua.
E!E"PLO - Considere la variable aleatoria discreta X con P(X = i) = 1/6 para i = 1, 2, 3, 4, 5, 6. Fbtenga
E(X) y *a# X.
S#l$%i&n
2
7
6
21
6
1
) 6 5 4 3 2 1 ( ) ( + + + + + X E
12
35
2 2 2 2 2 2
6
1

) ) 5 . 3 6 ( ) 5 . 3 5 ( ) 5 . 3 4 ( ) 5 . 3 3 ( ) 5 . 3 2 ( ) 5 . 3 1 (( *a#

+ + + + + X
E!E"PLO . Encuentre la media y la variancia de la variable aleatoria continua X con la funcin de
densidad siguiente(
+

'

c!"#a#$ ca% 0
1 0 2
) (
x x
x f
'olucin
3
2
3
2
) 2 ( ) (
1
0
3
1
0

1
]
1

x
dx x x E X
( ) ( )
1+
1
1+
+
9
+
4
2
2 2 *a#
1
0
2 3 4
1
0
9
4
3
4 2
1
0
2
3
2

1
]
1

+ +

x x x
dx x x dx x x
x
X
:.;. E&D-&<+E' &+E&@FD-&' -20EPE20-E2@E'
DEFINICIN 0os variables aleatorias X y Y son independientes si y slo si para dos conjuntos
A y B cualesquiera,
) ( ) ( ) ( B P A P B A P Y X Y X
$1:%
& partir de esta definicin, se puede demostrar que X y Y son variables aleatorias independientes si y slo si el
conocimiento acerca del valor de Y no cambia la probabilidad de cualquier evento que incluya X. Por ejemplo,
suponga que X y Y son variables aleatorias independientes. Esto significa que P(X 10) ser igual para Y = +, Y
= 10, Y = 0 o Y = c,a-.,$e# *a-#. 'i X y Y son independientes, entonces E(XY) = E(X)E(Y) $la variable aleatoria
XY tiene un valor esperado igual al producto del valor esperado de X por el valor esperado de Y%.
+a definicin de independencia se puede generali!ar para ms de dos variables de inter*s. Bablando sin rigor,
un grupo de n variables aleatorias es independiente si el conocimientote los valores de cualquier subconjunto de
las variables aleatorias no cambia nuestra visin de la distribucin de cualquiera de las otras variables
aleatorias $vea Prob. 7 al final de esta seccin%.
:.7. CFE&D-&2C-& 0E 0F' E&D-&<+E' &+E&@FD-&'
#n concepto importante en el estudio de modelos financieros es la covariancia. Para dos variables aleatorias X
y Y, la covariancia de X y Y $representada por c* (X, Y)% se define por
[ ] [ ] { } ) ( ) ( ) , ( c* Y Y X X Y X E E E $1;%
'i X / E(X) tiende a ocurrir cuando Y / E(Y), y si X 0 E(X) tiende a ocurrir cuando Y 0 E(Y), entonces c* (X,Y)
ser positiva. 0e otra manera, si X / E(X) tiende a ocurrir cuando Y < E(Y), y si X 0 E(X) tiende a ocurrir cuando
Y / E(Y), entonces c* (X,Y) ser negativa. El valor de c* (X,Y) mide la relacin $en realidad, la relacin lineal%
entre las variables aleatorias X y Y. 'e puede demostrar que si X y Y son variables aleatorias independientes,
entonces c* (X,Y) = 0. $'in embargo, c* (X,Y) = 0 puede presentarse aun cuando X y Y no sean variables
aleatorias dependientes. Eea el Problema > al final de esta seccin como ejemplo.%
E!E"PLO / Cada verano en Motham City se clasifica como verano lluvioso, o bien, verano soleado. +as
ganancias obtenidas por las dos industrias ms importantes de Motham City $el Motham City
Botel y la @ienda de paraguas de Motham City% dependen del tipo de verano, como se
muestra en la @abla 1. 0e todos los veranos, el 20% son lluviosos, y el +0% son soleados.
'ean H y P las variables aleatorias siguientes(
H ) ganancia obtenida por el Motham City Botel en un verano
P ) ganancia obtenida por la @ienda de paraguas en un verano
Encuentre la c* (H, P).
9
abla 1
#tilidades para el
Ejemplo de la
Covariancia
&123 45 657893
:&1;14845S 45 <3&5;
('=-a#e%)
:&1;14845S 45 ;8 &15948
('=-a#e%)
;-,*$% -1 000 4 500
S-ea' 2 000 - 500
S#l$%i&n Fbtenemos que
E(H) = .2( -1 000) + .+(2 000) = 1 400 dlares
E(P) = .2(4 500) + .+( -500) = 500 dlares
Con una probabilidad de 0.20, Motham City tiene un verano lluvioso. Entonces
(H - E(H))(P - E(P)) = (-1 000 - 1 400)(4 500 - 500) = -9 600 000 $dlares%
6
Con una probabilidad de 0.+0, Motham City tiene un verano soleado. Entonces
(H - 5(H))(P - E(P)) = (2 000 - 1 400)(-500 - 500) = -600 000 $dlares%
6
Por lo tanto,
c* (H, P) = E{(H - E(H))(P - E(P))} = .20(-9 600 000) + .+0(-600 000)
= -2400 000 $dlares%
6
El hecho de tener la c* (H, P) negativa, indica que cuando le va bien a una industria, a la
otra le va mal.
:.> ,E0-&, E&D-&2C-&, H CFE&D-&2C-& P&D& '#,&' 0E E&D-&<+E' &+E&@FD-&'
& partir de dos variables aleatorias dadas, X1 y X2, con frecuencia se generan nuevas variables aleatorias $c es
una constante%( cX1, X1 + c, X1 + X2. 'e pueden utili!ar las reglas siguientes para epresar la media, la variancia,
y la covariancia de estas variables aleatorias, en t*rminos de E(X1), E(X2), *a# X1, *a# X2 y c* (X1, X2). +os
Ejemplos I y J ilustran el uso de estas reglas.
E(cX1) = cE(X1) $17%
E(X1 + c) = E(X1) + c $1>%
E(X1 + X2) = E(X1) + E(X2) $1?%
6a# cX1 = c
2
*a# X1 $1I%
*a# (X1 + c) = *a#X1 $1J%
'i X1 y X2 son variables aleatorias independientes,
*a# (X1 + X2) = *a# X1 + *a# X2 $6L%
En general,
*a# (X1 + X2) = *a# X1 + *a# X2 + 2c* (X1, X2) $61%
Para variables aleatorias X1, X2, ..., Xn
10
*a# (X1 + X2 + ... + Xn) = *a# X1 + *a# X2 + ... + var Xn +
) , ( c*
j i
X X

j i
$66%
=inalmente, para las constantes a y b,
c* (aX1, bX2) = ab c* (X1, X2) $6:%
E!E"PLO 0 Pago 1 dlar para jugar el juego siguiente( lan!o un dado y recibo 3 dlares por cada punto
que aparece. 0etermine la media y la variancia de mi ganancia.
#l$%i&n 'ea X la variable aleatoria que representa al n"mero de puntos que aparecen al lan!ar el
dado. Entonces mi ganancia est dada por el valor de la variable aleatoria 3X - 1. & partir
del Ejemplo 7, sabemos que E(X) = 7/2 y la *a# X = 35/12. & su ve!, las Ecs. $1>% y $17%
proporcionan
E(3X - 1) = E(3X) - 1 = 3E(X) - 1 = 3(7/2) - 1 = 19/2
& partir de las Ecs. $1J% y $1I%, respectivamente.
*a# (3X - 1) = *a# (3X) = 9(*a# X) = 9(35/12) = 315/12
E!E"PLO 1 En el Ejemplo ?, suponga que yo fuera el due4o del hotel y de la tienda de paraguas.
Fbtenga la media y la variancia de la ganancia total obtenida en un verano.
S#l$%i&n ,is ganancias totales se epresan mediante la variable aleatoria H + P. & partir de la Ec.
$1?% y del Ejemplo ?,
E(H + P) = E(H) + E(P) = 1 400 + 500 = 1 900 '=-a#e%
&hora
*a# H = .2(-1 000 - 1 400)
2
+ .+(2 000 - 1 400)
2
= 1 440 000 ('=-a#e%)
2
*a# P = .2(4 500 - 500)
2
+ .+(-500 - 500)
2
= 4 000 000 ('=-a#e%)
2
& partir del Ejemplo ?, c* (H, P) = -2 400 000 $dlares%
2
. Entonces la Ec. $61% da
6a# (H + P) = *a# H + *a# P + 2c* (H, P)
= -,440,000 ('=-a#e%)
2
+ 4,000,000 ('=-a#e%)
2
- 2(2,400,000) ('=-a#e%)
2
= 640,000 ('=-a#e%)
2
&s, H P tiene una variancia ms peque4a que H o P. Esto es as porque al ser el due4o
del hotel y de la tienda de paraguas, siempre tendr* una industria que le va bien y otra que
no le va tan bien, independientemente del tiempo. Esto reduce la dispersin, o la
variabilidad, de las ganancias.
' PROBLE"AS
GR(PO A
1. @engo 100 artculos de cierto producto en la bodega.
+a funcin de masa de probabilidad para la demanda
del producto !, es P(! = 90) = P(! = 100) = P(! = 110)
= 1/3. $a% Encuentre la funcin de masa, la media y la
variancia del n"mero de artculos vendidos. $b%
Encuentre la funcin de masa, la media y la variancia
de la demanda no satisfecha, debido a la falta de
reserva.
2. 'aco un naipe de una baraja $reempla!o
inmediatamente cada naipe despu*s de sacarlo%.
Decibo 4 dlares por cada cora!n que saque.
11
Fbtenga la media y la variancia de la ganancia.
3. Consid*rese una variable aleatoria continua X, cuya
funcin de densidad $llamada la funcin de densidad
eponencial% es la siguiente

'

c!"#a#$ ca% 0
0 %$
) (
x e
x f
x
(a) Fbtenga y grafique la f.d.a, para X.
(b) Encuentre la media y la variancia de X.
(Sugerencia: utilice la integracin por partes.%
(c) Fbtenga P(1 > 2).
4. @engo 100 artculos de cierto producto en la bodega.
+a demanda ! del artculo es una variable aleatoria
continua con la siguiente funcin de densidad(

'

?a!e#a "#a 'e 0

120 +0 %$
) (
40
1
d
d f
$a% Fbtenga Na probabilidad de que el suministro sea
insuficiente para satisfacer la demanda.
$b% 3Cul es el valor esperado del n"mero de
artculos vendidos5 3Cul es la variancia del
n"mero de artculos vendidos5
5. #na urna contiene 10 bolas rojas y 30 bolas a!ules.
(a) 'uponga que se sacan 4 bolas de la urna. 'ea
Xi el n"mero de bolas rojas sacadas hasta la i"
#si$a bola $Xi = 0 o 1%. 0espu*s de sacar cada
bola, se devuelve a la urna. 3'on las variables
aleatorias X1, X2, X3, y X4 independientes5
$b% Depita el inciso $a% para el caso en el cual no se
regresan las bolas a la urna despu*s de sacarlas.
6. 'ea X la variable aleatoria discreta siguiente( P(X =
-1) = P(X = 0) = P(X = 1) = 1/3. 'ea % = X
2
. 0emuestre
que la cov $XY% ) L, pero que X y % no son variables
aleatorias independientes.
4. LA DIS+RIB(CIN NOR"AL
+a distribucin de probabilidad que se usa con mayor frecuencia es la distribucin normal. Estudiamos en esta
seccin algunas propiedades "tiles de la distribucin normal.
DEFINICI2N #na variable aleatoria continua X tiene una distribucin normal, si para alg"n y alg"n O L
tiene la funcin de densidad siguiente(
1
]
1

2
2
2
) (
e@A
2
1
) (

x
x f
'i una variable aleatoria X tiene una distribucin normal con una media y variancia
6
, se representa como X
es &$,
6
%. 'e puede demostrar que para una variable aleatoria normal, E(X) ) y *a# X =
2
$la desviacin
estndar de X es %. En la =ig. 7 se muestran las funciones de densidad normales para varios valores de y un
mismo valor de .
12
Figura !
&lgunos ejemplos
de distribuciones
normales
Para cualquier distribucin normal, la funcin de densidad es sim*trica respecto a $es decir, f( + a) = f( - a)).
@ambi*n, si aumenta, disminuir la probabilidad de que la variable aleatoria tome un valor a menos de c de
$para cualquier c / 0%. &s, al aumentar , la distribucin normal se etiende ms. Estas propiedades se ilustran
en la =ig. 7.
;.1 PDFP-E0&0E' P@-+E' 0E +& 0-'@D-<#C-Q2 2FD,&+
P3#piedad 1 'i X es &(,
2
), entonces cX es &(c,c
2

2
).
P3#piedad 2 'i X es &(,
2
), entonces X + c $para cualquier c% es &( + c,
2
).
P3#piedad 3 'i X1 es &(1,
2
), X2 es es &(2,
2
), y X1 y X2 son independientes, entonces X1 + X2 ser &(1
+2,
2
+
2
).
;.6. F<@E2C-Q2 0E +&' PDF<&<-+-0&0E' 2FD,&+E' ,E0-&2@E +& E'@&20&D-R&C-Q2
'i Z es una variable aleatoria que es &(0, 1), entonces se dice que Z es una variable aleatoria normal estndar.
En la @abla 6 se tabula F(') = P(Z '). Por ejemplo,
P(Z -1) = F(-1) = 0.15+7
y
P(Z 2) = 1 - P(Z 2) = 1 - F(2) = 1 - 0.9772 = 0.022+.
'i X es &(,
2
), entonces $X S %T es &(0,1). Esto resulta ser as porque mediante la propiedad 6 de la
distribucin normal, X S es &( - ,
2
) 4 &(0,
2
). 0espu*s, seg"n la propiedad 1,

X
es &$
2
2
,
0

% ) &(0,
1). +a "ltima igualdad permite utili!ar la @abla 6 para obtener probabilidades para cualquier variable aleatoria
normal, y no nada ms para una variable aleatoria &(0,1). 'uponga que X es &(,
2
) y que queremos encontrar
P(a X b). Para obtener esta probabilidad a partir de la @abla 6, utili!amos las relaciones siguientes $este
procedimiento se llama estandari!acin%(
13

,
_

,
_

,
_

,
_

a
F
b
F
b a
P
b a
P b a P


) (
Z
X
X
+EORE"A DEL LI"I+E CEN+RAL. 'i X1, X2, ..., Xn, son variables aleatorias independientes, entonces para n
suficientemente grande $normalmente :L funciona, pero el tama4o real de n depende de las distribuciones de
X1, X2, ..., Xn%, se podr aproimar mucho la variable aleatoria X ) X1 +.X2 + ... Xn. mediante una variable
aleatoria normal X' que tiene E(X) = E(X1) + E(X2) + ... + E(Xn) y *a# X' = *a# X1 + *a# X2 + ... + *a# Xn. Este
resultado se conoce corno @eorema del +mite Central. Cuando decimos que X' aproima mucho a X,
queremos decir P(a X b) ) P(a X' b).
E!E"PLO 15 +a demanda diaria de barras de chocolate en Millis Mrocery tiene una media de 100 barras
de chocolate y una variancia de 3 000 $barras de chocolate%
2
. &ctualmente la tienda tiene 3
500 barras de chocolate en eistencia. 3Cul es la probabilidad de que la tienda no tenga
barras de chocolate durante los primos 30 das5 &dems 3cuntas barras de chocolate
tendr que tener Millis en reserva al principio de un periodo de 30 das, si la tienda quiere
tener solamente una probabilidad del 1% de quedarse sin barras de chocolate durante un
periodo de 30 das5 'upngase que las demandas en das diferentes son variables
aleatorias independientes.
S#l$%i&n 'ea
Xi ) demanda de barras de chocolate en el da i (i = 1, 2, ..., 30)
X ) n"mero de barras de chocolate pedidas en los primos 30 das
Millis se quedar sin reserva durante los primos 30 das si X 3 500. El @eorema del
+mite Central implica que se puede aproimar de cerca X = X1 + X2 + ... + X30 mediante una
distribucin normal X, con E$X% ) 30(100) ) : LLL y var X ) 30(3 000) = 90 000 y x( = (90
000)
1/2
= 300. Entonces aproimaremos la probabilidad de que Millis se quede sin reserva
durante los primos 30 das, mediante
0475 . 0 9525 . 1 ) 67 . 1 ( 1
) 67 . 1 ( 1 ) 67 . 1 (
300
3000 3500
300
3000
) 3500 (

,
_

F
P P
P P
Z Z
X'
X'
'ea c ) el n"mero de barras de chocolate que habra que tener en reserva para tener una
probabilidad de 1% de quedarse sin barras de chocolate dentro de los primos 30 das.
<uscamos c que satisface P(X c) = 0.01, o
01 . 0
300
3000
300
3000

,
_

c
P
X'
Esto es equivalente a
01 . 0
300
3000

,
_

c
P Z
.
14
Ha que F(2.33) = P(Z 2.33) = 0.99,
3699 33 . 2
300
3000

c
c
Por lo tanto, si Millis tiene 3 699 barras de chocolate en reserva, eiste una probabilidad del 1
por ciento de que la tienda se quede sin barras de chocolate durante los primos 30 das.
$Bemos definido la falta de barras de chocolate como el hecho de quedarse sin barras de
chocolate al final de 30 das.%
' PROBLE"AS
GR(PO A
1. +a demanda diaria de leche $en galones% en Millis
Mrocery es &(1 000, 100). 3Cuntos galones de leche
hay que tener de reserva al inicio del da si Millis
quiere tener una probabilidad de solamente 7U de
quedarse sin leche al final del da5
2. &ntes de quemarme, un foco da X horas de lu!, en
donde X es &(500,400). 'i tenemos 3 focos, 3cul
ser la probabilidad de que de un total de por lo
menos 1 ;>L horas de lu!5
MD#PF <
:. El n"mero de accidentes de trfico que ocurren en
<loomington en un solo da, tiene una media y una
variancia de :. 3Cul es la probabilidad de que
durante un a4o dado $un periodo de :>7 das% haya
por lo menos 1 LLL accidentes de trfico en
<loomington5
15
Tabla 4

. 2#bab$-$'a' ac,?,-a"$*a !#?a- e%"B!'a#

z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
-3.8 0.0001 0.001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001
-3.7 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001
-3.6 0.0002 0.0002 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001
-3.5 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002
-3.4 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0002
-3.3 0.0005 0.0005 0.0005 0.0004 0.0004 0.0004 0.0004 0.0004 0.0004 0.003
-3.2 0.0007 0.0007 0.0006 0.0006 0.0006 0.0006 0.0006 0.0005 0.0005 0.0005
-3.1 0.0010 0.0009 0.0009 0.0009 0.000+ 0.000+ 0.000+ 0.000+ 0.0007 0.0007
-3.0 0.0014 0.0013 0.0013 0.0012 0.0012 0.0011 0.0011 0.0011 0.0010 0.0010
-2.9 0.0019 0.001+ 0.001+ 0.0017 0.0016 0.0016 0.0015 0.0015 0.0014 0.0014
-2.8 0.0026 0.0025 0.0024 0.0023 0.0023 0.0022 0.0021 0.0021 0.0020 0.0019
-2.7 0.0035 0.0034 0.0033 0.0032 0.0031 0.0030 0.0029 0.002+ 0.0027 0.0026
-2.6 0.0047 0.0045 0.0044 0.0043 0.0041 0.0040 0.0039 0.003+ 0.0037 0.0036
-2.5 0.0062 0.0060 0.0059 0.0057 0.0055 0.0054 0.0052 0.0051 0.0049 0.004+
-2.4 0.00+2 0.00+0 0.007+ 0.0076 0.0073 0.0071 0.0069 0.006+ 0.0066 0.0064
-2.3 0.0107 0.0104 0.0102 0.0099 0.0096 0.0094 0.0091 0.00+9 0.00+7 0.00+4
-2.2 0.0139 0.0136 0.0132 0.0129 0.0125 0.0122 0.0119 0.0116 0.0113 0.0110
-2.1 0.0179 0.0174 0.0170 0.0166 0.0162 0.015+ 0.0154 0.0150 0.0146 0.0143
-2.0 0.022+ 0.0222 0.0217 0.0212 0.0207 0.0202 0.0197 0.0192 0.01++ 0.01+3
-1.9 0.02+7 0.02+1 0.0274 0.026+ 0.0262 0.0256 0.0250 0.0244 0.0239 0.0233
-1.8 0.0359 0.0351 0.0344 0.0336 0.0329 0.0322 0.0314 0.0307 0.0301 0.0294
-1.7 0.0446 0.0436 0.0427 0.041+ 0.0409 0.0401 0.0392 0.03+4 0.0375 0.0367
-1.6 0.054+ 0.0537 0.0526 0.0516 0.0505 0.0495 0.04+5 0.0475 0.0465 0.0455
-1.5 0.066+ 0.0655 0.0643 0.0630 0.061+ 0.0606 0.0594 0.05+2 0.0571 0.0559
-1.4 0.0+0+ 0.0793 0.077+ 0.0764 0.0749 0.0735 0.0721 0.070+ 0.0694 0.06+1
-1.3 0.096+ 0.0951 0.0934 0.091+ 0.0901 0.0++5 0.0+69 0.0+53 0.0+3+ 0.0+23
-1.2 0.1151 0.1131 0.1112 0.1093 0.1075 0.1057 0.103+ 0.1020 0.1003 0.09+5
-1.1 0.1357 0.1335 0.1314 0.1292 0.1271 0.1251 0.1230 0.1210 0.1190 0.1170
-1.0 0.1357 0.1335 0.1314 0.1292 0.1271 0.1251 0.1230 0.1210 0.1190 0.1170
-0.9 1+.41 0.1+14 0.17++ 0.1762 0.1736 0.1711 0.16+5 0.1660 0.1635 0.1611
-0.8 0.2119 0.2090 0.2061 0.2033 0.2005 0.1977 0.1949 0.1922 0.1+94 0.1+67
-0.7 0.2420 0.23+9 0.235+ 0.2327 0.2297 0.2266 0.2236 0.2206 0.2177 0.214+
-0.6 0.2743 0.2709 0.2676 0.2643 0.2611 0.257+ 0.2546 0.2514 0.24+3 0.2451
-0.5 0.30+5 0.3050 0.3015 0.29+1 0.2946 0.2912 0.2+77 0.2+43 0.2+10 0.2776
-0.4 0.3446 0.3409 0.3372 0.3336 0.3300 0.3264 0.322+ 0.3192 0.3156 0.3121
-0.3 0.3+21 0.37+3 0.3745 0.3707 0.3669 0.3632 0.3594 0.3557 0.3520 0.34+3
-0.2 0.4207 0.416+ 0.4129 0.4090 0.4052 0.4013 0.3974 0.3936 0.3+97 0.3+59
-0.1 0.4602 0.4562 0.4522 0.44+3 0.4443 0.4404 0.4364 0.4325 0.42+6 0.4247
-0.0 0.5000 0.4960 0.4920 0.4++0 0.4+40 0.4+01 0.4761 0.4721 0.46+1 0.4641
C
;a e!"#a'a 'e -a "ab-a c##e%A!'e a- B#ea baD -a c,#*a 'e -a !#?a- e%"B!'a# a -a $E.,$e#'a 'e- *a-#
'e ' $!'$ca', %$e!' a%F .,e P() ').
16
Tabla 4. 2#bab$-$'a' ac,?,-a"$*a !#?a- e%"B!'a# (*+n,in-aci.n)
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
17
00.0 0.5000 0.5040 0.50+0 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.539+ 0.543+ 0.547+ 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5+32 0.5+71 0.5910 0.594+ 0.59+7 0.6026 0.6064 0.6113 0.6114
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.636+ 0.6406 0.6443 0.64+0 0.6517
0.4 0.6554 0.6591 0.662+ 0.6664 0.6700 0.6736 0.6772 0.6+0+ 0.6+44 0.6+79
0.5 0.6915 0.6950 0.69+5 0.7019 0.7054 0.70++ 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.73+9 0.7422 0.7454 0.74+6 0.7517 0.7549
0.7 0.75+0 0.7511 0.7642 0.7673 0.7703 0.7734 0.7764 0.7794 0.7+23 0.7+52
0.8 0.7++1 0.7910 0.7939 0.7967 0.7995 0.+023 0.+051 0.+07+ 0.+106 0.+133
0.9 0.+159 0.+1+6 0.+212 0.+23+ 0.+264 0.+2+9 0.+315 0.+340 0.+365 0.+3+9
1.0 0.+413 0.+43+ 0.+461 0.+4+5 0.+50+ 0.+531 0.+554 0.+577 0.+599 0.+621
1.1 0.+623 0.+665 0.+6+6 0.+70+ 0.+729 0.+749 0.+770 0.+790 0.++10 0.++30
1.2 0.++49 0.++69 0.++++ 0.+907 0.+925 0.+943 0.+962 0.+9+0 0.+997 0.90015
1.3 0.9032 0.9049 0.9066 0.90+2 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.93+2 0.9394 0.9406 0.941+ 0.9429 0.9441
1.6 0.9452 0.9463 .09474 0.94+4 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.95+2 0.9591 0.9599 0.960+ 0.9616 0.9625 0.9636
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.967+ 0.96+6 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.973+ 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.977+ .097+3 0.97++ 0.9793 0.979+ 0.9+03 0.9+0+ 0.9+12 0.9+17
2.1 0.9+21 0.9+26 0.9+30 0.9+34 0.9+3+ 0.9+42 0.9+46 0.9+50 0.9+54 0.9+57
2.2 0.9+61 0.9+64 0.9+6+ 0.9+71 0.9+75 0.9+7+ 0.9++1 0.9++4 0.9++7 0.9+90
2.3 0.9+93 0.9+96 0.9+9+ 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.991+ 0.9920 0.9922 0.9924 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.993+ 0.9940 0.9941 0.9943 0.9945 0.9946 0.994+ 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.996+ 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.997+ 0.9979 0.9979 0.99+0 0.99+1
2.9 0.99+1 0.99+2 0.99+2 0.99+3 0.99+4 0.99+4 0.99+5 0.99+5 0.99+6 0.99+6
3.0 0.99+6 .099+7 0.99+7 0.99++ 0.99++ 0.99+9 0.99+9 0.99+9 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.999+
3.5 0.999+ 0.999+ 0.999+ 0.999+ 0.999+ 0.999+ 0.999+ 0.999+ 0.999+ 0.999+
3.6 0.999+ 0.999+ 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.7 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.8 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.9 1.0000
' PROBLE"AS DE REPASO
1+
GR(PO A
1. 'ea
x
xe x f

) ( .
(a) Fbtenga fG(x) y fH(x).
(b) 3Para que valores de x es creciente f(x)5 3y
decreciente5
(c) Fbtenga la epansin en serie de @aylor de
primer orden de f(x) alrededor de x = 1.
6. 'ea ) -!( ) , (
1 2 1 2 1
x x x x x f . 0etermine
todas las derivadas parciales de primero y de
segundo orden.
3. 0entro de algunos a4os a partir de ahora, la demanda
de acondicionadores de aire ser de ,
acondicionadores al a4o. 3Cuntos acondicionadores
de aire sern vendidos durante los primos 5 a4os5
4. 'ea X una variable aleatoria continua, con la siguiente
funcin de densidad

'

?a!e#a "#a 'e 0

4 0
) (
4
x
x f
k
x
(a) 3Cul es el valor de k5
(b) Fbtenga la f.d.a. para X.
(c) Encuentre E(X) y *a# X.
(') Encuentre P(2 X 5).
5. 'ea Xi el precio $en dlares% de los valores i dentro de
un a4o a partir de ahora. 'uponga que X1 es
&(-5,.100) y X2 es &(20,2025). Boy compro tres
acciones de los valores 1 a 12 dlaresTla accin y dos
acciones de los valores 2 a 17 dlaresTla accin.
'upngase que X1 y X2 son variables aleatorias
independientes.
$a% Encuentre la media y la variancia del valor de mis
acciones dentro de un a4o, a partir de hoy.
(b) 3Cul es la probabilidad de que dentro de un a4o
a partir de ahora, tenga ganado por lo menos un
30% de intereses de mi inversin.
(c) 'i X1 y X2 no fueran independientes, 3por qu*
sera difcil contestar los incisos $a% y $b%5
MD#PF <
6. #n avin tiene cuatro motores. En un vuelo de 2ueva
HorV a Pars, cada motor tiene una probabilidad de
0.001 de que falle. El avin caer si en cualquier
momento dos, o menos, motores trabajan
adecuadamente. 'uponga que las averas de
motores diferentes son independientes.
$a% 3Cul es la probabilidad de que caiga el avin5
$b% 0ado que el motor 1 no fallar durante el vuelo,
3cul ser la probabilidad de que el avin caiga5
$c% 0ado que el motor 1 fallar durante el vuelo,
3cul ser la probabilidad de que el avin no
caiga5
?. 'uponga que se puede inspeccionar cada motor
antes del vuelo. 0espu*s de la inspeccin, se
clasifica cada motor como en buena condicin, o bien
en mala. #sted sabe que
P(-a $!%Aecc$=! '$ce .,e e- ?"# e%"B e! b,e!a%
c!'$c$!e% | e- ?"# fa--a#B) = .001
P(-a $!%Aecc$=! '$ce .,e e- ?"# e%"B e! ?a-a%
c!'$c$!e% | e- ?"# fa--a#B) = .999
P(-a $!%Aecc$=! '$ce .,e e- ?"# e%"B e! b,e!a%
c!'$c$!e% | e- ?"# ! fa--a#B) = .995
P(-a $!%Aecc$=! '$ce .,e e- ?"# e%"B e! ?a-a%
c!'$c$!e% | e- ?"# ! fa--a#B) = .005
$a% 'i la inspeccin indica que el motor est en
malas condiciones, 3cul es la probabilidad de
que el motor falle durante el vuelo5
(b) ' un inspector verifica al a!ar un
motor $es decir, con una probabilidad
de .LL1 escoge un motor que est a
punto de fallar, y con una
probabilidad de .JJJ e%cIe ,! ?"#
.,e ! e%"B a A,!" 'e fa--a#), Jc,B- e% -a
A#bab$-$'a' 'e .,e c#!e"a ,! e### e!
-a e*a-,ac$=! 'e- ?"#K
19