n

io
at
ul
irc
Introducción a estadı́stica y probabilidad para economistas
rc
Quiroz Zaida - Calderón Arturo 2019
c
fo
ot
tn
af
Dr
 n
io
Contents

at
ul
Contents i

1 Probabilidades 3

irc
1.1 Teoria de conjuntos: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
rc
1.2.1 Definición clásica de probabilidad . . . . . . . . . . . . . . . . . . . 6
1.2.2 Definición frecuentista de probabilidad . . . . . . . . . . . . . . . . 7
1.2.3 Definición Axiomática de probabilidad y propiedades . . . . . . . . . 7
fo
1.3 Probabilidad clásica y técnicas de conteo . . . . . . . . . . . . . . . . . . . . 11
1.3.1 Principios básicos: . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.2 Permutaciones y combinaciones: . . . . . . . . . . . . . . . . . . . . 12
ot

1.4 Probabilidad condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

1.5 Regla del producto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
tn

1.6 Independencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.7 Probabilidad total . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.8 Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
af

2 Variables aleatorias 19
2.1 Clasificación de variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . 21
Dr

2.2 Variable aleatoria discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

2.2.1 Valor esperado y Varianza . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3 Variable aleatoria continua . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3.1 Valor esperado y Varianza . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4 Función de distribución acumulada (f.d.a) . . . . . . . . . . . . . . . . . . . 27

i
 CONTENTS 1

2.5 Técnica de transformación de variable aleatoria . . . . . . . . . . . . . . . . 29

2.5.1 Para v.a. discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.5.2 Para v.a. continua . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

n
3 Distribuciones de probabilidad para v.a. Discretas 31

io
3.1 Distribución Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2 Distribución Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

at
3.3 Distribución Geométrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.4 Distribución Binomial Negativa . . . . . . . . . . . . . . . . . . . . . . . . . 34

ul
3.5 Distribución Hipergeométrica . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.6 Distribución Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

irc
4 Distribuciones de probabilidad para v.a. Continuas 37
4.1 Distribución Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
rc
4.2 Distribución Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.3 Distribución Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.4 Distribución Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
fo

5 Introducción a regresión Lineal 45

Bibliography 49
ot
tn
af
Dr
 2
Dr
af
tn
ot
fo
rc
irc
ul
CONTENTS

at
io
n
 n
io
Chapter 1

at
Probabilidades

ul
irc
En los capı́tulos previos introdujimos métodos descriptivos de la estadı́stica. Aunque estos
métodos son útiles para describir los datos, en economı́a podemos estar particularmente
interesados en el desarrollo de la inferencia estadı́stica. La inferencia estadı́stica. es el
proceso mediante el cual adquirimos información sobre poblaciones a partir de muestras.
rc
Un componente crı́tico de la inferencia es la probabilidad porque nos proporciona el
vı́nculo entre la población y la muestra.
El término probabilidad se refiere al estudio de azar y la incertidumbre en cualquier
situación en la cual varios posibles sucesos pueden ocurrir. El lenguaje de probabilidad se
fo
utiliza constantemente de manera informal tanto en el contexto escrito como en el hablado.
Algunos ejemplos incluyen enunciados tales como “probablemente se ofrecerá por lo menos
un horario del curso el próximo año”, “las probabilidades favorecen la rápida solución de
la huelga” y “se espera que se vendan por lo menos 20 000 boletos para el concierto”.
ot

En este capı́tulo, se introducen algunos conceptos de probabilidad, se indica cómo

pueden ser interpretadas las probabilidades y se demuestra cómo pueden ser aplicadas las
reglas de probabilidad para calcular las probabilidades de muchos eventos interesantes.
tn

La metodologı́a de probabilidad permite entonces expresar en lenguaje preciso enunciados

informales como los antes expresados.
En Economı́a, Finanzas, Gestión, etc., el analista trata con cifras que miden o repre-
sentan resultados de procesos donde interactúan diversos agentes en condiciones de incer-
af

tidumbre parcial, ve tendencias pero estas no son exactas sino “patrones” que presentan
cierta variabilidad.
Dr

Por ejemplo, la rentabilidad financiera (ROE=Beneficio neto/Fondos propios) de

un banco, medida semana a semana no es constante, pero tampoco es caótica, exami-
nando cifras (Figura 1) se encuentran tendencias, valores que oscilan entre extremos bien
definidos. Estas tendencias, cuantificadas adecuadamente, nos brindan “información” de
una población o grupo, indicando qué es lo que predomina, qué es lo más frecuente y
también cuánta variabilidad (diferencia arriba o debajo de lo predominante) existe.

3
 4 CHAPTER 1. PROBABILIDADES

n
io
at
ul
Para obtener más información uno suele apoyarse en algunas caracterı́sticas (o vari-

irc
ables) que hayan mostrado estar asociadas a la variable de interés de la población. Si la
explicación es buena, eso nos pone incluso en capacidad de predecir. Por ejemplo, si ten-
emos datos sobre la rentabilidad promedio de diversos fondos mutuos y de la variación en
rentabilidad de esos mismos fondos y juntamos las cifras para analizarlas (Figura 2), pode-
rc
mos distinguir un patrón de asociación que es muy conocido en el campo de las finanzas,
la relación entre “rentabilidad y riesgo”.
fo
ot
tn
af
Dr

Un experimento es cualquier acción o proceso cuyo resultado está sujeto a la in-

certidumbre. Aunque la palabra experimento en general sugiere una situación de prueba
cuidadosamente controlada en un laboratorio, se le utiliza aquı́ en un sentido mucho más
 1.1. TEORIA DE CONJUNTOS: 5

amplio. Por lo tanto, experimentos que pueden ser de interés incluyen el tiempo de recor-
rido de la casa al trabajo en una mañana particular, contar la cantidad de establecimientos
que visita un consumidor hasta que se decida a comprar un bien especı́fico o medir las
variaciones del cambio de sol a dólar.

n
Definiciones

io
1. El espacio muestral de un experimento denotado por S, es el conjunto de todos
los posibles resultados de dicho experimento.

at
2. Un evento es cualquier recopilación (subconjunto) de resultados contenidos en el
espacio muestral S. Los eventos se suelen denotar con letras mayúsculas: A, B, etc.

ul
Ejemplo:

irc
• Ilustración 1. Experimento: lanzar una moneda.
Resultados: Sello o cara. Entonces: S = {sello, cara}.
rc
• Ilustración 2. Experimento: marcas de registro en una prueba de estadı́sticas (de
100).
Resultados: Números entre 0 y 100. S = {0, 1, . . . , 100}.
fo
• Ilustración 3. Experimento: Grabar nota en una prueba de estadı́sticas.
Resultados: A, B, C, D y E. S = {A, B, C, D, E}

• Ilustración 4. Experimento: registro de las evaluaciones de los estudiantes de un

ot

curso.
Resultados: pobre, justo, bueno, muy bueno y excelente.
S = {pobre, justo, bueno, muybueno, excelente}.
tn

• Ilustración 5. Experimento: mida el tiempo para armar una computadora.

Resultados: Número cuyo valor más pequeño posible es 0 segundos sin lı́mite superior
predefinido. S = [0, ∞)

• Ilustración 6. Experimento: Registre el partido por el cual votará un votante en una

af

próxima elección.
Resultados: Partido A, Partido B,. . . S = {P artidoA, P artidoB, . . . }.
Dr

1.1 Teoria de conjuntos:

Un evento es simplemente un conjunto, ası́ que las relaciones y resultados de la teorı́a

elemental de conjuntos pueden ser utilizados para estudiar eventos. Se utilizarán las
siguientes operaciones para crear eventos nuevos a partir de eventos dados.
 6 CHAPTER 1. PROBABILIDADES

n
io
• Evento seguro: Es el espacio muestral. Por definición, ocurre siempre pues tiene
todos los resultados que se pueden presentar.

at
• Evento imposible: Es el conjunto vacı́o ; y como no tiene elementos, nunca ocurre.
• Eventos mutuamente excluyentes: Dos eventos A y B se dicenmutuamente ex-

ul
cluyentes si carecen de elementos comunes. Esto es A y B no se presentan a la
vez o nunca ocurren juntos. Formalmente se tiene que A ∩ B = φ .

irc
Ejemplo: En una pequeña ciudad hay tres distribuidores de automóviles: un dis-
tribuidor GM que vende Chevrolets, Pontiacs y Buicks; un distribuidor Ford que vende
Fords y Mercurys. Si un experimento consiste en observar la marca del siguiente carro
vendido, entonces los eventos A = {Chevrolet, Pontiac, Buick} y B = {Ford, Mercury} son
rc
mutuamente excluyentes porque el siguiente carro vendido no puede ser tanto un producto
GM como un producto Ford.
fo
1.2 Probabilidad

Informalmente la probabilidad es una medida que cuantifica la incertidumbre asociada a

los posibles resultados de un experimento aleatorio.
ot

1.2.1 Definición clásica de probabilidad

tn

Si un espacio muestral S tiene n() elementos todos con similar opción de presentarse, n(A)
de los cuales son elementos de un evento A, la probabilidad de A, denotada por P(A), se
define como
n(A)
P (A) =
af

n(S)

Observaciones: El defecto de esta definición es que no siempre es aplicable, pues

Dr

hay espacios con infinitos elementos (el ejemplo de la ilustración 5 es de ese tipo) o siendo
finitos, sus elementos no son equiprobables.
Ejemplo: Si una persona contesta al azar una pregunta de opción múltiple con
cinco opciones de respuesta, digamos a, b, c, d y e, el espacio muestral será S= {a; b;
c; d; e}. Si a es la opción correcta, el evento A=“La persona acierta” = {a} tendrá una
probabilidad igual a
P (A) = n(A)/n(S) = 1/5 = 0.20;
 1.2. PROBABILIDAD 7

mientras que para el evento B = “No acierta” = {b; c; d; e }, se tiene que

P (B) = n(B)/n(S) = 4/5 = 0.8.

n
1.2.2 Definición frecuentista de probabilidad

io
Si un experimento aleatorio S se repite n veces y el evento A ocurre en nA de esas veces,
la probabilidad de A, denotada por P (A) es

at
nA
P (A) = lim ,
n→∞ n
es decir la probabilidad es el lı́mite de una frecuencia relativa.

ul
Es difı́cil de aplicar, pues ello implica repetir el experimento aleatorio un número
grande de veces para poder aproximar bien la probabilidad.

irc
Ejemplo: Si la distribución del número de trabajadores (“tamaño de la empresa)
en las 80 empresas de metalmecánica de un distrito es:
Pago de impuestos Frecuencia frecuencia relativa
[0 ; 4)
rc 30 0.38
[4 ; 8) 20 0.25
[8 ; 12) 19 0.19
[12 ; 16) 13 0.13
[16 ; 20) 6 0.06
fo
Total 80 1

Si se selecciona al azar a una de estas empresas metalmecánicas, entonces la proba-

bilidad de A = “La empresa tiene más de 4 trabajadores pero menos de 8 ” es
ot

P (A) = nA /n = 20/80 = 0.25.

1.2.3 Definición Axiomática de probabilidad y propiedades

tn

Vamos a considerar la probabilidad como una función P(.) que atribuye valores numéricos
a los eventos del espacio muestral S, conforme a la siguiente definición.
Probabilidad: Una función P(.) es denominada probabilidad de un evento A, tal
af

que a cada evento A le asigna un número real, denotado por P(A), si satisface las siguientes
condiciones conocidas como Axiomas de Probabilidad:
Dr

1. 0 ≤ P(A) ≤ 1, ∀A ⊂ S

2. P(S) = 1

3. P (A ∪ B) = P (A) + S
P (B) si A yPB son disjuntos.
De forma general P( nj=1 Aj ) = nj=1 P (Aj ), Aj 0 s son disjuntos.
 8 CHAPTER 1. PROBABILIDADES

Esta definición, indica los requisitos que debe satisfacer una asignación de probabil-
idades a eventos para ser considerada “correcta”, en el sentido de estar libre de contradic-
ciones lógicas.

n
Ejemplo Un consumidor encuentra dos productores A y B, que le ofrecen el mismo
bien al mismo precio. El consumidor puede comprar solo un bien. Además puede comprar

io
a A con probabilidad “p” o a B con probabilidad “q”. ¿Cuáles de los siguientes valores
de p y q son formalmente correctos?

at
a) p = q = 1/2

b) p = 2/3 y q = 1/3

ul
c) p = 2/8 y q = 4/5

Solución:

irc
Sea el espacio muestral dado por S = {A, B}. Entonces P (S)P ({A, B}) = 1 y natural-
mente P (S) = P (A ∪ B) = P (A) + P (B) = p + q porque A y B son disjuntos. Por tanto,
verificando cada caso:
En a) p + q = 1/2 + 1/2 = 1 ) Asignación correcta
rc
En b) p + q = 2/3 + 1/3 = 1 ) Asignación correcta
En c) p + q = 2/8 + 4/5 = 21/20 > 1, lo que es una contradicción. Esta asignación no
es correcta.
fo
Propiedades básicas

Regla de adición
P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
ot

Probabilidad del complemento

Sea el evento A ⊂ S,
tn

P (A) = 1 − P (Ac ).

Otras propiedades:
af

P (φ) = 0
Por la Ley de Morgan: Ac ∩ B c = (A ∪ B)c
Dr

P (Ac ∩ B c ) = 1 − P (A ∪ B)

O de forma similar: Ac ∪ B c = (A ∩ B)c entonces

P (Ac ∪ B c ) = 1 − P (A ∩ B)
 1.2. PROBABILIDAD 9

Ejemplo
Un fondo mutuo es un conjunto de inversiones realizadas en nombre de personas que
comparten objetivos similares. En la mayorı́a de los casos, un gerente profesional que ha

n
sido educado en finanzas y estadı́sticas gestiona el fondo. Él o ella toma decisiones para
comprar y vender acciones y bonos individuales de acuerdo con una filosofı́a de inversión

io
especı́fica. ¿Por qué algunos administradores de fondos mutuos son más exitosos
que otros? Un posible factor es la universidad donde el gerente obtuvo su maestrı́a en
administración de empresas (MBA). Supongamos que un inversionista potencial examinó

at
la relación entre qué tan bien el fondo mutuo se desempeña y donde el administrador del
fondo obtuvo su MBA. Después del análisis, se obtuvo la siguiente tabla de probabilidades
conjuntas. Analice estas probabilidades e interprete los resultados.

ul
Fondo mutuo mejora Fondo mutuo NO mejora
el marketing el marketing
Top-20 programa MBA 0.11 0.29

irc
No Top-20 programa MBA 0.06 0.54

Solución:
La Tabla 6.1 nos dice que la probabilidad conjunta de que un fondo mutuo supere a la
rc
mercado y que su gerente sea graduado de un programa de MBA top-20 es 0.11; es decir,
11% de todos los fondos mutuos superan al mercado y sus gerentes se graduaron en un
Programa de MBA top-20.
Las otras tres probabilidades conjuntas se definen de manera similar:
fo

• La probabilidad de que un fondo mutuo supere al mercado y el gerente no sea

graduado de un programa de MBA top-20 es 0.06.
• La probabilidad de que un fondo mutuo no supere al mercado y el gerente sea
ot

graduado de un programa de MBA top-20 es 0.29.

• La probabilidad de que un fondo mutuo no supere al mercado y el gerente no sea
tn

graduado de un programa de MBA top-20 es 0.54.

Para ayudar a facilitar nuestra tarea, usaremos la notación para representar los
eventos. Sean:
A1 = Gestor de fondos graduado de un programa de MBA top-20
af

A2 = El administrador del fondo no se graduó de un programa de 20 MBA superior

B1 = El fondo supera al mercado
B2 = El fondo no supera al mercado.
Dr

Ası́,

P (A1 ∩ B1) = 0.11 P (A2 ∩ B1) = 0.06

P (A1 ∩ B2) = 0.29 P (A2 ∩ B2) = 0.54

Calcule e interprete: P (A1 ), P (B1 ), P (A1 ∪ B1 ).

 10 CHAPTER 1. PROBABILIDADES

Ejemplo El gerente de una tienda de informática ha llevado la cuenta de la cantidad

de computadoras vendidas por dı́a. Sobre la base de esta información, el gerente produjo
la siguiente lista del número de ventas diarias.

n
Número de computadoras vendidas frecuencia relativa
0 0.08

io
1 0.17
2 0.26
3 0.21

at
4 0.18
5 0.10

ul
(a) Si definimos el experimento como observar el número de computadoras vendidas
mañana, determinar el espacio muestral.

irc
(b) Use la notación para definir el evento, vender más de tres computadoras.

(c) ¿Cuál es la probabilidad de vender cinco computadoras?

rc
(d) ¿Cuál es la probabilidad de vender dos, tres o cuatro computadoras?

(e) ¿Cuál es la probabilidad de vender seis copmutadoras?

fo
Ejemplo: En cierto suburbio residencial, 60% de las familias se suscriben al periódico
en una ciudad cercana, 80% lo hacen al periódico local y 50% de todas las familias a ambos
periódicos. Si se elige una familia al azar, ¿cuál es la probabilidad de que se suscriba a
ot

1. por lo menos a uno de los dos periódicos

2. exactamente a uno de los dos periódicos?

tn

Extensiones de propiedades

P (A1 ∪ A2 ∪ A3 ) = P (A1 ) + P (A2 ) + P (A3 ) − P (A1 ∩ A2 ) − P (A2 ∩ A3 ) − P (A1 ∩ A3 ) + P (A1 ∩ A2 ∩ A3 ).

af

Los eventos Ai son mutuamente exluyentes o disjuntos si:

P (Ai ∩ Aj ) = φ); . . . ; P (A1 ∩ A2 ∩ A3 ∩ · · · ∩ An ) = φ

Dr

Si los eventos Ai , i = 1, 2, 3 son mutuamente exluyentes o disjuntos:

P (A1 ∪ A2 ∪ A3 ) = P (A1 ) + P (A2 ) + P (A3 ).

Si los eventos Ai , i = 1, 2, 3, . . . , n son mutuamente exluyentes o disjuntos:

P (A1 ∪ A2 ∪ . . . An ) = P (A1 ) + P (A2 ) + . . . P (An ).

 1.3. PROBABILIDAD CLÁSICA Y TÉCNICAS DE CONTEO 11

1.3 Probabilidad clásica y técnicas de conteo

Es útil para contar la cantidad de elementos que tiene el espacio muestral S y el evento

n
A, sobretodo cuando el conteo directo es tedioso e ineficiente.

io
1.3.1 Principios básicos:

1. Adición

at
Si una acción A puede realizarse de “a” maneras y una acción B puede realizarse de
“b” maneras, tal que solo ocurre la acción A o solo ocurre la acción B (PERO NO
AMBAS) de a+b maneras posibles. En eventos tenemos que:

ul
n(A o B) = n(A) + n(B).

Ejemplo: Suponga que una persona desea comprar 100 dólares, para ello puede

irc
ir al banco o a una casa de cambio. Cerca de su casa, hay 3 bancos y 4 casas de
cambio. Suponiendo que va a comprar los 100 dólares en un banco o en una casa
de cambio, pero no en ambas. Entonces el número de formas distintas de comprar
rc
dólares se calcula de la siguiente forma:
B = {B1 , B2 , B3 } entonces n(B) = 3
C = {C1 , C2 , C3 , C4 }, entonces n(C) = 4
n(B o C) = n(B) + n(C) = 3 + 4 = 7 formas posibles de comprar dólares.
En efecto, S = {B1 , B2 , B3 , C1 , C2 , C3 , C4 }.
fo

Ejemplo: (continuación), en el contexto anterior, ¿Cuál es la probabilidad que la

persona vaya al banco B1 ?
Rpta:
ot

Sea D: evento ir al banco B1

D = {B1 }
P (D) = n(D) 1
n(S) = 7 .
tn

2. Multiplicación
Si una acción A puede realizarse de “a” maneras y una acción B puede realizarse de
“b” maneras, tal que ocurre la acción A primero y luego ocurre la acción B de ab
maneras posibles. En eventos tenemos que:
af

n(A y B) = n(A)n(B).
Dr

Ejemplo: Suponga que una persona desea comprar 100 dólares en una casa de cam-
bio y depositarlos en el banco. Cerca de su casa, hay 3 bancos y 4 casas de cambio.
Entonces el número de formas distintas de realizar ambas operaciones se calcula de
la siguiente forma:
B = {B1 , B2 , B3 } entonces n(B) = 3
C = {C1 , C2 , C3 , C4 }, entonces n(C) = 4
 12 CHAPTER 1. PROBABILIDADES

n(B y C) = n(B)n(C) = 3 × 4 = 12 formas posibles.

En efecto, S = {(B1 , C1 ), (B2 , C1 ), (B3 , C1 ), (B1 , C2 ), (B2 , C2 ), (B3 , C2 ), (B1 , C3 ),
(B2 , C3 ), (B3 , C3 ), (B1 , C4 ), (B2 , C4 ), (B3 , C4 )}.

n
Ejemplo: (continuación), en el contexto anterior, ¿Cuál es la probabilidad que la
persona vaya al banco B1 ?

io
Rpta:
Sea D: evento ir al banco B1

at
D = {(B1 , C1 ), (B1 , C2 ), (B1 , C3 ), (B1 , C4 ), }
P (D) = n(D) 4
n(S) = 12 .

ul
Estos principios se extienden por inducción a más de dos eventos:

n(A o B o C) = n(A) + n(B) + n(C).

irc
n(A y B y C) = n(A)n(B)n(C).

1.3.2 Permutaciones y combinaciones:

rc
¿De cuántas formas podemos seleccionar r elementos de un conjunto de n elementos?
fo
Respuesta: Depende del requerimiento de ORDEN o no de los r elementos selec-
cionados.

1. Permutación
ot

Se usa para contar de cuántas formas podemos ORDENAR r elementos de un con-

junto de n elementos y es definida por:
tn

n!
Prn = .
(n − r)!

Definición de factorial de n:
af

n! = n × (n − 1) × . . . 2 × 1
Dr

Nota: 0! = 1
Ejemplo: De un estante con 3 libros (Algebra, Biologı́a, Contabilidad), ¿de cuántas
formas podemos ordenar 2 de 3 libros?
Solución:
S = {AB, BA, AC, CA, BC, CB}
n =3, r=2,
n! 3! 3!
Prn = (n−r)! = (3−2)! = (1)! = 3 × 2 = 6.
 1.4. PROBABILIDAD CONDICIONAL 13

2. Combinación
Se usa para contar de cuántas formas podemos seleccionar r elementos de un conjunto
de n elementos SIN IMPORTAR EL ORDEN de dicha selección.

n
n!
Crn = .
(n − r)!r!

io
Ejemplo: De un estante con 3 libros (Algebra, Biologı́a, Contabilidad), ¿de cuántas

at
formas podemos seleccionar 2 de 3 libros?
Solución:
S = {AB, AC, BC}
n =3, r=2,

ul
n! 3! 3!
Crn = (n−r)!r! = (3−2)!2! = (1)!2! = 3×2
2 = 6/2 = 3.

irc
Ejemplo: De un estante con 3 libros (Algebra, Biologı́a, Contabilidad), ¿Cuál es la
probabilidad de sacar el libro de álgebra primero y luego el libro de contabilidad. Solución:
S = {AB, BA, AC, CA, BC, CB}
D: evento sacar el libro de álgebra primero y luego el libro de contabilidad, D = {AC},
rc
P (D) = n(D)/n(S) = 1/6.
Ejemplo: De un estante con 3 libros (Algebra, Biologı́a, Contabilidad), ¿Cuál es la
probabilidad de sacar el libro de álgebra y el libro de contabilidad. Solución:
S = {AB, AC, BC}
fo
D: evento sacar el libro de álgebra y el libro de contabilidad, D = {AC},
P (D) = n(D)/n(S) = 1/3.
Ejemplo: En una manzana hay 20 hogares, de los cuales 10 son de clase popular,
6 de clase media y 4 de clase acomodada. En una encuesta se tomó al azar una muestra
ot

de 5 hogares de la manzana. Halle la probabilidad de que la muestra esté compuesta por

dos hogares de clase popular, dos de clase media y uno de clase acomodada.
tn

1.4 Probabilidad condicional

La probabilidad de un evento puede depender del conocimiento sobre la ocurrencia de otro

af

evento.
Dr

Definición: La probabilidad condicional de un evento A dado un evento B, es

definida por:
P (A ∩ B)
P (A|B) = ; donde P (B) > 0,
P (B)

Ejemplo: Una compañı́a de seguros sabe que la probabilidad que una persona use
su seguro al año es de 0.25. Además sabe que la probabilidad de ser del sexo femenino y
 14 CHAPTER 1. PROBABILIDADES

n
io
at
ul
irc
rc
fo
ot

usar su seguro es de 0.15. Si se seleccionar un cliente al azar ¿Cuál es la probabilidad de

que sea del sexo femenino dado que se sabe que el o la clienta ya usó su seguro?
tn

Ejemplo: Suponga que se estudia el comportamiento de dos acciones A y B reg-

istradas en la bolsa de valores de Lima. En base a varios años se sabe que la probabilidad
de que el precio de la acción A y la acción B se incrementen es de 0.20. La probabilidad de
que la acción A se incremente es de 0.3 y la probabilidad de que la acción B se incremente
af

es de 0.4. ¿Cuál es la probabilidad de que la acción A se incremente dado que se tiene

conocimiento de que el precio de la acción B se incrementó?
Dr

Propiedad:

P (Ac |B) = 1 − P (A|B)

Ejemplo: En el ejemplo de los hogares. Calcule la probabilidad de que en la muestra

esté presente la clase acomodada, dado que 3 hogares de la muestra resultaron ser de clase
popular.
 1.5. REGLA DEL PRODUCTO 15

1.5 Regla del producto

P (A ∩ B) = P (A)P (B|A)

n
io
En palabras, la probabilidad de que A y B ocurran ambos es el producto de la
probabilidad de A y la probabilidad condicional de B dado A.

at
Ejemplo: Para los clientes que compran un refrigerador en una tienda de aparatos
domésticos, sea:
-A el evento que el refrigerador fue fabricado en Estados Unidos,
-B el evento que el refrigerador cuenta con máquina para hacer hielos, y

ul
-C el evento que el cliente adquirió una garantı́a ampliada.
Las probabilidades pertinentes son:
P (A) = 0.75, P (B|A) = 0.9, P (B|Ac ) = 0.8P (C|A∩B) = 0.8, P (C|A∩B c ) = 0.6, P (C|Ac ∩

irc
B) = 0.7, P (C|Ac ∩ B c ) = 0.3.
Calcule P (A ∩ B ∩ C).
La regla del producto se puede generalizar fácilm ente para que sea válido en más
rc
de dos eventos; por ejemplo, para tres eventos tenemos

Propiedad:
fo
P (A ∩ B ∩ C) = P (A)P (B|A)P (C|A ∩ B)

1.6 Independencia
ot

De manera informal, dos eventos A y B son independientes si la ocurrencia o no ocurrencia

tn

de cualquiera de los dos no afecta la probabilidad de la ocurrencia del otro.

Propiedad:

P (A ∩ B) = P (A)P (B)
af

Ejemplo: Si se lanza una moneda dos veces, de forma independiente y la probabil-

Dr

idad de salir cara en cada lanzamiento es 0.5 ¿Cuál es la probabilidad salir cara en los dos
lanzamientos?
Ejemplo: Suponga que se estudia el comportamiento de dos acciones A y B reg-
istradas en la bolsa de valores de Lima. En base a varios años se sabe que la probabilidad
de que la acción A se incremente es de 0.3 y la probabilidad de que la acción B se incre-
mente es de 0.4. Si el incremento en el precio de ambas acciones son independientes ¿Cuál
es la probabilidad de que la acción A y B se incrementen?
 16 CHAPTER 1. PROBABILIDADES

Si
P (A ∩ B) 6= P (A)P (B)
entonces los eventos A y B no son independientes.

n
io
Ejemplo: Suponga que se estudia el comportamiento de dos acciones A y B reg-
istradas en la bolsa de valores de Lima. En base a varios años se sabe que la probabilidad
de que la acción A se incremente es de 0.3 y la probabilidad de que la acción B se incre-

at
mente es de 0.4. Entonces la probabilidad de que la acción A se incremente dado que se
tiene conocimiento de que el precio de la acción B se incrementó es de 0.6. Según esta
información, ¿el incremento en el precio de la acción A es independiente del incremento

ul
en el precio de la acción B ?
Se puede demostrar que si A y B son independientes. entonces también lo son A y
B c , Ac y B, y Ac y B c .

irc
La regla del independencia se puede generalizar fácilm ente para que sea válido en
más de dos eventos, ası́ k eventos son independientes si la probabilidad de la intersección
de cualesquiera 2, 3, ..., o k eventos son independientes.
rc
1.7 Probabilidad total
fo
En muchas situaciones es importante calcular la probabilidad de que suceda un evento
simple el cual depende de que ocurra al menos un evento de un conjunto que lo puede
generar.
Sean A1 y A2 dos eventos disjuntos del espacio muestral S, tal que A1 ∪ A2 = S,
ot

entonces A1 y A2 forman una particion muestral de S, tal que:

tn
af
Dr

P (B) = P (A1 ∩ B) + P (A2 ∩ B)

 1.8. TEOREMA DE BAYES 17

Ejemplo: De los votantes en una ciudad, 40% son republicanos y 60% son demócratas.
Entre los republicanos, 70% están a favor de una emisión de bonos, en tanto que 80% de
los demócratas están a favor de la emisión de bonos. Si un votante es selccionado al azar,
¿Cuál es la probabilidad de que esté a favor de la emisión de bonos?

n
io
1.8 Teorema de Bayes

at
P (B|A)P (A)
P (A|B) =
P (B)

ul
Ejemplo: En el ejemplo de los votantes. Si un votante es selccionado al azar, y este
elector está a favor de la emisión de bonos ¿Cuál es la probabilidad de que esta persona

irc
sea un demócrata?
Usando la regla del producto, la fórmula anterior es equivalente a:

P (B|A)P (A)
rc
P (A|B) =
P (A ∩ B) + P (Ac ∩ B)

Ejemplo: El departamento de créditos de una tienda comercial sabe que sus venta
fo
se pagan con dinero en efectivo, con cheque ó al crédito, con probabilidades de 0.3, 0.3
y 0.4, respectivamente. Las probabilidades de que una venta sea por más de 50 u.m. es
igual a 0.2 si esta es en efectivo, es igual a 0.9 si esta es con cheque, y es igual a 0.6 si esta
es al crédito.
ot

- ¿Cuál es la probabilidad de que una perona compre por más de 50 u.m.?

- Si la compra es por más de 50 u.m. ¿Cuál de las tres formas de pago es más probable?
Diagrama de árbol: También puede ser usado para calcular probabilidades condi-
tn

cionales. Sea Ā = Ac , entonces:

af
Dr

Ejemplo: En el ejemplo de los electores. ¿Cuál es la probabilidad de que este

elector no esté a favor de la emisión de bonos y sea un demócrata?
 18 CHAPTER 1. PROBABILIDADES

n
io
at
ul
irc
rc
fo
ot
tn
af
Dr
 n
io
Chapter 2

at
Variables aleatorias

ul
irc
La construcción de “leyes del azar” que estamos intentando, se complica innecesariamente
si insistimos en trabajar con espacios muestrales generales, y la razón es simple: tal como es
definido, puede estar constituido de objetos bastante variados: letras, sı́mbolos, números;
lo que hace difı́cil elaborar enunciados teóricos generales que se refieran a los elementos de
rc
y peor aún, también impide aplicar la mayor parte de herramientas matemáticas conoci-
das para análisis teóricos (como la diferenciación, integración, etc.), obstaculizando el uso
de “fórmulas” simplificadoras. Por otra parte, muchas veces el interés está centrado en
determinados aspectos del espacio muestral y no en todo el conjunto. Entonces, podemos
fo
ganar mucho si, por ejemplo, “codificamos” el espacio muestral original en un conjunto de
números reales, transfiriendo a su vez las probabilidades, de modo que podamos aplicar
las operaciones de suma, multiplicación, etc., y usarlas para facilitar el cálculo de proba-
bilidades. Para ello introducimos la definición de “Variables aleatorias”.
ot

Una variable aleatoria es una función que asigna un número real a cada resultado
en el espacio muestral de un experimento aleatorio.
Definición: Sea S un espacio muestral, una variable aleatoria (v.a.) X definida
tn

sobre S, es una función cuyo dominio es S, su rango un conjunto de números reales que
denotaremos por RX , tal que:
X : w → RX , w ∈ S.
Notación:
af

La variable aleatoria (v.a.) es denotada por letras mayúsculas. Ejemplo: X, Y, Z.

Los valores que toma la variable aleatoria, son representados por letras minúsculas. Ejem-
plo: x ∈ RX .
Dr

Ejemplo:

• Experimento aleatorio: Lanzar una moneda al aire.

• Espacio muestral: S = {cara, sello}.
• Se define la variable aleatoria X: Número de caras.

19
 20 CHAPTER 2. VARIABLES ALEATORIAS

n
io
• Asignación de números reales:
X(cara) = 1

at
X(sello) = 0

• La variable aleatoria X está definida por los valores: 0,1

ul
• Rx = {0, 1}

• Las probabilidades asociadas a los valores que asume la variable aleatoria son:

irc
P (X = 1) = P (cara) = 1/2

P (X = sello) = P (sello) = 1/2

rc
Ejemplo:

• Experimento aleatorio: Lanzar una moneda al aire dos veces.

fo

• Espacio muestral: S={cc,cs,sc,ss}, donde c es cara y s es sello.

• Se define la variable aleatoria X: Número de caras.

ot
tn
af
Dr

• Asignación de números reales:

X(cc) = 2
X(sc) = X(cs) = 1
X(ss) = 0

• La variable aleatoria X está definida por los valores: 0,1,2

 2.1. CLASIFICACIÓN DE VARIABLES ALEATORIAS 21

• Rx = {0, 1, 2}

• Las probabilidades asociadas a los valores que asume la variable aleatoria son:

n
P (X = 0) = P (ss) = 1/4
P (X = 1) = P (cs ∪ sc) = P (cs) + P (sc) = 1/4 + 1/4 = 1/2

io
P (X = 2) = P (cc) = 1/4.

at
Ejemplo: Si una persona contesta al azar 2 preguntas tipo verdadero o falso y
se define X como el número de errores, defina el espacio muestral y hallar RX , y las
probabilidades asociadas a RX .

ul
Ejemplo: Una vendedora tiene dos citas para vender un bien. Ella tiene el presen-
timiento que en la primera cita venderá con probabilidad de 0.3. Además cree que en la
segunda cita venderá con probabilidad de 0.6. Asumiendo que el resultado de ambas citas

irc
son independientes. Si define X como la variable aleatoria que representa el número de
ventas realizadas. Defina el espacio muestral y hallar RX .
Para calcular probabilidades, se introducen las definiciones de función de porbabil-
rc
idad para variables aleatorias discretas y función de densidad para variables aleatorias
continuas.

2.1 Clasificación de variables aleatorias

fo

De acuerdo al rango RX de una variable aleatoria, clasificaremos a ésta principalmente

como:
ot

• Variable aleatoria discreta: Si RX es un conjunto finito o numerable.

Finito, o contable cuando se cuentan exactamente los elementos de RX . Ejemplo:
tn

-Número de acciones que tuvieron una caida en un dı́a.

- Número de transacciones bancarias en una hora.
Numerable: se puede asumir que RX es infinito, pero sus elementos pueden ser
puestos en una lista de una secuencia infinita, es decir pueden ponerse en correspon-
dencia uno a uno con el conjunto de los números naturales.
af

Ejemplo:
-Número de intentos hasta ganar la tinka.
Dr

• Variable aleatoria continua: Si RX es un intervalo. La variable aleatoria toma

cualquier valor dentro del intervalo, es decir, puede tomar infinitos valores.
Ejemplos:
-Cotización diaria del sol en relación al dólar.
-Ingreso familiar mensual.
- Tiempo (en minutos) que se nececesita para vender un bien especı́fico.
 22 CHAPTER 2. VARIABLES ALEATORIAS

2.2 Variable aleatoria discreta

Si X es una v.a. discreta, la función de probabilidad de X, denotada por PX (x), se define

n
mediante PX (x) = P (X = x).
Función de probabilidad

io
X x1 x2 ... xn

at
p(X = x) p(X = x1 ) p(X = x2 ) ... p(X = xn )

ul
donde:
i) 0 ≤ p(X = xi ) ≤ 1; ∀xi ∈ RX

irc
P
ii) xi ∈RX p(X = xi ) = p(X = x1 ) + p(X = x2 ) + ... + p(X = xn ) = 1.

Propiedad:
P (X ≥ a) = 1 − P (X < a)
rc
P (X > a) = 1 − P (X ≤ a)

Ejemplo: Un economista encuentra que en una agencia bancaria el número de

fo
solicitudes sin garantı́a adecuada es una variable aleatoria (v.a.) discreta con función de
probabilidad (f.d.p):
(
0.2 si xi = 0, 1;
ot

P (X = xi ) =
0.1(5 − xi ) si xi = 2, 3, 4.

1. Calcule la probabilidad de haber dos o menos solicitudes sin garantı́a adecuada.

tn

2. Calcule la probabilidad de haber más de solicitudes sin garantı́a adecuada.

Ejemplo: Una vendedora tiene dos citas para vender un bien. Ella tiene el presen-
timiento que en la primera cita venderá con probabilidad de 0.3. Además cree que en la
af

segunda cita venderá con probabilidad de 0.6. Asumiendo que el resultado de ambas citas
son independientes. Si define X como la variable aleatoria que representa el número de
ventas realizadas. Halle la función de probabilidad (f.d.p) de X.
Dr

Ejemplo: Sea X v.a. discreta tal que RX = {1, . . . , N } y P (X = Xi ) = αxi , con

constante α > 0. Halle la función de probabilidad (f.d.p) de X y α para que la f.d.p sea
válida.
Ejemplo: Si la probabilidad de que una perforación petrolera resulte en un pozo
rentable es p y se define X = número de pozos perforados hasta que se descubre el primer
pozo rentable. Asuma independencias entre las perforaciones y halle PX (x).
 2.2. VARIABLE ALEATORIA DISCRETA 23

Ejemplo: Si la probabilidad de que una perforación petrolera resulte en un pozo

rentable es p y se define X = número de pozos rentables encontrados en n perforaciones.
Asuma independencias entre las perforaciones y calcule:
i) La probabilidad de encontrar un pozo rentable.

n
ii) La probabilidad de encontrar dos pozos rentables.
iii) La probabilidad de encontrar tres pozos rentables.

io
iv) La probabilidad de encontrar cuatro pozos rentables.
Use estas probabilidades para definir PX (x).

at
2.2.1 Valor esperado y Varianza

ul
Definición: Sea X una variable aleatoria discreta, y g(.) una función de X, el valor
esperado de g(X) está dado por:

irc
X
E(g(X)) = g(xi )p(X = xi )
xi ∈RX

El valor esperado de una v.a. discreta X cuyos valores observados son x1 , x2 , . . . , xn ∈

rc
RX es:
X
E(X) = xi p(X = xi ) = x1 p(X = x1 ) + x2 p(X = x2 ) + ... + xn p(X = xn ).
xi ∈RX
fo
Ejemplo: Un economista encuentra que en una agencia bancaria el número de
solicitudes sin garantı́a adecuada (diaria) es una variable aleatoria (v.a.) discreta con
función de probabilidad (f.d.p):
ot

(
0.2 si xi = 0, 1;
P (X = xi ) =
0.1(5 − xi ) si xi = 2, 3, 4.
tn

Calcule el número de solicitudes sin garantı́a adecuada que se espera encontrar en un dı́a.
Nota: El valor esperado es el promedio ponderado de los posibles valores de X, donde
el peso es la probabilidad de X asumir el valor x.
af

Propiedades: Sean a y b constantes, y X variable aleatoria.

i) E(aX) = a E(X),
ii) E(aX+ b) = aE(X) + b.
Dr

Ejemplo: La demanda de un producto es una v.a. X cuya f.d.p es:

X 1 2 3 4 5

p(X = x) 1/16 4/16 6/16 4/16 1/16

 24 CHAPTER 2. VARIABLES ALEATORIAS

Por cada unidad demandada del producto, la empresa obtiene una utilidad de 100 u.m.

1. Calcule la demanda esperada.

n
2. Calcule la utilidad esperada.

Ejemplo: Una empresa de golf, dedicada a la venta de vehı́culos ha determinaro

io
que la demanda X mensual del número de vehı́culos cuyo valor de venta es 30 000 u.m.
tiene la siguiente f.d.p:

at
X 0 1 2 3 4 5

ul
p(X = x) 0.2 0.3 0.4 0.06 0.03 0.01

1. Calcule el valor esperado de demanda de vehı́culos.

irc
2. Si por cada vehı́culo vendida la empresa gana el 10% pero incurre en gastos fijos
cada mes de 2000 u.m. en total. Calcule la utilidad mensual.
rc
Ejemplo: Se lanza un dado según la apuesta: Si sale el 1 se gana 2 u.m , si sale el
6 se gana 10 u.m., en otro caso se pierde 6 u.m. Sea X el número que muestra el dado y
sea H(X) la utilidad, para el jugador en esta apuesta. Halle E(H(X)). ¿Le conviene este
juego al apostador?
fo
Definición: La varianza mide la variabilidad presente en los valores de X y se define
como el valor esperado de la diferencia al cuadrado entre X y su valor esperado.
V (X) = E(X − E(X))2 = E(X 2 ) − [E(X)]2 ,
ot

donde: X
E(X 2 ) = x2i p(X = xi ).
xi ∈RX
tn

Ejemplo: El resumen estadı́stico de los Estados Unidos se publica anualmente.

Contiene una amplia variedad de información basada en el censo, ası́ como otras fuentes.
El objetivo es proporcionar información sobre una variedad de aspectos de la vida de los
residentes en el paı́s. Una de las preguntas es el número de personas viviendo en la casa.
af

La siguiente tabla resume los datos. Sea X el número de personas por casa, la f.d.p de X
es:
Dr

X 1 2 3 4 5 6 7

p(X = x) 0.268 0.333 0.162 0.140 0.062 0.023 0.012

Calcule el valor esperado , varianza y desviación estándar del número de personas por
hogar.
Rptas: 2.512, 1.954, 1.398.
 2.3. VARIABLE ALEATORIA CONTINUA 25

2.3 Variable aleatoria continua

Como una v.a. continua X puede tomar infinitos valores (RX ) es un intervalo en <), la

n
probabilidad de un valor fijo x cualquiera siempre es cero, es decir, P (X = x) = 0.
Es necesario algún “objeto matemático” que nos permita calcular la probabilidad

io
de X estar en un intervalo que toma infinitos valores. Para ello introducimos la definición
de función de densidad.

at
Definición Sea X una v.a. continua , x ∈ <. Una función continua fX (x) es una
función de densidad de probabilidad si satisface:

ul
• fX (x) ≥ 0 para todo −∞ < x < ∞
R∞ R
• −∞ fX (x) = RX dx = 1

irc
Rb
• P (a ≤ X ≤ b) = a fX (x).

Ejemplo: Sea X el precio pagado (en millones de u.m.) en una privatización, tal
rc
que la función de densidad de dicha v.a. es:
(
cx si 0 ≤ x ≤ 1;
fX (x) =
fo
0 si caso contrario .

1. Calcule c para que fX (x) sea una función de densidad válida.

ot

2. Grafique la función de densidad.

3. Calcule la probabilidad de que el precio sea mayor a los 0.8 millones de u.m.
tn

Ejemplo: Una compañı́a de seguros conoce la distribución que sigue el costo de un

determinado siniestro ( en cientos de u.m.). Dicho costo se distribuye según la siguiente
función de densidad: (
k
si x ≥ 0;
af

3
fX (x) = 1+x
0 si x < 0.
Dr

1. Calcule k para que fX (x) sea una función de densidad válida.

2. Grafique la función de densidad.

3. Calcule la probabilidad de que el costo de un siniestro sea superior a 100 dólares.

4. Calcule la probabilidad de que el costo de un siniestro sea inferior a 100 dólares.

 26 CHAPTER 2. VARIABLES ALEATORIAS

2.3.1 Valor esperado y Varianza

Definición: Sea X una variable aleatoria discreta, y g(.) una función de X, el valor
esperado de g(X) está dado por:

n
Z

io
E(g(X)) = g(x)fX (x)
x∈RX

at
El valor esperado de una v.a. continua X para x ∈ RX es:
Z
E(X) = xfX (x).

ul
x∈RX

Propiedades: Sean a y b constantes, y X variable aleatoria.

irc
i) E(aX) = a E(X),
ii) E(aX+ b) = aE(X) + b.
rc
Definición: La varianza mide la variabilidad presente en los valores de X y se define
como el valor esperado de la diferencia al cuadrado entre X y su valor esperado.

V (X) = E(X − E(X))2 = E(X 2 ) − [E(X)]2 ,

fo
donde: Z
E(X 2 ) = x2 fX (x).
x∈RX
ot

Ejemplo: Si X tiene la f.d.p

(
e−x si x > 0;
fX (x) =
tn

0 si caso contrario .

encuentre el valor esperado de g(X) = e3X/4

Solución:
af

Z ∞
E(e3X/4 ) = e3X/4 .e−x dx
Z0 ∞
Dr

= e3X/4−x dx
0
Z ∞
= e−X/4 dx
0
= −4e−X/4 |∞
0 dx
= −4(e−∞/4 − e0/4 ) = −4(0 − 1) = 4.
 2.4. FUNCIÓN DE DISTRIBUCIÓN ACUMULADA (F.D.A) 27

Ejemplo: Sea X el precio pagado (en millones de u.m.) en una privatización, tal
que la función de densidad de dicha v.a. es:
(
2x si 0 ≤ x ≤ 1;

n
fX (x) =
0 si caso contrario .

io
1. Calcule el valor esperado de X.

2. Calcule la varianza de X.

at
3. Si la privatización implica el pago de 5 mil u.m..a una empresa tasadora y el pago de
un 4% de la venta a una empresa encargada de la privatización. Calcule el ingreso

ul
esperado para el estado.

4. Si se paga un impuesto por “tramos”, precios inferiores a 0.5 millones pagan un 1%

del ingreso y precios de 0.5 o más, pagan 4%. Calcule la recaudación que se espera

irc
por impuestos debido a una privatización de este tipo.

2.4 Función de distribución acumulada (f.d.a)

rc
Es una función cuyo interés es calcular las probabilidades acumuladas. Se define por:

FX (x) = P (X ≤ x); para − ∞ < x < ∞

fo

Definición: Si X es una v.a. discreta con f.d.p P (X = x), la f.d.a. de X es:

X
FX (t) = P (X ≤ t) = P (X = x); para − ∞ < x < ∞
ot

x≤t

Definición: Si X es una v.a. continua con f.d.p fX (x), la f.d.a. de X es:

tn

Z x
FX (t) = P (X ≤ t) = fX (x); para − ∞ < x < ∞
−∞
af

Propiedades de f.d.a:

1. 0 ≤ FX (x) ≤ 1, para todo x ∈ RX

Dr

2. FX (x) es no decreciente.

3. FX (x) es continua a la derecha

4. limx→−∞ FX (x) = 0

5. limx→∞ FX (x) = 1
 28 CHAPTER 2. VARIABLES ALEATORIAS

Propiedades:

1. P (X = x) = P (X ≤ x) − P (X < x)

n
2. P (a < X ≤ b) = P (X ≤ b) − P (X ≤ a)

io
3. P (a ≤ X < b) = P (X < b) − P (X < a)

4. P (a ≤ X ≤ b) = P (X ≤ b) − P (X < a)

at
Ejemplo: Un economista encuentra que en una agencia bancaria el número de
solicitudes sin garantı́a adecuada es una variable aleatoria (v.a.) discreta con función de

ul
probabilidad (f.d.p):
(
0.2 si xi = 0, 1;

irc
P (X = xi ) =
0.1(5 − xi ) si xi = 2, 3, 4.

1. Calcule la probabilidad de haber dos o menos solicitudes sin garantı́a adecuada.

rc
2. Calcule la probabilidad de haber a lo más tres solicitudes sin garantı́a adecuada.

3. Calcule la probabilidad de haber al menos cuatro solicitudes sin garantı́a adecuada.

fo
Ejemplo: Para la v.a. discreta X con función de probabilidad P (X = x) = 1/5, si
x = 1, 2, 3, 4, 5, es fácil verificar que FX (x) = P (X ≤ x) = x/5, cuando x = 1,2,3,4,5.
Ejemplo: Sea X el precio pagado (en millones de u.m.) en una privatización, tal
ot

que la función de densidad de dicha v.a. es:

(
2x si 0 ≤ x ≤ 1;
fX (x) =
tn

0 si caso contrario .

1. Calcule la f.d.a. de X. Grafique la f.d.a.

2. Calcule la probabilidad de que el precio sea mayor a 0.8 u.m.

af

3. Calcule la probabilidad de que el precio esté entre 0.5 y 0.8 u.m.

Dr

Ejemplo: Una compañı́a de seguros conoce la distribución que sigue el costo de un

determinado siniestro ( en cientos de u.m.). Dicho costo se distribuye según la siguiente
función de densidad: (
0 si x > 0;
fX (x) = 2
(1+x)3
si x ≤ 0.

Derive la f.d.a de la v.a. X.

 2.5. TÉCNICA DE TRANSFORMACIÓN DE VARIABLE ALEATORIA 29

Teorema: Si X es una v.a. continua, FX (x) es la f.d.a. de X, entonces

dFX (x)
fX (x) =

n
dx

io
Nota: La derivada existe si fX (x) es una función continua, lo cual es cierto, porque
fX (x) es una función de densidad.
Ejemplo: Sea X una v.a. continua con la siguiente f.d.a.

at

0
 si x ≤ 0;
2
fX (x) = x si 0 ≤ x ≤ 1;

ul

1 si x > 1.


irc
Derive la función de densidad de X.

2.5 Técnica de transformación de variable aleatoria

rc
2.5.1 Para v.a. discreta

Sea X una v.a. discreta, y sea Y=g(X) una transformación de la v.a. X, entonces la
fo
relación es entre los valores de X e Y es unı́voca.
Ejemplo: Sea X v.a. discreta con f.d.p
ot

X 0 1 2 3 4

p(X = x) 1/16 4/16 6/16 4/16 1/16

tn

1
Halle la f.d.p de Y = 1+X .
Solución:
1
af

X = 0 → Y = 1+0 =1
1
X = 1 → Y = 1+1 = 1/2
...
Dr

1
X = 4 → Y = 1+4 = 1/5

Y 1 1/2 1/3 1/4 1/5

p(Y = y) 1/16 4/16 6/16 4/16 1/16

 30 CHAPTER 2. VARIABLES ALEATORIAS

2.5.2 Para v.a. continua

Teorema: Si X es una v.a. continua, FX (x) es la f.d.a. de X. La v.a. Y es una

n
transformación de la v.a. X, es decir Y = g(X). Entonces la f.d.a de Y es definida
por:
FY (y) = P (Y < y) = P (X < g −1 (y)) = FX (g −1 (y)),

io
y la f.d.p de Y se calcula como:

at
dFY (y)
fY (y) = .
dy

ul
Nota, g(.) es una función diferenciable, creciente o decreciente.

Ejemplo: Sea X una v.a. continua con la siguiente f.d.p.

irc
(
6x(1 − x) si 0 ≤ x ≤ 1;
fX (x) =
1 si c.c.
rc
Sea Y = X 3 , derive la función de densidad de Y.
fo
ot
tn
af
Dr
 n
io
Chapter 3

at
Distribuciones de probabilidad

ul
para v.a. Discretas

3.1 Distribución Bernoulli

irc
rc
Esta es la distribución que se presenta cuando contamos el número X de veces que
ocurre un determinado evento A sobre un experimento experimento binario
(conocido también como de Bernoulli), es decir, de un experimento en el cual existe una
fo
probabilidad p de que el evento A ocurra y una probabilidad 1-p de que este evento no
ocurra.

Una v.a. discreta con rango RX = {0, 1} se dice que tiene distribución bernoulli de
parámetro p, y se le denota por X ∼ Ber(p), si su función de probabilidad viene
ot

dada por
p(X = x) = px (1 − p)1−x ; x = 0, 1
tn

E(X) = p;
V (X) = p(1 − p)

Ejemplo: Las compras en una tienda se hacen con tarjeta de crédito o en efectivo.
af

Si la probabilidad de que compre con tarjeta de crédito es p. Halle la f.d.p de la v.a. X:

número de compras con tarjeta de crédito de un cliente seleccionado al azar.
Dr

3.2 Distribución Binomial

Esta es la distribución que se presenta cuando contamos el número X de veces que

ocurre un determinado evento A sobre un total fijo de n repeticiones u ob-
servaciones independientes de un experimento experimento binario (conocido también

31
 32 CHAPTER 3. DISTRIBUCIONES DE PROBABILIDAD PARA V.A. DISCRETAS

como de Bernoulli), es decir, de un experimento en el cual existe una probabilidad p de

que el evento A ocurra y una probabilidad 1-p de que este evento no ocurra.

Una v.a. discreta con rango RX = {0, 1, 2, . . . , n} se dice que tiene distribución

n
binomial de parámetros n y p, y se le denota por X ∼ B(n, p), si su función de
probabilidad viene dada por

io
 
n x
P (X = x) = p (1 − p)n−x ; x = 0, 1, 2, ...n
x

at
 
n n!
=
x x!(n − x)!

ul
E(X) = np
V (X) = np(1 − p)

irc
Ejemplo: Una petrolera efectúa perforaciones en una concesión del gobierno, en
donde, según sus cálculos, tiene un p de probabilidad de dar con un pozo rentable al hacer
rc
una perforación. Si se realizan 3 perforaciones de forma independiente.

1. Halle la f.d.p de la v.a. X: número de pozos rentables encontrados en 3 perforaciones.

fo
2. Si la probabilidad de dar con un pozo rentable al hacer una perforación es 0.01.
Calcule la probabilidad de encontrar un pozo rentable.

3. Si la probabilidad de dar con un pozo rentable al hacer una perforación es 0.01.

ot

Calcule la probabilidad de encontrar al menos un pozo rentable.

4. ¿Cuántos pozos rentables espera encontrar?

tn

Ejemplo: Suponga que 24% de las empresas de un determinado sector de economı́a

anunciaron planes de expansión para el próximo año. En una muestra de 20 empresas
independientes escogidas al azar, encuentre la probabilidad de que el número de empresas
af

que anuncian expandirse el próximo año sea:

Dr

1. exactamente 3,

2. menos de 3,

3. 3 ó mas,

4. ¿Cuántas empresas se espera que anuncien expandirse?

 3.3. DISTRIBUCIÓN GEOMÉTRICA 33

3.3 Distribución Geométrica

La distribución geométrica aparece como resultado de contar cuántas veces se debe repetir

n
de manera independiente un experimento hasta lograr que ocurra un determinado suceso
A por primera vez.

io
Por ello es útil cuando tenemos interés en el número de intentos necesarios hasta
que ocurra el primer éxito.

at
• Considere un experimento aleatorio de cuyo espacio muestral S, se tiene un evento
A que puede ocurrir con probabilidad p.

ul
• La probabilidad de no ocurrir A es (1-p).

• Si se repite este experimento de manera independiente y

irc
• se define la v.a. discreta: X =número de experimentos hasta que ocurra el
evento A,
rc
• entonces la función de probabilidad de X viene dada por la distribución GEOMET-
RICA.

Una v.a. discreta con rango RX = {1, 2, . . . , } se dice que tiene distribución
fo
geométrica de parámetro p, y se le denota por X ∼ Geo(p), si su función de prob-
abilidad viene dada por

P (X = x) = p(1 − p)x−1 ; x = 1, 2, ...

ot

E(X) = 1/p
V (X) = (1 − p)/p2
tn

Ejemplo: Una petrolera efectúa perforaciones en una concesión del gobierno, en

donde, según sus cálculos, tiene un p de probabilidad de dar con un pozo rentable al hacer
una perforación. Si se realizan perforaciones de forma independiente. Si la probabilidad
af

de dar con un pozo rentable al hacer una perforación es 0.25.

Dr

1. Halle la f.d.p de la v.a. X: número de pozos perforados hasta encontrar el primer

pozo rentable.

2. Calcule la probabilidad de encontrar un pozo rentable en menos de 3 perforaciones.

3. Calcule la probabilidad de encontrar el primer pozo rentable en el cuarto intento.

4. ¿Cuántos pozos rentables espera perforar hasta encontrar el primer pozo rentable?
 34 CHAPTER 3. DISTRIBUCIONES DE PROBABILIDAD PARA V.A. DISCRETAS

Ejemplo: La probabilidad de que un vendedor sin experiencia venda un bien es de

0.05. Si las ventas se realizan de forma independiente, y como máximo un bien por cada
venta.

n
1. Calcule la probabilidad de que venda la primera enciclopedia en la quinta visita.

io
2. Obtener el promedio de intentos que debe realizar para realizar la primera venta.

at
3.4 Distribución Binomial Negativa

ul
Es una generalización de la distribución geométrica, que surge cuando se repite el experi-
mento aleatorio en ella hasta que ocurra A por r-ésima vez, siendo r un entero positivo de
valor fijo.

irc
Por ello es útil cuando tenemos interés en el número de intentos necesarios hasta
que ocurra el r-ésimo éxito.
rc
• Considere un experimento aleatorio de cuyo espacio muestral S, se tiene un evento
A que puede ocurrir con probabilidad p.

• La probabilidad de no ocurrir A es (1-p).

fo
• Si se repite este experimento de manera independiente y

• Se define la v.a. discreta: X = número de experimentos hasta que ocurra

r-veces el evento A,
ot

• entonces la función de probabilidad de X viene dada por la distribución BINOMIAL

NEGATIVA.
tn

Una v.a. discreta con rango RX = {r, r +1, r +2, . . . , } se dice que tiene distribución
binomial negativa de parámetros r y p, y se le denota por X ∼ BN (r, p), si su
función de probabilidad viene dada por
af

 
x−1 r
P (X = x) = p (1 − p)x−r ; x = r, r + 1, r + 2, ...
r−1
Dr

E(X) = r/p
V (X) = r(1 − p)/p2

Si r=1 entonces X ∼ Geo(p)

 3.5. DISTRIBUCIÓN HIPERGEOMÉTRICA 35

Ejemplo: Una petrolera efectúa perforaciones en una concesión del gobierno, en

donde, según sus cálculos, tiene un p de probabilidad de dar con un pozo rentable al hacer
una perforación. Si se realizan perforaciones de forma independiente. La probabilidad de
dar con un pozo rentable al hacer una perforación es 0.25.

n
• Si la compañia va a operar en 2 pozos rentables, ¿Cuál es la probabilidad de encontrar

io
el segundo pozo rentable e la tercera perforación?

• ¿Cuántos pozos rentables espera perforar hasta encontrar el segundo pozo rentable?

at
3.5 Distribución Hipergeométrica

ul
Es útil cuando tenemos interés en muestreo aleatorio sin reemplazo.

irc
Suponga que se tiene

• N: elementos de una población

rc
• M: elementos de N que pertenecen a una categorı́a A.

• n: elementos sin reemplazo de N.

• x: elementos de n que pertenecen a una categorı́a A.

fo

La distribución geométrica mide la probabilidad de obtener x elementos de la cate-

gorı́a A en una muestra sin reemplazo de n elementos de N.
ot

Es decir, se definel la v.a. X = número de elementos de la categorı́a A en

una muestra sin reemplazo de n elementos de un total de N elementos en la
población.
tn

Una v.a. discreta con rango RX = {1, . . . , n} se dice que tiene distribución hiper-
geométrica de parámetros N,M, y n, y se le denota por X ∼ H(N, M, n), si su
función de probabilidad viene dada por
M N −M



af

x n−x
P (X = x) = N

; x = 0, 1, ..., n
n
Dr

E(X) = nM/N
N −M N −n
V (X) = n M
N N N −1

Ejemplo: Entre 120 alumnos de economı́a del curso de Estadı́stica en EEGGLL,

solo 80 son aptos (cumplen con todos los requisitos) para realizar una pasantia en el BCRP.
Si 5 alumnos son seleccionados al azar para una entrevista, encuentre la probabilidad de
 36 CHAPTER 3. DISTRIBUCIONES DE PROBABILIDAD PARA V.A. DISCRETAS

que al menos uno de los 5 alumnos seleccionados, sea apto para realizar la pasantı́a en el
BCRP.
Ejemplo: Entre 120 alumnos de economı́a del curso de Estadı́stica en EEGGLL,

n
solo 80 son aptos (cumplen con todos los requisitos) para realizar una pasantia en el BCRP.

io
1. Si 5 alumnos son seleccionados al azar para una entrevista, calcule el número de
alumnos que se espera que sean aptos para la pasantı́a.

at
2. Si 15 alumnos son seleccionados al azar para una entrevista, calcule el número de
alumnos que se espera que sean aptos para la pasantı́a.

ul
3.6 Distribución Poisson

irc
Es útil cuando estamos interesados en el número de ocurrencias de un evento en un de-
terminado intervalo o periodo de tiempo fijo.
Luego, se define la v.a. X = número de ocurrencias del evento A en un
intervalo de tiempo.
rc
Ejemplos: Número de terremotos en 100 años; Número de clientes que entran en
un banco cada 30 minutos; Número de acciones que se venden en un semestre; Número de
cheques sin fondo mensuales en una agencia bancaria;
fo
Una v.a. discreta con rango RX = {1, . . . , } se dice que tiene distribución Poisson
de parámetro λ, y se le denota por X ∼ P (λ), si su función de probabilidad viene
dada por
e−λ λx
ot

P (X = x) = ; x = 0, 1, ...,
x!
E(X) = λ
V (X) = λ
tn

NOTA IMPORTANTE: λ es el número promedio (medio) de ocurrencias del evento

A en un intervalo de tiempo determinado.

Ejemplo: Suponga que el número de llamadas que llegan a una central telefónica
af

es 1 por minuto en promedio. Halle la probabilidad de que: i) En un minuto no lleguen

llamadas. ii) En un minuto lleguen más de tres llamadas. iii) En tres minutos lleguen
menos de 5 llamadas. iv) En cinco minutos lleguen más de dos llamadas.
Dr

Ejemplo: Si un banco recibe en promedio 6 cheques sin fondo por dı́a. ¿Cuáles son
las probabilidades de que reciba,

a) 4 cheques sin fondo en un dı́a dado?

b) 10 cheques sin fondo en cualquiera de dos dı́as consecutivos?

 n
io
Chapter 4

at
Distribuciones de probabilidad

ul
para v.a. Continuas

4.1 Distribución Uniforme

irc
rc
Es útil cuando no hay razón para asignar probabilidades diferentes a un “conjunto de
posibles valores de la v.a. en un determinado intervalo”. Es decir la probabilidad de
cualesquiera dos intervalos de la misma longitud es la misma.
fo

Una v.a. continua con rango RX = [a, b] se dice que tiene distribución uniforme
de parámetros a y b, y se le denota por X ∼ U nif (a, b), si su función de densidad
viene dada por
ot

1
fX (x) = ;
b−a
a+b
E(X) = 2 ;
tn

(b−a)2
V (X) = 12
FX (x) = x−a
b−a

Ejemplos:
af
Dr

37
 38 CHAPTER 4. DISTRIBUCIONES DE PROBABILIDAD PARA V.A. CONTINUAS

• Cotización del sol en relación al dólar.

• Retorno anual de una cierta empresa.

n
• Tiempo que se puede reservar una sala de conferencias.

io
Ejemplo: Si la cotización (en u.m.) de cierta moneda en relación al dólar varia
uniformemente entre 2.80 y 3 u.m. ¿Cuál es la probabilidad de que la monea esté cotizada

at
entre 2.84 y 2.88 u.m.?
Ejemplo: Suponga que el tiempo que se puede reservar una sala de conferencias de
cierta empresa son 4 horas. Con mucha frecuencia se tienen conferencias extensas o breves.

ul
Suponiendo que la duración X de una conferencia tiene una distribución uniforme en el
intervalo [0,4] horas. ¿Cuál es la probabilidad de que cualquier conferencia determinada
dure al menos 3 horas? ¿Cuál es el tiempo que se espera que dure una conferencia?

4.2 Distribución Normal

irc
rc
Una v.a. continua con rango RX = [−∞, ∞] se dice que tiene distribución normal
de parámetros µ (media) y σ 2 (varianza), y se le denota por X ∼ N (µ, σ 2 ), si su
función de densidad viene dada por
fo
1 1
fX (x) = √ exp − (x − µ)2 ;
2πσ 2 2

E(X) = µ;
ot

V (X) = σ 2
tn
af
Dr
 4.2. DISTRIBUCIÓN NORMAL 39

n
io
at
ul
irc
rc
fo
ot
tn
af
Dr
 40 CHAPTER 4. DISTRIBUCIONES DE PROBABILIDAD PARA V.A. CONTINUAS

• La función de densidad de una v.a. Normal tiene forma de campana, es simétrica

alrededor de la media µ.

• Además la µ = media = mediana = moda.

n
• Es una v.a. definida en todos los reales.

io
• La varianza σ 2 controla la dispersión de los datos alrededor de la media µ.

• Si µ se mantiene fija y σ 2 crece, la distribución se “aplana”;

at
• en cambio si σ 2 disminuye, la distribución se “angosta”.

• σ se llama desviación estándar.

ul
Definición: Si Z es una v.a. con distribución normal, media cero y varianza uno,

irc
tal que
Z ∼ N (0, 1),
la v.a. Z es llamada normal estándar.
rc
Para calcular la probabilidad de FZ (z) = P (Z < z), es decir, la función de proba-
bilidad acumulada, se usan tablas!
fo
ot
tn
af
Dr

La primera columna contiene el valor del primer entero y decimar de z, y la primera fila contiene el segundo decimal
de z. El valor de P (Z < z) está en el cruce de dicha columna y fila dentro de la tabla.
 4.2. DISTRIBUCIÓN NORMAL 41

Ejemplo:

a) Calcule P (Z < −3.56).

n
b) Calcule P (Z < 1.67).

io
c) Calcule P (Z > 2).

d) Calcule P (−2 < Z < 2).

at
Ejercicio: Pruebe que P (−a < Z < a) = 1 − 2P (Z < −a)

ul
La v.a. normal estándar Z sirve para calcular probabilidades para cualquier v.a. X.

irc
x−µ
Si X ∼ N (µ, σ 2 ), entonces Z = σ ∼ N (0, 1) y

x−µ
P (X < x) = P (Z < ).
σ
rc
Prueba:
FZ (z) = P (Z < z) = P ( X−µ σ < z) = P (X < µ + σz) = FX (µ + σz)
d(FX (µ+σz))
fZ (z) = dz = fX (µ + σz) d(µ+σz)
dz
fo
fZ (z) = fX (µ + σz)σ
fZ (z) = σ √ 1 2 exp(− 2σ1 2 (µ + σz − µ)2 )
2πσ
1
fZ (z) = σ √ exp(− 2σ1 2 (σz)2 )
2πσ 2
fZ (z) = √12π exp(− 21 z 2 )
ot

Z ∼ N (0, 1).

Ejemplo: Si X ∼ N (µ = 10, σ 2 = 9). Calcule P (X < 15).

tn

Puede ver ejemplo de una “calculadora” de la distribución normal en el siguiente

link: [Link]
af

Ejemplo: Si X ∼ N (µ = 10, σ 2 = 9). Calcule P (X > c) = 0.95.

Ejemplo: Las calificaciones para un examen de admisión están normalmente dis-

Dr

tribuidas con media 75 y desviación estándar 10. Si un alumno es seleccionado al azar,

a) ¿Cuál es la probabilidad de que su calificación sea menor que 90?

b) ¿Cuál es la probabilidad de que su calificación sea mayor que 90?

c) ¿Cuál es la probabilidad de que su calificación se encuentre entre 80 y 90?

 42 CHAPTER 4. DISTRIBUCIONES DE PROBABILIDAD PARA V.A. CONTINUAS

d) Solo pueden solicitar una beca aquellos alumnos cuya nota mı́nima es 70. Si se
selecciona un alumno al azar, ¿Cuál es la probabilidad de que no pueda solicitar una
beca? es decir, ¿qué porcentaje de alumnos no tendrá oportunidad de solicitar la
beca?

n
e) Se sabe que el 80% de los alumnos ingresó a la universidad. ¿Cuál fue la nota mı́nima

io
para ingresar a la universidad?

Ejemplo: En una región del paı́s, el ingreso familiar es una v.a. continua X con

at
distribución N (µ = 300, σ 2 = 1002 ).

a) En la región solo el 2.5% de las familias se considera de altos ingresos ¿Cuál es el

ul
ingreso x0 que define a una familia como de altos ingresos?

b) Si se considera que el costo de una canasta familiar mı́nima es de 350 u.m.; y el

irc
gobierno asegura que con su plan de reactivación, en cinco años solo el 30% de las
familias estará en pobreza. ¿Cuánto dinero adicional tendrı́a que ganar cada familia
para que lo anterior sucediera?
rc
Propiedad Si X ∼ N (µ, σ 2 ), entonces Y = a + bX también tiene distribución
normal, tal que X ∼ N (a + bµ, b2 σ 2 )
fo
Esta propiedad nos indica que función lineal de v.a. normal también tiene dis-
tribución normal.
ot

4.3 Distribución Exponencial

Es útil cuando la v.a. es continua y los valores observados que la v.a. asume son valores
tn

no negativos. Por ejemplo, para describir el tiempo que se necesita para completar una
tarea, tiempo de llegada de clientes a un banco, vida útil de un bien, tiempo continuos de
falla, etc.

Una v.a. continua con rango RX = [0, ∞] se dice que tiene distribución exponencial
af

de parámetro λ, y se le denota por X ∼ Exp(λ), si su función de densidad viene

dada por
fX (x) = λe−λx ;
Dr

E(X) = 1/λ;
V (X) = 1/λ2
FX (x) = 1 − e−λx .

• El parámetro λ es llamado tasa de ocurrencia del evento por unidad de tiempo.

 4.4. DISTRIBUCIÓN GAMMA 43

• La función de densidad tiene la forma de una función exponencial, por eso el nombre
de distribución exponencial.

n
io
at
ul
irc
Ejemplo: Suponga que el tiempo de respuesta X en un terminal de computadora
rc
en lı́nea (tiempo entre el final de consulta de un usuario y el inicio de la respuesta del
sistema a dicha consulta) tiene una distribución exponencial con tiempo de espera de 5
segundos. ¿Cuál es la probabilidad de que el tiempo de respuesta sea cuando mucho de
10 segundos?
fo
Ejemplo: Si el ingreso empresarial en un pais, es una v.a. X con distribución
exponencial de parámetro λ y se dispone un nuevo impuesto para los ingresos superiores
al ingreso medio poblacional. Si se selecciona una empresa al azar, ¿Cuál es la probabilidad
ot

de que pagará el impuesto?

tn

4.4 Distribución Gamma

Es una generalización de la distribución exponencial.

af

Una v.a. continua con rango RX = [0, ∞] se dice que tiene distribución gamma de
parámetros α y β, y se le denota por X ∼ gamma(α, β), si su función de densidad
β α α−1 −βx
viene dada por X ∼ G(α, β) → Γ(α) x e ;
Dr

α
E(X) = β ;
V (X) = βα2

Γ(.) representa la función gamma, y es definida por: Γ(k) = (k−1)×(k−2)×. . . 2×1.

En particular, Exp(β) = G(1, β)

 44 CHAPTER 4. DISTRIBUCIONES DE PROBABILIDAD PARA V.A. CONTINUAS

Tanto la distribución exponencial como la gamma se usan para modelar datos con
distirbuciones asimétricas, como ingresos, tiempos de vida, etc.

n
io
at
ul
irc
Ejemplo: Un economista de transporte está formulando un modelo al respecto el
número de unidades de transporte que circula por una avenida de la ciudad. Sea X la
rc
distancia (10km) entre el bus que entra a la avenida hasta el bus más alejado, tal que X
sigue una distribución gamma(2, 5/4).
i) Calcule la distancia esperada entre el bus que entra a la avenida hasta el bus más alejado.
ii) ¿Con qué probabilidad serán las distancias mayores que lo esperado?
fo
Ejemplo: Los tiempos (X) de respuesta en una terminal de computadora en lı́nea
tienen aproximadamente una distribución gamma con media de cuatro segundos y varianza
de ocho segundos. Escriba una función de densidad de probabilidad para los tiempos de
respuesta. La pérdida L (en dólares) para la operación como resultado de este tiempo
ot

improductivo está dada por L = 30X + 2X 2 , encuentre el valor esperado de L.

tn
af
Dr
 n
io
Chapter 5

at
Introducción a regresión Lineal

ul
irc
Diagrama de dispersión: Es útil para visualizar la relación entre dos variables cuanti-
tativas (X e Y). Marque el eje horizontal x y el eje vertical y. Grafique los puntos usando
las coordenadas (x, y) por cada uno de los seis pares. La gráfica de dispersión muestra los
pares marcados como puntos.
rc
fo

El patrón de los datos indica el tipo de relación entre las dos variables: Lineal o no lineal. Positiva (1), negativa
ot

(2), o ninguna(3).

Ejemplo: Encuentre la recta de mejor ajuste que relacione y = salario inicial por
hora con x = número de años de experiencia en el trabajo para los datos siguientes.
tn

Grafique la recta y los puntos de datos en la misma gráfica.

X 2 3 4 5 6 7
Y 6 7 8 12 13 15.5
af
Dr

45
 46 CHAPTER 5. INTRODUCCIÓN A REGRESIÓN LINEAL

Coeficiente de correlación: El coeficiente de correlación (r) es una estadı́stica

que mide (cuantifica) el grado de relación entre dos variables cuantitativas , y es definida
por:

n
Pn
j=1 Xj Yj − nX̄ Ȳ
r = qP qP
n 2 − nX̄ 2 n 2 2

io
X
j=1 j j=1 Yj − nȲ

Pn
− ( nj=1 Xj )( nj=1 Yj )

at
P P
n j=1 Xj Yj
r = q P q P
n nj=1 Xj2 − ( nj=1 Xj )2 n nj=1 Yj2 − ( nj=1 Yj )2
P P

ul
Pn Pn
j=1 Xj j=1 Yj
donde X̄ = n , Ȳ = n .

irc
• El coeficiente de correlación siempre está entre -1 y 1.

• Cuando r es positiva, X aumenta cuando Y aumenta, y viceversa.

• Cuando r es negativa, X disminuye cuando Y aumenta, o X aumenta cuando Y

rc
disminuye.

• Cuando r toma el valor de 1 o -1, todos los puntos están exactamente en una recta.
fo
• Si r = 0, entonces no hay relación lineal aparente entre las dos variables.

• Cuanto más cercano sea el valor de r a 1 o a -1, será más fuerte la relación lineal
entre las dos variables.
ot
tn
af
Dr

Ejemplo: En el ejemplo anterior, r=0.98, con el número de años de experiencia en

el trabajo aumenta el salario.
 47

Correlación y Regresión

• La correlación cuantifica el grado de asociación lineal entre dos variables.

n
• Lineal significa una “linea recta”.

io
• La Regresión nos dice cómo dibujar esa linea recta descrita por la correlación.

at
ul
irc
rc
fo
ot
tn
af
Dr