DIFERENTES FORMAS DE SELECCIÓN DE MUESTRAS

REEMPLAZO –ORDEN

G={a,b,c,d} N=4 y r=2

MUESTRA CON REEMPLAZO Y CON ORDEN

Experimento aleatorio: Se selecciona de G, r elementos sucesivamente de tal

forma que cada uno de los seleccionados retorna a la población y puede ser elegido nuevamente

S={(aa), (ab), (ac), (ad), (ba), (bb), (bc), (bd), (ca), (cb), (cc), (cd), (da), (db), (dc), (dd) } 16

MUESTRA SIN REEMPLAZO Y CON ORDEN

Experimento aleatorio: Se selecciona de G, r elementos sucesivamente de tal forma

Que cada uno de los seleccionados pierde la posibilidad de ser elegido nuevamente.

S={ (ab), (ac), (ad), (ba), (bc), (bd), (ca), (cb), (cd), (da), (db), (dc)}12

MUESTRA SIN REEMPLAZO Y SIN ORDEN

Se selecciona de G, r elementos simultáneamente.

S={ (ab), (ac), (ad), (bc), (bd), (cd)}6

MUESTRA CON REEMPLAZO Y SIN ORDEN

Experimento aleatorio: Se selecciona de G, r elementos sin que importe el orden

pero sustituyendo el seleccionado.

S={(aa), (ab), (ac), (ad), (bb), (bc), (bd),(cc), (cd) (dd)}10

Ejemplo: ¿Dé cuantas formas se puede conformar un comité integrado por un

presidente, un vicepresidente y un secretario, elegidos entre 20 aspirantes?

PRINCIPIO FUNDAMENTAL DEL CONTEO

Considere un proceso desarrollado en k etapas: A 1, A2,…., Ak. De tal forma que la etapa A1

Tiene n1 formas de realización, la etapa A2 tiene n2 formas de realización y así sucesivamente

Hasta la etapa la etapa Ak con nk formas de realización. Entonces el número de formas en

Que se desarrollará todo el proceso es n1* n2*…* nk

Ejemplo: Para ir de un pueblo p1 a un pueblo p4 se debe pasar por los pueblos p2 y p3. ¿Dé

Cuantas formas se puede llegar a p4 si hay 4 caminos para ir de p1 a p2, 3 para ir de p2 a p3 y

2 rutas para ir de p3 a p4?

¿Cuantas posibles resultados se tienen al lanzar un dado y una moneda simultáneamente?

EXPERIMENTO ALEATORIO (E.A.): experimento que genera resultados diferentes e

impredecibles aún si se repite bajo las mismas condiciones.

Ejemplos: Tiempo en llegar a la universidad

Selección aleatoria de una muestra y la medición de una variable

Selección aleatoria de un artículo de la producción en una empresa y su clasificación

como bueno o defectuoso.

Lanzamiento de una moneda o un dado

ESPACIO MUESTRAL(S,Ω). Conjunto de todos los posibles resultados de un

experimento aleatorio

Ejemplo: EA. Lanzamiento de una moneda 1 vez S={c,s}

EA: Lanzamiento de una moneda 2 veces S={(cc)(cs)(sc)(ss)}

EA Lanzamiento de dos monedas iguales simultáneamente S={(cc)(cs)(ss)}

EVENTO: Característica que define un subconjunto del espacio muestral

E.A. Lanzamiento de 1 dado 1 vez

S={1,2,3,4,5,6}

A=Número par

B= Múltiplo de 3

C= Mayor a 4

D =Igual a 7

OPERACIONES ENTRE EVENTOS

EVENTO COMPLEMENTO

El complemento de un evento A, denotado A’ o A C,está conformado por

todos los resultados opuestos a A, (es lo que le falta a A para

Ser igual al espacio muestral)

A’=Número impar

B’= No Múltiplo de 3

C’= Menor o igual 4

D’ =S

EVENTO UNION

La unión entre dos eventos denotada como AUB está conformada por los resultados

favorables a A junto con los favorables al evento B

EVENTO INTERSECCION
La intersección entre dos eventos denotada como AnB está dada por los

resultados favorables al evento A que también son favorables al evento B

EVENTO DIFERENCIA

La diferencia entre dos conjuntos A-B, está dada por los resultados

favorables a A que no son favorables a B

EVENTO DIFERENCIA SIMETRICA

La diferencia simétrica denotada por AB, está conformada por los resultados que

Pertenecen a AUB y no están en AnB

Ejercicio.

E.A: Lanzamiento de 1 dado dos veces

Hallar el espacio muestral

Definir dos eventos: A y B

Hallar A’, AUB, AnB, A-B y AB

AXIOMAS DE PROBABILIDAD

1. P(A)>=0 A es un evento cualquiera

2. P(Ω)=1

3. P(AUB)= P(A)+P(B) si AnB=ǿ (Ay B disyuntos o mutuamente excluyentes)

PASOS PARA EL CALCULO DE PROBABILIDADES

1. Definir claramente el experimento aleatorio

2. Hallar el espacio muestral, Ω
3. Asignar a cada elemento del espacio muestral (punto muestral)
un valor tal que:
a. No negativo
b. Suma de todos los valores sea igual a 1
4. Definir una característica A (evento) y hallar
P(A) como la suma de los valores de los puntos que satisfacen
dicha característica.
EJEMPLO:
En una bodega hay 5 motores, dos de los cuales son defectuosos.
Si se seleccionan aleatoriamente 2 para cubrir un pedido. ¿Cuál es
la probabilidad de que:
a. Ninguno esté defectuoso?
b. Exactamente uno esté defectuoso?
c. Al menos uno esté defectuoso?
Al menos=mínimo,
A lo más, a lo sumo =máximo

DEFINICIÓN CLÁSICA DE PROBABILIDAD

Eventos favorables/Eventos Posibles (Equiprobabilidad)

PROBABILIDAD CONJUNTA, MARGINAL Y CONDICIONAL

SEXO(B)
 EDAD (A) HOMBRE(B1) MUJER(B2) Subtotal
<21 (A1) 3 (n11) 5 (n12) 8 (NA1)
>=21(A2) 2 (n21) 4 (n22) 6 (NA2)
Subtotal 5 (NB1) 9 (NB2) 14 (N)
PROBABILIDAD CONJUNTA “y” P(AnB)
Es la probabilidad de ocurrencia de dos o más eventos simultáneamente

P(AnB)

P(AinBj)=nij/N
Ejemplo: ¿Cuál es la probabilidad de seleccionar un estudiante menor

de 20 años y que sea mujer?

P(A1nB2)=n12/N=2/21=0.09

PROBABILIDAD MARGINAL

Es la probabilidad de ocurrencia de un evento considerando todas las

categorías del otro evento

P(Ai)=NAi/N P(Bj)=NBj/N

Ejemplo: ¿Cuál es la probabilidad de seleccionar un estudiante que tenga

Menos De 20 años?

P(A1)=NA1/N=8/21

¿Cuál es la probabilidad de seleccionar una mujer?

P(B2)=NB2/N=6/21

PROBABILIDAD CONDICIONAL

Es la probabilidad de ocurrencia de un evento restringido a la ocurrencia

de otro evento
probabilidad de A “dado”B

P(A/B)= P(AnB)/ P(B)

P(Ai/Bj)= P(AinBj)/ P(Bj)
Ejemplo: ¿Cuál es la probabilidad de seleccionar un estudiante menor

de 20 años dado (si se sabe)que es una mujer?

P(A1/B2)= P(A1nB2)/ P(B2)=2/21/6/21=2/6=1/3

Ejemplo:

Dado (si se sabe)que se elige un estudiante menor de 20 años

¿Cuál es la probabilidad de seleccionar una mujer?

P(B2/A1)= P(B2nA1)/ P(A1)=P(A1nB2)/ P(A1)=2/21/8/21=2/8=1/4

INDEPENDENCIA ESTADISTICA

Dos eventos Ay B son estadísticamente independientes si la

ocurrencia de A no incide en la ocurrencia o no ocurrencia de B

1. Si P(AnB)= P(A) P(B) entonces A y B son independiente

2. Si P(A1/B2)= P(A1) entonces A y B son independientes, en caso
contrario se dicen dependientes
Ejemplo: son los eventos A1=Tener menos de 20 años
y B2=ser mujer ¿estadísticamente independientes?
P(A1nB2)= P(A1) P(B2)?
2/21=8/21*6/21?
0.095=0.108 no son iguales luego entonces tener menos de 20 años
No es independiente de ser mujer

P(A1/B2)= P(A1)
1/3 no es igual 8/21 entonces no son independientes

Ejemplo: Considere los siguientes 3 eventos, del experimento

aleatorio: lanzamiento de 1 dado dos veces.
A: El primer y segundo lanzamiento iguales
B: Suma de ambos lanzamientos igual a 8
C: Primer lanzamiento igual a 4
[Link] los eventos A y B independientes estadísticamente?
[Link] los eventos A y C independientes estadísticamente?

P(AnB)= P(A) P(B)?

1/36 es diferente a 6/36*5/36 Entonces A y B no son independietes
P(AnC)= P(A) P(C)?
1/36=6/36*6/36
1/36 = 1/6*1/6 Luego A y C son independientes

REGLAS DE PROBABILIDAD
REGLA ADITIVA P(AUB) (probabilidad de A “o”B)
P(AUB)=P(A)+P(B) si Ay B son disyuntos
P(AUB)=P(A)+P(B)- P(AnB) si Ay B NO son disyuntos

P(AUBUC)=P(A)+P(B)+ P(C) si Ay B son disyuntos

P(AUBUC)=P(A)+P(B)+P(C)-P(AnB)-P(AnC)-P(BnC)+P(AnBnC)
si Ay B NO son disyuntos
REGLA MULTIPLICATIVA P(AnB) (probabilidad de A “y”B)
P(AnB)= P(A)P(B) si A y B son independientes
P(AnB)= P(A/B)P(B) si A y B NO son independientes

P(A/B)* P(B)= P(AnB)

P(AnBnC)= P(A)P(B)P(C) si A, B y C son independientes

P(AnBnC)= P(A/BC)P(B/C)P(C) si A, B y C NO son independientes

EJEMPLOS:
 ¿Cuál es la probabilidad de que al lanzar un dado 1 vez se obtenga un
Número par o un 2?
A:Obtener un par
B Obtener un dos

P(AUB)=P(A)+P(B)- P(AnB) =3/6+1/6-1/6=3/6

¿Cuál es la probabilidad de obtener una suma de 5 o una suma de
6 al lanzar un dado dos veces?
A:Suma igual a 5
B:Suma igual a 6

P(AUB)=P(A)+P(B)=4/36+5/36=9/36=0.25

¿Cuál es la probabilidad de obtener al menos un 4 en los dos

Lanzamientos de un dado?
A:Obtener un 4 en el primer lanzamiento
B:Obtener un 4 en el segundo lanzamiento

P(AUB)=P(A)+P(B)- P(AnB) =1/6+1/6- P(A)P(B) =1/6+1/6- 1/6*1/6=11/36

En una biblioteca hay 7 libros de estadística. 4 en empaste fino y 3

en empaste rustico. Si llegan 3 estudiantes, ¿Cuál es la probabilidad

de que el primero se lleve un libro en empaste fino, el segundo

en empaste rustico y el tercero empaste rustico?

C: Primer estudiante se lleva un libro en empaste fino.

B: Segundo estudiante se lleva un libro en empaste rustico

A: tercer estudiante se lleva un libro empaste rustico

FFFFRRR

P(CnBnA)= P(AnBnC)= 4/7*3/6*2/5= P(C) P(B/C) P(A/BC)

C¨: Primer estudiante se lleva un libro en empaste rustico

P(C¨nBnA)=3/7*2/6*1/5= P(C¨) P(B/C¨) P(A/BC¨)=0.0285

C¨: Primer estudiante se lleva un libro en empaste rustico

Con reemplazo (independencia)

P(AnBnC)=4/7*3/7*3/7= P(C)P(B) P(A)

¿Cuál es la probabilidad de que el primero se lleve un libro

en empaste rustico, el segundo

en empaste rustico y el tercero empaste rustico?

TEOREMAS DE PROBABILIDAD TOTAL Y TEOREMA DE BAYES

Considere una partición de Ωes decir

 1. Ei≠ vacio
2. EinEj=vacio
3. UEi= Ω

P(B)= P(BnE1)+ P(BnE2)+...+ P(BnEk)

P(B)= P(B/E1)P(E1)+ P(B/E2)P(E2)+...+ P(B/Ek)P(Ek) Teorema de Probabilidad Total

P(A/B)= P(AnB)/ P(B) P(AnB)= P(A/B)P(B)

P(Ej/B)= P(EjnB)/ P(B) = P(BnEj)/ P(B) = P(B/Ej)P(Ej)/ P(B) Teorema De Bayes

En una fábrica, tres máquinas E1, E2 y E3 producen el 25%, 35% y 40% del total

de la producción, respectivamente. Se sabe por experiencia pasada que el 2%

de la maquina E1, el 3% de la maquina E2 y el 4% de la maquina E3 son artículos

defectuosos.

a. ¿Cuál es la probabilidad de que un artículo sea defectuoso?

P(D)= P(DnE1)+ P(DnE2)+P(DnE3)

P(D)= P(D/E1)P(E1)+ P(D/E2)P(E2)+ P(D/E3)P(E3)

P(D)=0.02*0.25+0.03*0.35+0.04*0.4=0.0315 O 3.15% total

P(D)=0.02*0.25+0.03*0.35+0.04*0.4=0.0315 o 3.15% defectuosos

b. Si un artículo es defectuoso, ¿cuál es la probabilidad de que sea producido

por la maquina E2?
P(E2/D)= P(E2nD)/ P(D)= P(DnE2)/ P(D)= P(D/E2)P(E2)/ P(D) Teorema de Bayes
P(E2/D) = 0.03*0.35/0.0315=0.33
La maquina E2 produce la tercera parte de los defectuosos

P(E1/D)= 0.16 P(E 3/D)=0.51

 P(F/NP)

VARIABLES ALEATORIAS

DISCRETAS

Ejemplo:

Experimento aleatorio: Lanzamiento de 1 dado 1 vez

X: # puntos en la cara superior del dado

X f(X) F(X)
1 1/6 1/6
2 1/6 2/6
3 1/6 3/6
4 1/6 4/6
5 1/6 5/6
6 1/6 6/6=1
Suma de probabilidades=1

f(x)=1/6 x=1,2,3,4,5,6

Distribución uniforme discreta

Función de masa (probabilidad)

f ( x i ) =P ( X=x i )

f ( 2 ) =P ( X=2 )=1 /6
1 1 1 3 1
P ( 2≤ X <5 )=P ( X=2 ) + P ( X =3 ) + P ( X=4 ) = + + = = =0.5
6 6 6 6 2

FUNCIÓN DE DISTRIBUCIÓN (ACUMULADA)

F ( x )=P ( X ≤ x ) =∑ f ( x i)
x i ≤x

F ( 2 )=P ( X ≤ 2 )=P ¿1)+ P ¿2)= 1/6+1/6=2/6

F ( 3 ) =P ( X ≤ 3 ) =P ¿ 1)+ P ¿2)+ P ¿3)=1/6+1/6+1/6=3/6=1/2

F ( x )=¿ 0 si x ¿ 1

1/6 1 ≤ x <2
 2/6 2 ≤ x <3

3/6 3 ≤ x < 4

4/6 4 ≤ x <5

5/6 5 ≤ x <6

1 x≥ 6

Propiedades

1. 0 ≤ F ( x ) ≤ 1
2. Si x ≤ y entonces F ( x ) ≤ F ( y )

X f(X) F(X)
1 1/6 1/6
2 1/6 2/6
3 1/6 3/6
4 1/6 4/6
5 1/6 5/6
6 1/6 6/6=1

MEDIA, VALOR ESPERADO O ESPERANZA

μ= E ( X )=∑ xf ( x )
x
μ=¿E(X)=1*1/6+2*1/6+3*1/6+4*1/6+5*1/6+6*1/6=3.5
VARIANZA
 σ =V ( X )=∑ ( x−μ ) f ( x )=∑ x f ( x )−μ
2 2 2 2

x x
2
σ =¿V(X)=(1-3.5) *1/6+(2-3.5) *1/6+(3-3.5)2*1/6+(4-3.5)2*1/6+(5-3.5)2*1/6+(6-3.5)2*1/6=2.91
2 2

2
σ =¿V(X)=12*1/6+22*1/6+32*1/6+42*1/6+52*1/6+62*1/6-3.52=2.916
σ =¿Desviación estándar=1.705

CONTINUAS

Ejemplo

f(x)=1/3 2 ≤ x ≤5
a b
Uniforme continua

P( x=3 ¿

P(0 ≤ x ≤ 3)
Función de densidad de probabilidad

1. f ( x ) ≥0
∞
2. ∫ f ( x ) dx=1
−∞
b
3. P ( a ≤ X ≤ b )=∫ f ( x ) dx
a
4. P ( a ≤ X ≤ b )=P ( a< X ≤ b ) =P ( a≤ X < b )= P ( a< X < b )

P ( a ≤ X ≤ b )=P ( x =a ) + P ( a< X ≤ b )
P( x=a ¿=0
∞ 2 5 ∞ 5

∫ f ( x ) dx=¿ ∫ f ( x ) dx+ ¿∫ f (x )dx +∫ f ( x ) dx=¿ ∫ 31dx = 13 ∗( 5−2 )=1 ¿ ¿ ¿

−∞ −∞ 2 5 2
3
P(2.5 ≤ x ≤ 3¿ =∫ 1/3 dx =1/6
2.5

FUNCIÓN DE DISTRIBUCIÓN (ACUMULADA)

x
F ( x )=P ( X ≤ x ) =∫ f ( u ) du
−∞

3 2 3 3
1
F ( 3 ) =P ( X ≤ 3 ) =∫ f ( x ) dx= ∫ f ( x ) dx+∫ 1 /3 dx =∫ 1/3 dx= ∗( 3−2 )=1/3
−∞ −∞ 2 2 3
4 2 4 4
1
F ( 4 ) =P ( X ≤ 4 )= ∫ f ( x ) dx=∫ f ( x ) dx +∫ 1/3 dx=∫ 1/3 dx= ∗( 4−2 )=2/3
−∞ −∞ 2 2 3
 x 2 x x
1 1x
F ( x )=P ( X ≤ x ) =∫ f ( x ) dx= ∫ f ( x ) dx+∫ 1/3 dx=∫ 1/3 dx= ∗( x−2 )= −2/ 3 x≤5
−∞ −∞ 2 2 3 3

1
F ( 5 ) =P ( X ≤ 5 )= ∗( 5−2 )=1
3

F(x)= 0 si x¿ 2

1x
−2/3 si 2 ≤ X <5
3
1 si x ≥ 5

MEDIA
∞
μ= E ( X )= ∫ xf ( x ) dx
−∞
∞ 2 5 ∞ 5
1
μ= E ( X )= ∫ xf ( x ) dx= ∫ xf ( x ) dx +∫ x∗1/3 dx+∫ xf ( x ) dx=∫ x∗1/3 dx= ∗(5 −2 )=3.5
2 2

−∞ −∞ 2 5 2 6

VARIANZA
∞ ∞
σ =V ( X )= ∫ ( x−μ ) f ( x ) dx =∫ x f ( x ) dx−μ
2 2 2 2

−∞ −∞

∞ 5
σ =V ( X )= ∫ ( x−μ ) f ( x ) dx =∫ ( x −3.5 ) 1/3 dx =0.75
2 2 2

−∞ 2
 ∞ 5
σ =V ( X )= ∫ x f ( x ) dx−μ =∫ x 1/3 dx −3.5 =1/9(5 3−2 ¿ ¿ 3)¿ - 3.52=0.75
2 2 2 2 2

−∞ 2

EA. Lanzamiento de 1 dado 2 veces

X: Suma de los puntos de los dos dados

 Hallar Funcion de Probabilidad (FDP) Graficar

 Hallar la acumulada
 Hallar E(X) y V(X)

X f(X) F(X)
2 1/36 1/36
3 2/36 3/36
.
.
.
12 . 1
μ= E ( X )=∑ xf ( x )
x
E(X)=

VARIANZA
σ =V ( X )=∑ ( x−μ ) f ( x )=∑ x f ( x )−μ
2 2 2 2

x x
V(X)=
 Uniforme Binomial Binomial negativa Geométrica Hipergeométrica Poisson
Discreta
Carac- Cada uno de los Consiste en la repetición Consiste en la repetición de Consiste en la Se selecciona una Considere un intervalo de número reales en
teristica
s valores que de n ensayos ensayos independientes repetición de ensayos muestra aleatoria de el espacio o en el tiempo. Si dicho intervalo
asume tiene la independientes Bernoulli independientes tamaño n sin se puede dividir en subintervalos lo
misma Bernoulli(Experimento con Bernoulli reemplazo suficientemente pequeños tales que:
probabilidad dos posibles resultados 1. La probabilidad de más de una ocurrencia
disyuntos: éxito y fracaso en el intervalo es cero
con probabilidades 2. La ocurrencia en un subintervalo es
constantes p y (1-p), independiente de la ocurrencia en los demás
respectivamente) subintervalos y es directamente proporcional
la longitud de los mismos.
Entonces el proceso se distribuye Poisson
1
() ( ) ( )( )
x−r −λ x
FDP
n x
p ( 1− p )
n−x x−1 (1− p ) pr ( 1− p ) x−1 p K N −K e λ
n x r −1 x=No de ensayos x n−x x!
x=No de é xitos en n x=No de ensayos hasta completar 1 é xito x=No ocurrencias en elintervalo
ensayos
x=0,1,2 , … , n
hasta completar r exitos
p=Probabilidad é xito en
x=1,2 , … ( Nn ) x=0,1,2 , …
λ=valor esperado
n=No. ensayos bernoulli un ensayo
p=Probabilidad é xito en un x=r , r +1 , r +2 ,. .
ensayo bernoulli
E(X) (b+ a) np r 1 nK λ
2 p p N
( b−a+1 )2−1 np ( 1− p ) r (1−p ) ( 1− p )
( )( ) λ
V(X)
K K N−n
n 1−
12 p
2
p
2
N N N−1
MOME (1 − p + p et )n (pet/ 1−(1−p)et)r pet/ (1−(1−p)et) e[λ(et−1)]
NTOS
si t < −log(1 − p)
f(x)=1/6 x=1,2,3,4,5,6
 a b

(b+ a) (6+1)
E ( x )= = =3.5
2 2

( b−a+1 )2−1 ( 6−1+1 )2−1 35

V ( x )= = = =2.91
12 12 12
Ejemplo: La probabilidad de que un semáforo esté en verde en una mañana

es del 20%. Suponga que cada mañana representa un ensayo independiente

a. En 5 mañanas ¿cuál es la probabilidad de que el semáforo este en verde

Una vez?

V N N N N

N V N N N
N N V N N
0.8 0.8 0.2 0.8 0.8 =0.2*0.84=0.08192

5C1*0.2*0.84=0.4096

X=# MAÑANAS QUE EL SEMAFORO EN VERDE, p=0.2, n=5

p ( X=1 ) = ( nx ) p ( 1−p ) =(51 )0.2 ( 1−0.2 ) =(51) 0.2 ( 0.8 )
x n−x 1 5−1 1 4

PROBABILIDAD FINAL=5C1*0.2*0.84
X=# de mañanas con el semáforo en verde, p=0.2 n=5

P ( X=1 ) = (51 ) 0.2 ( 1−0.2) =(51) 0.2 ( 0.8)

1 5−1 1 4

b. En 5 mañanas ¿cuál es la probabilidad de que el semáforo este en verde

Al menos 2 veces?
 P(X=x)= ( 5x )0.2 ( 1−0.2 )
x 5−x

P( x≥ 2)= P( X¿ 2)+ P(X¿ 3)+ P(X¿ 4 )+ P(X¿ 5)=0.2627

(52 ) 0.2 ( 1−0.2 )

2 5−2

= (52) 0.2 ( 1−0.2) +(53) 0.2 ( 1−0.2) +(54 )0.2 ( 1−0.2) +(55 )0.2 ( 1−0.2)
2 5−2 3 5 −3 4 5−4 5 5−5

=0.2048+ 5.12x10^-3+1.28x10^-3+3.2x10^-4=0.2672

P( X¿ 2)+ P(x¿ 3)+ P(x¿ 4 )+ P(x¿ 5)=1- P( X¿ 0 )-P(x¿ 1)

P( x≥ 2)= P( X¿ 2)+ P(x¿ 3)+ P(x¿ 4 )+ P(x¿ 5)=1- P( X¿ 0)- P(x¿ 1)

P( x≥ 2)= 1- P( X¿ 0)- P(X¿ 1)=1- (50) 0.2 ( 1−0.2 )

0 5−0
-0.4096=0.2672

E ( X ) =np=5∗0.2=1
V ( X )=np(1− p)=5∗0.2(1−0.2)=0.8
c. En 5 mañanas ¿cuál es la probabilidad de que el semáforo este en verde
tres veces?
V N V N V
V N V V N
N N V V V
V V V N N
N V V V N
V N V N V
0.2 0.8 0.2 0.8 0.2 =0.82*0.23
 4C2*0.82*0.23 Binomial negativa
d. ¿Cuál es la probabilidad de que la tercera vez que el semáforo esta en
Verde sea la quinta mañana que usted pasa por el cruce?
DISTRIBUCION BINOMIAL NEGATIVA
X=# de mañanas hasta completar r=3 semáforos en verde

( )
x−1 (1− p )x−r pr
r −1

( ) ()
5−3 2
P ( x=5 )= 5−1 ( 1−0.2 ) 0.23= 4 ( 0.8 ) 0.23=0.03072
3−1 2
r 3
E ( x )= = =15
p 0.2

e. ¿Cuál es la probabilidad de que la primera vez que el semáforo esta en

Verde sea la quinta mañana que usted pasa por el cruce?
N N N N V =0.84*0.2 Geométrica
X=# de mañanas hasta completar primer(r=1) semáforo en verde
x−1 5−1 4
P ( x=5 )=( 1−p ) p=( 1−0.2 ) 0.2=( 0.8 ) 0.2 =0.08192
1 1
E ( x )= = =5
p 0.2

El número de baches que necesitan reparación urgente en una carretera

Intermunicipal tiene una distribución con una media de 5 baches por
Kilometro.
a. ¿Cuál es la probabilidad de no encontrar ningún bache?

X =¿ baches en la carretera λ=5

X =0,1,2,3 , …
−λ x −5 0
e λ e 5 −5
P ( X=0 )= = =e =0.00673
x! 0!
b. ¿Cuál es la probabilidad de encontrar al menos un bache?

e−5 50 −5
P ( X ≥1 ) =P ( X=1 ) + P ( X=2 ) + …=1−P ( X <1 )=1−P ( X =0 )=1− =1−e =0.99327
0!

c. ¿Cuál es la probabilidad de encontrar al menos un bache en un

tramo de 2 kilómetros?
Si 1kλ=5
2k λ *=? 10

−10
e 100 −10
P ( X ≥1 ) =1−P ( X <1 )=1−P ( X=0 )=1− =1−e =0.99
0!

HIPERGEOMETRICA

N=14
Mujeres(K)=3
Hombres =11
n=4
Se selecciona sin reemplazo una muestra de 4 estudiantes. ¿Cuál es la
Probabilidad de elegir al menos a una mujer?
X=# de mujeres en la muestra

( 3x )(4−x
11
) = ( Kx )( N−K
n−x )

(144 ) ( Nn )
P ( X ≥1 ) =P ( X=1 ) + P ( X=2 ) + P ( X =3 )=
( 1)( 3 ) ( 2 )( 2 ) ( 3 )( 1 )
3 11
+
3 11
+
3 11
=0.67
(4) (4) (4)
14 14 14
 P ( X ≥1 ) =1−P ( X=0 )=1−
( 0 )( 4 )
3 11
=1-0.33=0.67
(4)
14

nK 4∗3
E ( X )= = =0.86 ≈ 1
N 14

DISTRIBUCIONES CONTINUAS

UNIFORME NORMAL EXPONENCIAL GAMMA ERLANG CHI BETA WEIBULL

CONTINUA CUADRADO

X: Longitud del Caso particular de la Caso Es una función de Modela el tiempo hasta
intervalo entre distribución Gamma particular dedensidad de dos que ocurre una falla en
conteos cuando r es entero la parámetros definida en el muchos sistemas físicos
sucesivos o (r>0) distribución intervalo [0,1]. diferentes
hasta que X: Longitud del Gamma Frecuentemente, se usa
ocurre el primer intervalo hasta que cuando como modelo para
conteo(falla) en ocurren r fallas en un 1 proporciones, por
λ=
un proceso proceso Poisson con 2 ejemplo como la
Poisson con media λ >0 1 3 proporción de impurezas
media λ >0 (Suma de r r = ,1 , , 2 en un producto químico o
2 2
exponenciales) la proporción de tiempo
que una maquina está en
reparación
 2 ( σ )
1
2

f ( x )= 1
−1 x−μ
f ( x )= λe−λx ( ) λ r x r −1 e− λx ( ) λ r x r −1 e− λx x α −1(1−x) β−1
f ( x ) = e f x= f x= f ( x )=
β x β−1 −( δ )
β
b−a x≥0 x

a< x<b
√2 π σ
−∞ < x <∞ λ=media x≥0
Γ (r )
x≥0
( r−1 ) ! B(α , β )
f ( x )=
δ δ () e
r >0 r =1,2,3 ,. . 0≤ x≤1 x >0
1 ∞
r −1 − x δ >0 escala
Si λ = Γ ( r )=∫ x e dx
β 1
β −1 β >0 forma
0 r >0 B ( α , β )=∫ x ( 1−x ) dx
α −1
−( )
β
x
−1 Γ ( r )= ( r−1 ) Γ ( r−1 ) 0 δ
1 x F ( x )=1−e
f ( x )= e β
¿ ( r−1 ) ! Γ (α ) Γ ( β )
β
Γ ( 0 ) =0 ! ; Γ ( 1/2 )=π
r=α y λ=
1
1/ 2 ¿
Γ (α + β ) Con α = β o δ=
δ
1

f ( x )=αβ x e
√ β 1

β−1 −αx
α
β

β
∝ ∝−1 −x/ β
1/ β x e
f ( x )=
Γ (∝)
E ( x )=
a+b
2
E ( X ) =μ
−∞ <μ<∞
E ( X )=
1
λ
E ( X )=
r
λ
r
E ( X )=
λ
E ( X )=
α+β
α
( 1β )
E ( X ) =δ Γ 1+

[ 1β
2
V ( X )=σ
2
1 r r αβ
V ( X )=δ Γ ( 1+ )−δ Γ ( 1+ )
(b−a) V ( X )= 2 V ( X )= 2 V ( X )= 2 V ( X )= 2
V ( x )= 2
2 2
12 σ>0 λ λ λ ( α + β ) ( α + β+ 1 ) β
(ebt−eat)/ e(σ2t2/2)+ µt λ/( λ−t) t<λ (λ/( λ−t))r (1 /(1−2t)) k/2
(b−a)t t < 1/2

f(x)=1/3 2 ≤ x ≤5 ∞ b

( )
2 2
1 a+ b (b−a)
V ( x )=∫ x 2 f ( x ) dx−μ2=∫ x 2 dx− =
a b −∞ a b−a 2 12
2 2
(b−a) (5−2) 9
V ( x )= = = =0.75
12 12 12
1 1 1
f ( x )= = =
b−a 5−2 3 UNIFORME
Área=base*h Sea X la corriente medida en un alambre delgado de cobre en miliamperes cuya distribución
es uniforme continua. Suponga que el rango es 0 a 20 MA Halle la función de densidad
1=(b-a)*h entonces h=1/(b-a)
1
∞ b
1 a+ b f(x)= =¿0.05, 0 ≤ x ≤ 20
μ= E ( X )= ∫ xf ( x ) dx=∫ x dx= 20−0
−∞ a b−a 2
EXPONENCIAL
a+ b 2+ 5
μ= E ( x )= = =3.5
2 2
 b. ¿Cuál es la probabilidad de que el tiempo hasta el siguiente acceso este entre 2 y 3
minutos?

En una red de computadoras de una corporación, el acceso de usuarios al sistema

puede modelarse como un proceso de Poisson con una media de 25 accesos por hora.

a. ¿Cuál es la probabilidad de que no haya accesos en un intervalo de 6 minutos?

0.05
X: tiempo en horas desde el principio del intervalo hasta el primer acceso
P(0.033<X<0.05)= ∫ 25 e
−25 x
1 hora 60min
dx =e−25(0.033)-e−25(0.05) =¿0.1517
0.033
x 6min
b. Determine el intervalo de tiempo tal que la probabilidad de que no haya accesos en el
∞ ∞
intervalo sea de 0.90
P(X>0.1)=∫ λe dx =∫ 25 e
− λx −25 x
dx =
0.1 0.1
−25 x −25(0.1 ) −25 b❑ −2.5
−e evaluado entre 0.1 e infinito=e −lim e =e =0.08
b∞
 ∞ 4 3 −0.0001x 4 ∞
0.0001 x e 0.0001
¿ ∫ 3!
dx=
3!
∫ 3 −0.0001 x
x e dx
40000 40000

BETA

Un mayorista de gasolina tiene tanques de almacenamiento a granel que contienen

suministros fijos y se llena cada lunes. De interés para la mayorista es la proporción de éste
suministro que se vende durante la semana. Durante varias semanas de observación la
distribuidora encontró que esta proporción podría ser modelada por una distribución beta
con α =4 y β=2. Encuentre la probabilidad de que la mayorista venda al menos 90% de su
existencia en una semana determinada
1 1 1 1 Γ (α ) Γ (β )
E(X)¿ = =0.04 V ( X )= 2
= 2 =1.6 x10-3 X: Proporción vendida durante la semana B ( α , β )=
λ 25 λ 25 Γ (α + β)
ERLANG α−1 β −1
x (1−x ) Γ (α + β) α −1
x
α −1
(1−x)
β−1
= x (1−x )β −1
Las fallas de las unidades de procesamiento central (CPU) de los sistemas de computadoras f ( x )= = Γ (α ) Γ ( β ) Γ (α ) Γ ( β) α =4 , β=2
B(α , β )
se modelan por un proceso Poisson. Generalmente las fallas son de carácter aleatorio en el Γ ( α + β)
gran número de circuitos semiconductores de las unidades. Suponga que las unidades que
fallan se reparan de inmediato y que el número promedio de fallas por hora es de 0.0001. Γ ( 4+ 2 ) 4−1 Γ (6 ) 5! 3
f ( x )= x ( 1−x )2−1= x 3 ( 1−x )1= x ( 1−x )
Sea X el tiempo hasta que ocurren cuatro fallas en el sistema. Determine la probabilidad de Γ ( 4 ) Γ (2 ) Γ (4 ) Γ (2) 3! 1!
que X exceda 40 000 horas
1∗2∗3∗4∗5 3 4
¿ x (1−x )=20( x ¿ ¿ 3−x )¿
λ=0.0001 ;r=¿ 4 1∗2∗3∗1
1
P ( X ≥0.9 )=∫ 20 ( x −x ) dx=0.08 1
3 4

0.9

No es muy probable que el 90% se venda en una semana determinada

α 4 2
E ( X )= = = =0.66
∞ r r −1 − λx ∞ 4 4 −1 −0.0001 x
α + β 4+2 3
λ x e 0.0001 x e
P(X>40 000)= ∫ ( r−1 ) !
dx=¿ ∫
( 4−1 ) !
dx ¿ WEIBULL
40000 40000
El tiempo para que ocurra una falla (en horas) de un rodamiento en un eje mecánico

1
se modela por una distribución Weibull con β= y δ=5 000 horas
2
a. Determine el promedio para que ocurra una falla

( 1β )=5000 Γ (1+ 1/21 )=5000 Γ (1+2) =5000 Γ ( 3 )=5000∗2!=10000

E ( X ) =δ Γ 1+

b. Determine la probabilidad de que un rodamiento dure por lo menos 6000 horas

X: tiempo hasta que ocurre la falla

(65 )
1
− 2
P(X>6000)= 1-P(X<6000)=1-
F ( 6000 ) =1−( 1−e )=0.33

( xδ )
β
−
()
β
β−1 − x
F ( x )=P( X ≤ x)=1−e
− ( )
6000
1/2
f ( x )= ()
β x
δ δ
e
δ

5000
F ( 6000 ) =P ( X ≤ 6000 ) =1−e x >0
δ >0 escala
[Link] β >0 forma
estadistica-para-ingenier-walpole_8.pdf
( δx )
β
−
Pag 185 F ( x )=1−e
APROXIMACION NORMAL A LA BINOMIAL

Si X es una variable aleatoria binomial con media np y varianza np(1-p) entonces

X ± 0.5−np
Z=
√ np(1− p)
conforme n →∞
± 0.5 factor de correccionpor continuidad
Si X es una variable aleatoria binomial entonces

X ± 0.5−np
Z=
√ np(1− p)
Es aproximadamente normal estándar. La aproximación es buena para
np>5 n(1-p)>5

APROXIMACION NORMAL A LA POISSON

Si X es una variable aleatoria de Poisson con E(X)= λ y V(X)= λ

X ± 0.5−λ
Z=
√λ
Es aproximadamente una variable aleatoria normal estándar la aproximación es buena para λ> 5
La probabilidad de que un paciente se recupere de una rara enfermedad en la sangre es 0.4. Se sabe que 100 personas contrajeron esta enfermedad
Cuál es la probabilidad de que menos de 30 sobrevivan? X:# de personas que se recuperan p=0.4

(1000 ) 0.4 ( 1−0.4 )

P ( X <30 ) =
0 100−0
(100
+ …+
29 )
0.4
29
( 1−0.4 )100−29
 μ=np=100∗0.4=40
σ =raiz (np ( 1− p ) )=raiz (100∗0.4∗0.6)=4.899

(
P ( X <30 ) =P Z <
30−0.5−40
4.899 )
=P(Z ←2.14)=0.0162

(
P ( X >35 ) =P Z >
35+0.5−40
4.899 )
=P ¿

P ( 25< X <30 )=P ( 25+0.5−40

4.899
<Z <
30−0.5−40
4.899 )=P ¿
El número de defectos en la superficie de un material por metro cuadrado sigue una distribución de poisson con media 100
Si se analiza un metro cuadrado de dicho material, ¿Cuál es la probabilidad de encontrar 95 defectos o más?

(
P ( X >95 )=P Z>
95+ 0.5−100
10 )
=P ( Z >−0.45 ) =1−0.3264=0.6736

Teorema de Tchebysheff

Sea Y una variable aleatoria con media finita μ y varianza finita σ 2. Entonces, para cualquier constante k>0,

1 1
P (|Y −μ|<kσ ) ≥ 1− o P (|Y −μ|≥ kσ ) ≤
k2 k2

Ejemplo: El número de clientes por día en un mostrador de ventas, Y, ha sido observado durante un largo periodo y se encontró que tiene una media de
20 y desviación estándar de 2. La distribución de probabilidad de Y no se conoce ¿Que se puede decir acerca de la probabilidad de que, mañana,
Y sea mayor de 16 pero menor que 24?
Considerando la primera expresión
P ( 16<Y <24 )
1
P (−kσ <Y −μ<kσ ) ≥ 1− 2
k
 1
P ( μ−kσ <Y < μ+kσ ) ≥ 1− 2
k
μ−kσ=16
20−k 2=¿ 16
20−16=k 2
20−16
=k
2
2=k

1
P (−kσ <Y −μ<kσ ) ≥ 1− 2
k

1 3
P ( 16<Y <24 )=P ( μ−2 σ <Y < μ+ 2 σ ) ≥ 1− = =0.75
22 4

El total de clientes de la mañana será de 16 y 24 con una probabilidad de al menos ¾

Ejemplo:
r r −1 − λx ∝ ∝−1 −x/ β
λ x e 1/ β x e
f ( x )= con r= y λ=1/¿ f ( x )=
Γ (r ) Γ (∝)

Suponga que la experiencia ha demostrado que el tiempo Y(minutos) necesario para realizar una prueba periódica de mantenimiento en la máquina de
dictados
sigue una distribución gamma con =3.1 y =2. Un trabajador de mantenimiento de nuevo ingreso tarda 22.5 minutos en revisar la maquina ¿El tiempo
para
realizar la prueba está en desacuerdo con la experiencia anterior?
μ ==3.1*2=6.2 y 2=3.1*22=12.4

1
P (|Y −μ|≥ kσ ) ≤ 2
k

P ( Y −μ ≥ kσ ) o P ( Y −μ ≤−kσ )
22.5−6.2≥ k 3.52
 22.5−6.2
≥k
3.52

4.63 ≥ k

1
P (|Y −μ|≥ 4.63 σ ) ≤ 2
=0.0466
4.63

La probabilidad de que el tiempo utilizado en el mantenimiento de la maquina concuerde con el anterior es baja ( 0.0466 )

MOMENTOS Y FUNCION GENERADORA DE MOMENTOS

El k-ésimo momento de una variable aleatoria Y tomada alrededor del origen se define como E(Y K) y se denota ’k

El k-ésimo momento de una variable aleatoria Y tomada alrededor de su media o el k-ésimo momento .central de Y,
se define como E[(Y-)K] y se denota k

La función generadora de momentos m(t) para una variable aleatoria Y se define como m(t)=E(e ty).
Decimos que una función generadora de momentos para Y existe si existe una contante positiva b tal que m(t) es finita para ItI<b
ety=1+ty+(ty)2/2! +(ty)3/3! +(ty)4/4!+…

E(ety)= etyp(y)= [1+ty+(ty)2/2! +(ty)3/3! +(ty)4/4!+…]p(y)

= p(y)+t yp(y)+t2/2!  y2p(y)+t3/3!  y3p(y)+…
=1+t’1+ t2/2! ’2+t3/3! ’3+… función de todos los momentos respecto al origen

Teorema

|
k
ⅆ m(t )
Si existe m(t) para cualquier entero positivo k, entonces tk
=m(k ) ( 0 )=μ ´ k
ⅆ t =0

Ejemplo encuentre la función generadora de momentos para una variable aleatorias con distribución de poisson con media λ

∞ ∞ −λ y
ty ⅇ λ
m ( t )=E ( e )= ∑ e p ( y )= ∑ e
ty ty

y=0 y=0 y!
 y y
∞
( λ e t ) ⅇ− λ ∞
( λ et )
¿∑ ∑
−λ
=ⅇ
y=0 y! y=0 y!
t
λe
multiplicando y dividiendo por ⅇ

y
( λ e t ) ⅇ−λ e
t
∞

∑ λ ( e −1 )
t t
−λ λe
m ( t )=ⅇ ⅇ =ⅇ
y=0 y!

Emplee la función generadora de momentos para encontrar la media y la varianza de la variable aleatoria Poisson
d λ ( e −1 )
=ⅇ λ ( e −1) λ e
t t
t
m(1 ) ( t )=
ⅇ
dt
2
(2 ) d λ ( e −1) d ( λ ( e −1 ) t )t t

m ( t )= 2 ⅇ = ⅇ λe
dt dt
( ) t 2 ( )
¿ ⅇ λ e −1 ( λ e ) +ⅇ λ e −1 λ e
t t
t

Entonces
μ=m 1 ( 0 )=ⅇ λ e −1 λ e |t =0=λ
( ) ( t
) t

μ ´ 2=m ( 0 )= ⅇ λ ( e −1) ( λ e t ) +ⅇ λ ( e −1) λ et|t =0=λ2 + λ

( 2) t 2 t

σ 2=E ( Y 2 )−μ2 =λ2 + λ−λ 2=λ

Supongamos que Y es una varíable aleatoria con la función generadora de momentos

( t
)
mY ( t )=ⅇ 3.2 e −1

¿Cuál es la distribución de Y?
Ejemplo_

Determine la función generadora de momentos de la distribución uniforme continua

b b b
1 1 1 ty b
m ( t )=E ( e )=∫ e p ( y ) dy=∫ e ∫ e |a
ty ty ty ty
dy = e dy=
a a b−a b−a a ( b−a ) t
e tb −e ta
( b−a ) t
[Link]

DISTRIBUCIONES DE PROBABILIDAD BIVARIABLES

Sean Y1 y Y2 variables discretas. La función de probabilidad conjunta está dada por

p ( y 1 , y 2 ) =p ( Y 1 = y 1 , Y 2= y 2 ) −∞ < y 1 <∞−∞< y 2 < ∞

Propiedades

1. p ( y 1 , y 2 ) ≥ 0 para toda y1 , y 2
❑

2. ∑ p ( y 1 , y 2) =1
y 1 , y2

Ejemplo: un supermercado tiene tres cajas: dos clientes llegan a las cajas en momentos diferentes cuando las cajas no atienden a otros clientes. Cada cliente
escoge una caja de manera aleatoria independiente del otro. Encuentre la función de probabilidad conjunta de y1 y y2

Y1: el número de clientes que escogen la caja 1

Y2: el número que selecciona la caja 2.

S={(1,1),(1,2),(1,3), (2,1),(2,2),(2,3), (3,1),(3,2),(3,3)}

Y1

0 1 2
0 1/9 2/9 1/9
1 2/9 2/9 0
2 1/9 0 0

F ( y 1 , y 2 )= p(Y 1 ≤ y1 , Y 2 ≤ y 2) −∞ < y 1 <∞−∞< y 2< ∞

F ( 2,1 )= p (Y 1 ≤ 2 ,Y 2 ≤ 1)
Sean Y 1 y Y 2 variables aleatorias continuas con función de distribución conjunta F ( y 1 , y 2 ), Si existe una función no negativa tal que
y1 y2

F ( y 1 , y 2 )= ∫ ∫ f ( t 1 , t 2 ) d t 1 , d t 2
−∞ −∞

Entonces se dice que Y 1 y Y 2 son variables aleatorias continuas conjuntas. La función f ( y 1 , y 2 ), se llama función de densidad conjunta

Sean Y 1 y Y 2 variables aleatorias continuas con función de distribución conjunta F ( y 1 , y 2 )

1. F (−∞ ,−∞ )=F ( −∞ , y 2 ) =F ( y 1 ,−∞ ) =0

2. F ( ∞ , ∞ )=1

Sean Y 1 y Y 2 variables aleatorias continuas con función de densidad conjunta f ( y 1 , y 2 )

1. f ( y 1 , y 2 ) ≥ 0 para toda y 1 , y 2
∞ ∞
2. ∫ ∫ f ( y 1 , y 2 ) d y 1 d y 2=1
−∞ −∞

Ejemplo

Suponga que una partícula radioactiva se localiza aleatoriamente en un cuadrado con lados de longitud unitaria es decir, si consideramos

dos regiones de la misma área. Existe la misma probabilidad de que la partícula se encuentre en cualquiera de las dos regiones.

Sea Y1 y Y2 las coordenadas de localización de las partículas. Un modelo razonable del histograma de frecuencias relativas de Y1 y Y2.

f ( y 1 , y 2 )= {1 0 ≤ y 1 ≤1 , 0 ≤ y 2 ≤ 1,

[Link] la gráfica de la superficie de densidad de probabilidad

b. F ( 0.2,0 .4 )
c. p(0.1 ≤ Y 1 ≤ 0.3,0 ≤Y 2 ≤ 0.5)

0.4 0.2
F ( 0.2,0 .4 )=∫ ∫ f ( y 1 , y 2 ) d y 1 d y 2
−∞ −∞

0.4 0.2
F ( 0.2,0 .4 )=∫ ∫ 1 d y 1 d y 2
0 0

Se ha de almacenar gasolina en un enorme tanque una vez al principio de cada semana y luego se vende a clientes individuales.

Y 1=nivel de gasolina (proporción) que alcanza después de surtirlos

Y 2=proporción de la capacidad del tanque que se vende durante la semana

f ( y 1 , y 2 )= {3 y 1 0 ≤ y 2 ≤ y 1

Calcule la probabilidad de que se llene menos de la mitad de la cisterna y se venda más de un cuarto.

Encuentre F(1/2,1/3)

Ejercicio

Dos contratos de obra e construcción se otorgan aleatoriamente a una o más de las compañías A, B, o C. Sea Y1 la cantidad de contratos concedidos a la
compañía A y Y2 la cantidad de contratos otorgados a la compañía B. Recuerde que la empresa puede recibir 0, 1 o2 contratos.

a. Encuentre la función de probabilidad conjunta de Y1 y Y2

b. Calcule F(1,0)

En una empresa hay nueve ejecutivos, de los cuales cuatro están casados, tres son solteros y dos son divorciados. Tres de ellos serán seleccionadas al azar para
un ascenso. Si Y1 es el número de ejecutivos casados y Y2 el de ejecutivos solteros entre los tres elegidos para el cargo. Encuentre la distribución de probabilidad
conjunta de Y1 y Y2

DISTRIBUCION DE PROBABILIDAD MARGINAL Y CONDICIONAL

Marginales
Discretas
❑ ❑
p1 ( y 1 )=∑ p ( y 1 , y 2 ) y p 2 ( y 2 ) =∑ p ( y 1 , y 2 )
y2 y1

Continuas
∞ ∞
f 1 ( y 1 ) = ∫ f ( y 1 , y 2 ) d y 2 y f 2 ( y 2 )= ∫ f ( y 1 , y 2 ) d y 1
−∞ −∞

De un grupo de tres republicanos, dos democratas y un independiente se va a elegir en forma aleatoria un comité integrado
por dos personas, si Y1 representa la cantidad de republicanos y Y2 la cantidad de democratas en el comité encuentre la distribucion de probabilidad
conjunta de Y1 y Y2 y la marginal de Y1

( y31)( y22)(2− y 11− y 2 )

( 62)
Y1

Y2 0 1 2
0 0 3/15 3/15
1 2/15 6/15 0
2 1/15 0 0

Ejemplo

Sea

f ( y 1 , y 2 )= {2 y 1 0 ≤ y 1 ≤ 1 0≤ y 2 ≤1

Encuentre las funciones de densidad marginales de Y1 y Y2

∞ 1
f 1 ( y 1 ) =∫ f ( y 1 , y 2 ) d y 2=∫ 2 y 1 d y 2=2 y1
−∞ 0
 ∞ 1
f 2 ( y 2 ) =∫ f ( y 1 , y 2 ) d y 1=∫ 2 y1 d y 1=1
−∞ 0

CONDICIONAL

p (Y 1= y 1 ,Y 2 = y 2) p ( y 1 , y 2 )
p ( y 1 / y 2) = =
p( Y 2= y 2) p2 ( y 2 )

En el ejercicio de los republicanos halle la condicional de Y1 dado Y2=1

p (Y 1=0 , Y 2=1) 2/15

p ( y 1=0 / y 2 =1 )= =
p(Y 2=1) 8/15

p(Y 1=1 ,Y 2=1) 6/15

p ( y 1=1/ y 2=1 ) = =
p (Y 2=1) 8/15

p( Y 1=2 ,Y 2 =1)
p ( y 1≥2/ y 2=1 ) = =0
p(Y 2=1)

Caso continuo

Una maquina automática expendedora de bebidas tienen una cantidad aleatoria Y2 de bebida en existencia al principio del día, y en en transcurso del mismo
despacha una cantidad aleatoria Y1 durante el día(con cantidades expresadas en galones). La máquina no se reabastece durante el día y en consecuencia
Y1<=Y2. Se ha observado que Y1 y Y2 tiene una densidad conjunta

f ( y 1 , y 2 )=1/ 2 0 ≤ y 1 ≤ y 2 ≤ 2

Evalúe la probabilidad de que se venda menos de ½ galón dado que la maquina contiene 1.5 galones al empezar el día. Encuentre la densidad condicional de Y1
dado Y2=y2. Evalúe la probabilidad de que se venda al menos medio galón en caso de que la maquina contenga 1.5 galones al comenzar el día

La densidad marginal de Y2 está dada por

 F ( y 1 / y 2 )= p (Y 1≤ y 1 /Y 2= y 2 )
∞
f 2 ( y 2 ) =∫ f ( y 1 , y 2 ) d y 1
−∞

y2
f 2 ( y 2 ) =∫ 1/2 d y 1=1/2 y 2 0 ≤ y2 ≤ 2
0

f ( y1, y2) 1/2 1

f ( y1 / y2)= = =
f 2( y2) 1/2 ( y 2 ) y 2

1/ 2 1 /2
1 1
f ( Y 1 ≤ 1/2/Y 2=1.5 )= ∫ f ( y 1 / y 2 =1.5 ) d y 1=∫ d y 1=
−∞ 0 1.5 3

Si la maquina contiene 2 galones al principio del día entonces

1 /2
1 1
f ( Y 1 ≤ 1/2/Y 2=2 )=∫ d y 1=
0 2 4

f ( y1 , y2 )
F ( y 1 / y 2 )=
f 2 ( y2 )

VARIABLES ALEATORIAS INDEPENDIENTES

 F ( y 1 , y 2 )=F 1 ( y 1 ) F2 ( y 2 )

p ( y 1 , y 2 ) =p 1 ( y 1 ) p2 ( y 2)

f ( y 1 , y 2 )=f 1 ( y 1) f 2 ( y2 )

Ejemplo

¿La cantidad de demócratas es independiente de la cantidad de republicanos?

Ejemplo

f ( y 1 , y 2 )=6 y 1 y 22 0 ≤ y 1 ≤ 1 0 ≤ y 2 ≤1

Demuestre que y 1 y y 2son independientes

Ejemplo

f ( y 1 , y 2 )=2 0 ≤ y 2 ≤ y 1 ≤ 1

Demuestre que y 1 y y 2son independientes

Ejemplo

f ( y 1 , y 2 )=2 y 1 0 ≤ y 1 ≤ 1 0 ≤ y 2 ≤1

Demuestre que y 1 y y 2son independientes

VALOR ESPERADO

Caso discreto

E [g ( Y 1 ,Y 2 , … , Y k ) ]=∑ … ∑ ❑ ∑ g ( y 1 , y 2 ,… , y k ) p ( y 1 , y 2 , … , y k )
yk y2 y1

Caso continuo
 ❑ ❑ ❑
E [ g ( Y 1 ,Y 2 , … , Y k ) ]=∫ …∫ ∫ g ( y 1 , y 2 , … , y k ) f ( y 1 , y 2 , … , y k ) d y 1 y 2 … d y k
yk y2 y1

Ejemplo

f ( y 1 , y 2 )=2 y 1 0 ≤ y 1 ≤ 1 0 ≤ y 2 ≤1
1 1
E( Y 1 ,Y 2 ¿=∫ ∫ y 1 y 2 2 y 1 d y 1 d y2
0 0

∞ ∞ ∞ ∞ ∞
E ( Y 1 )= ∫ ∫ y 1 f ( y 1 , y 2 ) d y 2 d y 1 = ∫ y 1 ∫ f ( y 1 , y 2 ) d y 2 d y 1 = ∫ y 1 f ( y 1 ) d y 1
−∞ −∞ −∞ −∞ −∞

Ejemplo: En el ejercicio anterior hallar E(Y 1), E ( Y 2 ) , V ( Y 2 )

2
, V ( Y 2 )=E ( Y 22) −[ E ( Y 2) ]

Ejemplo Un proceso de producción con un químico industrial da como resultado un producto que contiene dos tipos de impurezas. Para una determinada
muestra de este proceso, sea Y1 la proporción de impurezas en una muestra y Y2 la proporción de impurezas de tipo 1 entre todas las que se encontraron.
Supongamos que es posible describir la distribución conjunta de Y1 y Y2 mediante la siguiente función de densidad de probabilidad

f ( y 1 , y 2 )=2(1− y ¿¿ 1) 0 ≤ y 1 ≤1 0 ≤ y 2 ≤ 1¿

Encuentre el valor esperado de la proporción de impurezas de tipo 1 en la muestra

1 1
E(Y 1 ,Y 2 ¿=∫ ∫ 2 y 1 y 2(1− y ¿¿ 1) d y 2 d y 1 ¿
0 0
TEOREMAS ESPECIALES

1. Si c es una constantes, entonces E(c)=c

2. E[cg(Y1,Y2)]= cE[g(Y1,Y2)]
3. Si Y1 y Y2 y g1(Y1,Y2), g2(Y1,Y2), , gk(Y1,Y2) son funciones de (Y1,Y2). Entoces
E[g1(Y1,Y2), g2(Y1,Y2), .., gk(Y1,Y2)]= E[g1(Y1,Y2),E[ g2(Y1,Y2)], … ,E[gk(Y1,Y2)]

Ejemplo Sea Y1-Y2 la cantidad de gasolina que queda al final de la semana(Ejemplo 5.4). Halle E(Y1-Y2)
Halle E(Y1-Y2)=E(Y1)+E(-Y2) )=E(Y1)-E(Y2)

4. Si Y 1 y Y 2son variables aleatorias independientes y g ( y 1 ) y h ( y 2) son funciones de Y 1 y Y 2 , respectivamente, entonces

E [ g ( y 1 ) h ( y 2 ) ]=E [ g ( y 1 ) ] E[h( y 2)]

Si existen los valores esperados

Ejemplo

f ( y 1 , y 2 )=2(1− y ¿¿ 1)0 ≤ y 1 ≤1 0 ≤ y 2 ≤ 1¿ ¿independientes?

E ( Y 1∗Y 2) =E ( Y 1 ) E ( Y 2 )

COVARIANZA

COV ( Y 1 ,Y 2) =E[ ( Y 1−μ 1) ( Y 2 −μ 2 ) ]

¿ E ( Y 1 ,Y 2 ) −E ( Y 1 ) E ( Y 2 )
Correlacion= cov(y1,y2)/desviación estandarY1*desviación estándarY2

Ejem´plo

Una vez al inicio de cada semana se almacena gasolina en una cisterna de gran capacidad y después se vende al público. Sea Y1 el nivel de gasolina (proporción)
que alcanza el tanque después de surtirlo, que varia cada semana debido al abastecimiento limitado de gasolina. Se la Y2 la proporción de la capacidad de la
cisterna que se vente durante la semana. Como Y1 y Y2 son proporciones, las dos variables adoptan valores entre 0 y 1 además la capacidad de gasolina vendida
Y2 no debe exceder la cantidad disponible Y1. La siguiente es la función de probabilidad

f ( y 1 , y 2 )=3 y 1 0 ≤ y 2 ≤ y 1 ≤1

Halle la covarianza entre Y1 y Y2

Ejemplo

f ( y 1 , y 2 )=2 y 1 0 ≤ y 1 ≤ 1 0 ≤ y 2 ≤1

Halle la covarianza entre Y1 y Y2

Teorema

Si Y1 y Y2 son variables aleatorias independientes, entonces COV ( Y 1 ,Y 2) =0

Ejemplo

Y1

-1 0 1
-1 1/16 3/1 1/16
6
0 3/16 0 3/16
11 1/16 3/1 1/16
6
Suponga que una partícula radioactiva se localiza aleatoriamente un cuadro con lados de longitud unitaria. Esto es, si se consideran dos regiones de igual área y
dentro del cuadrado unitario es igualmente probable que la partícula se encuentre en cualquiera de las dos Denote con Y1 Y Y2 las coordenadas de la ubicación
de la partícula

f ( y 1 , y 2 )=1 0 ≤ y1 ≤ 10 ≤ y 2 ≤ 1

Encuentre F([Link])

Encuentre P(0.1<y1<0.3,0<y2<0.5)

FUNCIONES DE VARIABLES ALEATORIAS

MÉTODO DE LAS FUNCIONES DE DISTRIBUCIÓN

Un proceso de refinacion de azucar produce diariamente 1 tonelada de azucar pura, aunque la verdadera cantidad de azucar producida, Y, es una variable
aleatoria debido a las deacomposturas de la maquina y otros imprevistos que retrasan el proceso. Suponga que Y tiene la funcion de densidad dada por

f ( y ) ={ 2 y 0 ≤ y ≤ 1

La compañía cobra a 300 dólares la tonelada de azúcar refinada, aunque también tiene un costo general fijo de 100 dólares diarios. Por consiguiente, las
ganancias diarias, expresadas en cientos de dólares, son de U=3Y-1. Encuentre a función de densidad de probabilidad de U

u+1
F u ( u ) =P ( U ≤ u )=P(3 Y −1≤ u)=P(Y ≤ )
3
 u+1
3

( ) ( )
2
u+1 u+1
f Y≤ ¿ = ∫ 2 y dy=
3 0 3

{(
0 u←1

)
2
F u ( u ) = u +1 −1 ≤u ≤ 2
3
1 u>2

f u ( u )=
du
= 9
{
d F u ( u ) 2 ( u+1 ) −1≤ y <2
1

0 en otro punto

Ejemplo. En un ejemplo anterior consideramos las variables Y1: ( cantidad proporcional de gasolina almacenada a principios de semana) y Y2: (cantidad
proporcional de gasolina vendida durante la semana). La función de densidad de Y1 y Y2 está determinada por

f ( y 1 , y 2 )=
{30yen0otro
≤ y ≤ y ≤1
1
punto
1 2

Encuentre a función de densidad de probabilidad de U =Y 1−Y 2 la cantidad proporcional de gasolina que queda al final de la semana: Utilice la función de
densidad de U para determinar E(U)

F u ( u ) =P ( U ≤ u )=1−P ( U ≥ u )

1 y 1−u
¿ 1−∫ ∫ 3 y1 d y2 d y1
u u
 1
¿ (3 u−u¿¿ 3)¿
2

{
0 u< 0
F u ( u) = 1
(3u−u¿¿ 3)0 ≤u ≤ 1¿ 1 u>1
2

f u ( u )=
d Fu(u ) 3
du {
= ( 1−u¿¿ 2)0 ≤ u ≤1 ¿ 0 en otro punto
2

1
3 3
E ( U ) =∫ u (1−u¿¿ 2)du= ¿
0 2 8

Si (Y1,Y2) denota una muestra aleatoria de tamaño n=2 tomada de la distribución uniforme en el intervalo (0,1), encuentre la función de densidad de
probabilidad de U =Y 1+Y 2

La función de densidad de cada Y i , es

f ( y )=
{0 en1 0otro≤ ypunto
≤1

f ( y 1 , y 2 )=
{1 0≤0 eny otro
≤1 , 0 ≤ y ≤1
1
punto
2

u u− y 2
u2
F u ( u ) =P ( U ≤ u )=∫ ∫ 1 d y 1 d y 2= 0 ≤ u ≤1
0 0
2
 1 1 2
−u
F u ( u ) =1−P ( U ≥ u ) = ∫ ∫ 1d y 1 d y 2= +2u−1 1≤ u ≤2
u−1 u− y 2 2

1 y 1−u
¿ 1−∫ ∫ 3 y1 d y2 d y1
u u

1
¿ (3 u−u¿¿ 3)¿
2

F u ( u ) =¿

f u ( u )=¿

Resumen del método de las funciones de distribución

Sea U una función de las variables aleatorias Y 1 ,Y 2 , … , Y n

1. Localice la región U=u en el espacio ( y 1 , y2 , … , y n)

2. Localice la región U≤ u
3. Determine F u ( u ) =P ( U ≤ u ) integrando f ( y 1 , y 2 , … , y n )en la región U≤ u
d Fu(u )
4. Determine la función de densidad f u ( u ) derivando F u ( u ) . Por lo tanto, f u ( u )=
du

METODO DE LAS TRANSFORMACIONES

Un proceso de refinacion de azucar produce diariamente 1 tonelada de azucar pura, aunque la verdadera cantidad de azucar producida, Y, es una variable
aleatoria debido a las descomposturas de la maquina y otros imprevistos que retrasan el proceso. Suponga que Y tiene la funcion de densidad dada por

f ( y ) ={ 2 y 0 ≤ y ≤ 1
La compañía cobra a 300 dólares la tonelada de azúcar refinada, aunque también tiene un costo general fijo de 100 dólares diarios. Por consiguiente, las
ganancias diarias, expresadas en cientos de dólares, son de U=3Y-1. Encuentre a función de densidad de probabilidad de U

d h−1
f u ( u )=f Y ( h−1 ( u ) )
du
h ( y )=¿ 3y-1

−1
y=h (u )=
u+1
3 dh
−1
=
d ( u+13 ) = 1
du du 3

f u u =f Y ( h u )
( ) −1
( ) d h−1
du
=2
u+1 1
3 3 ( ) 0≤
u+1
3
≤1

= f u ( u )=2 ( u+19 ) −1 ≤u ≤ 2

Sea f Y ( y )La función de densidad de probabilidad de Y. Si h(y) es creciente o decreciente para toda y tal que f Y ( y ) >0

Entonces U=h(Y) tiene la función de densidad

 | | d (h ( u) )
−1 −1 −1
dh dh
f u ( u )=f Y ( h ( u ) )
−1
donde =
du du du
Ejemplo

f ( y ) ={ 2 y 0 ≤ y ≤ 1

Encuentre la función de densidad de U=-4Y+3

y=h−1 (u )=
3−u
4
dh
−1
=
d ( 3−u
4 ) 1
=
du du 4

| | ( )| |
f u ( u )=f Y ( h ( u ) )
−1 d h−1
du
=2
3−u −1
3 4
0≤
3−u
4
≤1

3−u
= f u ( u )= −1 ≤u ≤ 3
8

Ejemplo
 {
− ( y1 + y 2)
f ( y 1 , y 2 )= e 0 ≤ y1 , 0 ≤ y2
0 en otro punto

Encuentre la función de densidad de U=Y 1 +Y 2

U= y 1 +Y 2

y 2=¿ U- y 1

1
−1
| |
g ( y 1 ,u ) =f y ( h (u ) )
d h−1
du
=e
−( y 1 +u− y 1)
(1 ) 0 ≤ y 1 , 0 ≤ u− y 1

g ( y 1 ,u ) =e−u 0 ≤ y 1 ≤ u

La marginal de U está dada por

∞ u
f U ( u )=∫ g ( y 1 , u ) dy 1=∫ e dy 1=u e 0 ≤u
−u −u

−∞ 0

Ejemplo
 f ( y 1 , y 2 )=
{(
2 1− y 1 ) 0 ≤ y 1 ≤1 0 ≤ y 2 ≤ 1
0 en otro punto

U=Y 1 Y 2

| | ||
−1
dh 1 u
g ( y 1 ,u ) =f y ( h (u ) )
−1
=2 ( 1− y 1 ) 0< y1 ≤1 0 ≤ ≤1
1
du y1 y1

g ( y 1 ,u ) =2 ( 1− y 1 )
( y1 )
1
0 ≤ u ≤ y 1 ≤1

∞ 1
f U ( u )=∫ g ( y 1 , u ) dy 1=∫ 2 ( 1− y 1 )
−∞ u
( )
1
y1
dy 1=2(u−ln u−1) 0 ≤u ≤ 1

∞
1
E(U)= ∫ u 2(u−ln u−1)du=
−∞ 6

METODO DE LAS FUNCIONES GENERADORAS DE MOMENTOS

Sea Y una variable aleatoria que tiene distribución normal con media miu y varianza o2

Y −μ
Demuestre que Z=
σ

Tiene una distribución normal estándar con media 0 y varianza 1

[ ]=m ( ) ( )( )
2 2
t t σ t2
( Y −μ ) t
mZ ( t ) =E ( e ) =E e
tZ σ
( Y −μ ) =e σ 2 =e 2
σ