Probabilidad y Estadstica
VARIABLES ALEATORIAS.
Variable aleatoria:
Es aquella cuyo valor es un nmero determinado por el resultado de un experimento
aleatorio.
VARIABLES
{
Discretas; x=x
1
,x
2
,,x
n
Continuas; a x b
Experimento: observacin del resultado de lanzar una moneda.
Tomemos una relacin
R: x P(x) = f (x)
variable
aleatoria
funcin de probabilidad
{
Masa; variable aleatoria
. discreta
Densidad; variable
aleatoria. continua
F(X)
Funcin de distribucin
. acumulada
{
Masa
Densidad
Poblacin ; N elementos
{
Media
Coeficiente de
variacin
Varianza
Desviacin estndar
{
Media
Varianza
Desviacin estndar E
1
E
2
E
n
n
ESPACIO MUESTRAL
Esperanza matemtica:
E{X}=
x
E{(X-
x
)
2
}=
x
2
Valor esperado de X Esperanza matemtica o valor esperado de
(X-
x
)
2
CCasos generales:
momomentos con
resrespecto al
E{X
n
}
origen
E{(X-
x
)
n
}
MEDIA
Mtodos alternativos para obtener E { h(x) :}
Transformada de Laplace.
Funcin generatriz de momentos.
Transformada Z.
Esperanza Matemtica
Sea x una variable aletoria y f(x) su funcin de probabilidad y h(x) una funcin de x. La
esperanza matemtica de h(x) se denota E{h(x)} y se define:
Caso continuo:
E{h(x)] = _ h(x)
-
f(x) ux
E{h(x) = x] = _ x
-
f(x) ux =
x
E{h(x) = (x -
x
)
2
] = _ (x -
x
)
2
-
f(x)ux = o
x
2
Caso discreto:
{()] = () () ; poro oo oor
{h(x) = x] = x() =
x
; poro oo oor
{h(x) = (x -
x
)
2
] = (x -
x
)
2
() = o
x
2
; poro oo oor
Propiedades de la esperanza matemtica : E{ c
1
h(x) + c
2
g(x)}=c
1
E{h(x)}+c
2
E{g(x)}
Ejemplo de Aplicacin: Otra forma de obtener la varianza o variancia:
E{ (x-
x
)
2
}=E{x
2
-2x
x+
x
2
}=E{x
2
}-2
x
E{x}+
x
E{1} =
x
2
=E{ (x-
x
)
2
}= E{x
2
} -
x
2
Ejemplo 1. Dada una experiencia aleatoria que consiste en lanzar un par de dados una sola vez,
determinar:
a) La distribucin de probabilidad acumulada de la suma de los nmeros de la cara superior de
los dados.
Definicin de eventos: x; variable aleatoria definida por la suma de las caras superiores de los
dados.
X P(X)=f(X) F(X)
2
1 1
36 36
3
2 3
36 36
4
3 6
36 36
5
4 10
36 36
6
5 15
36 36
7
6 21
36 36
8
5 26
36 36
9
4 30
36 36
10
3 33
36 36
11
2 35
36 36
12
1 36
36 36
b) Utilizando la funcin de distribucin de probabilidad acumulada, comprobar que f(8)=5/36.
f(x= 8)= F(x=8) - F(x=7) = 26/36 25/36
c ) Representar las distribuciones en forma grfica.
0
0.2
0.4
0.6
0.8
1
1.2
0 5 10 15
f
(
x
)
x
poligono de frecuencia.
d) E{x}=
x
V x
xf(x)=2(1/36)+3(2/36)++12(1/36)=
x
=7
Propiedades de la funcin masa de probabilidad
i) 0 f(x=x
0
) 1
ii)
V i
f(x
i
)=1
Funcin de distribucin acumulada
a) Caso discreto:
b) Caso continuo:
F(x = x
0
) = P(x x
0
) = _ f(x) ux
x
0
-
a) F(x = x
0
) = P(x x
0
)
b) P(a x b) = F(b) - F(a)
c) lim
x -
F(x) =
d) lim
x -0
F(x) =
Ejemplo 2. El nmero de kwatts que se consumen semanalmente en una fbrica, se ha registrado
durante las ltimas 25 semanas; la siguiente tabla muestra los resultados obtenidos.
S1 S2 S3 S4 S5 S6 S7 S8 S9 S10 S11 S12 S13 S14 S15 S16 S17 S18 S19 S20 S21 S22 S23 S24 S25
9 5 8 10 11 12 5 7 6 7 6 8 9 8 9 10 7 4 8 11 9 7 6 8 10
Obtener:
a) f(x)=P(x) del consumo de kwatts.
Definicin de eventos: x; variable aleatoria que define el nmero de kwatts por semana
x f(x)
4 1/25
5 2/25
6 3/25
7 4/25
8 5/25
9 4/25
10 3/25
11 2/25
12 1/25
b) Estimar la demanda elctrica para la prxima semana.
x
=4(1/25)+5(2/25)+6(3/25)+7(4/25)+8(5/25)+9(4/25)+10(3/25)+11(2/25)+12(1/25) = 8
Ejemplo 3. Verificar si la siguiente funcin es o no una distribucin de probabilidad (funcin
densidad).
f(x)=
{
x ; 0 x < 1
2-x ; 1 x< 2
i) F(x
i
)=P(xx
i
)=
V x
f(x
j
)
ii) f(x
i
)=F(x
i
) - F(x
i-1
)
Condicin:
_ () =
-
]
1
0
+ ] ( -) =
x
2
2
| + -
x
2
2
0
1
2
1
=
1
2
+ - - ( -
1
2
)
1
2
=1
En caso afirmativo, obtener E{ x } ,
x
2
y F(x)
E{x} = ] () = p
x
-
E{( - p
x
)
2
} = ] ( - p
x
)
2
() =
x
2
_ () = ()
x
-
Problemas de Esperanza Matemtica o valor esperado
1. Un jugador lanza una moneda. Si resulta cara, recibe $5, en caso contrario solamente $1.
a) Cul es la ganancia esperada?
b) Cunto dinero debe pagar para jugar, de tal forma que el juego sea equitativo?
Resolucin:
E{g}= 1(1/2) + 5(1/2) = 3
Para ser equitativo: E{g}= 0
E{g + c}= E{g} + C = 3 ; C= -3
2. Un millar de billetes de lotera se venden a $1 cada uno. Hay un premio mayor de $500, cuatro
de $100 cada uno y cinco de $10 cada uno. Cul es la ganancia esperada?
g P(g)
-1 990/1000
499 1/1000
99 4/1000
9 5/1000
E{g}= (-1)(990/1000) +499(1/1000) + 99(4/1000) + 9(5/1000) = - $0.05
En caso de comprar todos los boletos:
Inversin $ 1000
Ganancia $ 950
- $ 50
Cada boleto cuesta: - $0.05
g P(g)
1 1/2
5 1/2
3. En un lote de 12 televisores hay dos defectuosos. Si se eligen al azar 3 de los televisores para
enviarlos a un hotel. Cuntos aparatos imperfectos pueden esperarse en el envo ?
x f(x)
0 12/22
1 9/22
2 1/22
E{x} = 0(12/22) + 1(9/22) +2(1/22) = 11/22 = 1/2
4. Una urna contiene 5 papeletas que no pueden distinguirse. Tres de ellas estn marcadas con $2
y las restantes con $4, cada una. Un jugador saca al azar dos papeletas de la urna sir romperlas y
gana una cantidad igual a la suma de las marcas en las papeletas que ha sacado. Si el costo del
juego es de $5.60, Se trata de un juego justo?
Resolucin:
Definicin de variable aleatorias:
x; variable aleatoria que define el # de papeletas de $2
x f(x)
0 1/10
1 6/10
2 3/10
g; variable aleatoria que define la ganancia
Si x=0 ; g= 4 + 4 = 8
Si x=1 ; g= 2 +4 = 6
Si x= 2 ; g= 2 + 2 = 4
E{g} = 8(1/10) + 6(6/10) +4/10) = 56/10 = 5.6
El juego s es justo.
5. Considrese que se ganan $1, $2, $3, $4, $5 y $6 cuando aparecen respectivamente, las caras ;
1, 2, 3, 4, 5 y 6.Cul es la ganancia esperada?
g P(g)
1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6
E{g}= 3.5
6. En una lotera hay 200 premios de $150, 20 premios de $750 y 5 premios de $3,000. Supngase
que se colocan a la venta 10,000 boletos. Cul es el precio justo que se debe pagar por cada
boleto?
Datos:
Nmero de boletos: 10,000; g; variable aleatoria ganancia ; g=0, 150,750, 3000
Premios:
g f(g)
8 1/10
6 6/10
4 3/10
200 de $150
20 de $750
5 de $3,000
g f(g)
0 9975/10,000
150 200/10,000
750 20/10,000
3000 5/10,000
El precio justo de cada boleto es de $6.00
7. En una feria se deben pagar 25 centavos para participar en un juego que consiste en tirar arillos.
Se dan tres arillos a una persona, la cual trata de lanzarlos uno por uno hacia una clavija. Se da un
premio de 50 centavos si logra insertar una arillo en la clavija; si se logran insertar dos arillos, el
premio es de $1; y si logra insertar los tres, entonces se otorga un premio de $5. Suponiendo que
la probabilidad de insertar en la clavija es de .1 en cada tirada. Cul es la ganancia esperada a) si
se juega una vez; b) diez veces?
X f(x)=f(g) g
0 .729 -.25
1 .243 .25
2 .027 .75
3 .001 4.75
Funcin densidad de probabilidad.
Variables aleatorias continuas
Ejemplo.-
Cuatro reas: Z
1
, Z
2
, Z
3
y Z
4
Posteriormente se hacen ocho divisiones:
Definicin de evento: MP ; Manecilla est en un punto
culaquiera
Para lograrlo se requieren hacer n divisiones donde :
(NP) = lim
n-
n
f(x)
D. Uniforme P(c< x d) es el rea bajo la curva
X
D D
0 Znr
o b
(X = X
0
) =
Si X es una variable aleatoria continua., entonces f(x) recibe el nombre de funcin densidad de
probabilidad (F. D.P.) y satisface las siguientes propiedades.
a) ] ()
-
=
b) ( =
0
) = ( =
0
) =
c) (c ) = ] ()
d
c
Funcin densidad de distribucin acumulada.
Al igual que en el caso discreto tambin se puede obtener F(x) = P(x < x) , llamada funcin de
distribucin acumulada.
Fx
X
a x0 b
F(x = x
0
) = P(x x
0
) = _ f(x) ux
x
0
-
Propiedades:
e) F(x = x
0
) = P(x x
0
)
f) P(a x b) = F(b) - F(a)
g) lim
x -
F(x) =
h) lim
x -0
F(x) =
Ejemplo 4:
La duracin en horas de los focos producidos por una fbrica se considera una variable
aleatoria que tiene la siguiente funcin densidad:
f(x)=
{
kt, 0t4
0, cualquier otro
caso.
a) Calcular el valor de k
Condicin para ser una funcin densidad de probabilidad:
] f(x) ux
-
= 1
La probabilidad es el rea bajo la curva:
=
x B
=
x
=
k
= ; k = 8
b)
x y
x
E{t] = _ t t
4
0
ut = () ()t
3
|
0
4
= 8
E{(t -
t
)
2
] = o
t
2
= E{t
2
] -
t
2
E{t
2
] = _ t
2
t
8
ut
4
0
= ()(t
4
) |
0
4
= 88
E{(t -
t
)
2
] = o
t
2
= 88 -_
8
]
2
Ejemplo 5. Verificar si la funcin f(x)=e
-x
; x>0 es o no una Funcin Densidad de Probabilidad,
donde =cte.
Condicin para ser una funcin densidad de probabilidad:
] f(x) ux
-
= 1
_ ie
-\x
ux
-
= = lim
b-
_ ie
-\x
ux
b
-
= lim
b-
(-e
-\b
+ ) =
A la funcin f(x)= e
-x
; x>0 se le llama funcin de distribucin exponencial negativa.
2) Obtener F(x) ; F(x=x
0
)=P(Xx
0
)
_ ie
-\x
ux
x
-
= (-e
-\x
+ )
Ejemplo 6 Una persona viaja diariamente en el tren suburbano para ir de su casa a su trabajo.
Los trenes salen de la estacin a las 7, 7:13, 7:20, 7:25, 7:32, 7:45 y 7:55 am, y esta persona
aborda el primero, tan pronto llega a la estacin.
Debido a que se levanta a diferentes horas y en las condiciones variables del trnsito, las horas en
que esa persona llega a la estacin, tienen la misma similitud de estar comprendidas entre las 7:15
y las 7.45 am. De acuerdo a lo anterior, Cul es la probabilidad de que tenga que esperar en la
estacin menos de 5 minutos un da cualquiera?
Solucin S= {x|0 < x < 30}
0 5 10 17 25 30
Trenes
7:15 7:20 7:25 7:32 7:40 7:45
Definicin de eventos
A: tiempo de espera menos de 5 minutos.
A={ | o ; ; ]
() = ; () =
() =
()
()
=
Resolucin
f(x) f(x)
1
50
=
1
30
x
0 20 x
7:15 7:45 0 5 10 20 30
Horas de llegada del tren 7:15 7:20 7:25 7:32 7:45
7:20 7:25 7:32 7:45
() ]
1
30
10
0
+ ]
1
30
17
12
+ ]
1
30
=
2
3
20
25
] = =
30
0
] = = ()
30
0
K = ; =
1
30
() =
1
30
;
A; Evento espera de menos de 5 min.
Ejemplo 7. Suponga que la funcin de distribucin acumulada de la variable aleatoria x es:
F(x)=
{
0 ; x<-2
0.25x+0.5 ;-2x2
1 ; x2
a) Determinar P(x1.8) F(x=1.8)=0.25(1.8)+0.5 F(x=1.8)=0.95
b) Determinar P(x2) F(x=2)=0.25(2)+0.5=1
c) Determinar P(x-1.5) F(x-1.5)=1 F(x -.) =1-0.125=0.875
d) Determinar P(-1x1) F(-1x1)=0.75-0.25=0.5
e) f(x) = 0.25 ; -2 x 2
Ejemplo 8. El dueo de una camioneta de transporte colectivo que parte de la poblacin A y pasa
por la poblacin B para llegar a su destino en la ciudad C, ha determinado que el nmero de
pasajeros que recibe en cada poblacin tiene la siguiente funcin de probabilidad.
Definicin de eventos: x, y; variables aleatorias que definen el nmero de pasajeros que recibe
en la poblacin A y b respectivamente.
Poblacin A
x
1
2
3
4
Determinar:
a) La funcin de probabilidad del nmero total de personas que subieron al vehculo.
Definicin de evento: z; variable
el vehculo.
z
5
6
7
8 P(x=1
9
10
11
b) La media de la funcin masa
c) La funcin de distribucin acumulada.
P(8)=0.3
Ejemplo 9: La probabilidad de que un jugador de baloncesto anote un tiro libre es P y sus tiros
son individuales supongamos que puede hacer 5 tiros lib
0.05
0.15
0.25
Poblacin A Poblacin B
x P(x) Y P(y)
1 0.1 4 0.2
2 0.3 5 0.4
3 0.4 6 0.3
4 0.2 7 0.1
La funcin de probabilidad del nmero total de personas que subieron al vehculo.
z; variable aleatoria que define el nmero total de personas que subieron
P(z)
P(x=1y=4)=0.02
P((x=1y=5)U(x=2y=4))=0.10
P(x=1y=6Ux=2y=5Ux=3y=4)=0.23
P(x=1y=7Ux=2y=6Ux=3y=5Ux=4y=4)=0.3
P(x=2y=7Ux=3y=6Ux=4y=5)=0.23
P(x=3y=7Ux=4y=6)=0.10
P(x=4y=7)=0.02
=1
masa de probabilidad.
11
E{z}= zP(z)=8
z=5
La funcin de distribucin acumulada.
z P(z) F(z)
5 0.02 0.02
6 0.10 0.12
7 0.23 0.35
8 0.30 0.65
9 0.23 0.88
10 0.10 0.98
11 0.02 1.00
1
La probabilidad de que un jugador de baloncesto anote un tiro libre es P y sus tiros
supongamos que puede hacer 5 tiros libres en un juego. Deter
0
0.05
0.1
0.15
0.2
0.25
0.3
5 6 7 8 9 10 11
La funcin de probabilidad del nmero total de personas que subieron al vehculo.
aleatoria que define el nmero total de personas que subieron
La probabilidad de que un jugador de baloncesto anote un tiro libre es P y sus tiros
es en un juego. Determinar f(x) para la
variable aleatoria x, que define el nmero de tiros libres anotados y el nmero esperado de tiros
que se espera anotar.
Ejemplo 10. Obtener E{x} de la funcin de distribucin binomial.
b(; n; p) = (
n
x
)p
x
q
n-x
; = ,, . n
{] = _
n
x=0
()
{] = _
n
x=0
(
n
x
)p
x
q
n-x
= _
n
x=1
(
n
x
)p
x
q
n-x
; porq poro = o prsn s oc
= _
n
x=1
n!
x!(n-x)!
p
x
q
n-x
= _
n
x=1
_
n|(n-1)!
(x-1)!(n-1-(x-1))!
] p
x
q
n-x
= n _ (
n-1
x-1
)
n
x=1
p
x
q
n-x
p
p
= np _ (
n-1
x-1
)
n
x=1
p
x-1
q
n-x
ocno
A=n-1
=x-1
= np _ (
A
)
n-1=A
=0
p
q
(n-1)(x-1)
= np _ (
A
)
A
=0
p
x
q
A-
= np (p +q)
A
= np
{] = np
Resumen de sumas
.
; El smbolo sigma se utiliza para la notacin de suma
Sea a
k
un nmero real, donde k pertenece al conjunto de los nmeros enteros positivos; se denota
la suma a
1
+a
2
++a
n
por el smbolo:
Propiedades de la notacin de sumatoria para nmeros enteros positivos; m, n Z
+
n N
i) C a
k
=C a
k
; C = cte.
k=1
n
k=1
n n
ii) (a
k
b
k
= a
k
b
k
k=1
n
k=1
n
k=1
Frmulas de sumatorias.
n
C= nC
k=1
n
k= n(n+1)
k=1
n
2
k
2
= n(n+1)(n+2)
k=1
n
6
k
3
= n
2
(n+1)
2
k=1
n
4
k
4
= n(n+1)(6n
3
+9n
2
+n-1)
k=1
30
Funcin generadora de momentos.
M
x
(s)=E{e
sx
}=
{
FMP
e
sx
f(x)
V x
FDP e
sx
f(x)dx
-
Transformada geomtrica.
Se define:
E{z
x
}= z
x
f(x)=T
x
(z)
V x
Derivando la expresin anterior respecto a z tenemos:
dT
x
(z)
=E{xz
x-1
}=
xz
x-1
f(x)
dz
V x
Con z=1 tenemos:
E{x}= xf(x)
V x
Ejemplo:
Obtener la transformada geomtrica de la funcin de distribucion binomial y obtener
x
n n
T
x
(z)=E{z
x
}= (
n
x
)z
x
p
x
q
n-
x
=
(
n
x
)(zp)
x
q
n-x
T
x
(z)=(zp+q)
n
dT
x
(z)
=n(zp+q)
n-1
p
x=0 x=0
dz
Con z=1 np(p+q)
n-1
=E{x}
E{(x-
x
)
2
}=M
2
=E{x
2
}-
x
2
=m
2
-m
1
2
entonces
x
=np
Investiguemos que sucede si obtenemos T
x
(z) recordando:
T
x
(z)=E{xz
x
}=
z
x
f(x)
V x
T
x
(z)=E{xz
x-1
}= xz
x-1
f(x)
V x
T
x
(z)=E{(x
2
-x)z
x-2
}= (x
2
-x)z
x-2
f(x)
V x
T
x
(z)=E{x
2
-x}= (x
2
-x)f(x)=E{x
2
}-E{x}
Con z=1
V x
T
x
(z)=(n
2
-n)(zp+q)
n-
2
p
2
Con z=1 T
x
(z)=E{x
2
}-
x
2
=(n
2
-n)p
2
x
2
=E{x
2
}-
x
2
=E{x
2
}-
x
+
x
-
x
2
=(n
2
-n)p
2
+np-n
2
p
2
=n
2
p
2
-np
2
+np-n
2
p
2
=np(1-p) Como 1-p=q
x
2
= Npq
Funcin generatriz de momentos
E{e
sx
}= e
sx
f(x)= M
x
(s)
V x
M
x
(s)=xe
sx
f(x) ; Evaluando para s=0 M
x
(s)=xf(x)=E{x}=
x
V x
V x
M
x
(s)=x
2
e
sx
f(x); Evaluando para s=0 M
x
(s)=x
2
f(x)=E{x
2
}
V x
V x
Ejemplo I. Obtener la funcin generatriz de momentos para la funcin binomial
n n
E{e
sx
}= M
x
(s)=(
n
x
)e
sx
p
x
q
n-x
= (
n
x
)(pe
s
)
x
q
n-x
; M
x
(s)=(pe
s
+q)
n
M
x
(s)=n(pe
s
+q)
n-1
pe
s
|
s=0
=np
x=0 x=0
E{x}=np
Tablas de transformada de Laplace
Ejemplo II. Sea la funcin densidad de probabilidad f(x)=C; C= cte. Definirla en [0,2], obtener
x
y
x
2
f(x) L
x
(s)
C C/s
e
sx
1/s-a
Para encontrar
C 2 2 2
Cdx=Cdx=Cx]=1; C=
0 0
2
0
De la definicin: E{x}=xdx=x
2
/4]
2
0
=1
0
a) L
x
(s=0)=- M
x
;
2 2 2
L
x
(s)=E{e
-sx
}=e
-sx
dx=-e
-sx
dx=(-e
-sx
/s)]=-1/2s(e
-2s
-1)
0 0 0
Derivando con respecto a s
L
x
(s)=s
2
(e
-2s
-1)+ e
-2s
*nota: la tabla de Laplace es un mtodo rpido siempre y cuando la funcin f(x) est definida
en [0,]; es decir:
f(x)=c; x0 ; L
x
(s)=c/s; s0
f(x)=e
ak
; x0; L
x
(s)=1/s-a ; sa
b) M
x
(s=0)= -
x
c) E{x}=
x
=
-
xp(x)dx
Ejemplo III. Obtener
x
para la distribucin exponencial negativa
f(x)=
{
e
-x
; x0 = cte.
0 ; x<0
B
E{x}=
x
=xe
-x
dx=lmxe
-x
dx
0
0
Utilizando Transformada de Laplace
L{e
-sx
}=e
-sx
e
-x
dx=e
-sx
e
-x
dx
0 0
L{f(x)}= e
-sx
f(x)dx=L
x
(s)
0
L
x
(s)=
L
x
(s)=-
s+ (s+)
2
finalmente:
L
x
(0)=
-1
;
x
=
1
Obtener
n(x)
y
n(x)
para h(x)=x, h(x)=x+a
S h(x)=x entonces E{x}=
x
Si h(x)=x+a entonces E{x+a}=
x
+a
Por lo tanto Por lo tanto
x
2
=E{(x-
x
)
2
}
x
2
=E{((x+a)-(
x
+a))
2
}=E{(x+a-
x
-a)
2
}
x
2
=E{(x-
x
)
2
}
Ejemplo 11. En un grupo de nueve ejecutivos de cierta empresa, cuatro estn casados, tres nunca
han estado casados y dos estn divorciados. Se deben seleccionar a tres de los ejecutivos para un
ascenso, sea x el nmero de ejecutivos casados e y el nmero de ejecutivos que nunca se han
casado entre los tres grupos que se conocen para el ascenso. Obtener laS distribuciones de
probabilidad: f(x), f(y) y f(x,y) (conjunta de x e y), suponiendo que se seleccionan aleatoriamente
tres de los nueve ejecutivos disponibles.
C4 2D 3S N=9
Definicin de eventos:
x, y; variables aleatorias que define el nmero de ejecutivos casados y solteros
respectivamente, x={0,1,2,3}, y={0,1,2,3}
N=9, n=3
f(x)=
(
4
x
)(
5
n-x
)
g(y)=
(
3
y
)(
6
n-y
)
Para obtener
f(x):
(
9
3
) Para obtener
g(y)
(
9
3
)
Distribucin hipergeomtrica
x f(x) y g(y)
0 (
4
0
)(
5
3
) 0 (
3
0
)(
6
3
)
(
9
3
) (
9
3
)
1 (
4
1
)(
5
2
) 1 (
3
1
)(
6
2
)
(
9
3
) (
9
3
)
2 (
4
2
)(
5
1
) 2 (
3
2
)(
6
1
)
(
9
3
) (
9
3
)
3 (
4
3
)(
5
0
) 3 (
3
3
)(
6
0
)
(
9
3
) (
9
3
)
La funcin de probabilidad conjunta:
y
\
x
0 1 2 3 g(y)
f(x,y)=
(
4
x
)(
3
y
)(
2
n-(x+y)
)
0 0
1
/
63
2
/
21
2
/
21
20
/
84
(
9
3
)
1
1
/
84
2
/
21
1
/
14
0
45
/
84
2
1
/
21
2
/
21
0 0
18
/
84
3
1
/
168
0 0 0
1
/
84
f(x)
10
/
84
40
/
84
30
/
84
4
/
84
84
/
84
Propiedades:
i) 0f(x,y)1
ii) f(x,y)=1
Vx Vy b d
iii) P(axbcyd)= f(x,y)
P(1x3 0y2)
y=c x=a
Definicin: sean x
1
,x
2
,,x
n
n variables aleatorias discretas, se define su funcin de probabilidad
continua como: P(x
1
,x
2
,,x
n
)=P((x
1
=x
1
)(x
2
=x
1
)(x
3
=x
1
)(x
n
=x
1
))
Nota: En una funcin de distribucin bivariada solamente se trabajan dos variables
aleatorias.
Ejemplo 12. La proporcin de impurezas x de determinadas muestras de mineral de cobre es una
variable aleatoria que tiene una funcin densidad de probabilidad:
() = _
2
( - );
; c . o. c
a) Obtener la funcin de distribucin acumulada F(x)
b) Si se seleccionan 4 muestras de mineral de forma individual, calcular la probabilidad: b.1)
Exactamente una de ellas tenga una proporcin de impurezas mayor que 0.5 b.2)Por lo menos una
tenga una proporcin mayor de 0.5
Ejemplo 13. Obtener la funcin generatriz de momentos de la funcin de probabilidad exponencial
negativa.
f(x)= e
-x
; x0 = cte.
Variables aleatorias conjuntas.
Caso continuo:
Definicin: Si x
1
,x
2
,,x
n
son variables aleatorias continuas, se define su funcin de
probabilidad conjunta como: f(x
1
,x
2
,,x
n
)=P((x
1
=x
1
)(x
2
=x
1
)(x
3
=x
1
)(x
n
=x
1
)) una funcin que
satisface las siguientes condiciones.
i) 0f(x
1
,x
2
,,x
n
)1
ii) f(x
1
,x
2
,,x
n
)dx
1
dx
2
dx
n
=1
- - - bn bn-1 b1
iii) P(a
1
x
1
b
1
, a
2
x
2
b
2
,,a
n
x
n
b
n
)= f(x
1
,x
2
,,x
n
)dx
1
dx
2
dx
n
an an-1 a1
Modelos probabilsticos.
Caso
discreto
{
Distribucin binomial: ensayos independientes
Distribucin binomial negativa (distribucin geomtrica)
Distribucin hipergeomtrica: ensayos dependientes
Caso
continuo {
Distribucin de Poissn
Distribucin exponencial negativa
Distribucin normal
Distribucin uniforme
Ensayo de Bernoulli: se realiza un experimento y se tiene exclusivamente una probabilidad
de xito p y una probabilidad de fracaso.
Distribucin de
Bernoulli
{
Ensayo de Bernoulli
Se define una varible
aleatoria
Probabilidad de xito
{
x=1: p
x=0: q
Distribucin binomial (b).
1. Se realizan n ensayos de Bernoulli.
2. Los posibles resultados de p y q son independientes en cada ensayo (la probabilida de
p y q se mantiene constante), b(X;n,p)=Xp; X es la variable aleatoria que define el
nmero de xitos.
b(X;n,p)=(
n
X
)p
x
q
n-x
; X={1,2,,n},
x
=np,
x
2
=npq
Ejemplo:
Un estudiante presento un examen de seleccin multiple que contiene ocho
preguntas cada una de ellas con tres respuestas opcionales. Suponiendo que est
adivinando al responder cada pregunta:
Parmetros: n=8, p=, q=, X=6
a) Obtener la funcin masa de probabilidad
b(X;n=8,p=)=(
8
X
)()
X
()
8-X
; X={1,2,3,4,5,6,7,8}
b) Obtener la probabilidad de que responda correctamente seis
b(X=6;n=8,p=)=(
8
6
)()
6
()
2
=0.017
c) cul es la probabilidad de que apruebe el examen?, si la calificacin es aprobatoria
respondiendo seis o ms preguntas correctamente.
A; evento que define la probabilidad de que apruebe el examen.
n
(
8
X
)()
X
()
n-
X
=0.02
X=6
d) obtener la tabulacin
X f(X)
0 0.0390
1 0.1561
2 0.2731
3 0.2731
4 0.1707
5 0.0683
6 0.0170
7 0.0024
8 0.0003
e) hacer la grfica
Suponiendo que cada pregunta tiene nicamente dos respuestas.
a) b(X;n=8,p=)=(
8
X
)()
X
()
n-X
b) b(X=6;n=8,p=)=(
8
6
)()
6
()
2
=0.1094
c) P(A)=0.1445
X P(X)
0 0.0039
1 0.0312
2 0.1094
3 0.2188
0
0.05
0.1
0.15
0.2
0.25
0.3
0 2 4 6 8 10
4 0.2734
5 0.2188
6 0.1094
7 0.0312
8 0.0039
d)
Un avin de una aerolnea proyecto transportar catorce pasajeros. La empresa
permite que diez y seis reserven el vuelo, la experiencia historica ha demostrado que existe
30% de posibilidades de que un pasajero no se presente. Cul es la probabilidad de que
una o mas personas queden fuera del vuelo si se confirmaron diez y seis reservaciones?
Definicin de eventos:n=16, p=(7/10), q=(3/10), X= variable aleatoria que define el nmero
de personas que quedan fuera del vuelo. V; pasajero viaja
P(V)=(
16
15
)(0.7)
15
(0.3)+(
16
16
)(0.7)
16
(.03)
0
=0.0261
x
=np=16(0.7)=11.2 se espera que se presenten 11 personas.
Otra forma de reolverlo:
X; variable aleatoria que define el nmero de personas que no se presentan., p=0.3, q=0.7,
n=16
P(V)=(
16
1
)(0.3)(0.7)
15
+(
16
2
)(0.3)
2
(0.7)
14
=0.0261
x
=np=16(0.3)=4.8 se espera que no se presente 5 personas.
La probabilidad de que el motor de un nuevo camin funcione en el desierto cuando hay
una tormenta es de 0.8. seis camiones con el nuevo motor se dirigen a un poblado para llevar
vveres. Para que los vveres alcancen deben llegar al menos cuatro camiones. Determinar la
probabilidad de que los vveres sean suficientes cuando los camiones hacen su recorrido durante
una tormenta.
Definicin de eventos: X= llegan al destino, p=0.8, q=0.2, n=6, A= alcanzan los vveres.
P(A)=(
6
4
)(0.8)
4
(0.2)
2
+(
6
5
)(0.8)
5
(0.2)+(
6
6
)(0.8)
6
(0.2)
0
=0.9011
x
=np=6(0.8)=4.8, se espera que lleguen al menos cinco camiones.
Distribucin hipergeomtrica (H).
1. Se tiene una probabilidad de xito p y una probabilidad de fracaso q.
2. Los eventos son dependientes. Significa que la probabilidad de xito y de fracaso varian de
experimento a experimento.
3. Se define un grupo de xito y un grupo de fracaso.
4. Se define una variable aleatoria X (variable aleatoria que define el nmero de xitos.
Ejemplo:
Se tiene un grupo de diez computadoras, cuatro de ellas estn defectuosas. cul es la
probabilidad de que se tomen exactamente dos defectuosas en una muestra de tres?
Definicin de eventos: n=3, G
E
=D, G
F
=D, X= variable aleatoria que define el nmero de
computadoras defectuosas, N=10.
0
0.05
0.1
0.15
0.2
0.25
0.3
0 2 4 6 8 10
X f(x)
H(X;n,N,G
E
,G
F
)=
0
1
/
6
(
GE
X
)(
GF
n-X
)
1 (
N
n
)
2
3
/
10
Un ingeniero de control de calidad inspecciona una muestra aleatoria de tres
acumuladores de cada lote de 24 que estn listos para ser embarcados. Si un lote contiene seis
acumuladores con pequeos defectos. Determinar la probabilidad de que la muestra del inspector
contenga:
Definicin de eventos: N=24, n=3, G
E
=baterias defectuosas, G
F
= baterias no defectuosas,
X= variable aleatoria que define el nmero de baterias defectuosas.
a) Ninguna bateria defectuosa.
H=
(
6
0
)(
18
3
) =0.403
2 (
24
3
)
b) Solamente una bateria defectuosa.
H=
(
6
1
)(
18
2
) =0.453
5 (
24
3
)
c) Al menos dos baterias con defectos leves.
H=
(
6
2
)(
18
1
)
=0.1433
(
24
3
)
x
=
nG
E
=0.75
N
x
2
=
NG
E
G
F
(N-n)
=0.51
N
2
(N-1)
x
=0.72
Se espera que salga al menos una bateria defectuosa.
Distribucin geomtrica (g).
1. Eventos independientes.
2. Caso particular de binomial negativa (distribucin de Pascal).
3. En esta distribucin se tiene como parmetros p, x, X=1 y n; variable aleatoria que define el
nmero de ensayos necesarios hasta encontrar X=1, n puede tomar cualquier valor con
excepcin del 0.
n P(n) g(n;X=1;p)=q
n-1
p n={1,2,}
1 p
2 qp q
n-1
p=1 Lm q
n-1
p=1
3 qqp n=1
n n=1
a
k
= a
; 0<a<1
a
k
= 1
=1+a+a
2
++a
k
a
k
= a
=a+a
2
++a
k
k=0
a-
1
k=0
a-
1
k=1
1-
a
Nuestro caso:
q
n-
1
p=
p q
n
=
p
(q+q
2
++q
n
)
=
qp
=
p
=
p
=1 QED
n=1 N=1 q q
(1-q)q 1-
q
p
n
}
Funcin generatriz de
momentos
n
(s)=E{e
sn
}=
e
sn
n
(s)=
pqe
sn
=
pe
sn
n=1
(1-
qe
sn
)q
1-
qe
sn
n
(s)=
pe
s
+
pqe
s
|
=
p
+
pq
=
p
+
pq
=1+
q
=
p+q
=
1
1-
qe
s
1-
qe
s
s=0
1-
q
(1-q)
2
p p
2
p p p
Distribucin binomial negativa.
Caso general de la distribucin geomtrica.
1. Los eventos son independientes; es decir se tiene una probabilidad de xito p y una de fracaso
q que se mantienen constantes.
2. La variable aleatoria es N, est definida como el nmero de experimentos o ensayos hasta
obtener X xitos.
3. Los parmetros son X y p.
Sea X=1 Sea X=2
n=1 N=2 n=3 n=1 n=2
<
p
<
p
<
p
q
<
P q
Q
<
p
q
<
p
q q
n(X=1) n(X=2)
n P(n) n P(n)
1 p 2 pp
2 qp 3 qpp
3 qqp n q
(n-1)-(X-1)
p
X-1
g(n;X=1;p)=q
n-1
p b
*
(n;X,p)=(
n-1
X-1
)q
n-X
p
X
nX
n
=
X
/
p
n
2
=
Xq
/
p
Ejemplo:
Dos equipos de atletismo se han enfrentado diez veces; el equipo bigred ha ganado seis
de las diez competencias. Se considera que la experiencia anterior es un indicio de los resultados
futuros. Ahora los dos equipos van a jugar en un torneo eliminatorio. Suponiendo que el resultado
de cada partido es independiente de los otros.
Definicin de eventos: p=0.6, q=0.4, n={1,3,7}, X={1,2,4}, A= gana bigred.
a) Si los equipos juegan un partido cul es la probabilidad de que bigred gane?
P(A)=0.6
b) Si los dos equipos juegan la serie a dos partidos de tres cul es la probabilidad de que
bigred gane?
P(A)=b
*
(n=2;X=2,p=0.6)=0.36+0.288=0.648
c) Si los dos equipos juegan la serie a cuatro de siete partidos cul es la probabilidad de que
bigred gane?
P(A)=(
3
3
)(0.6)
4
(0.4)
0
+(
4
3
)(0.6)
4
(0.4)+(
5
3
)(0.6)
4
(0.4)
2
+(
6
3
)(0.6)
4
(0.4)
3
=0.7102
Se lanza una moneda hasta obtener cuatro veces cara. Cul es la probabilidad de que se
hagan siete lanzamientos para obtener cuatro caras?
Definicin de eventos: p=0.5, q=0.5, n=7, X=4
P(n=7)=0.1563
Relacin entre distribucin binomial y distribucin binomial negativa.
b(X;n,p)=(
n
X
)p
X
q
n-x
=
n!
P
X
q
n-X
=[
(n-1)!n
]P
X
q
n-X
=
n
[
(n-1)!
]P
X
q
n-X
(n-X)!X! (n-X)!X!X X (n-X)!X!X
b
*
(n;X,p)=(
n-1
X-1
)p
X
q
n-X
=
(n-1)!
P
X
q
n-X
=[
(n-1)!
P
X
q
n-X
=[
(n-1)!
]P
X
q
n-X
(n-X)!(X-1)! (n-X)!(X-1)! (n-X)!(X-1)!
b
*
(n;X,p)=
x
/
n
b(X;n,p)
Si la probabilidad es 0.75 de que un solicitante de licencia de manejo apruebe el examen
de manejo en un ensayo dado, cul es la probabilidad de que un solicitante pase la prueba en el
cuarto ensayo?
b
*
(n=4;X=1,p=0.75)=(
3
0
)(0.75)(0.25)
3
=0.1172
Distribucin de Poisson (P).
P(x,)=
x
e
-
; x={1,2,3,}
x!
x; variable aleatoria que define el nmero de xitos en un intervalo de tiempo o espacio.
Es decir =
#
/
tiempo
o =
#
/
longitud
,
x
=,
x
2
=, = T esto es un escalamiento en el intervalo [0,T].
Distribucin exponencial negativa.
La variable es t; variable aleatoria que define el tiempo o espacio que transcurre entre dos
xitos consecutivos.
p p
q
Escalando la distribucin de Poisson:
P(x,)=
(t)
x
e
-t
; x={1,2,3,}
x!
P(t>T) Probabilidad de que el xito se
presente fuera del intervalo
P(x=0,t)=
(t)
0
e
-t
= e
-t
0!
FDDA P(xx
0
)=F(x)=f(x)dx
-
Entonces la FDDA es
P(tT)=1-e
-t
; tT
La funcin densidad de probabilidad
f(t)=
DF(t)
=e
-t
; t0
dt
Ejemplo:
Fotografias tomadas desde cierto helicptero mostraron que en promedio haba 60 autos
circulando en el carril de alta velocidad, sobre un tramo de 1km de va urbana rpida.
En meses recientes, ocurrieron cierto nmero de accidentes en ese tramo atribuidos al
manejo a corta distancia del auto delantero. Si, para plena seguridad, debera haber cuando menos
de 10m la distancia entre los coches en ese tramo y sobre ese carril, que porcentaje de los coches
circulan a una distancia demasiado corta del delantero.
Definicin de eventos: =
60 autos
/
km
, t=10m=0.010km =
60 autos
/
1000m
= t=
0.6 autos
/
10m
Por distribucin de Poisson: x; variable aleatoria que define el nmero de autos que se
encuentra en una distancia de 10m
P(x=0; =0.6)=e
-0.6
=0.5488 por lo tanto P(t1)=1-e
-0.6
=0.4512
A un centro comercial llegan en promedio
3 personas
/
min
. Calcular la probabilidad de que el
tiempo entre dos personas que llegan de forma consecutiva sea:
Definicin de eventos: =
3 personas
/
min
, t={,1,2}
a) Menor de min =1-e
-3/2
=0.7769
b) Mayor de dos minutos=1-e
-6
=0.9975
c) Exactamente de un minuto=e
-3
=0.0498
Distribucin Normal
Sea x una variable aleatoria continua con media
x
y
x
Se dice que x tiene una distribucin normal si su funcin densidad es:
f(x)=
1
e
- (x-x/x)2
=N(x;
x
,
x
)
x
(2)
b
P(axb)=f(x)dx
a
Distribucin normal estndar
Z =
x-
x
E{z}=
1
(E{x}-E{
x
}=
1
x
-
x=
0
E{z}=0
x
evaluando
z(x=
x
)=
x
-
x
=0
x
z(x=x
1
)=
x
1
-
x
=z
1
a De a x
1
=z
1
x
+
x
; z
1
<0
x
z(x=x
2
)=
x
2
-
x
=z
2
b De b x
2
=z
2
x
+
x
; z
2
>0
