Вы находитесь на странице: 1из 30

UNIDAD 4

METODOS ANALITICOS DE FENOMENOS ALEATORIOS DISCRETOS Y


CONTINUOS
4.1 DISTRIBUCION BINOMIAL
Un experimento de Bernoulli puede resultar en un xito con una probabilidad p y
en un fracaso con un a probabilidad q= 1 p. Entonces la distribucin de
probabilidad de la variable aleatoria binomial X , el numero de xitos en n
experimentos independientes, es:
() () ( )

( )


n= nmero de elementos, p= probabilidad, x= 0, 1, 2, 3
EJERCICIOS:
1. Una mquina fabrica una determinada pieza y se sabe que produce un 7
por 1000 de piezas defectuosas. Hallar la probabilidad de que al examinar
50 piezas slo haya una defectuosa.
Solucin:
Se trata de una distribucin binomial de parmetros B(50, 0'007) y debemos
calcular la probabilidad p(X=1).

2. La probabilidad de xito de una determinada vacuna es 0,72. Calcula la
probabilidad de a que una vez administrada a 15 pacientes:
a) Ninguno sufra la enfermedad
b) Todos sufran la enfermedad
c) Dos de ellos contraigan la enfermedad
Solucin:
Se trata de una distribucin binomial de parmetros B (15, 0'72)

3. La probabilidad de que el carburador de un coche salga de fbrica defectuoso
es del 4 por 100. Hallar:
a) El nmero de carburadores defectuosos esperados en un lote de 1000

Solucin:

4.2 DISTRIBUCION DE POISON Y SU APROXIMACION A LA BINOMIAL
APROXIMACION A LA BINOMIAL
Cuando n es relativamente grande y p pequea, las probabilidades binomiales a
menudo se aproximan por medio de la formula
( )

Para x= 0, 1, 2
Siendo (lambda) igual al producto np.
1. 1. Se sabe que el 5% de los libros encuadernados en cierto taller tienen
encuadernaciones defectuosas. Determine la probabilidad de que 2 de 100
libros encuadernados en ese taller, tengan encuadernaciones defectuosas,
usando, a) la frmula de la distribucin Binomial, b) la aproximacin de
Poisson a la distribucin Binomial.



Solucin:
a) n = 100
p = 0.05 = p(encuadernacin defectuosa) = p(xito)
q = 0.95 = p(encuadernacin no defectuosa) = p(fracaso)
x = variable que nos define el nmero de encuadernaciones defectuosas en la
muestra = = 0, 1, 2, 3,....,100 encuadernaciones defectuosas




b)n = 100 encuadernaciones
p = 0.05
= np = (100)(0.05)= 5
x = variable que nos define el nmero de encuadernaciones defectuosas en la
muestra = = 0, 1, 2, 3,....,100 encuadernaciones defectuosas




Al comparar los resultados de las probabilidades con una y otra distribucin, nos
damos cuenta de que la diferencia entre un clculo y otro es de tan solo 0.0031,
por lo que la aproximacin de Poisson es una buena opcin para calcular
probabilidades Binomiales.

2.Un fabricante de maquinaria pesada tiene instalados en el campo 3840
generadores de gran tamao con garanta. S la probabilidad de que cualquiera de
ellos falle durante el ao dado es de 1/1200 determine la probabilidad de que a) 4
generadores fallen durante el ao en cuestin, b) que ms 1 de un generador falle
durante el ao en cuestin.

Solucin:
a) n = 3840 generadores
p = 1/1200 = probabilidad de que un generador falle durante el ao de garanta
= np = (3840)(1/1200) = 3.2 motores en promedio pueden fallar en el ao de
garanta
x = variable que nos define el nmero de motores que pueden fallar en el ao de
garanta =
= 0, 1, 2, 3,....,3840 motores que pueden fallar en el ao de garanta




b) p(x=2,3,4,....,3840;=3.2)=1-p(x=0,1;=3.2) =


0812 0 95 0 05 0 4950 95 0 05 0 05 0 100 2
98 2 98 2
2 100
. ) . ( ) . )( ( ) . ( ) . ( C ) . p , n , x ( P = = = = = =
0843 0
2
718 2 5
5 2
5 2
.
!
) . ( ) (
! x
) , x ( p
x
= = = = =

c

17815 0
4
718 2 2 3
2 3 4
2 3 4
.
!
) . ( ) . (
) . , x ( p
.
= = = =

|
|
.
|


\
|
+ =

!
) . ( ) . (
!
) . ( ) . (
. .
1
718 2 2 3
0
718 2 2 3
1
2 3 1 2 3 0
=1- (0.04078 + 0.13048) = 0.82874

4.3 DISTRIBUCION UNIFORME Y EXPONENCIAL
Se dice que una varible aleatoria X esta distribuida uniformemente a x b si su
funcin de densidad es
F(x)= 1/(b a) a x b
0 de otra manera
y la distribucin se llama distribucin uniforme.
La funcin de distribucin esta dada por
0 x < a
F(x)=P(X x) = (x a) / (b a) a x < b
1 x b

La media y la varianza son, respectivamente:

( )

( )



EJERCICIO:
Supngase que se gire el dial mostrado en la figura para que para en una posicin
aleatoria. Modele esto como una apropiada funcin de densidad de probabilidad, y
sela para calcular la probabilidad de que la aguja pare a cualquier posicin entre
5y 300.

Solucin
Definimos X como el ngulo al que la aguja para, de modo que usamos el
intervalo [0 360] para su rango. Pues todos ngulos son equiprobables, la funcin
de densidad debe ser independiente de x , y por lo tanto debe ser constante. Es
decir, tomamos f como uniforme.
f(x)=1ba=13600=1360
Por lo tanto,
P(5 X 300)= 53001360 dx=3603005=360295 8194

DISTRIBUCION EXPONENCIAL

x > 0
f(x) =
0 x 0

, ()


Ejemplos:
1. Suponga que un sistema contiene cierto tipo de componente cuyo tiempo
de falla en aos est dado por la variable aleatoria T, distribuida
exponencialmente con tiempo promedio de falla . S 5 de estos
componentes se instalan en diferentes sistemas, cul es la probabilidad
de que al menos 2 continen funcionando despus de 8 aos?

Solucin:
La probabilidad de que un determinado componente est funcionando an
despus de 8 aos es:

la | nos indica que la integral se va
a evaluar desde 8 hasta

Sea x el nmero de componentes funcionando despus de 8 aos. Entonces
mediante la distribucin Binomial,
n = 5
p = 0.20 = probabilidad de que un componente est funcionando despus de 8
aos
q = 1-p = 0.80 = probabilidad de que un componente no funcione despus de 8
aos

5 = |
2 0
5
1
8
5
8
8
5
. dt ) ( P
t
~ = = >


}
c c
P(x > 2 ) = p(x=2) + p(x=3) + p(x=4)+p(x=5) = 1 p(x = 0, 1)



2. El tiempo que transcurre antes de que una persona sea atendida en una
cafetera es una variable aleatoria que tiene una distribucin exponencial
con una media de 4 minutos. Cul es la probabilidad de que una persona
sea atendida antes de que transcurran 3 minutos en al menos 4 de los 6
das siguientes?

Solucin:

La nos indica que la
integral va a ser evaluada de 0 a 3

x = nmero de das en que un cliente es atendido antes de que transcurran 3
minutos
x = 0, 1, 2,...,6 das

p = probabilidad de que un cliente sea atendido antes de que transcurran 3
minutos en un da cualquiera = 0.5276
q = probabilidad de que un cliente no sea atendido antes de que transcurran 3
minutos en un da cualquiera = 1- p = 0.4724




= 0.11587 + 0.02157 = 0.13744

4.4 DISTRIBUCION NORMAL Y SU APROXIMACION A LA BINOMIAL
DISTRIBUCION NORMAL
Fue estudiada por primera vez en el siglo XVlll cuando los cientficos observaron
con sorpresa el grado de regularidad en los errores de medicin. Descubrieron
que los que los patrones (distribuciones) eran aproximados a una distribucin
continua que denominaron curva normal de errores y le atribuyeron reglas de
probabilidad. La ecuacin de distribucin normal es:
f(x;

) =


()

-
{ } 2627 0 7373 0 1 8 0 2 0 8 0 2 0 1
4 1
1 5
5 0
0 5
. . ) . ( ) . ( C ) . ( ) . ( C = = + =
5276 0 1
4
1
3
4
3
4
1 3
0
4
1
. dt ) T ( P
t
= = = = s

}
c c c
= + = = = =
0 6
6 6
1 5
5 6
4724 0 5276 0 4724 0 5276 0 5276 0 6 6 5 ) . ( ) . ( C ) . ( ) . ( C ) . p , N , o x ( P
Dado que la densidad de probabilidad no puede ser integrada en forma exacta
entre cualquier par de limites a y b, las probabilidades relacionadas con la
distribucin normal suelen obtenerse de tablas especiales. Esta tabla corresponde
a la distribucin normal estndar, es decir a la distribucin normal con y =
1 y proporciona los valores de:
F(z) = =


Para z= 0.00, 0.01, 0.02, 3.49, y tambin para z= 4.00, z=5.00 y z=6.00. para
calcular la probabilidad de que una variable aleatoria con distribucin normal
estndar tome un valor entre a y b, empleamos la ecuacin P(a < x <b) = F(b)
F(a), y si a y b son negativos se utiliza la identidad F(-z) = 1 F(z).
EJERCICIOS:
La media de los pesos de 500 estudiantes de un colegio es 70 kg y la desviacin
tpica 3 kg. Suponiendo que los pesos se distribuyen normalmente, hallar cuntos
estudiantes pesan:
1. Entre 60 kg y 65 kg.
2. Ms de 90 kg.
3. Menos de 64 kg.
4. 64 kg.
5. 64 kg o menos

1. Entre 60 kg y 65 kg.



2. Ms de 90 kg.


3. Menos de 64 kg.


4. 64 kg.

5. 64 kg o menos.

APROXIMACION A LA BINOMIAL
En algunos libros la distribucin normal se introduce como una densidad de
probabilidad que sirve para aproximar a la distribucin binomial cuando n es
relativamente grande y p, la probabilidad de un xito cercano a 0.50 y, en
consecuencia no demasiado pequea para emplear la distribucin de Poisson. As
se establece el siguiente teorema:
Teorema: si x es una valor de una variable aleatoria que tiene la distribucin
binomial , con los parmetro n y p, y si
z=

()

Entonces la expresin limite de la funcin de distribucin de esta variable aleatoria
estandarizada cuando n esta dada por
F(z) =


Observe que, si bien x asume los valores 0, 1, 2,,n en el limite cuando n la
distribucin de la correspondiente variable aleatoria estandarizada es continua.
Observe asi mismo que la correspondiente densidad de probabilidad es la
densidad normal estndar.


EJERCICIOS


4.5 TEOREMA DE CHEBYSHEV
Si es pequea, existe una alta probabilidad de obtener valores cercanos a la
media; si es relativamente grande existe una alta probabilidad de obtener
valores alejados de la media. En trminos generales esta da se expresa en el
siguiente teorema:
Teorema: si una distribucin de probabilidad tiene una media y una desviacin
estndar , la probabilidad de obtener un valor que se desva de al menos por
K es a lo sumo

.
Simblicamente:
( | | )


Donde ( | | ) es la probabilidad asociada al conjunto de resultados
para los cuales x, el valor de la variable que tiene la distribucin de probabilidad
dada, es tal que | | .
Asi que la probabilidad de que la variable tome un valor que se desva (difiere) de
la media al menos por 2 desviciones estndar es a lo sumo

, la probabilidad de
que asuma un valor que se desvia de la media almenos por 5 desviaviones
estndar es cuando mucho

, y la probabilidad de que tome un valor que se


desvia de la media 10 desviaciones estndar o mas es menor o igual que

.
Para obtener este teorema considere cualquier distribucin de probabilidad con
valores con valores f(x), media y la varianza

. Dividiendo la suma que define la


varianza, tenemos que:

( )

()


( )

()

( )

()

( )

()


Donde R
1
es la regin para el cual , R
2
es la regin para el cual

es la regin para la cual . Puesto que


( )

() no puede ser negativo, la suma anterior sobre R


2
es no negativa y
sin ella la sumatoria sobre R
1
mas la sumatoria R
3
es menor o igual a

, esto es:

( )

()

( )

()


Pero en la regin R
1
y en la regin R
3
, asi que en
cualquier caso | | ; de qui en ambas regiones: ( )

. Si
ahora remplazamos ( )

en cada suma por

, un numero menor o igual


que ( )

obtenemos la desigualdad:

()

()


O bien

()

()


Puesto que ()

()

representa la probabilidad de que x esta en la


regin R
1
U R
3
, es decir que | | .
Par obtener una forma alterna del teorema de Chebyshev, notese que el evento
| | es el complemento de evento | | ; en consecuenci la
probabilidad de obtener un valor que se desvia de menos que al menos

.
EJERCICIO
Una variable aleatoria X tiene una media = 8 una varianza 2 = 9, y distribucin
de probabilidad desconocida. Encuentre
a) P (4 < X < 20).
b) P (| X - 8 | 6).
Solucin
a) P (4 < X < 20) = P[ 8 (4) (3) < X < 8 + (4) (3) ] 15/14
b) P (| X - 8 | 6) = 1 P (| X - 8 | < 6) = 1 P (- 6 < X - 8 < 6)
= 1 P [8 (2) (3) < X < 8 + (2) (3)] 8 < 6) .

4.6 DISTRIBUCION JI CUADRADA
Otro caso muy importante de la distribucin gama se obtiene haciendo

y
donde v es un entero positivo. El resultado se llama distribucin ji
cuadrada. La distribucin tiene un parmetro sencillo, v, que recibe el nombre de
grados de libertad.
Distribucion ji cuadrad la variable aleatoria continua X tiene una distribucin ji
cuadrada, con v grados de libertad si fu funcin de densidad es:

() {


En 0, en cualquier otro caso donde v es un entero positivo.
EJERCICIOS
Suponga que los tiempos requeridos por un cierto autobs para alcanzar un de
sus destinos en una ciudad grande forman una distribucin normal con una
desviacin estndar =1 minuto. Si se elige al azar una muestra de 17 tiempos,
encuentre la probabilidad de que la varianza muestral sea mayor que 2.
Solucin:
Primero se encontrar el valor de ji-cuadrada correspondiente a s
2
=2 como sigue:

El valor de 32 se busca adentro de la tabla en el rengln de 16 grados de libertad
y se encuentra que a este valor le corresponde un rea a la derecha de 0.01. En
consecuencia, el valor de la probabilidad es P(s
2
>2)

Encuentre la probabilidad de que una muestra aleatoria de 25 observaciones, de
una poblacin normal con varianza
, tenga una varianza muestral:
Mayor que 9.1
Entre 3.462 y 10.745
Solucin.
Primero se proceder a calcular el valor de la ji-cuadrada:

Al buscar este nmero en el rengln de 24 grados de libertad nos da un rea a la
derecha de 0.05. Por lo que la P(s
2
>9.1) = 0.05
Se calcularn dos valores de ji-cuadrada:
y
Aqu se tienen que buscar los dos valores en el rengln de 24 grados de libertad.
Al buscar el valor de 13.846 se encuentra un rea a la derecha de 0.95. El valor de
42.98 da un rea a la derecha de 0.01. Como se est pidiendo la probabilidad
entre dos valores se resta el rea de 0.95 menos 0.01 quedando 0.94.
Por lo tanto la P(3.462 s
2
10.745) = 0.94

Estimacin de la Varianza
Para poder estimar la varianza de una poblacin normal se utilizar la distribucin
ji-cuadrada.

Al despejar esta frmula la varianza poblacional nos queda:

Los valores de X
2
dependern de nivel de confianza que se quiera al cual le
llamamos . Si nos ubicamos en la grfica se tiene:


4.7 DISTRIBUCION FISHER o DISTRIBUCION F
Lo estadstico F se define como la relacin de os variables aleatorias ji cuadrada
independientes, cada una dividida por su nmero de grados de libertad. De aqu
se puede escribirse:


Donde U y V son variables aleatorias independientes que tienen distribucin ji
cuadrada con v
1
y v
2
grados de libertad, respectivamente. Enseguida se muestra
la distribucin muestral de F.


TEOREMA
Sean U y V dos variables aleatorias independientes que tienen distribuciones ji
cuadrada con v
1
y v
2
grados de libertad, respectivamente. Entonces la distribucin
de la variable aleatoria:


Esta dada por:
()
{

[
(

] (

)
(





Conocida como la distribucin de F con v
1
y v
2
grados de libertad.













UNIDAD 2 VARIABLES ALEATORIAS
2.1 INTRODUCCION
Una variable aleatoria es una clase especial de funcin. Una variable aleatoria x
de un espacio muestral S en donde el conjunto R de nmeros reales tales que la
imagen inversa de cualquier intervalo R es un evento de S.
Variables aleatorias discretas donde el recorrido Rx es finito o contable. Las
variables aleatorias continuas son aquellas en las cuales el recorrido Rx es un
conjunto continuo de nmeros tales como un intervalo o unin de intervalos.
2.2 DISTRIBUCION Y ESPERANZA DE UNA VARIABLE ALATORIA FINITA
DISTRIBUCION
Sea x una variable aleatoria finita de un espacio muestral S, es decir, x asigna
solamente un numero finito de valores a S. por ejemplo.

+

(se supone que x
1
x
2
x
n
). entonces, X induce a una funcin f que se asigna
probabilidad a los puntos en R
x
de la siguiente manera:
(

) (

) ( * ()

+ )
El conjunto de pares ordenados [x, fx] se da generalmente de la forma de una
tabla de la siguiente manera:

x x
1
x
2
x
3
x
n

f(x) f(x
1
) f(x
2
) f(x
3
) f(x
n
)

Esta funcin se llama distribucin de probabilidad o simplemente distribucin de
variable aleatoria x; esta funcin satisface las dos condiciones siguientes:

(i) f(x
k
) 0 y (ii)
(



En consecuencia el recorrido de R
x
con la asignacin de probabilidad de arriba es
un espacio de probabilidad.
EJERCICIO
Sea S el espacio muestral donde se lanza un par de dados equilibrados. Entonces
S es un espacio equiprobable finito conformado por los 36 pares ordenados (a,b),
donde a y be son cualquier numero entre 1 y 6:
S{ (1, 1), (1, 2), (1,3),,(6, 6)}
Sean X y Y variables aleatorias en S, X representa el mximo de os nmeros, X(a,
b) = max( a, b) y Y representa la suma de los nmeros, Y(a,b)= a +b.
a) Encuentre la distribucin F de X
Aqu S es un espacio equiprobables con 36 puntos de manera que se puede
utilizar el teorema y contar simplemente el numero de puntos con el valor
numrico dado
a) variable aleatoria X: se puede calcular la distribucin de F de X de la
siguiente manera:
1. solamente un lanzamiento (1,1) tiene el valor mximo de 1; de donde F(1) =


2. tres lanzamientos (1, 2), (2, 2), (2,1), tiene el valor mximo de 2; de donde
F(2)=


3. cinco lanzamientos (1, 3), (2, 3), (3,3), (3, 2), (3,1), tiene valor mximo 3; de
donde F(3) =


En forma similar, f(4) =

, f(5) =

, f(6) =


Por lo tanto la distribucin f de X es la siguiente:
X 1 2 3 4 5 6
f(x) 1/36 3/36 5/36 7/36 9/36 11/36

ESPERANZA DE UNA VARIABLE ALEATORIA FINITA
Sea x una variable aleatoria finita; consideramos que su distribucin es la
siguiente:
x x
1
x
2
x
3
x
n

f(x) f(x
1
) f(x
2
) f(x
3
) f(x
n
)

Entonces la media o la esperanza ( o el valor esperado) de x representado por E(
x) o simplemente E, se define por:
()

) (


En forma equivalente cuando se utiliza la notacin [ x
i
, P
i
] en lugar de [ x, f(x)]:
()


Si los x
1
son resultados numerales de un experimento, entonces E es el valor
esperado del experimento.
EJERCICIO
Sean X y Y variables aleatorias con las siguientes distribuciones respectivas:
x
i
2 3 6 10
p
i
0.2 0.2 0.5 0.1

y
i
-8 -2 0 3 7
p
i
0.2 0.3 0.1 0.3 0.1

Entonces:
()

() () () ()
= 0.4+ 0.6 + 3.0 + 1.0 = 5
()

() () () () ()
= -1.6 0.6 - + 0 + 0.9 + 0.7 = -0.6

2.3 VARIANZA Y DESVIACION ESTANDAR
La media de una variable aleatoria X mide, en cierto sentido, el valor promedio
de x. la varianza y la desvicion estndar miden la extensin o dispersin de x.
Sea x una variable aleatoria con media () y la siguiente distribucin de
probabilidad:
x x
1
x
2
x
3
x
n

f(x) f(x
1
) f(x
2
) f(x
3
) f(x
n
)

La varianza de X, representada por (x), esta definida por
() (

) (( )

)
La desviacin estndar de x, representada por

, es la raz cuadrada no negativa


de var (x), es decir:


()
EJERCICIO
Sea x el numero de veces que aparece cara cuando se lanza una moneda
equilibrada 6 veces, donde su media es , la varianza de X se calcula de la
siguiente manera.
() ( )

( )

( )

( )


Y por lo tanto la desviacin estndar es:



2.4 VARIABLES ALEATORIAS DISCRETAS EN GENERAL
Supongamos que ahora x es una variable aleatoria en un espacio muestral S con
un recorrido infinito contable, por ejemplo

+. Como en caso finito,


X induce una funcin f en R
x
llamada la distribucin de X, definida por:
(

) (

)

La distribucin se presenta frecuentemente por una tabla de la siguiente manera:
X x
1
x
2
x
3
x
n

f(x) f(x
1
) f(x
2
) f(x
3
) f(x
n
)

La distribucin f tiene las dos propiedades siguientes:
i) (

)
ii) (



El valor esperado E(X) y la varianza var(X) de la variable aleatoria X se define por
la siguiente serie cuando la serie relevante converge absolutamente:
()

(


() (

)

(

) (

)

(

) (

)

(


Puede mostrarse que var(X) existe solamente si () (

) ambos existen
y en este caso la formula siguiente se cumple igual que en el caso finito:
() (


Cuando la var (X) existe, la desviacin estndar

se define igual que en el caso


finito:


()
Consideremos que X y Y se definen en el mismo espacio muestral S y var(X) y var
(Y) ambos existen. Entonces la covarianza de X y Y, escrita con (X, Y) se define
por la siguiente:
( ) (

)(

)(


Adicionalmente la relacin:
( )

()



Se cumple al igual que en el caso finito.

2.5 VARIABLES ALEATORIAS CONTINUAS
Suponga que X es una variable aleatoria en un espacio muestral S cuyo recorrido
R
x
es un conjunto de nmeros tales como un intervalo. La definicin de una
variable aleatoria dice que el conjunto { a x b} es un evento en S y por
consiguiente la probabilidad P(a X b) esta bien definida. Se supone que hay
una funcin especie continua F: R R tal que P(a X b) es igual rea de bajo
de bajo de la grafica de f entre x= a y x=b:
( ) ()


En este caso se dice que X es una variable aleatoria continua. La funcin f se
llama la distribucin o la funcin de probabilidad continuo (o funcin de densidad)
de X; que satisface las siguientes condiciones:
i) f(x) 0
ii) ()


Es decir, f es no negativo y el rea total bajo la curva es 1.
El valor esperado f(x) para una variable aleatoria continua X esta definida por la
siguiente integral cuando esta existe.
() ()()


Cuando este existe:





P(a X b) = rea del rengln sombreado
La varianza var(X) esta definida por la siguiente integral cuando esta existe:
() (( )

) ( )

()


Justo en el caso discreto, puede mostrarse que existe var(X) si y solo si
() (

) ambos existen y existen y entonces:


() ()

()

()


Cuando la var (X) existe, la desviacin estndar

se define como en el caso


discreto por:

()
EJERCICIO
Sea X una variable aleatoria con la siguiente funcin de distribucin f:
() {




Entonces
P( X )
Se puede calcular la esperanza la varianza y la desviacin estndar de X de la
siguiente manera:


2.6 FUNCIN DE DISTIBUCIN ACUMULATIVA
Sea X una variable aleatoria continua. La funcin de distribucin acumulativa F de
x es la funcin F: R R definida por:
() ( )
Suponga que X es una variable aleatoria discreta con distribucin F. entonces F es
la funcin escalonada definida por:
() (


En cualquiera de los casos F tiene las dos propiedades siguientes:
(i) F es monofnicamente creciente es decir:
F(a) f(b) siempre que a b

(ii) El limite de F a la izquierda es 0 y ala derecha es 1


() y

() = 1

2.7 DESIGUALDAD DE CHEBYSHEV
Sea X una variable aleatoria con media y desviacin estndar . Entonces para
cualquier numero positivo K, la probabilidad de que un valor X se encuentra en el
intervalo , - es al menos

. Es decir:
( )


EJERCICIO
Una variable aleatoria X tiene una media , una varianza

y una
distribucin de probabilidad desconocida. Encuentra
a) P ( - 4 < X < 20) y b) P( | X 8 | ) < 6 )
Solucin:
a) P ( - 4 < X < 20) = P [ 8 (4)(3) < X < 8+ (4)(3)]
15/|16
b) P( | X 8 | ) < 6 ) = 1 P( | X 8 | ) < 6 )
= P (- 6 < X 8 < 6)
= 1 P[ 8 (2)(3) < X < 8 + (2)(3)]
1/4
2.8 LEY DE LOS GRANDES NUMEROS
Para que un numero positivo sin importar lo pequeo que sea:
(

)

Es decir, la probabilidad de que la media de nuestra

tenga un valor ,
- se acerca a 1 a medida que tiende al infinito.


OTROS EJERCICIOS UNIDAD 2
EJERCICIOS DE LA UNIDAD 2.
1.- Supongamos que una librera de la universidad durante la primera semana de
clases, la probabilidad de que una persona pueda elegir una computadora porttil
o de escritorio es:
X = si un cliente compra una computadora laptop.
0 si el cliente compra una computadora de escritorio.

Si el 20% de todos los compradores durante esa semana seleccin a la laptop la
pmf para x es:
P (0)= P(x=0)= P (el siguiente cliente compro de escritorio)
P (1)= P(x=1)= P (el siguiente cliente compro laptop)
P (x)= P(x=x)= 0 para x 0 o 1.
Una descripcin equivalente es:
P(x): .8 Si x= 0
.2 Si x= 1
.0 Si x0 o 1
2.- Seis lotes de componentes estn listos para ser enviados a cierto proveedor es
el nmero de componentes defectuoso de cada lote es:

Lote 1 2 3 4 5 6
Nmero de componentes defectuosos 0 2 0 1 2 0

Uno de estos lotes ser seleccionado al azar para enviarse a un cliente en
particular, Sea X el numero de los lotes seleccionados los tres valores posibles de
X son 0, 1, 2, De los seis eventos simples igual mente probables, tres resultan en
X=0, uno en X=1 y los otros dos en X=2. Sea p(0) la probabilidad de que X=0 y
P(1) y P(2) la probabilidad de los otros dos valores posibles de X . Entonces:

P (0)= P(x=0)=P (se enva el lote 1, 3, o 6)=

=.5
P 1= (P) (Py=1)= P (se enva el lote 4)= 1/6= 1.67
P 2 = P (y=2)= P (se enva lote 2 o 5)= 2/6= .333

3.- Si X es un numero de cilindro en el siguiente auto mvil que sea ajustado en el
taller mecnico; [P (4)=0.5, p (6)=0.3, p(8)=0.2, de donde m=5.4] entonces:
VX=
2
O =

=

8
4
2
) 4 . 5 (
x
x * p (x)
= (4-5.4)
2
(0.5) + (6-5.4)
2
(0.3) + (8-5.4)
2
(0.2)= 2.44
La desviacin estndar de x es:

2
O = 44 . 2 = 1.562
Cuando la fmp p(x) especifica un modelo matemtico para la distribucin tanto
como
2
O miden las dispersin de los valores de la poblacin
2
O es la varianza
poblacional y o la desviacin estndar poblacional.
4.- Considere un grupo de 5 donadores potenciales de sangre A, B, C, D E de los
cuales solo A y B tienen tipo de sangre O
+
. Cinco muestras de sangre una de
cada individuo O
+
, y= numero de clasificaciones necesario para identificar un
individuo O
+
. Entonces la pmf de y es:
P 1= (P) (Py=1)= P (A o B clasificados primero)= 2/5= 0.4
P 2 = P (y=2)= P (DD a primero E y despus A y B)= 2/6= .333
= P (CD o E primero). P (A o B despus C, D o E primero)
= 3/5*2/4=3
P 3 = P (y=3)= P (C, D o E primero y segundo y despus A o B)
= 3/5* 2/4*2/3=2
P 4 = P (y=4)= P (C, D, o E primero y segundo y despus A o B)
Py= 0 si y 1, 2, 3, 4
La pmf se puede representar muy bien en forma tabular.
Y 1 2 3 4
P (y) .4 .3 .2 1

5.-Se lanza un par de dados corrientes. Obtenemos que uno es finito equiprobable
S que consta de 36 parejas ordenadas de nmeros en 1 y 6.

S= {(1,1)(1, 2),,(6, 6)}= x (S)= 1, 2, ,3 ,4, 5, 6.
_ Calculamos la distribucin f (x)=
F (1) = P (x=1) = P (1, 1) =
36
1

F (2) = P (x=2) = P (2, 1), (2, 2), (1, 2) =
36
3

F (3) = P (x=3) = P (3, 1), (3, 2), (3, 3), (2, 3), (1, 3) =
36
5

F (4) =P (x=4) = P (4, 1), (4, 2), (4, 3), (4, 4), (3, 4), (2, 4), (1, 4) =
6
7

Similarmente
F (S) = P (x=5) =
36
9
f (6) = P (x=6) =
36
11


Calcular la media de x:
E (x) =
) ( 1
1
x f
x = 1*
36
1
+ 2*
36
3
+ 3*
36
5
+ 4*
6
7
+ 5*
36
9
+ 6*
36
11
=
36
161
= 4.47

6. Una moneda de carga P (H) = 2/8 y P (T) = 1/8 se lanza 3 veces da los
puntos del espacio muestral S:
S = {HHH, HHT, HTH, HTT, THH, THT, TTH, TTT}
P (HHH) = 2/8* 2/8* 2/8 =
27
8
P (THH) = 1/8* 2/8* 2/8=
27
4

P (HHT) =2/8* 2/8* 1/8=
27
4
P (THT) = 1/8*2/8*1/8 =
27
2

P (HTH) = 2/8* 1/8* 2/8=
27
4
P (TTH) = 1/8* 1/8*2/8 =
27
2

P (HTT) = 2/8* 1/8* 1/8=
27
2
P (TTT) =1/8*1/8*1/8 =
27
1

F (0) = P (TTT) =
27
1



















UNIDAD 3 VARIABLES ALEATORIAS CONTINUAS
3.1 DISTRIBUCION CONJUNTA DE DOS VARIABLES ALEATORIAS
En probabilidad dados eventos X e Y, la distribucin conjunta de X e Y es la
distribucin de la interseccin de eventos de X e Y, esto es, de los eventos X e Y
ocurriendo en formas simultanea. En el caso de solo dos variables aleatorias se
denomina una distribucin bivariado, pero el concepto se generaliza a cualquier
nmero de evento o de variables aleatorias.
Caso discreto
Para variables aleatorias discretas, la funcin de probabilidad conjunta est dada
por:
( ) ( | ) ( ) ( | ) ( )
Dadas estas probabilidades se tiene que:
( )


Caso continuo
De forma similar que para las variables aleatorias discretas la funcin de densidad
de probabilidad conjunta puede ser escrita como f
xy
(x, y) teniendo:


( )
|
(|)

()
|
(|)

()
Donde
|
(|) y
|
( ) dan la distribucin condicional de Y dado X = x y de X
dado Y= y respectivamente, y

() y

() dada la distribucin marginal para X e


Y respectivamente.
De nuevo, dado que son distribuciones de probabilidad:

( )
3.2 ESPERANZA ENTRE 2 VARIABLES ALEATORIAS DISCRETAS X y Y
Sean X e Y dos variables aleatorias discretas con funcin de probabilidad

( ). La esperanza de funcin ( ) de estas variables aleatorias se define


como:

, ( ) ( )

( )

3.3 COVARIANZA ENTRE 2 VARIABLES ALEATORIAS DISCRETAS X e Y
Sea X una variable aleatoria con media

, y sea Y una variable aleatoria con


media

. La covarianza es:
( ) ( ) [(

) (

)]
(

) (

) ( )


Una expresin alternativa es:
( ) ( )

( ( ))



3.4 INDEPENDENCIA ENTRE 2 VARIABLES ALEATORIAS DISCRETAS X e Y
La funcin de probabilidad de masa (pmf) de una variable X discreta especifica
cuanta probabilidad de masa esta puesta en cada posible valor X. pmf conjunta
de dos variables discretas X e Y describe cuanta probabilidad de masa esta
puesta en cada posible par de valores (x, y).
Sea X e Y dos variables discretas definidas en el espacio muestral S de un
experimento. La funcin de probabilidad de masa conjunto p(x, y) esta definida
para cada parte de nmeros (x,y) por:
( ) ( )
Sea A conjunto formado por pares de valores (x, y). entonces, la probabilidad P[[X,
Y] EA] se obtiene al sumar la pmf conjunta sobre pares en A:
,( ) - ( )
()

La funcin de probabilidad de masa marginal de X y de Y representado por

()
y

(), respectivamente estn dados por:


() ( )



() ( )



3.5 ESPERANZA ENTRE 2 VARIABLES ALEATORIAS CONTINUAS X e Y
Sean X e Y variables conjuntamente distributivas con pmf p(x, y) o pdf ( funcin de
densidad de probabilidad marginal) f(x, y) si los variables son discretas o
continuas respectivamente. Entonces el valor esperado de un funcin h(X, Y)
representado por e[h(X, Y)] o

( ) esta dada por:


,( )-
{

( ) ( )

( ) ( )



3.6 COVARIANZA ENTRE 2 VARIABLES ALEATOTIAS CONTINUAS X e Y
Cuando dos variables aleatorias X e Y con frecuencia es de inters mediar cuan
relacionados estn entre si.
La covarianza entre 2 variables X e Y es:
( ) ,(

) (

)

{

)(

)( )

(

)(

) ( )



3. 7 INDEPENDENCIA ENTRE 2 VARIABLES ALEATORIAS CONTINUAS
La probabilidad de que el valor observado de una variable x continua se encuentre
en un conjunto A unidimensional (como lo es un intervalo) se obtiene al integrar la
pdf (funcin de densidad marginal) f (x) sobre el conjunto A.
Del mismo modo la probabilidad de que el par (X, Y) de variables continuas caiga
en un conjunto A bidimensional (como la es un rectngulo) se obtiene al integrar
una funcin llamada funcin de densidad conjunta.
Sean X e Y variables continuas. Entonces f(x, y) es la funcin de densidad de
probabilidad conjunta X y Y si para cualquier conjunto A bidimensional :
,( )- ( )


En partculas si A es el rectngulo bidimensional
*( ) +
Entonces
,( ) - ( ) ( )