Академический Документы
Профессиональный Документы
Культура Документы
=
)! ( !
!
r n r
n
Cr n
=
792
)! 5 12 ( ! 5
! 12
5 12 =
= C
040 , 95
)! 5 12 (
! 12
5 12
=
= P
Unidad I. Fundamentos de Procesos Estocsticos Experimento Aleatorio - Distribuciones
Procesos Estocsticos 1-2011 UNEFA-Ncleo Mrida
Ing. Lucileima Rosales Ing. Josmary Hernndez
Tipos de Distribuciones de Probabilidad
1. Distribucin de probabilidad discreta: puede asumir slo valores claramente separados.
Ejemplos: el nmero de estudiantes en una clase, el nmero de nios en una familia, el
nmero de autos entrando en un auto lavado por hora, el nmero de clientes que llegan a
una esttica cada hora.
2. Distribucin de probabilidad continua: puede asumir un nmero infinito de valores
dentro de un rango determinado. La distancia que recorre cada estudiante para llegar a su
clase. Ejemplos: el tiempo que le toma a un ejecutivo llegar a su trabajo, el tiempo
invertido en una llamada telefnica, la estatura de los alumnos de un grupo en clase.
1.- Distribucin de Probabilidad Discreta
Definicin: el conjunto de pares ordenados (x, f
(x)
), es una distribucin de probabilidad de la
variable aleatoria X; donde f
(x)
es una funcin de probabilidad y si se cumple para cada posible
resultado x, que:
1.- f
(x)
> 0
2.-
=
x
x
f 1
) (
3.- P(X = x) = f
(x)
Ejemplo:
Considere un experimento aleatorio en el cual una moneda es lanzada tres veces. Sea x el
nmero de caras. Sea H la que representa el resultado cara y T el resultado cruz.
Sea X la variable aleatoria que representa el nmero de caras en tres lanzamientos de una
moneda.
Los posibles resultados (espacio muestral) para este experimento sern:
{TTT, TTH, THT, THH, HTT, HTH, HHT, HHH}
Entonces los valores posibles para x (nmero de caras) son 0, 1, 2, 3.
X f
(x)
= P(X = x) F
(x)
=P(Xsx)
0 1/8 1/8
1 3/8 4/8
2 3/8 7/8
3 1/8 1
Ef
(x)
= 1
Donde:
f
(x):
Funcin de Probabilidad.
F
(x)
= Funcin de Distribucin Acumulada.
Toda Variable Aleatoria tiene las siguientes caractersticas:
1.- Funcin de probabilidad
2.- Funcin de distribucin
3.- Esperanza Matemtica
4.- Varianza
5.- Desviacin Estndar
La FUNCIN DE DISTRIBUCIN se define como F
(x)
= P(X s x)
Unidad I. Fundamentos de Procesos Estocsticos Experimento Aleatorio - Distribuciones
Procesos Estocsticos 1-2011 UNEFA-Ncleo Mrida
Ing. Lucileima Rosales Ing. Josmary Hernndez
Calculando la funcin de distribucin para el ejemplo anterior se tiene:
F
(x)
= P(X s x)
P(x s 1) = 4/8 = 0.5
Haciendo uso de funcin de distribucin, se pueden calcular las probabilidades siguientes:
- P(1 s x s 3) = P(x s 3) P(x < 1) = 1 1/8 = 7/8
- P(x > 2) = 1 P(x < 2) = 1 = 4/8 = 0.5
Toda variable aleatoria tiene ESPERANZA E(X) Y VARIANZA V(X)
- E(x) = Ex
i
P(x)
- V(x) = E(x
2
) (E(x))
2
En el ejemplo la esperanza es:
E(x) = (0 x 1/8) + (1 x 3/8) + (2 x 3/8) + (3 x 1/8) = 12/8 = 1.5
E(x
2
) = (1
2
x 3/8) + (2
2
x 3/8) + (3
2
x 1/8) = 24/8 = 3
Otra frmula para la varianza es:
V(x) = E(x
2
) E(x)
2
la cual se deduce de la definicin:
V(x) = E(x E(x))
2
V(x) = E(x
2
2xE(x) + E(x)
2
)
V(x) = E(x
2
) 2E(x)
2
+ E(x)
2
V(x) = E(x
2
) E(x)
2
Al aplicarla al ejemplo, se tiene:
V(x) = 3 (1.5)
2
= 0.75
MEDIA DE UNA DISTRIBUCIN DISCRETA DE PROBABILIDAD
- Registra la ubicacin central de los datos.
- Es el valor promedio a largo plazo de la variable aleatoria.
- Tambin se le conoce como su valor esperado, E(x), en una distribucin de probabilidad.
- Es un promedio ponderado.
- La media es calculada con la frmula:
Donde: representa la media, y P(x) es la probabilidad de que x asuma algn valor.
VARIANZA DE UNA DISTRIBUCIN DISCRETA DE PROBABILIDAD
- La varianza mide el tamao de la dispersin de una distribucin.
- La varianza de una distribucin discreta es representada por la letra griega
2
(sigma
cuadrada).
- La desviacin estndar es la raz cuadrada
2
.
- La varianza de una distribucin de probabilidad discreta es calculada con la siguiente
frmula:
)] ( [ x xP E =
)] ( ) [(
2 2
x P x o E =
Unidad I. Fundamentos de Procesos Estocsticos Experimento Aleatorio - Distribuciones
Procesos Estocsticos 1-2011 UNEFA-Ncleo Mrida
Ing. Lucileima Rosales Ing. Josmary Hernndez
Ejemplo:
David Ramrez, dueo de un negocio de servicios de pintura, estudi sus registros de las ltimas 20
semanas y reporta el siguiente nmero de casas pintadas por semana:
# de casas
pintadas
semanas
10 5
11 6
12 7
13 2
- Distribucin de Probabilidad
Nmero de
casas
pintadas, x
Probabilidad, P(x)
10 0.25
11 0.30
12 0.35
13 0.10
TOTAL 1.00
- Calcule el nmero medio de casas pintadas por semana:
- Calcule la varianza del nmero de casas pintadas por semana:
3 . 11
) 10 )(. 13 ( ) 35 )(. 12 ( ) 30 )(. 11 ( ) 25 )(. 10 (
)] ( [ ) (
=
+ + + =
E = = x xP x E
91 . 0
2890 . 0 1715 . 0 0270 . 0 4225 . 0
) 10 (. ) 3 . 11 13 ( ... ) 25 (. ) 3 . 11 10 (
)] ( ) [(
2 2
2 2
=
+ + + =
+ + =
E = x P x o
Unidad I. Fundamentos de Procesos Estocsticos Experimento Aleatorio - Distribuciones
Procesos Estocsticos 1-2011 UNEFA-Ncleo Mrida
Ing. Lucileima Rosales Ing. Josmary Hernndez
1.1.- Distribucin Binomial
La Distribucin Binomial surge de un experimento Bernoulli, nombrado as en honor del
matemtico suizo James Bernoulli (1654-1785). Cuando en un solo ensayo puede ocurrir slo
uno de dos resultados mutuamente excluyentes, como xito, fracaso, alivio o muerte, presencia
o ausencia, macho o hembra, el ensayo se denomina ensayo Bernoulli.
0 fracaso
Sea Y
i
=
1 xito
Una secuencia de ensayos de Bernoulli forma un proceso de Bernoulli si se cumplen las
siguientes condiciones:
1. En cada ensayo ocurre uno de los posibles resultados mutuamente excluyentes. Uno de los
posibles resultados se denota (arbitrariamente) como un xito y el otro como un fracaso.
2. La probabilidad de un xito, denotado por p, permanece constante de un ensayo a otro, y la
probabilidad de fracaso, 1 p, se denota por q, q = 1-p.
3. Los ensayos son independientes, es decir, el resultado de algn ensayo en particular no es
afectado por el resultado de cualquier otro ensayo.
La variable aleatoria Binomial, se define como una suma de variables Bernoulli: X = E Y
i
.
Las caractersticas de esta variable son:
1. Funcin de probabilidad: ( ) ( ) ,...n , para x q p
x
n
x X P x f
x n x
1 0 =
|
|
.
|
\
|
= = =
2. Funcin de Distribucin: ( ) ( )
0
x n x
x
q p
x
n
x X P x F
|
|
.
|
\
|
= s =
a. La esperanza matemtica es: E(x) = np
b. La varianza es V(x) = npq
Donde:
n: es el nmero de ensayos.
x: es el nmero de xitos.
p: probabilidad de xito en cada ensayo.
q: probabilidad de fracaso.
Ejemplo:
Se desea calcular la probabilidad de x xitos en n ensayos de Bernoulli. Supngase que en cierta
poblacin el 52% de todos los nacimientos que se registraron son varones. Si aleatoriamente se
seleccionan cinco registros de nacimientos dentro de esa poblacin, cul es la probabilidad de
que exactamente tres de ellos pertenezcan a varones?
Sea A el suceso correspondiente a las combinaciones del nacimiento exactamente de tres
varones de entre cinco.
A = {VVVHH, VVHVH, VVHHV, VHVVH, VHVHV, VHHVV, HVVVH, HVVHV, HVHVV, HHVVV}
Ahora vamos a calcular la probabilidad del nacimiento exactamente de tres varones empleando
las nociones de probabilidad.
La probabilidad de del nacimiento de tres varones y dos hembras es:
Unidad I. Fundamentos de Procesos Estocsticos Experimento Aleatorio - Distribuciones
Procesos Estocsticos 1-2011 UNEFA-Ncleo Mrida
Ing. Lucileima Rosales Ing. Josmary Hernndez
P(V, V, V, H, H) = pppqq
P(V, V, V, H, H = p
3
q
2
Para las 10 posibles combinaciones es:
P(x = 3) = 10 x p
3
q
2
P(x = 3) = 10 x (0.52)
3
(0.48)
2
P(x = 3) = 0.3240
Calculando dicha probabilidad empleando la funcin de probabilidad, se tiene:
P(X = x) = f
(x)
=
|
|
.
|
\
|
x
n
p
x
q
n x
=
n
C
x
p
x
q
n x
P(x = 3) = 324 . 0 ) 48 . 0 ( ) 52 . 0 ( 10 ) 48 . 0 ( ) 52 . 0 (
! 2 ! 3
! 5
) 48 . 0 ( ) 52 . 0 (
3
5
2 3 2 3 3
= = =
|
|
.
|
\
|
x
1.2.- Distribucin de Poisson: esta distribucin es llamada as en honor al matemtico francs
Simeon Denis Poisson (1781-1840), la cual ha sido empleada extensamente en biologa y
medicina.
La distribucin de probabilidad de Poisson describe la cantidad de veces que ocurre un evento en
un intervalo determinado.
Esta distribucin tambin es una forma lmite de la distribucin binomial, cuando la probabilidad
de xito es muy pequea y n es grande.
Caractersticas del Proceso de Poisson
1. Las ocurrencias de los eventos son independientes. La ocurrencia de un evento en un
intervalo de espacio o tiempo no tiene efecto en la probabilidad de una segunda ocurrencia del
evento en l mismo o en algn otro intervalo.
2. Tericamente, es posible la ocurrencia de un evento un nmero infinito de veces dentro del
intervalo.
3. La probabilidad de una sola ocurrencia del evento en un intervalo dado es proporcional a la
dimensin del intervalo.
4. En cualquier fraccin infinitesimal del intervalo, la probabilidad de ms de una ocurrencia
del evento es insignificante.
Una caracterstica interesante de esta distribucin es que su esperanza y varianza son iguales.
Por lo tanto, su esperanza matemtica es E(x) = y su varianza es V(x) = .
La distribucin de Poisson puede describirse matemticamente utilizando la siguiente frmula:
Donde:
- es la media del nmero de ocurrencias (xitos) en un intervalo especfico.
- e es la constante 2.71828 (base del sistema logartmico neperiano).
- x es el nmero de xitos.
- P(x) es la probabilidad que se va a calcular para un valor dado de x.
Ejemplo:
1.- La Sra. Bonilla est encargada de los prstamos en el banco del centro de Peralvillo. Con base
en sus aos de experiencia, estima que la probabilidad de que un solicitante no sea capaz de
pagar su prstamo, es 0.025. El mes pasado realiz 40 prstamos. Cul es la probabilidad de
que 3 prstamos no sean pagados a tiempo?
= np = 40(.025) = 1 P(3) = 1
3
e
-1
/3! = 0.0613
!
) (
x
e
x P
u x
=
Unidad I. Fundamentos de Procesos Estocsticos Experimento Aleatorio - Distribuciones
Procesos Estocsticos 1-2011 UNEFA-Ncleo Mrida
Ing. Lucileima Rosales Ing. Josmary Hernndez
2.- Supngase que se sabe que en cierta rea de una gran ciudad el nmero promedio de ratas
por manzana es de cinco. Supngase que el nmero promedio de ratas sigue una distribucin de
Poisson, encuentre la probabilidad de que en una manzana elegida aleatoriamente: (Daniel, pg.
118).
a. Existan exactamente cinco ratas.
b. Existan ms de cinco ratas.
c. Existan menos de cinco ratas.
d. Existan entre cinco y siete ratas, inclusive.
Para = 5
a) P(x = 5) = 176 . 0 01755
! 5
5
5 5
~ =
e
Si se hace uso de la tabla tenemos:
P(x = 5) = P(x s 5) P(x s 4) = 0.616 0.440 = 0.176
b) P(x > 5) = 1 P(x s 5) = 1 0.616 = 0.3840
c) P(x < 5) = P(x s 4) = 0.440
d) P(5 s x s 7) = P(x s 7) P(x < 5) = P(x s 7) P(x s 4) = 0.867 0.440
P(5 s x s 7) = 0.4270
2.- Distribuciones de Probabilidad Continua
Una distribucin es continua cuando la masa (en el caso continuo se supone que la probabilidad
es una masa unitaria distribuida sobre el eje real) total de la probabilidad se encuentra distribuida
continuamente en el eje real, con funcin densidad f(x).
En el caso de variables aleatorias continuas solo tiene sentido hablar de probabilidades sobre
intervalos, ms no sobre valores puntuales, esto se debe a que las probabilidades se representan
mediante reas bajo una curva, y para que exista un rea se requieren dos dimensiones (largo y
ancho).
Propiedades de una funcin de densidad
Si f(x) es una funcin de densidad entonces:
1.- f(x) 0 para cualquier valor de x.
2.- ()
- Si la variable aleatoria x tiene una funcin de densidad f(x), la probabilidad de que x se
encuentre en el intervalo [a, b] es: ( ) ()
ESPERANZA MATEMTICA O VALOR ESPERADO
Sea X una variable aleatoria continua con funcin de densidad f(x). El valor esperado o esperanza
matemtica de x es:
() ()
VARIANZA : V(x) = E(X
2
) -
Unidad I. Fundamentos de Procesos Estocsticos Experimento Aleatorio - Distribuciones
Procesos Estocsticos 1-2011 UNEFA-Ncleo Mrida
Ing. Lucileima Rosales Ing. Josmary Hernndez
2.1.- Distribucin Normal
Es la distribucin ms importante de la Estadstica, la formula para esta distribucin fue publicada
por Abraham de Movre (1667-1754) el 12 de Noviembre de 1733 (citado por Daniel, pg. 122).
Tambin, es conocida como distribucin de Gauss en reconocimiento a las contribuciones
realizadas por Friedrich Gauss (1777-1855).
La funcin de densidad Normal est dada por:
( )
( )
,
2
1 2 2
2 / o
o t
=
x
e x f < < x
Los parmetros de la distribucin son la media () y la desviacin estndar (o). La densidad
Normal alcanza su valor mximo en la media. La desviacin tpica expresa la concentracin de la
distribucin alrededor del valor esperado
Caractersticas de la distribucin Normal:
1. Es simtrica respecto a su media.
2. Las medidas de tendencia central: media, mediana y moda son iguales.
3. El rea total bajo la curva sobre el eje de las x es una unidad de rea, puesto que es una
distribucin de probabilidad. Adems, por ser simtrica, el 50% del rea est a la derecha de
la perpendicular que se levanta sobre la media, y el otro 50% a su izquierda.
4. Los parmetros y o determina la distribucin, es decir, que para cada valor diferente
de y o se especifica una distribucin Normal diferente. Por tal razn se habla de la familia
de la distribucin Normal.
x
Figura 4: Distribucin Normal
La curva de la Normal tiene la forma de Campana, simtrica. Dependiendo de la Desviacin
Estndar y para una misma media poblacional la curva Normal, puede tomar tres formas:
Platicurtica, Leptocurtica y Mesocurtica, tal como se muestra en la figura 5. Mientras, en la figura 6
se observan tres distribuciones normales con diferentes medias poblacionales e igual variabilidad.
Unidad I. Fundamentos de Procesos Estocsticos Experimento Aleatorio - Distribuciones
Procesos Estocsticos 1-2011 UNEFA-Ncleo Mrida
Ing. Lucileima Rosales Ing. Josmary Hernndez
2.2.- Distribucin de Probabilidad Normal Estndar
- La distribucin normal estndar es una distribucin normal con media cero y desviacin
estndar de 1. Tambin es llamada distribucin z.
- Un valor z es la distancia entre un valor seleccionado llamado x, y la media de la poblacin
, dividida entre la desviacin estndar, . La frmula es:
Z = (x )/
Por lo tanto al sustituir en la funcin de densidad queda:
( ) ,
2
1
2 /
2
z
e z f
=
t
< < z
Ejemplo:
1.- El salario inicial de los primeros dos meses de los recin graduados de MBA siguen la
distribucin normal con una media de $2,000 y una desviacin estndar de $200. Cul es el valor
z para un salario de $2,200?
Z = (x )/s = (2,200 2,000)/200 = 2.00
- Cul es el valor z de $1,700?
Z = (x )/ = (1,700 2,000)/200 = -1.50
Un valor z de 1 indica que el valor de $2,200 es una desviacin estndar arriba de la media de
$2,000.
Un valor z de -1.50 indica que $1,700 es 1.5 desviacin estndar debajo de la media de $2,000.
2.- En un estudio de dactilografa, una caracterstica cuantitativa muy importante es el total de
surcos en los 10 dedos de un individuo. Supngase que el total de surcos en los dedos de los
individuos en una poblacin tienen distribucin aproximadamente normal con una media de 140 y
una desviacin estndar de 50. Calcular la probabilidad de que un individuo, elegido al azar de
entre esa poblacin, tenga un total de surcos en los dedos: (Daniel, pag. 133).
a. De 200 a ms.
b. Menos de 100.
c. Entre 100 y 200.
d. Entre 200 y 250.
e. En una poblacin de 10.000 personas, cuntos puede esperarse que tengan un total de 200
surcos o ms?
Sea = 140 y o = 50, para calcular la probabilidad se debe transformar la variable x en z, es
decir debemos estandarizar:
a) P(x > 200) = 1 P(x < 200) = 1 P(Z <
50
140 200
) = 1 P(Z <
50
60
) = 1 - P(Z < 1.2)
= 1 - 0.8849 = 0.1151
b) P(x < 100) = P(Z <
50
140 100
) = P(Z < -0.80) = 0.2119
Unidad I. Fundamentos de Procesos Estocsticos Experimento Aleatorio - Distribuciones
Procesos Estocsticos 1-2011 UNEFA-Ncleo Mrida
Ing. Lucileima Rosales Ing. Josmary Hernndez
c) P(100 < x < 200) = P(x < 200) P(x < 100) = P(Z <
50
140 200
) P(Z <
50
140 100
)
P(100 < x < 200) = P(Z < 1.2) P(Z < -0.80) = 0.8849 0.2119 = 0.6730
d) P(200 < x < 250) = P(x < 250) P(x < 200)
P(200 < x < 250) = P(Z <
50
140 250
) P(Z <
50
140 200
) = P(Z < 2.2) P(Z < 1.2)
= 0.9861 0.8849 = 0.1012
e) El nmero de surcos esperados se calcula como: np, donde n=10.000 y p=0.1151, por tanto,
np = 10.000 x 0.1151 = 1151.
reas bajo la curva normal
- Aproximadamente 68% del rea bajo la curva normal est entre la media ms una y
menos una desviaciones estndar, y se expresa +- 1.
- Alrededor de 95% del rea bajo la curva normal est entre la media ms dos y menos dos
desviaciones estndar, lo que se expresa +- 2.
- Prcticamente toda el rea bajo la curva normal est entre la media y tres desviaciones
estndar (a uno y otro lados del centro), es decir +- 3.
Ejemplo:
El uso diario de agua por persona en Vista Bella, Naucalpan, est distribuido normalmente con una
media de 20 galones y una desviacin estndar de 5 galones. Aproximadamente 68% de ellos
cuntos galones de agua consumen?
Aproximadamente 68% del uso diario de agua cae entre 15 y 25 galones.
- Cul es la probabilidad de que una persona de Vista Bella seleccionada al azar consuma
entre 20 y 24 galones por da?
Z = (x )/ = (20 20)/5 = 0.00
Z = (x )/ = (24 20)/5 = 0.80
El rea bajo la curva normal entre un valor z de cero y un valor z de 0.80 es 0.2881.
Por lo tanto se concluye que el 28.81% de los residentes consumen entre 20 y 24 galones de agua
por da.
- Qu porcentaje de la poblacin consume entre 18 y 26 galones por da?
Z = (x )/ = (18 20)/5 = 0.40
Z = (x )/ = (26 20)/5 = 1.20
El rea asociada con un valor z de 0.40 es de 0.1554 y con un valor z de 1.20 es de 0.3849.
Sumando estas reas, el resultado es 0 .5403.
Por lo tanto se concluye que el 54.03% de los residentes consumen entre 18 y 26 galones de agua
por da.
La aproximacin normal a la binomial
- La distribucin normal (una distribucin continua) proporciona una buena aproximacin
de la distribucin binomial (una distribucin discreta) para valores grandes de n.
- La distribucin de probabilidad normal es generalmente una buena aproximacin para la
distribucin de probabilidad binomial cuando np y n(1 p) son ambos mayores que 5.
Unidad I. Fundamentos de Procesos Estocsticos Experimento Aleatorio - Distribuciones
Procesos Estocsticos 1-2011 UNEFA-Ncleo Mrida
Ing. Lucileima Rosales Ing. Josmary Hernndez
Factor de correccin de continuidad
El valor 0.5 que se resta o se suma, dependiendo de la situacin, a un valor seleccionado cuando
una distribucin de probabilidad discreta se aproxima por medio de una distribucin de
probabilidad continua.
Ejemplo:
Un estudio reciente de una firma de estudios de mercado mostr que 15% de residentes
americanos son propietarios de una videocmara. Para una muestra de 200 hogares, cuntos de
los hogares esperara que tengan videocmara?
Esta es la media de una distribucin binomial.
- Cul es la varianza?
- Cul es la desviacin estndar?
- Cul es la probabilidad de que menos de 40 hogares en la muestra tengan videocmaras?
Usamos el factor de correccin, por lo tanto x es 39.5. El valor z es:
Z = (x )/ = (39.5 40)/5.0498 = 1.88
- El rea entre 0 y 1.88 en la escala z es .4699.
- Por lo tanto, el rea a la izquierda de 1.88 es .5000 + .4699 = .9699.
La probabilidad de que menos de 40 de los 200 hogares tengan videocmara es
aproximadamente 97%.
2.3.- Distribucin Gamma: algunas variables aleatorias son siempre no negativas y por diversas
razones dan origen a distribuciones de datos sesgados (asimtricas) a la derecha, es decir, la
mayor parte del rea bajo la funcin de densidad est cerca del origen, y la funcin de densidad
disminuye gradualmente a medida que aumenta y. En la figura se observa funciones de densidad
gamma.
30 ) 200 )( 15 . 0 ( = = = np
5 . 25 ) 15 . 0 1 )( 30 ( ) 1 (
2
= = = p np o
0498 . 5 5 . 25 = = o
Unidad I. Fundamentos de Procesos Estocsticos Experimento Aleatorio - Distribuciones
Procesos Estocsticos 1-2011 UNEFA-Ncleo Mrida
Ing. Lucileima Rosales Ing. Josmary Hernndez
Este tipo de distribucin es usada por ejemplo para calcular tiempos entre fallas de
funcionamiento de los motores de cierto avin, tiempos que pasan los clientes formados para
llegar a la caja en un supermercado.
La distribucin gamma se define a partir de la funcin gamma, cuya ecuacin es:
- La funcin de densidad de la distribucin gamma es:
y son los parmetros de la distribucin.
- La media y la varianza de la variable gamma son:
- La funcin de densidad Gamma en la que = 1 se llama funcin de densidad exponencial.
Su funcin de densidad es:
- Su parmetro es .
- La media y la varianza de la distribucin exponencial son:
2.4.- Distribucin Beta
La funcin de densidad beta es una funcin de densidad con dos parmetros, definida en el
intervalo cerrado 0<x<1. A menudo se utiliza como modelo para representar proporciones, como
el porcentaje de impurezas presentes en un producto qumico o la cantidad de tiempo que una
mquina est en reparacin.
Se dice que una variable aleatoria beta X tiene una distribucin de probabilidad beta con
parmetros > 0 y >0 si y solo si la funcin de densidad de X est representada por la expresin:
() {
( )
( )
Donde:
( )
( )
()()
( )
2.5.- Distribuciones Bidimensionales
A menudo el experimentador quiere saber ms de la interseccin de dos o ms eventos. Por
ejemplo, un bilogo que observa la cantidad de cras que sobreviven en una camada est
interesado en la interseccin de los siguientes eventos:
A: La camada contiene n animales
B: y animales sobreviven
Unidad I. Fundamentos de Procesos Estocsticos Experimento Aleatorio - Distribuciones
Procesos Estocsticos 1-2011 UNEFA-Ncleo Mrida
Ing. Lucileima Rosales Ing. Josmary Hernndez
De manera similar, la observacin de la estatura y el peso de una persona representan la
interseccin de un par de eventos especficos relacionados con la medicin de la altura y el peso.
Es posible definir diversas variables aleatorias en el mismo espacio muestral. Por ejemplo,
considere el experimento que consiste en lanzar un par de dados. El espacio muestral contiene 36
puntos muestrales, que corresponden a las mn = 6 * 6 = 36 maneras en que pueden aparecer los
nmeros en las caras del dado.
Cualquiera de las siguientes variables aleatorias definidas en el espacio muestral podra interesar
al experimentador:
X
1
: Nmero de puntos que muestra el dado 1.
X
2
: Nmero de puntos que muestra el dado 2.
X
3
: Suma del nmero de puntos de los dados.
X
4
: Producto del nmero de puntos que aparecen en los dados.
Los 36 puntos muestrales relacionados con el experimento son equiprobables y corresponden a
los 36 eventos numricos (x
1
, x
2
). Por lo tanto, lanzar un par de nmeros uno constituyen el evento
simple (1,1); obtener un 2 en el primer dado y un 3 en el segundo dado constituye el evento
simple (2,3). Ya que todos los pares (x
1
, x
2
) ocurren con la misma frecuencia relativa, asignemos
una probabilidad de 1/36 a cada punto muestral. De ah que la funcin de probabilidad bivariable
sea:
p(x
1
, x
2
) = p(X
1
= x
1
, X
2
= x
2
) = 1/36, x
1
=1,2,,6, x
2
= 1,2,..6.
- Si X
1
y X
2
son dos variables aleatorias discretas, la distribucin de probabilidad conjunta (o
bivariable) de x
1
y x
2
est determinada por:
p(x
1
, x
2
) = p(X
1
= x
1
, X
2
= x
2
) ,
Denominaremos a la funcin P(x
1
, x
2
) funcin de probabilidad conjunta.
- Si X
1
y X
2
son dos variables aleatorias discretas con una funcin de probabilidad conjunta
p(x
1
, x
2
), entonces:
1.- p(x
1
, x
2
) 0, para toda x
1
, x
2
.
2.- (
- La funcin de distribucin conjunta F(x
1
, x
2
) de dos variables aleatorias continuas X
1
y X
2
cualesquiera, est dada por:
(
) (
, para toda
- Para variables aleatorias continuas f(x
1
, x
2
) se llama funcin de densidad de
probabilidad conjunta y se cumple que:
1.- f(x
1
, x
2
) 0, para toda x
1
, x
2
.
2.- (