03 Mpmspo Estadistica y Probabilidades 2016 1 Nuevo2

Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas.
Unidad de Post Grado

Maestra en Ingenieria Industrial. Curso: Matemtica para el Modelamiento de Sistemas de Produccin y Operaciones.
Pedro C. Espinoza H.
CAPTULO 4
NOCIONES SOBRE SIMULACIN DE MONTE CARLO
En la frontera Francesa y muy cerca de la frontera Italia-Francia se encuentra el
Principado de Mnaco, que es una ciudad-Estado, muy hermosa al lado del mar y all
est el famoso Casino de Monte Carlo en una placita donde se estacionan los autos
ms caros y exclusivos del mundo. Los interiores del Casino estn lujosamente
decorados con grandes araas de cristal, sus columnas llenas de adornos en pan de oro,
con un alfombrado impecable, con muchas ruletas y otros tipos juegos individuales. La
cantidad de visitantes y jugadores es enorme, es pues, el paraso del juego al azar. El
nombre de Simulacin de Monte Carlo viene de este lugar y segn dicen los
entendidos, fue acuado por Ulam y Von Neumann alrededor de 1945.
Este mtodo de simulacin est fuertemente relacionado con los nmeros aleatorios, las
variables aleatorias y con la nocin de medida y probabilidad. Segn [8] Perero M. pg.
89, el primer documento escrito sobre juegos del azar se debe a G. Cardano (15011576) matemtico italiano, que tambin fue mdico, astrlogo, fsico y jugador
empedernido. En [7] LeLionnais E. et. al. pag.220, Robert Fortet escribe que el primer
desarrollo del Clculo de Probabilidades se debe a Pascal (1623-1662) y Fermat (16011665). Posteriormente vinieron las contribuciones de una lista larga de matemticos,
que sera difcil enumerar a todos, pero mencionamos los ms notables como Laplace
(1749-1827), Poisson (1781-1840), Markov (1856-1922), Borel (1871-1956), Lebesgue
(1875-1941),
hasta llegar a Kolmogorov (1903-1987) quien sent las bases
matemticas para la teora de la probabilidad. Es importante notar que los avances en el
campo de la Matemtica muchas veces es indirecto como ocurri con los trabajos de
Borel y Lebesgue que crearon nuevas teoras de integracin y con ellos explicaron la
medida del volumen de regiones extraas de n . Este desarrollo indirecto influy
fuertemente en el campo de la Probabilidad.
De otra parte, en el desarrollo de las herramientas para la Simulacin, segn los
especialistas en el mundo de las tecnologas, estas aparecen en forma embrionaria
alrededor de 1944 con Ulam y Von Neumann para implementar el mtodo de Monte
Carlo en computadoras y con esta ayuda resolver los problemas relacionados con el
desarrollo de la bomba de hidrgeno. Posteriormente vinieron otras herramientas con
propsitos especficos y una de ellas marca un hito en la historia (1961): SIMULA I. En
la actualidad se tienen diversos productos, estn por ejemplo los mdulos de MATLAB
para la Simulacin de Monte Carlo, el Arena, etc. El auge de la Simulacin impuls la
creacin de la Conferencia de Simulacin de Invierno (Winter Simulation Conference)
evento anual en el que se hace un balance de los avances en este campo y el desarrollo
de nuevas herramientas.
Las aplicaciones de la Simulacin de Monte Carlo se dan en todos los campos de la
actividad humana y han crecido exponencialmente en las ltimas dcadas. Basta ver las
publicaciones en la base de datos de SCIENCE DIRECT, SCOPUS, EBSCO entre otras
para comprender este fabuloso desarrollo.
Lo expuesto motiva detenernos un poco en las bases tericas de la Simulacin y que
puede ser til para dar consistencia a las aplicaciones y explorar nuevas metodologas
42
Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas. Unidad de Post Grado
de trabajo. Los temas que veremos son los de Espacios de probabilidad, Variables
aleatorias, Distribuciones y Nmeros aleatorios.
1. ESPACIO MUESTRA, EVENTO Y PROBABILIDAD ABSTRACTAS.
1.1 Espacio muestra y evento
Sea S un conjunto y una familia de subconjuntos de S , satisfaciendo:
a) S
b) Si {Ek } , k 1, 2, 3 ,... es una sucesin de miembros de entonces
k 1
c) Si A, B entonces A B c ( B c es el complemento de B )
A la familia se le llama -lgebra de S , a sus elementos conjuntos medibles y al
par ( S , ) espacio medible.
En el lenguaje de la Estadstica al conjunto S se le llama espacio muestra y a sus
elementos puntos muestra. Los elementos de la familia se denominan eventos o
sucesos.
Cuando dos conjuntos medible E1 y E 2 son disjuntos se dice que son eventos
mutuamente excluyentes.
Ejemplo1
Consideremos el experimento de lanzar una moneda. Los resultados son cara o sello,
que pueden representarse con las letras "c " y "s " respectivamente. Entonces el espacio
muestra ser S {c, s} , el -lgebra de los eventos es 2 S {{c},{s},{c, s}, } que
tiene 2 2 4 miembros y el par ( S , 2 S ) es el espacio medible.
Por razones de simplicidad tambin se puede representar la cara y el sello con los
nmeros 1 y 2 en lugar de las letras "c " y "s " respectivamente. As S {1,2} ser el
espacio muestra y 2 S {{1}, {2}, {1,2}, } el -lgebra de los eventos.
Ejemplo2
En el experimento de lanzar un dado, los resultados son una de las
caras con el nmero de marcas que tiene, podemos denotar la cara 1
con c1 , la cara 2 con c 2 y as sucesivamente hasta la cara c6 . El
espacio muestra es el conjunto S { c1, c 2, c3, c4, c5, c6} . La familia de
todos los subconjuntos de S , es un -lgebra que se denota 2 S .
Los elementos de 2 S son los eventos y sern en total 2 6 32 , incluyendo al conjunto
vaco. Luego el par ( S , 2 S ) es un espacio medible. En este ejemplo los eventos
E1 {c1, c 2, c3} y E2 {c 4, c5} son mutuamente excluyentes.
43
Ejemplo 3
La empresa Lima-Autos S.A. de venta de autos, ha registrado sus ventas diarias de
Lunes a Sbado durante los 6 primeros meses del ao 2014 (150 das) y que se muestra
en la siguiente tabla
Tabla 1
N de autos vendidos
N de das en que
ocurrieron
ninguno
20
1 autos
60
2 autos
39
3 autos
19
4 autos
8
5 autos
3
6 autos
1
En este experimento se registra el nmero de das que no vendi, el nmero de das que
vendi 1, 2, 3 y as sucesivamente hasta 6 autos, que fue lo mximo vendido. Entonces
el espacio muestra para este experimento es el conjunto:
S {ninguno, 1 auto, 2 autos, 3 autos, 4autos, 5autos, 6autos} . La familia de todos los
subconjuntos de S , es un -lgebra, que se denota 2 S y sus elementos son los
eventos o sucesos, que son en total 27 128 , incluyendo al conjunto vaco. As el par
( S , 2 S ) es un espacio medible.
Ejemplo 4
La Baraja Francesa o Americana se compone de 52 naipes. Forman
cuatro grupos o palos denominados: Pica, Corazn, Diamante y
Trbol. El experimento es extraer una carta del mazo de naipes. El
resultado puede ser un 1 de Pica que puede ser simbolizada con
1P , un 2 de Pica con 2 P , as sucesivamente hasta 13P . Luego
vendran las cartas del palo de los Corazones 1C , ...,13C , del palo de los Diamantes
1D, ...,13D y finalmente del mazo del Trbol: 1T , ...,13T . El conjunto de los 52 posibles
resultados forman el espacio muestra S {1P, ...,13P,1C , ...,13C ,1D...13D,1T , ...,13T } . La

familia de todos los subconjuntos de S , es un -lgebra, que se denota 2 S y sus
elementos son los eventos o sucesos, que son en total 252 4.5036e + 015 , incluyendo
al conjunto vaco. As el par ( S , 2 S ) es un espacio medible.
1.2 Medida y probabilidad
Introducimos previamente la nocin de medida.
Una funcin : [0 , ] se llama medida (positiva) sobre el -lgebra si
satisface:
a) ( ) 0
b) Si {Ek } es una sucesin de eventos o de miembros de , disjuntos dos a dos:
k 1
k 1
Ei E j si i j , entonces ( Ek ) = ( Ek ) .
44
La condicin (b) se denomina -aditividad de . De otro lado una medida es finita

si (S ) y -finita si S es la unin numerable de miembros de con medida
finita.
A la terna ( S , , ) se le llama espacio de medida.
Cuando ( S ) 1 , a la medida se le llama Probabilidad y se denota P . A la terna
( S , , P ) se llama espacio de probabilidad.
1.3 Ejemplos de espacios de probabilidad discretos
Este es el caso en que el espacio muestra es discreto S {x1 , x2 ,....., xn ,.....} . Puede ser
finito o infinito. En el caso finito no existe mayor problema en la configuracin de un
espacio de probabilidad porque el conjunto de eventos 2 S est constituido por la familia
de todos los subconjuntos de S y tambin es finito. La probabilidad se define en cada
evento.
Ejemplo1
En el experimento de lanzar una moneda (ejemplo 1 de la seccin anterior), los
resultados de cara o sello expresados con las letras "c " y "s " forman el espacio muestra
S {c, s} y a partir de este se tiene el -lgebra de los eventos: 2 S {{c}, {s}, {c, s}, }
( S , 2 S ) es el espacio medible. Si la masa de la moneda est uniformemente
distribuida, la posibilidad de que resulte cara o sello es la misma y este hecho se

representa mediante una medida o probabilidad P : 2 S [0 , 1] que est definida en cada
evento puntual como: P ({c}) P ({s}) 1 / 2 0.5 y en los otros eventos
P ({c, s}) P({c}) P ({s}) 1 y P( ) 0 . En consecuencia tenemos la terna ( S , 2 S , P )
que es un espacio de medida o de Probabilidad.

Para una moneda con masa no uniformemente distribuida la probabilidad ser otra y
consecuentemente el espacio de probabilidad tambin ser diferente.
Ejemplo2
En el experimento de lanzar un dado, se tiene un espacio medible ( S ,2 S ) , donde
S { c1, c 2, c3, c4, c5, c6} es el espacio muestra y 2 S es el conjunto de eventos del
experimento.
a) Cuando el dado est cargado uniformemente, se define la probabilidad (o medida)
P : 2 S [0 , 1] , en cada evento puntual como P ({c1}) P ({c2}) .... P({c6}) 1 / 6 .
Desde que P debe ser -aditiva, se extiende su definicin a los eventos restantes,
respetando esta propiedad, por ejemplo P ({c4, c6}) P ({c 4}) P ({c6}) 2 / 6 y as
sucesivamente. De este modo la terna ( S , 2 S , P) es un espacio de medida o de
Probabilidad.
45
b) Cuando el dado no est cargado uniformemente la probabilidad no es la misma en

cada evento puntual. Por ejemplo si la probabilidad de la salida de las caras son
P ({c1}) 1 / 21; P ({c 2}) 2 / 21,...., P ({c6}) 6 / 21 , entonces desde que P debe cumplir las
condiciones (a) y (b) de la definicin 1.2 se extiende su definicin a los eventos
restantes respetando la propiedad (b). Por ejemplo P ({c 2, c6}) P({c2}) P({c6}) 8 / 21
y as sucesivamente. De este modo la terna ( S , 2 S , P ) es otro espacio de medida o de
Probabilidad.
Ejemplo 3
En el experimento de lanzar dos dados (uno blanco y el otro negro) simultneamente
el espacio muestra es el conjunto de todos los pares ordenados con elementos de
S {1,2,3,4,5,6} , es decir es el producto cartesiano SxS , que tiene 36 elementos. Se
asigna un orden la primera coordenada para el dado blanco y la segunda para el negro.
Por ejemplo (1 , 5) representa al lado 1 del dado blanco y 5 el lado del negro.
Entonces siguiendo el razonamiento del ejemplo anterior, se define la probabilidad
como P ({(i, j )}) 1 / 36 para todo i, j 1,2,.....,6 y respetando la -aditividad que debe
cumplir P , se extiende su definicin a todos los eventos restantes.
El evento de que la suma de las dos caras debe ser 6, est representado por el conjunto
E {(1,5); (5,1); (2,4); ( 4,2); (3,3)} y la probabilidad de que esto ocurra es P ( E ) 5 / 36 .
Pregunta: Si los dados fueran del mismo color y tamao y al momento de lanzarlos
salen las caras 1 y 5 este resultado podra representarse con E1 {(1,5)} o E 2 {(5, 1)} ?
Si estos dos eventos son iguales y como hay otros ms que tambin lo son, entonces
esto implicara que el espacio muestra estara representado por un conjunto de 21
elementos: {1,2} {(1,2); ( 2,1)}; {1,3} {(1,3); (3,1)} etc.?
Ejemplo 4 (mtodo de frecuencias relativas)
Retomemos el ejemplo 3 de la seccin 1.1, de Lima-Autos S.A. En este experimento
S {ninguno, 1 auto, 2 autos, 3 autos, 4autos, 5autos, 6autos} es el espacio muestra y el
espacio medible es ( S , 2 S ) . La probabilidad de que no venda es de 20/150=0.13, La
probabilidad de que venda solo 1 auto es de 60/150=0.40 y as sucesivamente. Entonces
la funcin de probabilidad P : 2 S [0 , 1] est definida como P ({ninguno}) 0.13 ,
P ({1auto}) 0.40 , P ({2autos}) 0.26 , etc. como muestra la tabla 2 que sigue.
El valor de la funcin P se define para los eventos restantes empleando las propiedades
(a) y (b) de la definicin 1.2. El espacio de probabilidad ( S , 2 S , P) queda de esta manera
perfectamente definido.
Tabla 2
N de autos
vendidos
N de das en que
ocurrieron
ninguno
1 autos
2 autos
3 autos
4 autos
5 autos
6 autos
Suma
20
60
39
19
150
46
Probabilidad
20/150=
0.13
60/150=
0.40
39/150=
0.26
19/150=
0.13
8/150=
0.05
3/150=
0.02
1/150=
0.01
1.0
El histograma de frecuencias y la distribucin de probabilidad se obtiene con la ayuda

de MATLAB como sigue:
>>k=[0 1 2 3 4 5 6];
F=[20 60 39 19 8 3 1];
P=[ 0.13 0.40 0.26 0.13 0.05 0.02 0.01];
Luego de ingresar los datos, ejecutando los cdigos que siguen se tiene
bar(k,F);
grid on
Title('HISTOGRAMA DE FRECUENCIA ABSOLUTA');
Fig. 1
bar(k,P);
grid on
Title('DISTRIBUCION DE PROBABILIDAD');
DISTRIBUCIN DE PROBABILIDAD
HISTOGRAMA DE FRECUENCIA ABSOLUTA

60
0.4
0.35
50
0.3
40
0.25
30
0.2
20
0.15
0.1
10
0.05
Ejemplo 5
En el ejemplo 4 de la seccin 1.1, de la Baraja Francesa de 52 naipes, el espacio muestra
es S {1P, ...,13P,1C , ...,13C ,1D...13D,1T , ...,13T } , que representan las cartas de los palos
Pica, Corazn, Diamante o Trbol. La familia de todos los subconjuntos de S , es un lgebra de los eventos o sucesos, que son en total 252 , incluyendo al conjunto vaco.
La probabilidad de sacar una carta de un determinando mazo es 1 / 52 . A partir de esta
definicin se extiende a los dems eventos por el principio de la -aditividad. Por
ejemplo sacar una carta del palo Diamante es 13 / 52 ; sacar una carta de color rojo es
26 / 52 .
1.4 Probabilidad condicional
En un espacio de probabilidad ( S , , P ) , si A, B son dos eventos, entonces se define la
probabilidad condicional de A ocurrido o dado B , como P ( A | B ) P( A B) .
P( B)
Dos eventos A, B son independientes, si la ocurrencia de B no influye en A , esto es

P( A | B ) P( A) , dicho de otro modo P( A B ) P ( A) P ( B) .
a) En el ejemplo de la Baraja Francesa
Los eventos
A {3P, 3C , 3D, 3T } " sacar una carta 3 "
47
B {1D,...,13D} "sacar un Diamante"

A B {3D} " sacar un 3 y de Diamante"
Tienen probabilidades: P( A) 4 / 52 , P( B) 13 / 52 y P( A B) 1 / 52
Entonces la probabilidad condicional de A , ocurrido B es:
P( A | B )
P ( A B) 1 / 52
1
y P( A) 4 1 .
P( B)
13 / 52 13
52 13
En consecuencia los eventos
A, B
son independientes. En otras palabras
4 13 1
x
, quiere decir que si al extraer una carta, sali una

52 52 52
de diamantes, esto no influye en la probabilidad de extraer una carta y salga 3.
P( A B) P( A) P( B)
b) En el experimento de lanzar dos dados (blanco y negro), cada lanzamiento genera un

resultado. Los eventos:
La suma de los resultados es igual 5 se expresa con A {(1,4), ( 2,3), (3,2), ( 4,1)}
El resultado 3 aparece. Este es un evento de 11 miembros y est representado por el
subconjunto B {(1,3), ( 2,3), (3,3), ( 4,3), (5,3), (6,3), (3,6), (3,5), (3,4), (3,2), (3,1)}
Aparece 3 y la suma de los resultados es 5 lo expresa A B {(2,3), (3,2)}
Tienen las probabilidades P( A) 4 , P( B ) 11 y P ( A B ) 2 .
36
36
36
La probabilidad condicional de A , ocurrido B es: P ( A | B ) P ( A B ) 2 / 36 2 y
P( B )
11 / 36 11
como P( A) 4 , los eventos A, B no son independientes.

36
1.5 Espacios de medida y de probabilidad no discretas

Por ejemplo cuando el espacio muestra es el conjunto de todos los vectores ndimensionales con componentes reales n . La pregunta natural que surge es existen
n
-lgebras diferentes de 2 (que es la familia de todos los subconjuntos de n )? La
respuesta es afirmativa y mencionaremos dos de ellas, sin hacer mayores comentarios.

Si se quiere ver algo ms sobre este tema lo encuentra en el apndice.
1.5.1 El -lgebra de Borel en n
Con los intervalos abiertos 1, 3 y 2 , 4 se puede formar un rectngulo abierto en
el plano o 2 haciendo el producto cartesiano 1, 3 2 , 4 , tal como se aprecia
en la figura adjunta.
Fig. 2
5
Con tres intervalos se puede formar un prisma abierto en el

espacio tridimensional o 3 . Entonces con n intervalos
abiertos a1 , b1 , a2 , b2 , ....... an , bn se tiene un
prisma
abierto
de
n ,
denotado
como
48
a, b a1 , b1 a2 , b2 ....... an , bn ,
donde
a ( a1 a2 ......, an ) y b (b1 , b2 ......., bn ) con ak bk .
Definicin: Un subconjunto A de n es abierto, si para cada x A existe un prisma

abierto a, b contenido en A y que contiene a x . Por ejemplo todos los puntos
dentro de un tringulo o de un crculo, pero sin su borde es un conjunto abierto.
Definicin: El -lgebra de Borel B, es el -lgebra ms pequeo, el minimal, que
contiene a todos los conjuntos abiertos de n . A sus miembros se les denomina:
borelianos. De este modo ( n , B) es un espacio medible.
1.5.2 El -lgebra de Lebesgue F en n
Este -lgebra es ms elaborado y ms grande que B, es decir la inclusin B F, es
estricta, en consecuencia tambin contiene a todos los conjuntos abiertos de n .
La medida m en F es la denominada medida de Lebesgue y tiene como una de sus
propiedades bsicas que en el caso de los prismas coincide con el de su rea o volumen.
Por ejemplo para 1, 3 2 , 4 , m() (3 1)(4 2) 4 .
Si I (a1 , b1 ] (a2 , b2 ] ....... (a n , bn ] , entonces la medida o volumen de este prisma es
m( I ) (b1 a1 )(b2 a2 )......(bn an )
2. VARIABLE ALEATORIA Y FUNCIN DE DISTRIBUCIN

2.1 Funcin medible y variable aleatoria
Dado un espacio medible ( S , ) , una funcin
f :S
( f x) f ( , x]) para cada x .
es medible si
Fig. 1
S
f
evento
pre-imagen
x
B
Definiciones
a) El conjunto f 1 ( B) {s S / f (s ) B } se llama pre-imagen de B bajo f .
b) El rango de f : S , se denota y define como: Ran( f ) { f ( s ) / s : S}
c) Una variable aleatoria X en un espacio medible ( S , ) , es simplemente una funcin
medible X : S . Esto quiere decir que ( X x) X 1 ( , x]) , es un evento
para todo x . En otras palabras, la pre-imagen de todo intervalo , x] , bajo X
son eventos.
49
Notaciones:
( X x) {s S , tal que X ( s) x} X 1 ( , x])
( X x) {s S , tal que X ( s ) x} X 1 ({ x})
d) Una variable aleatoria X es discreta si su rango es un conjunto discreto {x1 , x2 , ....}

(finito o infinito) de puntos de .
e) Una funcin g : n es Borel-medible si ( g x) g 1 ( , x]) es miembro del
-lgebra de Borel B para todo x . De aqu si X : S es una variable aleatoria
y g : es Borel medible, entonces la funcin compuesta: g X es una variable
aleatoria. Se denota por brevedad como g (X ) g X .
Ejemplo1
En el experimento de lanzar una moneda con masa uniforme los resultados de cara o
sello forman el espacio muestra S {c, s} y el -lgebra de los eventos es:
2 S {{c}, {s}, {c, s}, }
y ( S , 2 S ) . Un ejemplo de variable aleatoria en este espacio

sera la funcin X : S , definida por X (c) 1, X ( s ) 2 , que se conocen como los
valores posibles de la variable aleatoria. Esta variable aleatoria satisface la definicin
(c). Por ejemplo ( X 1) X 1 ( ,1]) {c} , ( X 2.5) {c, s } son eventos. Para todo
x 1 se tiene que ( X x) , tambin es un evento etc. Es decir X es una variable
aleatoria
Si se definiera X (c) 1, X ( s ) 0 ; se puede comprobar que tambin es una variable
aleatoria.
Ejemplo 2
En el experimento de lanzar un dado, de la seccin 1.3, se tiene el espacio de medida
( S , 2 S ) , donde S {1,2,3,4,5,6} . Un ejemplo de variable aleatoria en este contexto sera
la funcin X : S , definida por X (1) 1, X ( 2) 2, ...., X (6) 6 que se conocen como

los valores posibles de la variable aleatoria. Con esta definicin por ejemplo
( X 4) X 1 ( , 4]) {1, 2, 3, 4} es un evento o suceso de que al tirar el dado resulte la
cara 1 2 3 4. Otro es ( X 1) X 1 ( ,1]) {1} que es el evento de que salga la
cara 1 del dado.
Ejemplo 3
En el experimento de Lima-Autos S.A. (ejemplo 3, seccin 1.3) la variable aleatoria
ser la funcin X : S {ninguno,1 auto, 2 autos, 3 autos, 4autos, 5autos, 6autos} que
indica el nmero de autos vendidos X (ninguno) 0, X (1auto) 1, ...., X (6autos) 6 . Con
esta definicin ( X 3) X 1 ( , 3]) {ninguno,1 auto, 2 autos, 3 autos} es un evento o
suceso, de que el resultado sea la venta de ninguno, de 1, de 2 3 autos. Por ejemplo
( X 0) {ninguno} indica el evento ninguno vendido.
50
Ejemplo 4
En el ejemplo de la Baraja Francesa S {1P, ...,13P,1C , ...,13C ,1D...13D,1T , ...,13T } es el
espacio muestra, que representa las 52 cartas de los palos Pica, Corazn, Diamante y
Trbol. Al sacar una carta, la ocurrencia podra caracterizarse mediante una variable
aleatoria X : S {1P, ...,13P,1C , ...,13C ,1D...13D, 1T , ...,13T } , definida como sigue:
X (1P) 1.1, X (2 P) 2.1,..., X (13P) 13.1
X (1C ) 1.2, X (2C ) 2.2,..., X (13C ) 13.2

X (1D ) 1.3, X (2 D) 2.3,..., X (13D) 13.3
X (1T ) 1.4, X (2T ) 2.4,..., X (13T ) 13.4
Por ejemplo ( X 3) X 1 ( , 3]) {cartas 1 y 2 de los 4 mazos}
Ejemplo 5 (Bus de transporte)
El servicio de transportes Metropolitano cuenta con 38 estaciones incluidas las dos
terminales. Entonces, pensando en un solo bus, que tiene una capacidad para 180
pasajeros, estos suben y bajan en cada paradero. Se puede saber el nmero exacto de
pasajeros que se encuentran en el bus al momento de partir de cada estacin. De esta
manera en un solo bus y en un solo viaje se tienen 38 nmeros aleatorios. En
consecuencia el nmero de personas que se encuentran en un bus en cada paradero es
una variable aleatoria con 38 posibles valores. Segn la pgina web del Metropolitano,
cuentan con 248 buses articulados, que recorren la lnea troncal. Considerando todos los
buses, estaramos frente a una variable aleatoria ms compleja. Fijado un solo bus
(denominado B1) en cada viaje, de terminal a terminal, se tendrn 38 nmeros o
resultados diferentes.
En este ejemplo de variable aleatoria cmo se concibe el espacio muestra? Fijado el
bus B1, el espacio muestra estara formado por los resultados del nmero de pasajeros
en B1 cuando sale de cada estacin. Estos resultados pueden ser representados
simblicamente con Np1, Np2,, Np38, o algo ms simple. Luego el espacio muestra
sera S {Np1, Np2,, Np38}.
La variable aleatoria sera la funcin X : S , definida para cada Npk. Los valores
realistas de X seran los enteros {0, 1,,500}, pues es imposible que quepan en un bus
articulado de 180 pasajeros ms de 500.
2.2 La funcin de distribucin (acumulada) FX de una variable aleatoria X
Dado un espacio de probabilidad ( S , , P ) y una variable aleatoria X : S , la
funcin de distribucin FX de esta variable, se define como FX ( x) P( X x) para
cada x . En otras palabras para cada x , FX (x) es la probabilidad (medida) del
evento ( X x) X 1 ( , x]) . Cuando no hay confusin con la variable aleatoria, se
escribe F FX . Algunos autores suelen llamar distribucin acumulada.
51
2.3 Propiedades de la funcin de distribucin acumulada FX de una variable

aleatoria X .
a) Para una variable aleatoria X : S discreta con rango {x0 , x1 , x2 , ....} se tiene que:
FX ( x ) P ( X x ) P ( X xi ) P ( X xi ) p ( xi ) . Esto es
x x
x x
xi x
i
i
(1) FX ( x)
p( x )
i
xi x
A la funcin p( xi ) P( X xi ) , i 0,1 , 2, 3, ...... se le denomina funcin de masa o

distribucin de la variable aleatoria X .
Como P ( X ) P ( S ) 1 , entonces se cumple
p( x ) 1
i 0
i
b) Para una variable aleatoria X : S discreta con rango finito {x0 , x1 , ..., xn } se
tiene, igual que antes, la distribucin p( xi ) P( X xi ) , i 0, 1 , 2, 3, ..., n de la variable
n
aleatoria X . Denotando pi p ( xi ) se cumple que pi 0 y
i 0
1.
De aqu la distribucin de una variable aleatoria X discreta y finita puede ser

interpretada como un vector p ( p0 , p1 , ..., pn ) y se llama vector de probabilidad que
n
satisface pi 0 para todo i 0, 1 , 2, 3, ..., n
i 0
1.
c) Una variable aleatoria X : S es continua (o absolutamente continua) si existe

una funcin f : [0 , ] (no negativa y Lebesgue integrable) tal que
f (t )dt 1 y
donde su funcin de distribucin es FX ( x) P( X x) y satisface la ecuacin:

x
(2) FX ( x) f (t )dt
f (t )dt ,
para todo x .
t x
A la funcin f (t ) se le llama funcin de densidad o distribucin de la variable X .

Nota: La variable aleatoria discreta y su funcin de distribucin pueden ser
conceptualizadas de la misma manera que en el caso continuo haciendo las siguientes
analogas:
La sumatoria
(integral discreta) es anloga a la integral continua
xi x
t x
La variable xi es anloga a la variable t

La funcin de masa p( xi ) es anloga a la funcin de densidad f (t ) (son no negativas)
El valor de
p ( x ) 1 es anlogo
i 0
i
al valor de
f (t )dt 1
Es por esto que algunos autores lo llaman funcin de densidad a la funcin de masa.
52
La funcin FX ( x)
p( x ) es anloga a la funcin FX ( x) f (t )dt

t x
i
xi x
d) Para una variable aleatoria X continua, la probabilidad P , la funcin de densidad

f (t ) y la funcin de distribucin FX , se relacionan estrechamente mediante las
b
siguientes ecuaciones: P ( a X b) f (t )dt FX (b) FX (a ).

a
e) Si se tiene una funcin de densidad f (t ) , entonces queda definida la funcin de

distribucin FX y la correspondiente variable aleatoria X . Esta conclusin establece la
siguiente proposicin.
Proposicin 1
La funcin de distribucin acumulada de una variable aleatoria X satisface las
siguientes propiedades:
a) F FX es no decreciente y continua por la derecha en todo punto de .
b) Lim FX ( x) 0 y Lim FX ( x ) 1
x
c) Recprocamente, una funcin F (x) que cumple las condiciones indicadas en (a) y (b)
es funcin de distribucin de alguna variable aleatoria X .
d) Si la funcin de densidad f (t ) es continua y positiva en , entonces la funcin de
x
distribucin acumulada FX ( x) f (t )dt es continua, estrictamente creciente y
derivable con derivada FX ( x) f ( x) . De aqu existe su inversa invF ( y ) en .

X
Ejemplo 1
En el experimento de Lima-Autos S.A. (ejemplo 3 de la seccin 1.3), la variable
aleatoria es la funcin X : S {ninguno, 1auto,..., 6autos } que indica exactamente el
nmero de autos vendidos por da X (ninguno) 0, X (1auto) 1, ...., X (6autos) 6 . En
este caso los valores de la variable aleatoria son x0 0, x1 1, ..., x6 6 y aplicando las
definiciones se tiene:
p( x0 ) p (0) P( X 0) 0.13 ;
p( x1 ) p(1) P( X 1) 0.40 ,.,
p( x6 ) p (6) P( X 6) 0.01
son los valores de la funcin de masa p( xi ) P( X xi ) de X .

La funcin de distribucin (acumulada) es:
FX ( x ) P( X x) P ( X i ) P ( X i) p (i) .
i x
i x
i x
Sus valores se muestran en la siguiente

Tabla 3
x=autos vendidos
0
1
P(x)=probabilidad Funcin de Distribucin acumulada FX (x)

en x
0.13
FX (0) p(0)=0.13
0.13
FX (1) p(0)+p(1)=0.13+0.40=0.53 0.53
0.40
53
FX ( 2) p(0)+p(1)+p(2)=0.79
FX (3) p(0)+..+p(3)=0.92
0.79
0.97
0.02
FX ( 4) p(0)+..+p(4)=0.97
FX (5) p(0)+.+p(5)=0.99
0.01
FX (6) p(0)+.+p(6)=1.00
1.00
0.26
0.13
0.05
5
6
0.92
0.99
Para mostrar las grficas en MATLAB se hace:

k=[0 1 2 3 4 5 6];
Fx=[ 0.13 0.53 0.79 0.92 0.97 0.99 1.00];
bar(k,Fx)
grid on
set(get(gca,'Children'),'FaceColor',[.8 .8 1]);
hold on
plot(k,Fx,'r');
ylabel('Fx');
xlabel('N DE AUTOS VENDIDOS');
title('DISTRIBUCIN ACUMULADA: Fx');
Fig. 2
DISTRIBUCIN ACUMULADA: Fx
Nota: Cabe aclarar que cuando se dice

Lebesgue integrable, se est haciendo
referencia a una nocin de integral ms
general que la integral de Riemann. Por
ejemplo la siguiente funcin:
1
0.9
0.8
0.7
Fx
0.6
0.5
0.4
1 si 0 x 1 x es racional
f ( x)
0 si x no es racional
0.3
0.2
no es integrable segn la definicin de la 0.1

integral de Riemann, pero si lo es con la de 0
0
1
2
3
4
5
6
N DE AUTOS VENDIDOS
Lebesgue.
En las aplicaciones prcticas se trabaja con funciones de densidad no negativa y
seccionalmente continuas. Esto ltimo significa que en cada intervalo cerrado y finito
la funcin tiene a lo sumo un nmero finito de puntos de discontinuidad y adems en
cada uno de estos puntos los lmites laterales son finitos. Para esta clase de funciones la
integral de Riemann es suficiente.
3. EJEMPLOS DE DISTRIBUCIONES DISCRETAS
Como se explic antes, en el caso discreto las funciones de densidad se llaman
funciones de masa, normalmente dependen de uno o ms parmetros. Algunos autores
como Rios I. D. y otros [3], a las funciones de densidad las denominan distribuciones.
Existen numerosas funciones de masa o distribuciones discretas, dependiendo de la
herramienta que se considere.
Por ejemplo en el mdulo: Statistics Toolbox de
MATLAB se tiene 46 funciones. Las distribuciones ms frecuentes utilizadas en los
54
problemas de lneas de espera o colas son las distribuciones: Uniforme, Triangular,

Exponencial, Binomial, Normal, Poisson, Beta entre otros.
3.1 Distribucin Binomial
Introduccin
n
n!
a k b n k
k
!
(
n
k
)!
k 0
Es conocido el desarrollo del Binomio de Newton ( a b) n

n
n!
x k (1 x) nk
k 0 k !( n k )!
Cuando a x y b 1 x se tiene: ( x (1 x)) n

Los sumandos Ber ( x, k , n)
n!
x k (1 x ) nk son los Polinomios de Bernstein
k !(n k )!
donde x es la variable independiente, k 0,1,2,..., n es el nmero de los (n 1)

polinomio y n es el grado de cada uno de ellos.
Estos (n 1) polinomios son la base para la generacin de las Curvas de Bezier en los
sistemas de diseo asistido por computadoras (CAD), pues el trazado de estas curvas se
desarrolla a partir de un conjunto finito de puntos en el espacio 3D o 2D. El objetivo
principal es controlar con muy pocos puntos la geometra de toda la curva. Las curvas
de Bezier gozan de estas propiedades.
Las propiedades geomtricas de las curvas de Bezier fueron desarrolladas y aplicadas,
independientemente por P. de Casteljau en 1959 y por P. Bazier en 1962 en los sistemas
(CAD) de las firmas Renault y Citroen respectivamente. Fue F. Forrest quien en 1970
descubri la conexin existente entre los trabajos de Bezier y los polinomios de
Bernstein.
Las curvas de Bezier se aplican en muchas reas de la ingeniera, en particular su uso es
muy frecuente en la elaboracin de las fuentes de los procesadores de textos.
Bzier1
PostScript 3 Bzier
TrueType
2 Bzier 2
1
Tambin en el diseo de imgenes para el cine,

como lo muestra el corelDRAW
(http://www.aulaclic.es/coreldraw/t_11_1.htm )
55
Definicin de la Distribucin Binomial

En el campo de la Estadstica la estructura del polinomio de Bernstein se convierte en la
frmula de la distribucin Binomial pero donde la variable independiente x asume el
rol del entero k y en lugar de x se tiene el valor de una probabilidad 0 p 1 .
La frmula es:
B ( x, n, p )
n!
p x (1 p ) n x , donde x 0, 1, 2, ..., n
x!( n x)!
es el dominio discreto de la
funcin y n, p son parmetros fijos.

Al factor b( x, n, p ) p x (1 p) n x se le conoce como la funcin de Bernoulli.
Proposicin
La matriz con los (n 1) valores de la distribucin Binomial, es un vector de
probabilidad.
Demostracin
De la definicin del Binomio de Newton, es obvio que para todo real p y todo entero n
n
se cumple 1 ( p (1 p ))n B( x, n, p) .
x0
Para que los sumandos formen un vector de probabilidad, los trminos
p x (1 p )n x
deben ser no negativos y esto se cumple porque p 0,1 . En consecuencia con esta
condicin adicional se cumple la proposicin.
3.1.3 Distribucin Binomial con MATALAB
La funcin B=binopdf(x,n,p) de MATLAB entrega el valor o una matriz de valores
de la funcin de masa dependiendo de x ,si es un nmero o una matriz x =[0, 1, 2,, n]
Ejemplo 1
En la tienda Camisas-Lima que se dedica a la venta de camisas, se ha estudiado que la
probabilidad de que un cliente que ingrese a la tienda y compre una camisa es de p=0.3
y que no lo haga es de (1-p)=0.7. Si entran 9 clientes (podra ser que entren de uno
en uno o en bloque). Cul es la probabilidad que de los 9 que entran ninguno compre o
que compre solo un cliente o que 2 compren o que los 9 clientes compren?. Entonces se
tiene 10 posibles resultados. Esta experiencia se modela con la distribucin Binomial.
Matlab nos da la posibilidad de obtener una tabla y el grfico de barras, corriendo el
siguiente programa:
p = 0.30;
% probabilidad de xito
n = 9;
% N de intentos. Ingresan a la tienda 9 clientes
x = 0:n; % x =[0, 1, 2,, n] = N de clientes que compran(valor del criterio)
B = binopdf(x,n,p);
% Vector de Probabilidades de las 10 situaciones.
bar(x,B);
% Grafico de barras de la distribucin
grid on
format long
TABLA1=[x;B]'
% Mallado adicional al grafico

% Formato con 15 decimales
% primera columna x, segunda B
Luego de correr el programa se tiene:

TABLA1 =
56
0
1.000000000000000
2.000000000000000
3.000000000000000
4.000000000000000
5.000000000000000
6.000000000000000
7.000000000000000
8.000000000000000
9.000000000000000
0.040353607000000
0.155649627000000
0.266827932000000
0.266827932000000
0.171532242000000
0.073513818000000
0.021003948000000
0.003857868000000
0.000413343000000
0.000019683000000
0.35
0.3
0.25
0.2
0.15
0.1
0.05
Fig. 2
Los resultados indican que la probabilidad de que nadie compre es solo del 4%. Que un
solo cliente compre es del 15.5%. Que 2 compren es del 26.68%, es la ms alta junto
con la probabilidad de que 3 clientes compren. Que los 8 clientes compren es bien baja
0.04%. Finalmente que los 9 clientes compren es casi nula 0.0020%
Nota: Las componentes de B han sido calculadas mediante la frmula que define la
Distribucin Binomial.
Para verificar que B es un vector de probabilidad o una distribucin, se observa que sus
componentes son no negativas y la suma de ellas, es 1
3.1.4 Distribucin Binomial Acumulada
Como dice la proposicin 1 de 2.2 la funcin de distribucin acumulada es creciente. En
Matlab se escribe binocdf(x,n,p).Con los mismos datos de antes, se tiene
p = 0.3;
n = 9;
% N de ensayos
x=0:n;
% x =[0, 1, 2,,9]= N de clientes que compran (valor del criterio)
BA = binocdf(x,n,p); % vector de probabilidad Binomial Acumulada
bar(x,BA);
% Grafico de barras de la distribucin
set(get(gca,'Children'),'FaceColor',[.1 .8 1]); % Otro color
hold on;
% Se mantiene la imagen anterior
plot(x,BA,'r')
% Plotea la curva del par (x, BA)
grid;
% Mallado adicional al grafico
format long
TABLA2=[x;BA]'
Fig.3
ans =
TABLA2 =
0
1.000000000000000
2.000000000000000
3.000000000000000
4.000000000000000
5.000000000000000
6.000000000000000
7.000000000000000
8.000000000000000
9.000000000000000
0.040353607000000
0.196003234000000
0.462831166000000
0.729659098000000
0.901191340000000
0.974705158000000
0.995709106000000
0.999566974000000
0.999980317000000
1.000000000000000
0.8
0.6
0.4
0.2
3.1.5 Otra manera de mostrar estos grficos es haciendo uso del comando disttool
57
de MATLAB. Al ejecutar se abre un aplicativo, que permite ilustrar las diversas

funciones de masa o distribuciones. En la ventana Distributions, se ha elegido la
distribucin Binomial.
Fig. 4
Fig. 5
Eligiendo PDF en la ventana Function type se tiene la figura 4, que muestra la

funcin de masa o distribucin. Para la figura 5 se eligi CDF para mostrar la
distribucin Binomial Acumulada que es constante por tramos. En este caso se han
tomado el nmero de ensayos (trials) que es n=9 y la probabilidad (prob) p=0.3.
Ejemplo 2
En el experimento de lanzar un dado (pargrafo 2.1), supongamos que se hacen 10
lanzamientos. Cul es la probabilidad de que la cara 5, salga 4 veces?
Si el experimento se modela con la distribucin Binomial, el evento de que salga la cara
5, es E {c5} y la probabilidad de que esto ocurra es P ( E ) 1 / 6 . Luego tenemos:
p = 1/6;
n = 10;
% N de ensayos
x = 0:n;
% x =[0, 1, 2,, n] = las veces que puede salir la cara 5
B = binopdf(x,n,p);
% matriz de probabilidades de que la cara sea 5
bar(x,B);
% grafico de barras de la distribucin Binomial
set(get(gca,'Children'),'FaceColor',[1 .8 .8]); % Otro color
hold on
% commando para mantener la figura anterior
grid;
% mallado
plot(x,B,'b');
% plotea la curva
format long
TABLA2=[x;B]'
Fig. 6
TABLA2 =
0
1.000000000000000
2.000000000000000
3.000000000000000
4.000000000000000
5.000000000000000
6.000000000000000
7.000000000000000
8.000000000000000
9.000000000000000
10.000000000000000
0.161505582889846
0.323011165779691
0.290710049201722
0.155045359574252
0.054265875850988
0.013023810204237
0.002170635034040
0.000248072575319
0.000018605443149
0.000000826908584
0.000000016538172
58
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
10
La respuesta se encuentra en la 5ta fila y que corresponde a x=4

Tambin se puede obtener directamente haciendo:
B4=binopdf(4,n,p)
B4 = 0.054265875850988
B4=5.42%
Este resultado ser el mismo para cualquier otra cara, porque la probabilidad es la
misma.
3.2 Distribucin de Poisson
Definicin
Esta distribucin est definida por la funcin de masa
P ( x, )
e x
x!
, donde x 0, 1, 2, ..., n es el dominio discreto de la funcin y 0 es
un parmetro fijo. Debido a su dominio discreto la distribucin de Poisson tambin

asume valores discretos.
La Distribucin de Poisson Acumulada es
e k
k 0 k!
n
PA( n, )
Ejemplo 1
Se tiene una distribucin de Poisson, donde n=50 y Lamda=20. Grafique conjuntamente
la funcin de masa y la distribucin acumulada. Analice las dos curvas.
n = 50;lamda=20;
x=0:n;
% x =[0, 1, 2,,15]
P = poisspdf(x,lamda);
PA = poisscdf(x,lamda);
plot(x,P,'b','LineWidth',2);
hold on
grid;
plot(x,PA,'m','LineWidth',2);
title('DISTRIBUCION DE POISSON y LA ACUMULADA,LAMDA=2');
Legend('DISTR. POISSON','DISTR. ACUMULADA');
format long
TABLA3=[x;P;PA]'
% primera columna x, segunda P
TABLA3 =
0
0.000000002061154
0.000000002061154
1.000000000000000
0.000000041223072
0.000000043284226
2.000000000000000
0.000000412230724
0.000000455514951
3.000000000000000
0.000002748204830
0.000003203719780
15.000000000000000
0.051648853531758
0.156513134639743
16.000000000000000
0.064561066914698
0.221074201554441
17.000000000000000
0.075954196370233
0.297028397924673
18.000000000000000
0.084393551522481
0.381421949447155
19.000000000000000
0.088835317392085
0.470257266839240
20.000000000000000
0.088835317392085
0.559092584231325
21.000000000000000
0.084605064182937
0.643697648414262
22.000000000000000
0.076913694711762
0.720611343126025
47.000000000000000
0.000000112163772
0.999999921730695
48.000000000000000
0.000000046734905
0.999999968465600
49.000000000000000
0.000000019075471
0.999999987541072
50.000000000000000
0.000000007630189
0.999999995171260
59
Fig. 6
DISTRIBUCION DE POISSON y LA ACUMULADA,LAMDA=2
1
0.9
DISTR. POISSON
DISTR. ACUMULADA
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
15
20
25
30
35
40
45
50
Ejemplo 2
En una tienda de comida rpida llegan un promedio de 30 clientes por hora. Cul es la
probabilidad de que en un minuto no llegue nadie, llegue 1, 2,, 10 clientes?
n = 10; lamda=30/60;
x=0:n;
% x =[0, 1, 2,,15]
P = poisspdf(x,lamda);
PA = poisscdf(x,lamda);
plot(x,P,'b','LineWidth',2);
hold on
grid;
plot(x,PA,'m','LineWidth',2);
title('DISTRIBUCION DE POISSON y LA ACUMULADA,LAMDA=2');
Legend('DISTR. POISSON','DISTR. ACUMULADA');
format long
TABLA4=[x;P;PA]'
% primera columna x, segunda P
TABLA4 =
0
1.000000000000000
2.000000000000000
3.000000000000000
4.000000000000000
5.000000000000000
6.000000000000000
7.000000000000000
8.000000000000000
9.000000000000000
10.000000000000000
0.606530659712633
0.303265329856317
0.075816332464079
0.012636055410680
0.001579506926335
0.000157950692633
0.000013162557719
0.000000940182694
0.000000058761418
0.000000003264523
0.000000000163226
0.606530659712633
0.909795989568950
0.985612322033029
0.998248377443709
0.999827884370044
0.999985835062678
0.999998997620397
0.999999937803091
0.999999996564510
0.999999999829033
0.999999999992259
DISTRIBUCION DE POISSON y LA ACUMULADA,LAMDA=2
Fig. 7
1
DISTR. POISSON
DISTR. ACUMULADA
0.8
0.6
0.4
0.2
60
10
Ejercicios
1. Se lanzan dos dados simultneamente: blanco y negro (pargrafo 1.3), suponga que
se hacen 50 lanzamientos. El experimento se modela con la distribucin de Binomial.
Cul es la probabilidad de que la suma de las caras sea a 6 y que este resultado salga
15 veces?
Analice otras situaciones.
2. En una tienda de comida rpida llegan un promedio de 50 clientes por hora. Cul es
la probabilidad de que en un minuto no llegue nadie, llegue 1, 2,, 40 clientes?
Analice otras situaciones
61

03 Mpmspo Estadistica y Probabilidades 2016 1 Nuevo2

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

03 Mpmspo Estadistica y Probabilidades 2016 1 Nuevo2

Загружено:

Авторское право:

Доступные форматы

Universidad Nacional de Ingeniera. Facultad de Ingeniera Industrial y de Sistemas.

Unidad de Post Grado

b) Si {Ek } , k 1, 2, 3 ,... es una sucesin de miembros de entonces

resultados forman el espacio muestra S {1P, ...,13P,1C , ...,13C ,1D...13D,1T , ...,13T } . La

La condicin (b) se denomina -aditividad de . De otro lado una medida es finita

( S , 2 S ) es el espacio medible. Si la masa de la moneda est uniformemente

distribuida, la posibilidad de que resulte cara o sello es la misma y este hecho se

que es un espacio de medida o de Probabilidad.

b) Cuando el dado no est cargado uniformemente la probabilidad no es la misma en

El histograma de frecuencias y la distribucin de probabilidad se obtiene con la ayuda

HISTOGRAMA DE FRECUENCIA ABSOLUTA

Dos eventos A, B son independientes, si la ocurrencia de B no influye en A , esto es

B {1D,...,13D} "sacar un Diamante"

En consecuencia los eventos

son independientes. En otras palabras

, quiere decir que si al extraer una carta, sali una

b) En el experimento de lanzar dos dados (blanco y negro), cada lanzamiento genera un

como P( A) 4 , los eventos A, B no son independientes.

1.5 Espacios de medida y de probabilidad no discretas

-lgebras diferentes de 2 (que es la familia de todos los subconjuntos de n )? La

respuesta es afirmativa y mencionaremos dos de ellas, sin hacer mayores comentarios.

Con tres intervalos se puede formar un prisma abierto en el

a ( a1 a2 ......, an ) y b (b1 , b2 ......., bn ) con ak bk .

Definicin: Un subconjunto A de n es abierto, si para cada x A existe un prisma

2. VARIABLE ALEATORIA Y FUNCIN DE DISTRIBUCIN

( f x) f ( , x]) para cada x .

d) Una variable aleatoria X es discreta si su rango es un conjunto discreto {x1 , x2 , ....}

y ( S , 2 S ) . Un ejemplo de variable aleatoria en este espacio

la funcin X : S , definida por X (1) 1, X ( 2) 2, ...., X (6) 6 que se conocen como

X (1C ) 1.2, X (2C ) 2.2,..., X (13C ) 13.2

2.3 Propiedades de la funcin de distribucin acumulada FX de una variable

A la funcin p( xi ) P( X xi ) , i 0,1 , 2, 3, ...... se le denomina funcin de masa o

Como P ( X ) P ( S ) 1 , entonces se cumple

aleatoria X . Denotando pi p ( xi ) se cumple que pi 0 y

De aqu la distribucin de una variable aleatoria X discreta y finita puede ser

satisface pi 0 para todo i 0, 1 , 2, 3, ..., n

c) Una variable aleatoria X : S es continua (o absolutamente continua) si existe

donde su funcin de distribucin es FX ( x) P( X x) y satisface la ecuacin:

A la funcin f (t ) se le llama funcin de densidad o distribucin de la variable X .

(integral discreta) es anloga a la integral continua

La variable xi es anloga a la variable t

p( x ) es anloga a la funcin FX ( x) f (t )dt

d) Para una variable aleatoria X continua, la probabilidad P , la funcin de densidad

siguientes ecuaciones: P ( a X b) f (t )dt FX (b) FX (a ).

e) Si se tiene una funcin de densidad f (t ) , entonces queda definida la funcin de

distribucin acumulada FX ( x) f (t )dt es continua, estrictamente creciente y

derivable con derivada FX ( x) f ( x) . De aqu existe su inversa invF ( y ) en .

p( x1 ) p(1) P( X 1) 0.40 ,.,

son los valores de la funcin de masa p( xi ) P( X xi ) de X .

Sus valores se muestran en la siguiente

P(x)=probabilidad Funcin de Distribucin acumulada FX (x)

Para mostrar las grficas en MATLAB se hace:

Nota: Cabe aclarar que cuando se dice

no es integrable segn la definicin de la 0.1

Por ejemplo en el mdulo: Statistics Toolbox de

MATLAB se tiene 46 funciones. Las distribuciones ms frecuentes utilizadas en los

problemas de lneas de espera o colas son las distribuciones: Uniforme, Triangular,

Es conocido el desarrollo del Binomio de Newton ( a b) n

Cuando a x y b 1 x se tiene: ( x (1 x)) n

donde x es la variable independiente, k 0,1,2,..., n es el nmero de los (n 1)

Tambin en el diseo de imgenes para el cine,

Definicin de la Distribucin Binomial

funcin y n, p son parmetros fijos.

Para que los sumandos formen un vector de probabilidad, los trminos