You are on page 1of 53

Universidad Abierta y a Distancia de

México

Ciencias exactas, Ingeniería y


Tecnología

Licenciatura en
Ingeniería en Gestión Industrial

1° Semestre

Fase 1. Análisis de fundamentos

Módulo 1. Pensamiento matemático y


social

Unidad 1. Probabilidad

2016
Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

Unidad 1. Probabilidad
Índice
Introducción
Competencia específica

Semana 1 Autoevaluación
1. Probabilidad
1.1. Contraste y definición del modelo
determinístico y aleatorio
1.2. Espacio muestral de un experimento
aleatorio
1.3. Eventos discretos y continuos
1.4. Eventos simples
1.5. Álgebra de conjuntos (operaciones con
eventos)
1.6. Probabilidad clásica
1.7. Probabilidad frecuentista
1.8. Probabilidad subjetivista
1.9. Técnicas de conteo

Semana 2 1.10. Regla de la suma


1.11. Regla del producto
1.12. Permutaciones
1.13. Combinaciones
1.14. Probabilidad axiomática
1.15. Probabilidad condicional
1.16. Probabilidad total
1.17. Teorema de Bayes
1.18. Eventos independientes
Actividad 1. Probabilidad

UNADM | DCEIT | GI | GIPMS 2


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

Semana 3 2. Variables aleatorias


2.1. Variable aleatoria
2.2. Variable aleatoria discreta
2.3. Variable aleatoria continua
2.4. Esperanza y varianza de las variables
aleatorias discreta y continua
Actividad 2. Variables aleatorias

Semana 4 3. Modelos probabilísticos comunes


3.1. Modelo Bernoulli
3.2. Modelo binomial
3.3. Modelo geométrico
3.4. Modelo de Poisson
3.5. Modelo uniforme continuo
3.6. Distribución exponencial
Aprendizaje integrador. Variables y modelos
probabilísticos comunes

UNADM | DCEIT | GI | GIPMS 3


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

Introducción
En esta unidad se te introduce a la teoría de la probabilidad moderna; reconocerás
algunos modelos matemáticos de fenómenos aleatorios, sus componentes y
propiedades.

Por medio de la investigación de conceptos, el análisis de ejemplos, la realización de


actividades y problemas prácticos, identificarás las complejidades en la modelación
matemática probabilística.

Con esta base teórica conceptual podrás emplear algunos modelos matemáticos en
las diversas actividades de tu profesión. Plantearás situaciones conocidas en tu
ámbito profesional y explotarás los nuevos conceptos matemáticos del campo de la
probabilidad.

Competencia de la unidad
Determina la naturaleza de los problemas aleatorios en contraste con los
determinísticos, mediante la identificación y aplicación de elementos y herramientas
matemáticas básicas, con la finalidad de resolver problemas reales y cotidianos.

UNADM | DCEIT | GI | GIPMS 4


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

Semana 1

1. Probabilidad

La palabra probabilidad se utiliza para designar el grado de confianza que se tiene


sobre la ocurrencia de un determinado suceso. Es una vertiente de la rama de la
matemáticas que estudia experimentos aleatorios o regidos por el azar, y en donde
se pueden obtener algunos resultados, pero no es posible tener certeza de cuál será
en particular el resultado de un ensayo.

En los siguientes apartados profundizarás en el estudio de los conceptos básicos de


probabilidad, a fin de tener un marco conceptual sobre el mismo.

UNADM | DCEIT | GI | GIPMS 5


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

1.1. Contraste y definición del modelo determinístico y aleatorio

Modelos determinístico y aleatorio

Experimento determinista Experimento aleatorio

Es un experimento que puede dar lugar a


Es un experimento en el que se obtiene varios resultados sin que se puedan ser
siempre el mismo resultado bajo las mismas previsibles antes de realizar el experimento;
condiciones. Si conocemos las condiciones es decir, no se puede predecir o reproducir el
iniciales es posible predecir o reproducir el resultado. Cada experimento es único pues
resultado del experimento. teniendo las mismas condiciones iniciales los
resultados pueden ser distintos.

Ejemplo: Si lanzamos un objeto desde la


misma altura y bajo las mismas condiciones
ambientales, podemos saber exactamente el Ejemplo: Si lanzamos una moneda o un dado,
tiempo que tardará en llegar al suelo. La el resultado puede ser distinto.
velocidad siempre será la misma.

El contraste se identifica en el resultado, ya que en el experimento determinista


siempre será igual bajo las mismas condiciones. Mientras que en aleatorio, no se
puede predecir o reproducir el resultado, por lo que aunque se tengan las mismas
condiciones el resultado puede ser distinto.

UNADM | DCEIT | GI | GIPMS 6


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

1.2. Espacio muestral de un experimento aleatorio

Se llama espacio muestral al conjunto de todos los


posibles resultados en un experimento aleatorio. El
espacio muestral se denota generalmente por la letra
muestral
Espacio

space en inglés), la elección del símbolo a utilizar


depende del autor.

Ejemplo: Si el experimento aleatorio consiste en


lanzar dos monedas al aire al mismo tiempo y
observar sus posibles resultados, entonces el
espacio muestral se escribe como: Ω =
𝑐𝑎𝑟𝑎, 𝑐𝑎𝑟𝑎 , 𝑐𝑎𝑟𝑎, 𝑐𝑟𝑢𝑧 , 𝑐𝑟𝑢𝑧, 𝑐𝑎𝑟𝑎 𝑦 (𝑐𝑟𝑢𝑧, 𝑐𝑟𝑢𝑧).

1.3. Eventos discretos y continuos


Ev ento discreto: Es una acción que ocurre solo una vez en el tiempo.

Ev ento continuo: Es una acción constante donde las variables cambian


ininterrumpidamente con respecto al tiempo. En la siguiente tabla se visualizan
algunas de sus características:

Ev ento discreto Ev ento continuo


 Acción instantánea.  Acción que nunca termina.
 Ocurre en un punto único  Continua
en el tiempo. ininterrumpidamente con
respecto al tiempo.

UNADM | DCEIT | GI | GIPMS 7


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

 La ocurrencia puede  Permite que las variables


ocasionar que el estado del cambien continuamente
sistema cambie. sobre el tiempo.
 Se mantiene un tiempo  Se mantiene una tasa
denominado reloj de definida de cambio ligada al
simulación. reloj de simulación.

1.4. Eventos simples

Un evento simple consta de un


Se llama evento a un subconjunto
solo elemento del espacio
muestral.

Los eventos se denotan


comúnmente con letras Si estos eventos contienen más de
mayúsculas del primer tercio del un elemento, se llaman eventos
abecedario; es decir: compuestos.
donde a su vez A, B, C, D, E ⊆

1.5. Álgebra de conjuntos (operaciones con eventos)


Un evento es un subconjunto del espacio muestral; por tanto, en estos se pueden
aplicar las operaciones entre conjuntos. Existen cuatro operaciones básicas entre
conjuntos:

UNADM | DCEIT | GI | GIPMS 8


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

 Complemento: El complemento de A es el conjunto de todos los elementos en

𝑨𝒄 = 𝒘 ∈ Ω ∶ 𝒘 ∉ 𝑨

{1,2,3,4,5,6,7,8,9} y el conjunto
A={3,4,5,6,7,8}, el conjunto A' estará
formado por los siguientes elementos
A'={1,2,9}.
Usando diagramas de Venn se tendría lo
siguiente:

Intersección: La intersección de A y B es el conjunto de todos los elementos en el


tanto a A como a B.
Simbólicamente 𝑨 ⋂ 𝑩 = 𝒘 ∈ Ω ∶ 𝒘 ∈ 𝑨 𝒚 𝒘 ∈ 𝑩

Ejemplo:

Dados dos conjuntos A={1,2,3,4,5} y


B={4,5,6,7,8,9} la intersección de
estos conjuntos será A∩B={4,5}.

Usando diagramas de Venn se tendría


lo siguiente:

UNADM | DCEIT | GI | GIPMS 9


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

 Unión: La unión de A y B es el conjunto de todos los elementos que pertenecen o


bien a A o a B.

Simbólicamente 𝑨 ⋃ 𝑩 = 𝒘 ∈ Ω: 𝒘 ∈ 𝑨 𝒐 𝒘 ∈ 𝑩

Ejemplo:

Dados dos conjuntos A={1,2,3,4,5,6,7,}


y B={8,9,10,11} la unión de
estos conjuntos será
A∪B={1,2,3,4,5,6,7,8,9,10,11}.
Usando diagramas de Venn se tendría lo
siguiente:

 Diferencia: La diferencia de A y B es el conjunto de aquellos elementos en el

Simbólicamente 𝑨 − 𝑩 = 𝒘 ∈ Ω: 𝒘 ∈ 𝑨 𝒚 𝒘 ∉ 𝑩

De las cuatro operaciones anteriores se desprenden las propiedades conmutativas


𝑨 ⋂ 𝑩 = 𝑩 ⋂ 𝑨, 𝑨 ⋃ 𝑩 = 𝑩 ⋃ 𝑨 y asociativas de la unión y la intersección. La diferencia
NO tiene la propiedad conmutativa (𝑨 − 𝑩 ≠ 𝑩 − 𝑨). También dados dos conjuntos
A y B estos se llaman ajenos (o mutuamente excluyentes), si 𝑨 ⋂𝑩 = ∅ donde ∅ es
el conjunto vacío.

UNADM | DCEIT | GI | GIPMS 10


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

Ejemplo:
Dados dos conjuntos A={1,2,3,4,5} y
B={4,5,6,7,8,9} la diferencia de
estos conjuntos será A-B={1,2,3,4,5}.
Usando diagramas de Venn se tendría lo
siguiente:

1.6. Probabilidad clásica

descubrimientos. Motivado por estimar probabilidades en los juegos de azar,


desarrolló para la teoría de probabilidades el enfoque clásico que se emplea cuando
los espacios muestrales son finitos y tienen resultados igualmente probables. Este
enfoque supone condiciones ideales en un experimento aleatorio; y por lo tanto, su
uso es limitado, aunque nos brinda bases sólidas para el cálculo de probabilidades.

Este enfoque es teórico y no requiere de llevar a cabo el experimento para estimar la


probabilidad de ocurrencia de un evento aleatorio.

Sin necesidad de realizar el experimento aleatorio este enfoque asigna la misma


probabilidad a cada punto de espacio muestral y la probabilidad de A se obtiene por
razonamiento lógico entre el número de resultados en que es posible se obtenga el
evento A (se suman la cantidad de elementos de A) y el número de todos los
resultados posibles de ese experimento; es decir:
#𝐴
𝑃(𝐴) =

UNADM | DCEIT | GI | GIPMS 11


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

Donde #A corresponde a cardinalidad del evento A (o número de ocurrencias del


evento A P(A) representa
la probabilidad de que ocurra el evento correspondiente a cardinalidad del evento A.

1.7. Probabilidad Frecuentista


El enfoque de la frecuencia relativa se basa en la experimentación, se le conoce

que se limita a situaciones en las que hay un número finito de resultados igualmente
probables. Este enfoque es empírico y no teórico. Requiere realizar el experimento
para estimar la probabilidad de ocurrencia de un evento aleatorio.

Se realiza n veces el experimento aleatorio y se observa la frecuencia de ocurrencia


del evento A, se define la probabilidad de A por:

𝑛(𝐴)
𝑃(𝐴) =
𝑛

Donde A P (A) representa la probabilidad


de que ocurra el evento A.

1.8. Probabilidad Subjetivista


En el enfoque subjetivo o intuitivo, algunas situaciones se presentan cuando no es
posible realizar experimentos repetitivos y los resultados tampoco son igualmente

UNADM | DCEIT | GI | GIPMS 12


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

probables. A diferencia de los dos enfoques anteriores que son objetivos y se


sustentan en la teoría o en la experimentación, la probabilidad subjetiva tiene que ver
con el criterio personal para medir la posibilidad de ocurrencia de un evento aleatorio,
que se hace con base en criterios o experiencias sobre casos semejantes.

Como se mencionó anteriormente, esta probabilidad no se basa ni en aspectos


teóricos ni tampoco en la experimentación. De hecho no es objeto de estudio de la
teoría de probabilidad; sin embargo, es muy útil en experimentos que no es posible
repetir y en los que los posibles resultados no son equiprobables; es decir, cuando la
probabilidad de ocurrencia de ambos sucesos no sea la misma. Dos sucesos posibles
de un experimento son equiprobables cuando la probabilidad de ocurrencia de ambos
sucesos es la misma.

1.9. Técnicas de conteo


Es importante comprender que en la vida cotidiana se presentan diversas situaciones
que nos permiten comprender la interacción que la probabilidad tiene con otras áreas
del conocimiento y esto a su vez nos permiten observar y analizar distintos
fenómenos tanto de la naturaleza como sociales, se han encontrado con que hay
situaciones que obedecen a un modelo determinista y otros que obedecen a un
modelo aleatorio; por ejemplo, una persona de bajos recursos que pertenece a una
nación con problemas sociales y tenga un accidente o no el próximo año. Contar es
suficiente en muchos de los casos en donde se desea conocer la probabilidad de que
suceda un evento, pero conforme el problema es más complejo resultan necesarias
varias reglas para auxiliar en la determinación de probabilidades.

UNADM | DCEIT | GI | GIPMS 13


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

Por ejemplo, en ocasiones tendremos que analizar situaciones donde suceden


simultáneamente eventos, por lo que se necesita expresar y encontrar la
probabilidad de que suceda un evento a raíz de la presencia de varios eventos
simultáneos; por lo tanto, en este tema se analizan algunas reglas básicas de conteo
que también serán base para el cálculo de probabilidades.

UNADM | DCEIT | GI | GIPMS 14


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

Semana 2

1.10. Regla de la suma


La regla de la suma es una de las reglas más simples que se utilizan en el cálculo de
probabilidades. Si una tarea consta de n pasos distintos para realizarse y otra de m
pasos distintos, y si las dos tareas en cuestión no son viables de realizarse juntas ni
en sucesión por ser mutuamente excluyentes, entonces el número total de maneras
de realizar ambas tareas es n + m.

Otra manera de expresar lo anterior es: si P (A) y P (B) representan respectivamente


las probabilidades para los eventos A y B, entonces la probabilidad 𝑃 (𝐴 ⋃ 𝐵) de que
ocurran A o B, se obtiene por:
 Si estos eventos son mutuamente excluyentes (𝐴 ⋂ 𝐵 = ∅), 𝑃 (𝐴 ⋃ 𝐵) =
𝑃 (𝐴) + 𝑃 (𝐵).
 Si 𝐴 ⋂ 𝐵 = ∅ entonces 𝑃 (𝐴 ⋃ 𝐵) = 𝑃 (𝐴) + 𝑃 (𝐵) − 𝑃 (𝐴 ⋂ 𝐵).

1.11. Regla del producto


Si una tarea consta de n pasos distintos para realizarse y otra de m pasos distintos,
y si ambas no son excluyentes sino que es posible realizarlas juntas o en sucesión,
entonces el total de pasos distintos (o formas) en que pueden efectuarse la primer
tarea seguida por la segunda es de n x m.

Las anteriores reglas se generalizan con facilidad por más de dos tareas o para n
eventos.

UNADM | DCEIT | GI | GIPMS 15


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

1.12. Permutaciones
Una permutación es un arreglo de elementos en donde nos interesa el lugar o
posición que ocupa cada uno de los elementos que constituyen dicho arreglo; es
decir, es un arreglo ordenado (el orden es importante) de k elementos distintos
seleccionados de un conjunto 𝑋 = 𝑋1 , 𝑋2 , … 𝑋𝑛 , el cual tiene n elementos, en donde
𝑘 ≤ 𝑛.

Expresión para el cálculo de permutaciones. Se representa por 𝑛𝑃𝑘 o también


𝑛
como 𝑃 el número de arreglos ordenados de k elementos distintos seleccionados
𝑘
de un conjunto de X el cual tiene n elementos.
𝑛𝑃𝑘 = 𝑛 x (𝑛 − 1)x (𝑛 − 2)x … x (𝑛 − 𝑘 + 1)

Notación factorial. Se define el factorial de un número no negativo 𝑛 ≥ 0, denotado


n!, como:
𝑛! = 𝑛 x (𝑛 − 1)x(𝑛 − 2)x … x 1, 𝑠𝑖 𝑛 ≥ 1, 𝑦 0! = 1

Podemos representar la expresión para el cálculo de permutaciones usando notación


factorial:
𝑛!
𝑛𝑃𝑛 = 𝑛! 𝑦 𝑛𝑃𝑘 = , 𝑝𝑎𝑟𝑎 𝑛 > 𝑘
(𝑛 − 𝑘)!

1.13. Combinaciones
Las combinaciones de n objetos o cosas distintos tomando k de ellos a la vez,
representan el número de subconjuntos diferentes de tamaño k que se pueden
obtener con esos n objetos.

UNADM | DCEIT | GI | GIPMS 16


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

𝑛 𝑛
Las notaciones usuales para combinaciones de n en k objetos son: 𝑛𝐶𝑚, ( ) , 𝑜 𝐶
𝑘 𝑘

Dado un conjunto de n elementos distintos 𝑋 = 𝑋1 , 𝑋2 , … 𝑋𝑛 del cual nos interesa


seleccionar k elementos distintos (es decir, no los repetimos) en donde 𝑘 ≤
𝑛, entonces el número total de combinaciones se calcula por (no es importante el
orden):
𝑛!
𝑛𝐶𝑘 = , 𝑝𝑎𝑟𝑎 𝑘 ≤ 𝑛
𝑘! (𝑛 − 𝑘)!

1.14. Probabilidad axiomática


La definición axiomática de probabilidad es quizá la más simple de todas las
definiciones y la menos controvertida, ya que se basa en un conjunto de axiomas que
establecen los requisitos mínimos para dar una definición de probabilidad.

una
σ á
medible) se define una función de probabilidad, medida de probabilidad o
simplemente probabilidad como una función de conjunto P definida sobre A y con
valores en [0,1].
𝑃: 𝐴 → ℝ
Que verifica los siguientes axiomas:
1. Axioma de no negatividad

𝑃 (𝐴) ≥ 0, ∀ 𝐴 ∈ 𝓐

UNADM | DCEIT | GI | GIPMS 17


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

2. Axioma del suceso seguro


𝑃 (Ω) = 1

3. Axioma de σ aditividad o aditividad numerable

Dada una colección numerable de sucesos, {Ai}i ∈ℕ ⊂ 𝓐, incompatibles dos a


dos; es decir:

𝐴𝑖 ⋂ 𝐴𝑗 = Ø ∀𝑖 ≠ 𝑗,

Entonces:

∞ ∞

𝑃 (⋃ 𝐴𝑖 ) = ∑ 𝑃 (𝐴𝑖)
𝑖=1 𝑖=1

Así, P (A) ∀ A ∈ 𝓐 denota la probabilidad del suceso A.

σ álgebra 𝓐 y la probabilidad
P 𝓐, P) se le denomina espacio probabilístico o espacio de probabilidad.

Las principales ventajas de esta definición es que permite llegar a un desarrollo


matemático riguroso de la teoría de la probabilidad y es tan general que permite
incorporar las distintas interpretaciones de probabilidad que se han mencionado
anteriormente; es decir, la probabilidad definida según cada una de las concepciones
anteriores satisface los axiomas de probabilidad de Kolmogorov.

1.15. Probabilidad condicional

UNADM | DCEIT | GI | GIPMS 18


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

El concepto de probabilidad condicional fue desarrollado por el reverendo inglés


Thomas Bayes (1702-1761), cuyo trabajo fue leído póstumamente en 1763. Bayes
da la primera definición rigurosa y explícita de sucesos o eventos de los cuales se
tiene información previa de la ocurrencia de algunos de ellos, lo cual cambia el sentido
de la probabilidad clásica.

Un ejemplo de ello se puede apreciar en los juegos de azar. Si se lanza un dado pero
los resultados del experimento aleatorio no son equiprobables como lo menciona la
teoría clásica de probabilidad, imagina un dado cargado de forma tal que uno de sus
números no tiene ocurrencia, esto es muy fácil modificar, simplemente se colocan

En general en la práctica tenemos idea de la posibilidad de ocurrencia de algunos


eventos o bien usamos escenarios de cómo se comportaría un evento si ocurriera
otro evento. En economía es frecuente plantearse escenarios; por ejemplo, qué
probabilidad existe de aumentar las utilidades de una empresa si se incrementan las
tasas de interés.

Por lo que la probabilidad condicional se define como: sean A y B dos eventos que
∅. Se define probabilidad condicional,
denotada 𝑃 (𝐵|𝐴) que se lee la probabilidad de que suceda B, dado que sucedió el
evento A, o la probabilidad de que ocurra B condicionado a que haya ocurrido A,
como:
𝑃 (𝐵 ⋂ 𝐴 )
𝑃 (𝐵|𝐴) =
𝑃 (𝐴

UNADM | DCEIT | GI | GIPMS 19


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

1.16. Probabilidad total

A1, A2 ⊂
tales que estos son incompatibles dos a dos (Ai ⋂ Aj = ∅
𝑛
unión de todos ellos forman el conjunto total (esto es A1 ⋃ A2 ⋃…⋃ An = ⋃ 𝐴𝑖 =
𝑖=1
Ω).

B se tiene que:
𝑛

𝑃(𝐵) = ∑ 𝑃 (𝐵|𝐴𝑖) ∗ 𝑃 (𝐴𝑖)


𝑖=1

1.17. Teorema de Bayes


El teorema de Bayes es una respuesta a la teoría tradicional de probabilidad que se
fundamenta en experimentos repetibles y que tienen un soporte empírico. Éste
permite probabilidades subjetivas, aunque es útil para modificar nuestras
probabilidades subjetivas con la información obtenida en un experimento aleatorio.

En la realidad es posible realizar estimaciones de la probabilidad de un evento


basadas en el conjunto subjetivo a priori. El teorema de Bayes nos permite revisar
estas estimaciones en función de la evidencia empírica.

UNADM | DCEIT | GI | GIPMS 20


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

𝑃 (𝐵|𝐴𝑖) ∗ 𝑃 (𝐴𝑖)
𝑃 (𝐴𝑖|𝐵) =
∑𝑛𝑘=1(𝑃(𝐵|𝐴𝑖) ∗ 𝑃 (𝐴𝑘))

1.18. Eventos independientes

de que ocurra uno no es influida por la ocurrencia del otro. Si A y B son dos eventos y
si la probabilidad de la ocurrencia de A no afecta la probabilidad de la ocurrencia de
B, y viceversa (la probabilidad de la ocurrencia de B no afecta la probabilidad de la
ocurrencia de A), entonces se dice que A y B son eventos independientes.

Lo anterior se escribe como:


A y B son independientes ⇔ P (A) = 𝑃 (𝐴|𝐵) 𝑦 𝑃 (𝐵) = 𝑃 (𝐵|𝐴)

Se puede demostrar que es suficiente con que se tenga una igualdad condicional
P(A) = 𝑃 (𝐴|𝐵) 𝑜 𝑃 (𝐵) = 𝑃(𝐵|𝐴) para que se siga la independencia entre los eventos.

𝑃 (𝐴 ⋂ 𝐵)
Esto debido a que de una 𝑃(𝐴) = 𝑃(𝐴|𝐵) = .
𝑃 (𝐴)

 Definición 1. A y B son eventos independientes ⇔ 𝑃 (𝐴) = 𝑃(𝐴|𝐵)


Otra manera análoga de escribir la independencia entre eventos es utilizando
el producto de sus probabilidades esto es:
 Definición 2. A y B son eventos independientes ⇔ 𝑃 (𝐴⋂𝐵) = 𝑃 (𝐴) ∗ 𝑃 (𝐵)
Se puede demostrar entonces que las dos definiciones son equivalentes.

UNADM | DCEIT | GI | GIPMS 21


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

Semana 3

2. Variables aleatorias
En este tema estudiarás el concepto y la clasificación de una Variable Aleatoria (v.a.).
También analizarás la función de probabilidad, distribución y densidad, sin dejar a un
lado su esperanza y varianza. Para ello, es necesario considerar que cada una de las
variables tanto discretas como continuas, tienen características propias y en la
mayor parte de los problemas prácticos, la discreta se representa por datos
cuantificados y la continua con datos de medida; por ejemplo: pesos, alturas,
temperaturas o períodos de vida.

2.1. Variable aleatoria


Los modelos de probabilidad utilizan variables para representar diferentes
resultados. Necesitan variables o funciones que tomen varios valores, lo que les da el
nombre de variables aleatorias (v.a.). En este subtema estudiaremos las variables
aleatorias relacionadas a experimentos aleatorios cuyos resultados son finitos o
infinitos numerables.

Ejemplo: Experimento aleatorio


Observar a dos personas que regresan de viaje y pasan por la terminal internacional
del aeropuerto de la Ciudad de México, y al pasar por la aduana deben de oprimir un
botón que se puede encender en rojo (R) o en verde (V). Si es rojo, se les detiene para
una inspección completa; si es verde, no pasan inspección. El espacio muestral

UNADM | DCEIT | GI | GIPMS 22


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

aleatoria X que describa pasar el semáforo en verde para la pareja, entonces


observamos que esta variable puede tomar tres valores posibles:

X = 0 no pasa ninguno,
X = 1 pasa solo uno de los dos,
X = 2 pasan los dos.

Entonces el rango de la v.a. es Rx = {0,1,2}, por lo tanto se le puede ver como una
→ Rx) y
tiene la siguiente regla de correspondencia:
→ Rx ⊂ ℝ

RR

RV

VR 0 1 2 ℝ

VV

Regla de correspondencia

Por lo tanto, una variable aleatoria (v.a.) X es una función que a cada elemento del
→ Rx, donde Rx = {w ∈
X (w) ∈ ℝ } es el rango de la v.a. X.

Para denotar las variables aleatorias se acostumbra utilizar el último tercio del

UNADM | DCEIT | GI | GIPMS 23


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

Se acostumbra denotar las v.a. con letras mayúsculas X y sus valores con letras
minúsculas x, por lo tanto es importante no confundir las v.a. con sus valores.
Las v.a. se clasifican en dos tipos distintos: variables aleatorias discretas y variables
aleatorias continuas

2.2. Variable aleatoria discreta


Una v.a. discreta es aquella cuyo rango de valores 𝑅𝑋 tiene un número finito o infinito
numerable de valores, esto es si 𝑅𝑋 = 𝑥1 , 𝑥2 , … , 𝑥𝑛 , entonces la cardinalidad #𝑅𝑋 =
𝑛 < ∞ o si 𝑅𝑋 = 𝑥1 , 𝑥2 , … , 𝑥𝑘 , … , su cardinalidad #𝑅𝑋 es infinito numerable. En el
ejemplo anterior #𝑅𝑋 = 3, por lo cual 𝑋 es una v.a. discreta.

Lo importante de las v.a. discretas es que sus valores se pueden representar


puntualmente 𝑥1 , 𝑥2 , … , 𝑥𝑘
pueden trabajar las probabilidades puntuales denotadas como 𝑃(𝑋 = 𝑥) y se leerá: la
probabilidad de que la v.a. X tome el valor x.

Si 𝑋 es una variable aleatoria discreta con su rango de valores 𝑅𝑋 = 𝑥1 , 𝑥2 , … , 𝑥𝑘 , … .


La función de probabilidad, denotada 𝑃(𝑋 = 𝑥) = 𝑓(𝑥), se define como:
𝑃(𝑋 = 𝑥𝑖 ) para 𝑖 = 1, 2, … , 𝑘, …
𝑓(𝑥𝑖 ) = {
0 en otro caso.
Con la propiedad de que 𝑃(𝑋 = 𝑥𝑖 ) > 0 y ∑ 𝑥𝑖 ∈𝑅𝑋 𝑃(𝑋 = 𝑥𝑖 ) = 1.

Esto es la función de probabilidad de una v.a. discreta es el conjunto de probabilidades


𝑓(𝑥1 ) = 𝑃(𝑋 = 𝑥1 ) = 𝑝1 , 𝑓(𝑥2 ) = 𝑃(𝑋 = 𝑥2 ) = 𝑝2 𝑓(𝑥𝑘 ) = 𝑃(𝑋 = 𝑥𝑘 ) = 𝑝𝑘
0 < 𝑓(𝑥𝑖 ) = 𝑝𝑖 ≤ 1 para cada 𝑖 = 1, 2, … , 𝑘, … y ∑∞
𝑖=1 𝑝𝑖 = 1

UNADM | DCEIT | GI | GIPMS 24


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

A veces cuando se trabaja con diversas v.a. al mismo tiempo, por ejemplo 𝑋 y 𝑌, para
distinguir sus respectivas funciones de probabilidad se acostumbra denotar a estas
funciones como 𝑓𝑋 (𝑥) y 𝑓𝑌 (𝑥), donde la v.a. 𝑋 o 𝑌 es un subíndice. Nuevamente se
recuerda que con letras mayúsculas 𝑋 se denotan a las v.a. (funciones) y con letras
minúsculas 𝑥 a los valores de dichas v.a.

Con base en la definición anterior de v.a. se tiene que: Si 𝑋 es una v.a. discreta y 𝐴 es
un subconjunto de ℝ entonces la probabilidad de que 𝑋 tome valores en 𝐴, denotado
𝑃(𝑋 ∈ 𝐴), es:

𝑃(𝑋 ∈ 𝐴) = ∑ 𝑓(𝑥).
𝑥∈𝐴

La función de probabilidad de una v .a. discreta puede ser representada en tabla,


como regla de correspondencia (función) o bien mediante una gráfica, como se
muestra a continuación.

Tomando en consideración el ejemplo de la aduana donde R = Rojo y V = verde,


mostrado con anterioridad, y si consideramos que cada uno de los resultados del
espacio muestral es igualmente probable entonces:
1
𝑃(𝑅𝑅) = 𝑃(𝑅𝑉) = 𝑃(𝑉𝑅) = 𝑃(𝑉𝑉) = .
4
Entonces las probabilidades de los valores de 𝑋 son:
1
 Para el evento de 𝑋 = 0 el suceso equivalente es {RR} y 𝑃(𝑋 = 0) = 4.
1
 Para el evento de 𝑋 = 1 el suceso equivalente es {RV, VR} y 𝑃(𝑋 = 1) = 2.
1
 Para el evento de 𝑋 = 2 el suceso equivalente es {VV} y 𝑃(𝑋 = 2) = 4.

UNADM | DCEIT | GI | GIPMS 25


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

Esto último se puede presentar en una tabla llamada tabla de distribución de


probabilidad.

𝒙 𝑷(𝑿 = 𝒙)
0 0.25
1 0.5
2 0.25
Tabla de correspondencia

Obsérvese que las propiedades dadas en la definición se cumplen, esto es 𝑃(𝑋 = 0) +


𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) = 1. Ahora la relación entre los valores de la v.a. 𝑋 y sus

continuación:

Histograma de la distribución de probabilidad

Otra funcione importante que se le asocia a una v.a. es su función de distribución


denotada como 𝐹(𝑥) o 𝐹𝑋 (𝑥).

UNADM | DCEIT | GI | GIPMS 26


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

Sea 𝑋 una variable aleatoria discreta con rango de valores 𝑅𝑋 = 𝑥1 , 𝑥2 , … , 𝑥𝑘 , … . La


función de distribución (de probabilidad) de 𝑋 se define para cualquier 𝑥 ∈ ℝ fijo
como:

𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∑ 𝑓(𝑢).


𝑢≤𝑥

Puede notarse que dado un valor 𝑥 fijo la función de distribución 𝐹(𝑥) (para 𝑋 v.a.
discreta) es la suma todas las probabilidades que la v.a. 𝑋 toma para valores menores
o iguales al valor fijo. Esta función es conocida también como función de
distribución acumulada , o simplemente como distribución acumulada . No
debe de confundirse la función de probabilidad 𝑓(𝑥) denotada con minúscula con la
función de distribución 𝐹(𝑥) denotada con mayúscula.

Teorema: Toda función de distribución 𝐹 𝑥 satisface las siguientes


propiedades:

1.- Para todo 𝑥 número real se cumple que 0 ≤ 𝐹 𝑥 ≤ 1.

2.- Si 𝑎 < 𝑏 con a y b números reales, entonces 𝑃 𝑎 < 𝑋 ≤ 𝑏 = 𝐹 𝑏 −


𝐹(𝑎).

3.- Si 𝑎 < 𝑏 con a y b números reales, entonces 𝐹 𝑎 ≤ 𝐹(𝑏), (la función de


distribución es no decreciente).

4.- lim 𝐹(𝑥)=1 y lim 𝐹(𝑥) = 0.


𝑥→+∞ 𝑥→−∞

5.- La función de distribución 𝐹 𝑥 es continua por la derecha.

UNADM | DCEIT | GI | GIPMS 27


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

[Pantalla 3]
2.3. Variable aleatoria continua
Una v.a. continua es aquella cuyo rango 𝑅𝑋 tiene un infinito no numerable de valores.
O la variable aleatoria puede tomar todos sus en un intervalo (𝑎, 𝑏) ⊂ ℝ.

Por ejemplo, al medir la temperatura de fusión de un metal, la variable puede resultar


en grados centígrados y tomar valores en un intervalo determinado, o al medir el
tiempo de procesamiento de la información por una computadora se puede obtener
una v.a. entre [0.1, 2] milisegundos.

Entonces para una v.a. continua no tendrá mucho sentido trabajar probabilidades
puntuales, de hecho se demostrará que estas probabilidades son nulas.
Sea 𝑋 una variable aleatoria continua. La función de densidad de 𝑋 es una función
integrable y no negativa 𝑓: ℝ → ℝ+ , tal que para cualquier intervalo [𝑎, 𝑏] ⊂ ℝ se
cumple la igualdad:
𝑏
𝑃(𝑋 ∈ [𝑎, 𝑏]) = ∫ 𝑓(𝑥)𝑑𝑥.
𝑎

Donde 𝑓(𝑥) ≥ 0 para toda 𝑥 ∈ ℝ, y ∫−∞ 𝑓(𝑥)𝑑𝑥.

Esto es, la probabilidad de que la v.a. continua 𝑋 tome valores en cierto intervalo es
el área bajo la función de densidad 𝑓(𝑥) en dicho intervalo. Entonces de esta definición
puede seguirse que la probabilidad puntual de un v.a. continua es siempre nula, ya
que por propiedades de cálculo integral el área de una línea vertical es nula.
𝑎
𝑃(𝑋 ∈ [𝑎, 𝑎]) = ∫ 𝑓(𝑥)𝑑𝑥 = 0.
𝑎

Debe notarse que cualquier función que cumpla con las propiedades:

UNADM | DCEIT | GI | GIPMS 28


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

a) 𝑓(𝑥) ≥ 0 para toda 𝑥 ∈ ℝ y



b) ∫−∞ 𝑓(𝑥)𝑑𝑥.

Será llamada función de densidad.


A diferencia con v.a. discretas la función de densidad NO puede ser representada en
una tabla, pero sí como regla de correspondencia (función) o bien mediante una
gráfica, como se muestra a continuación.

Ejemplo: La revista de la facultad de Ingeniería de Antioquia presenta un artículo

en riesgo (VPN en riesgo) del Dr. Diego Fernando Manotas Duque. El riesgo es
modelado con la siguiente función de densidad:

Función de densidad

Si se considera la siguiente función compruebe qué es una función de densidad.


𝑥
2 ≤ 𝑥 ≤ 4
𝑓(𝑥) = { 6
0 en otro caso.

UNADM | DCEIT | GI | GIPMS 29


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

𝑥
En primer lugar 𝑓(𝑥) = 6 > 0 para cualquier 2 ≤ 𝑥 ≤ 4 y 𝑓(𝑥) = 0 en otro caso,

entonces se tiene 𝑓(𝑥) ≥ 0 para toda 𝑥 ∈ ℝ.

En segundo lugar calculemos la integral del intervalo [2, 4], esta cumple con las
condiciones para ser una función de densidad de probabilidad de esta variable
aleatoria continua.
∞ 4 4
𝑥 𝑥 1 𝑥2 (42 − 22 )
∫ 𝑑𝑥 = ∫ 𝑑𝑥 = | = = 1.
−∞ 6 2 6 6 2 2 12

Por tanto, la función anterior 𝑓(𝑥) es de densidad.

Otra función importante que se le asocia a una v.a. es su función de distribución


denotada como 𝐹(𝑥) o 𝐹𝑋 (𝑥).

Sea 𝑋 una variable aleatoria continua con función de densidad 𝑓(𝑥). La función de
distribución de 𝑋 se define para cualquier 𝑥 ∈ ℝ fijo como:
𝑥
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∫ 𝑓(𝑢)𝑑𝑢.
−∞

Esta función es conocida también como función de distribución acumulada, o


simplemente como distribución acumulada. No debe de confundirse la función de
densidad 𝑓(𝑥) denotada con minúscula con la función de distribución 𝐹(𝑥) denotada
con mayúscula. Sin embargo, existe una relación entre la función de densidad y la
función de distribución. Con base en el teorema fundamental del cálculo, si 𝐹(𝑥) es
derivable, entonces:

UNADM | DCEIT | GI | GIPMS 30


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

𝑑𝐹
𝑓(𝑥) = = 𝐹′.
𝑑𝑥

Esto es la derivada de la función distribución de una v.a. continua es su función de


densidad.

Otra manera equivalente de definir un v.a. continua es mediante la caracterización


de su función de distribución; es decir: se dice que una variable aleatoria 𝑋 es continua
si su función de distribución 𝐹(𝑥) es una función continua.

Una manera no formal, de ver la continuidad de la función 𝐹(𝑥) es precisamente


mediante su representación gráfica.

Teorema: toda función de distribución 𝐹 𝑥 satisface las siguientes


propiedades:

1.- Para todo 𝑥 número real se cumple que 0 ≤ 𝐹 𝑥 ≤ 1.

2.- Si 𝑎 < 𝑏 con a y b números reales, entonces 𝑃 𝑎 < 𝑋 ≤ 𝑏 = 𝐹 𝑏 −


𝐹(𝑎).

3.- Si 𝑎 < 𝑏 con a y b números reales, entonces 𝐹 𝑎 ≤ 𝐹(𝑏), (la función de


distribución es no decreciente).

4.- lim 𝐹(𝑥)=1 y lim 𝐹(𝑥) = 0.


𝑥→+∞ 𝑥→−∞

5.- La función de distribución 𝐹 𝑥 es continua por la derecha.

UNADM | DCEIT | GI | GIPMS 31


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

Para la función de densidad del ejemplo anterior determina su función de distribución


correspondiente.
𝑥
 Si 𝑥 < 2, entonces 𝐹(𝑥) = ∫−∞ 0 𝑑𝑥 = 0.

 Si 2 ≤ 𝑥 ≤ 4 entonces:
2 𝑥 𝑥
𝑡 𝑡2 1 2 𝑥2 1
𝐹(𝑥) = ∫ 0𝑑𝑡 + ∫ 𝑑𝑡 = | = (𝑥 − 22 ) = − .
−∞ 2 6 12 2 12 12 3

 Si 𝑥 > 4 entonces:
2 4 𝑥 4
𝑥 𝑥2
𝐹(𝑥) = ∫ 0𝑑𝑡 + ∫ 𝑑𝑥 + ∫ 0 𝑑𝑡 = | = 1.
−∞ 2 6 4 12 2

Por lo tanto, la función de distribución está dada por:

Puede verificarse que 𝐹(𝑥) cumple con todas las propiedades de una función de
distribución, de hecho es continua, por lo cual ésta puede ser función de distribución
de una v.a. continua.

UNADM | DCEIT | GI | GIPMS 32


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

2.4. Esperanza y Varianza de las variables aleatorias discreta y


continua

Esperanza y varianza de una variable aleatoria discreta


Los valores promedio de algunas variables aleatorias son muy utilizados para
determinar el punto central de cierto conjunto de valores. Este valor central
teóricamente es llamado la esperanza (matemática) o valor esperado de una v. a. 𝑋.

Si 𝑋 es una variable aleatoria discreta con su función de probabilidad 𝑓𝑋 (𝑥), la


esperanza de 𝑋, denotada 𝐸(𝑋) es el número:

𝐸(𝑋) = ∑ 𝑥 ∙ 𝑃(𝑋 = 𝑥) = ∑ 𝑥 ∙ 𝑓𝑋 (𝑥).


𝑥∈𝑅𝑋 𝑥∈𝑅𝑋

Una v. a. con un rango finito de valores siempre tendrá valor esperado; sin embargo,
pueden existir v. a. que no tengan esperanza, ya que la suma anterior se puede
convertir en una serie no convergente.

Observa que si 𝑃(𝑋 = 𝑥) es una descripción exacta de las frecuencias relativas para
una población de datos, entonces 𝐸(𝑋) = 𝜇 la media o promedio de la población.

Ejemplo: Se selecciona un empleado al azar entre 5,000 empleados que trabajan


para una armadora de coches. Sea X: el número de faltas por año del empleado
seleccionado. La función de probabilidad de la variable X está dada por la siguiente
tabla:
X 1 2 3 4 5 6 7
𝒇(𝒙) 0.02 0.17 0.39 0.25 0.13 0.03 0.01

UNADM | DCEIT | GI | GIPMS 33


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

Función de probabilidad

Calculando el valor medio de la variable X,

𝐸(𝑋) = 𝜇 = ∑ 𝑥𝑓(𝑥) = 1(0.02) + 2(0.17) + ⋯ + 7(0.01) = 3.43


𝑥∈𝑅𝑋

Así, este último valor representa la promedio del número de días que falta un
trabajador por año.

Teorema: propiedades de la esperanza. Sean 𝑋 y 𝑌 dos variables aleatorias con


sus respectivas esperanzas 𝐸 𝑋 y 𝐸 𝑌 finitas, y sea 𝑐 un constante, entonces
se tienen las siguientes propiedades:

1.- 𝐸 𝑐 = 𝑐.

2.- 𝐸 𝑐𝑋 = 𝑐𝐸 𝑋 .

3.- Si 𝑋 ≥ 0 entonces 𝐸 𝑋 ≥ 0

4.- 𝐸 𝑋 + 𝑌 = 𝐸 𝑋 + 𝐸 𝑌 .

5.-Si 𝑋 y 𝑌son v.a. independientes, entonces 𝐸 𝑋 ∙ 𝑌 = 𝐸 𝑋 ∙ 𝐸 𝑌 .

6.- Si 𝑋 es v.a. discreta y 𝑔: ℝ → ℝ es una función real tal que 𝑔 𝑋 es una v.a.
con esperanza finita, entonces 𝐸 𝑔(𝑋) = ∑𝑥∈𝑅𝑋 𝑔 𝑥 𝑃(𝑋 = 𝑥) .

UNADM | DCEIT | GI | GIPMS 34


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

A diferencia de la esperanza de una v.a. 𝑋


valores que toma dicha v.a. Por ejemplo, si nos dicen que un río tiene una profundidad
promedio de un metro ¿esta información sería suficiente para cruzar el río nadando?
Posiblemente no, ya que pueden existir partes en donde el río tenga una profundidad
muy grande (o muy pequeña), pero el promedio no refleja estos valores. Sin embargo,
si nos dicen qu
sabrá las profundidades mayores y menores. Para esto nos sirve la varianza.

Si 𝑋 es una variable aleatoria discreta con su función de probabilidad 𝑓𝑋 (𝑥) y con


𝐸(𝑋) = 𝜇 finita, entonces:
1) La varianza de 𝑋, denotada Var(𝑋), es el número:

Var(𝑋) = ∑ (𝑥 − 𝜇)2 ∙ 𝑃(𝑋 = 𝑥) = ∑ (𝑥 − 𝜇)2 ∙ 𝑓𝑋 (𝑥).


𝑥∈𝑅𝑋 𝑥∈𝑅𝑋

2) La desviación estándar de 𝑋 es el número √Var(𝑋).

Obsérvese que por la propiedad 6 del teorema anterior Var(𝑋) = 𝐸[(𝑋 − 𝜇)2 ]. La
varianza de 𝑋 suele también expresarse con la letra griega sigma como Var(𝑋) = 𝜎 2 ,

por lo cual la desviación estándar se expresa como √𝐕𝐚𝐫(𝑿) = 𝝈.

Ejemplo: Retomando el anterior ejemplo de los 5,000 empleados que trabajan en


una armadora de coches, entonces si P(X = x) es una descripción exacta de las
frecuencias relativas para una población de datos, donde X representa el número de
faltas que un empleado tiene durante un año, para la cual μ = 3.43 entonces Var(X) =
σ2 la varianza y desviación estándar de la población serán.

UNADM | DCEIT | GI | GIPMS 35


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

Var(𝑋) = 𝜎 2 = ∑ (𝑥 − 3.43)2 𝑓(𝑥)


𝑥∈𝑅𝑋

= (1 − 3.43)2 (0.02) + (2 − 3.43)2 (0.17) + ⋯ + (7 − 3.43)2 (0.01) = 1.265.


𝜎 = √1.265 = 1.125.

Teorema: propiedades de la varianza. Sean 𝑋 y 𝑌 dos variables


aleatorias con sus respectivas esperanzas 𝐸 𝑋 y 𝐸 𝑌 finitas, y
varianzas Var 𝑋 y Var 𝑌 , y sea 𝑐 un constante, entonces se
tienen siguientes propiedades:

1.- Var 𝑋 ≥ 0 (la varianza siempre es no negativa).

2.- Var 𝑐 = 0.

3.- Var 𝑐𝑋 = 𝑐 2 Var 𝑋 .

4.- Var 𝑋 + 𝑐 = Var 𝑋 .

5.- Var 𝑋 = 𝐸 𝑋 2 − 𝐸(𝑋) 2 .

6.-Si 𝑋 y 𝑌son v.a. independientes, entonces Var 𝑋 + 𝑌 =


Var 𝑋 + Var 𝑌 .

UNADM | DCEIT | GI | GIPMS 36


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

Esperanza y varianza de una variable aleatoria continua


Los valores promedio de algunas variables aleatorias son muy utilizados para
determinar el punto central de cierto conjunto de valores. Este valor central
teóricamente es llamado la esperanza (matemática) o valor esperado de una v. a. 𝑋.

Si 𝑋 es una variable aleatoria continua con función de densidad 𝑓𝑋 (𝑥), entonces su


esperanza, denotada 𝐸(𝑋), es:

𝐸(𝑋) = ∫ 𝑥 𝑓𝑋 (𝑥)𝑑𝑥.
−∞


Análogamente al caso de v.a. discretas puede suceder que la integral ∫−∞ 𝑥 𝑓𝑋 (𝑥)𝑑𝑥

no exista o o sea infinita en estos casos se tendrían v.a. sin esperanza. Una condición
suficiente para que la esperanza exista es que se tenga la convergencia absoluta de

la integral; es decir: ∫−∞|𝑥| 𝑓𝑋 (𝑥)𝑑𝑥 < ∞. En particular cualquier v.a. continua acotada

|𝑋| ≤ 𝑐 tiene esperanza, esto último se puede deducir de las propiedades de la


esperanza.

Ejemplo: Calcule la esperanza de la v.a. 𝑋 continua con función de densidad.


𝑥
2 ≤ 𝑥 ≤ 4
𝑓(𝑥) = { 6
0 en otro caso.

Por definición se tiene que:


∞ 2 4 ∞ 4 2
𝑥 𝑥
𝐸(𝑋) = ∫ 𝑥 𝑓𝑋 (𝑥)𝑑𝑥 = ∫ 𝑥 ∙ 0 𝑑𝑥 + ∫ 𝑥 ∙ 𝑑𝑥 + ∫ 𝑥 ∙ 0 𝑑𝑥 = ∫ 𝑑𝑥
−∞ −∞ 2 6 4 2 6
4
𝑥3 (43 − 23 ) 28
= | = = ≈ 3.111.
18 2 18 9

UNADM | DCEIT | GI | GIPMS 37


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

En este caso el valor 𝐸(𝑋) ≈ 3.111 se encuentra en el intervalo de definición de la


función 𝑓(𝑥).

Teor ema: propiedades de la esperanza. Sean 𝑋 y 𝑌 dos variables aleatorias


continuas con sus respectivas esperanzas 𝐸 𝑋 y 𝐸 𝑌 finitas, y sea 𝑐 un
constante, entonces se tienen siguientes propiedades:

1.- 𝐸 𝑐 = 𝑐.

2.- 𝐸 𝑐𝑋 = 𝑐𝐸 𝑋 .

3.- Si 𝑋 ≥ 0 entonces 𝐸 𝑋 ≥ 0

4.- 𝐸 𝑋 + 𝑌 = 𝐸 𝑋 + 𝐸 𝑌 .

5.-Si 𝑋 y 𝑌son v.a. independientes, entonces 𝐸 𝑋 ∙ 𝑌 = 𝐸 𝑋 ∙ 𝐸 𝑌 .

6.- Si 𝑋 es v.a. continua y 𝑔: ℝ → ℝ es una función real tal que 𝑔 𝑋 es una



v.a. con esperanza finita, entonces 𝐸 𝑔(𝑋) = ∫−∞ 𝑔 𝑥 𝑓𝑋 𝑥 𝑑𝑥 .

UNADM | DCEIT | GI | GIPMS 38


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

En el caso de la v arianza de una variable aleatoria continua, Si 𝑋 una variable


aleatoria continua con su función de densidad 𝑓𝑋 (𝑥) y con 𝐸(𝑋) 𝜇 finita, entonces:

1) La varianza de 𝑋, denotada Var(𝑋), es:



Var(𝑋) = ∫ (𝑥 − 𝜇)2 𝑓(𝑥)𝑑𝑥.
−∞

2) La desviación estándar de 𝑋 es √Var(𝑋).

Obsérvese que Var(𝑋) = 𝐸[(𝑋 − 𝜇)2 ]. La varianza de 𝑋 suele también expresarse con
la letra griega sigma como Var(𝑋) = 𝜎 2 , por lo cual la desviación estándar se expresa

como √Var(𝑋) = 𝜎.

Retomando el ejemplo anterior, determinar la varianza de la v.a. continua 𝑋.


Por definición se tiene que:

Var(𝑋) = ∫ (𝑥 − 𝜇)2 𝑓(𝑥)𝑑𝑥
−∞
2 4
𝑥
= ∫ (𝑥 − 3.111) ∙ 0 𝑑𝑥 + ∫ (𝑥 − 3.111)2 ∙
2
𝑑𝑥
−∞ 2 6
∞ 4
𝑥
+ ∫ (𝑥 − 3.111)2 ∙ 0 𝑑𝑥 = ∫ (𝑥 − 3.111)2 ∙ 𝑑𝑥 ≈ 0.321.
4 2 6

𝜎 = √0.321 ≈ 0.567.

UNADM | DCEIT | GI | GIPMS 39


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

Teor ema: propiedades de la varianza. Sean 𝑋 y 𝑌 dos variables


aleatorias con sus respectivas esperanzas 𝐸 𝑋 y 𝐸 𝑌 finitas, y
varianzas Var 𝑋 y Var 𝑌 , y sea 𝑐 un constante, entonces se tienen
siguientes propiedades:

1.- Var 𝑋 ≥ 0 (la varianza siempre es no negativa).

2.- Var 𝑐 = 0.

3.- Var 𝑐𝑋 = 𝑐 2 Var 𝑋 .

4.- Var 𝑋 + 𝑐 = Var 𝑋 .

5.- Var 𝑋 = 𝐸 𝑋 2 − 𝐸(𝑋) 2 .

6.-Si 𝑋 y 𝑌son v.a. independientes, entonces Var 𝑋 + 𝑌 = Var 𝑋 +


Var 𝑌 .

UNADM | DCEIT | GI | GIPMS 40


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

Semana 4

3. Modelos probabilísticos comunes


En este tema analizarás los diferentes modelos matemáticos apropiados para
situaciones reales en condiciones específicas; entre ellos: el modelo de Bernoulli,
binomial, geométrico, Poisson, uniforme continuo y exponencial.

Éstos te ayudarán a predecir la conducta de futuras repeticiones de un experimento


aleatorio (discreto y continuo).

3.1. Modelo Bernoulli


El modelo Bernoulli es uno de los más simples. Un experimento aleatorio es tipo
Bernoulli cuando sólo tiene dos resultados posibles, generalmente dichos valores

lanzamiento de una moneda es un experimento tipo Bernoulli, a diferencia de lanzar


un dado, ya que este experimento tiene 6 posibles resultados.

Si 𝑋 es una variable aleatoria definida en el experimento tipo Bernoulli, la cual


representa el éxito en el experimento, generalmente los valores de 𝑋 son 0 y 1, esto
es 𝑅𝑋 = 0, 1 .

Si un parámetro 0 < 𝑝 < 1. La 𝑋 una variable aleatoria tiene función de probabilidad


(o distribución) Bernoulli, denotada 𝑋~Ber(𝑝), definida como
𝑓(1) = 𝑃(𝑋 = 1) = 𝑝 y 𝑓(0) = 𝑃(𝑋 = 0) = 1 − 𝑝.

UNADM | DCEIT | GI | GIPMS 41


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

En general, se toma que 𝑞 = (1 − 𝑝), entonces es fácil determinar la esperanza y


varianza de una v.a 𝑋~Ber(𝑝).

𝐸(𝑋) = 1 ∙ 𝑝 + 0 ∙ (1 − 𝑝) = 𝑝.
Var(𝑋) = (1 − 𝑝)2 ∙ 𝑝 + (0 − 𝑝)2 ∙ (1 − 𝑝) = 𝑝(1 − 𝑝) = 𝑝𝑞.
Si 𝑋~Ber(𝑝), 𝐸(𝑋) = 𝑝 y Var(𝑋) = 𝑝𝑞.

3.2. Modelo binomial


El modelo binomial es empleado en situaciones en donde nos interesa conocer una
suma de éxitos o una proporción en una población. Este modelo está basado en un
número de repeticiones del experimento tipo Bernoulli.

UNADM | DCEIT | GI | GIPMS 42


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

Un experimento aleatorio se llama binomial cuando se cumplen las siguientes


condiciones:

El experimento consta de n (un número finito) de ensayos


en forma idéntica.

Cada ensayo tiene dos posibles resultados: éxito o


fracaso, tipo Bernoulli.

Los ensayos son independientes; es decir, el resultado de


un ensayo no depende de los ensayos anteriores.

La probabilidad de éxito en cada prueba es 𝑝 y la


probabilidad de fracaso es 𝑞 = (1 − 𝑝) ambas se
mantienen constantes en cada prueba.

La variable aleatoria en el experimento describe el número


de éxitos en los n ensayos.

Obsérvese que los valores que puede tomar la v.a. 𝑋 son 0,1,2, … , 𝑛.

Sean 𝑛 ∈ ℕ, 0 < 𝑝 < 1 y 𝑞 = (1 − 𝑝). La variable aleatoria 𝑋 tiene función de


probabilidad (o distribución) binomial con parámetros 𝑛 y 𝑝, denotada 𝑋~Bin(𝑛, 𝑝),
definida como: 𝑓(𝑥) = 𝑃(𝑋 = 𝑥) = (𝑛𝑥)𝑝 𝑥 𝑞 𝑛−𝑥 , para los valores de 𝑥 = 0,1,2, … 𝑛.

Ejemplo: Imagina que 20% de todas las computadoras producidas por una compañía
necesitan un servicio durante su periodo de garantía. Sea X el número de
computadoras, entre 15 seleccionadas aleatoriamente, que necesitarán un servicio.
Entonces si X tiene una distribución binomial con 𝑛 = 15 y 𝑝 = 0.2.

UNADM | DCEIT | GI | GIPMS 43


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

a) La probabilidad de que exactamente 8 necesiten servicio es:

𝑓(8) = 𝑃(𝑋 = 8) = (15


8
)(0.2)8 (0.8)15−8 = 0.00345.

b) La probabilidad de que a lo más 8 computadoras necesiten servicio es:


8 15
𝐹(8) = 𝑃(𝑋 ≤ 8) = ∑ ( ) (0.2)𝑥 (0.8)15−𝑥 .
𝑥=0 𝑥

15 15 15
𝐹(8) = ( ) (0.2)0 (0.8)15 + ( ) (0.2)1 (0.8)14 + ( ) (0.2)2 (0.8)13 + ⋯
0 1 2
15
+ ( ) (0.2)8 (0.8)7 = 0.999.
8

c) La probabilidad de que al menos 9 necesiten servicio es:


8 15
𝑃(𝑋 ≥ 9) = 1 − 𝑃(𝑋 ≤ 8) = 1 − ∑ ( ) (0.2)𝑥 (0.8)15−𝑥 .
𝑥=0 𝑥

𝑃(𝑋 ≥ 9) = 1 − 0.999 = 0.001.


Si 𝑋~Bin(𝑛, 𝑝), entonces 𝐸(𝑋) = 𝑛𝑝 y Var(𝑋) = 𝑛𝑝𝑞.

3.3. Modelo geométrico


En la práctica con frecuencia se tienen experimentos también de ensayos
independientes, pero a diferencia de los binomiales no tienen una cantidad finita para
realizarse, sino que el experimento termina hasta obtenerse el primer éxito, lo cual
no necesariamente podría darse. A estos modelos se les conoce como modelos
geométricos.

UNADM | DCEIT | GI | GIPMS 44


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

Por ejemplo, al lanzar una moneda balanceada sea la v. a. tal que 𝑋: la cantidad de
lanzamientos hasta la primer águila, obviamente los posibles valores que puede
tomar 𝑋 n, ...

Sean 0 < 𝑝 < 1 la probabilidad de éxito y 𝑞 = (1 − 𝑝) la probabilidad de fracaso. La


variable aleatoria 𝑋 tiene función de probabilidad (o distribución) geométrica con
parámetros 𝑛 y 𝑝, denotada 𝑋~Geo(𝑝), definida como:

𝑓(𝑥) = 𝑃(𝑋 = 𝑥) = 𝑞 𝑥−1 𝑝, para los valores 𝑥 = 1,2, … , 𝑛, …


1 𝑞
Si 𝑋~Geo(𝑝), entonces 𝐸(𝑋) = 𝑝 y Var(𝑋) = 𝑝2 .

3.4. Modelo de Poisson


El modelo Poisson se utiliza en experimentos cuyos resultados tienen lugar en
intervalos continuos de tiempo. Sin embargo, el modelo es discreto puesto que nos
interesará la cantidad de resultados que pueden ocurrir en un intervalo de tiempo
dado, mas no la continuidad del intervalo.

Este modelo se utiliza para optimizar tiempos, tanto de espera como de servicios,
estas investigaciones se les conoce como líneas de espera o teoría de colas.

Ejemplos:
 Un departamento de atención a clientes desea estimar el promedio de
llamadas por hora. Entendemos el número de llamadas la suma de ocurrencias
en un espacio de tiempo de una hora.

UNADM | DCEIT | GI | GIPMS 45


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

 Un laboratorio de análisis clínicos realiza estudios en los que requiere contar el


número de ocurrencias de plaquetas, leucocitos, neutrófilos, linfocitos, etc.,
por ml2, con el fin de estimar el promedio de ocurrencias por unidad de
volumen.
 Un supermercado se interesa en observar el promedio de clientes que llega a
las cajas por hora.
 El departamento de tránsito está interesado en estimar el promedio de
accidentes por semana en un crucero peligroso.

Un experimento aleatorio de Poisson tiene las siguientes características:


 λ es un parámetro de la población y se conoce como el promedio de
ocurrencias por unidad específica (de tiempo, área o volumen).
 El promedio de ocurrencias por unidad específica es proporcional al tamaño (o
longitud) de la unidad.
 Los resultados de intervalos que no tienen puntos en común son
independientes.
 La variable aleatoria asociada al experimento es el número de ocurrencias por
una unidad específica.

Por ejemplo, en la Ciudad de México suelen ocurrir sismos de vez en cuando; sin
embargo, el número de ocurrencias de un sismo en un intervalo de tiempo breve (una
hora o un día) es pequeño (casi despreciable). Pero podría decirse que en promedio,
ocurren tres sismos cada lustro; es decir, en este caso 𝜆 = 3.

Sea 0 < 𝜆 un parámetro. La variable aleatoria 𝑋 tiene función de probabilidad (o


distribución) de Poisson con parámetro 𝜆, denotada 𝑋~Poisson(𝜆), definida como:

UNADM | DCEIT | GI | GIPMS 46


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

𝜆𝑥
𝑓(𝑥) = 𝑃(𝑋 = 𝑥) = 𝑒 −𝜆 𝑥! para los valores 𝑥 = 0,1,2, … 𝑛 …

Si 𝑋~Poisson(𝜆), entonces 𝐸(𝑋) = 𝜆 = Var(𝑋).

3.5. Modelo uniforme continuo


El modelo uniforme continuo es uno de los más sencillos, ya que se caracteriza
porque su distribución es igual en todos los puntos de un segmento, y de debido a
esto se emplea en la simulación para el cálculo de números aleatorios que tienen un
comportamiento uniforme.

Una variable aleatoria 𝑋 tiene distribución uniforme continua en un intervalo (𝑎, 𝑏),
denotada 𝑋~U(𝑎, 𝑏), si su función de densidad es:
1
𝑓(𝑥) = {𝑏 − 𝑎 si 𝑥 ∈ (𝑎, 𝑏),
0 en otro caso

Cabe mencionar que en muchos libros de texto encontrarás dicha distribución


uniforme se define para el intervalo cerrado [𝑎, 𝑏]; sin embargo, aquí se define para el
intervalo abierto (𝑎, 𝑏). Recuerda que para una v.a continua la probabilidad en puntos
es nula por lo cual no se afecta la definición si es con uno u otro intervalo.

Teorema: Si 𝑋 es una variable aleatoria con distribución uniforme en (𝑎, 𝑏), 𝑋~U(𝑎, 𝑏),
entonces:
𝑎+𝑏
1.- 𝐸(𝑋) = .
2
(𝑏−𝑎)2
2.- Var(𝑋) = 12

UNADM | DCEIT | GI | GIPMS 47


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

0 si 𝑥 ≤ 𝑎,
𝑥−𝑎
3.- 𝐹(𝑥) = {𝑏−𝑎 si 𝑎 < 𝑥 < 𝑏,
1 si 𝑥 ≥ 𝑏.

Todo lo anterior es fácilmente demostrable.


Las siguientes gráficas corresponden a la función densidad y distribución uniforme:

Función de densidad y distribución uniforme

1
Observa que el área por debajo de la función 𝑓(𝑥) es un rectángulo con altura 𝑏−𝑎 y

base 𝑏 − 𝑎, por lo que su área es 1.

Ejemplo: Estimar el peso de una persona siempre presenta márgenes de error que
dependen del tipo báscula, y estos errores pueden variar por gramos o hasta algunos
kilos. Considere una báscula digital que nos garantiza un error entre 0 y 1000 g. ¿Qué
probabilidad hay de que el peso real exceda a 500 g?

Si la distribución del error es uniforme en el intervalo (0, 1000), entonces la función de


1
densidad queda representada por función 𝑓(𝑥) con una altura de 1000.

UNADM | DCEIT | GI | GIPMS 48


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

La probabilidad se calcula integrando el área debajo de 𝑓(𝑥) en el intervalo


(500, 1000), por observación sabemos que esta área es igual a 0.5, si usamos:

1000
𝑑𝑥 500
𝑃(𝑋 ≥ 500) = 1 − 𝑃(𝑋 ≤ 500) = 1 − ∫ =1− = 0.5.
500 1000 1000

3.6. Distribución exponencial


Esta distribución es comúnmente utilizada en los modelos de líneas de espera, al igual
que la distribución discreta de Poisson. De hecho éstas tienen una relación muy
estrecha. En la mayoría de los modelos relacionados con el tiempo se puede notar
que su distribución es tal que en tiempos pequeños (cercanos a cero) tienen una
mayor acumulación (o área), y conforme pasa el tiempo ésta decrece rápidamente.

Una variable aleatoria 𝑋 tiene distribución exponencial con parámetro 𝜆 > 0,


denotada 𝑋~Exp(𝜆), si su función de densidad es:
−𝜆𝑥
4. 𝑓(𝑥) = { 𝜆𝑒 si 𝑥 ≥ 0,
0 en otro caso.

Teorema: Si 𝑋 es una variable aleatoria con distribución exponencial y con


parámetro 𝜆 > 0, 𝑋~Exp(𝜆), entonces:
1
1.- 𝐸(𝑋) = 𝜆.
1
2.- Var(𝑋) = 𝜆2 .
𝑥 0 si 𝑥 < 0,
3.- 𝐹(𝑥) = ∫0 𝜆𝑒 −𝜆𝑥 𝑑𝑥 = { −𝜆𝑥
1−𝑒 si 𝑥 ≥ 0.

UNADM | DCEIT | GI | GIPMS 49


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

Las siguientes son las respectivas gráficas de densidad y distribución de


𝑋~Exp(𝜆 = 3).

Densidad de distribución

Para concluir el tema analiza el siguiente cuadro que muestra los modelos de
probabilidad de acuerdo a su distribución:

UNADM | DCEIT | GI | GIPMS 50


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

Modelo de Bernoulli

Modelo geométrico
Modelos de probabilidad de acuerdo a

Determinísticos

Modelo bimodal
su distribución:

Modelo de Poisson

Modelo exponencial

Continuos

Uniforme

UNADM | DCEIT | GI | GIPMS 51


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

Cierre de la unidad
En esta unidad analizaste los fundamentos de la probabilidad con la finalidad de dar
solución a los distintos problemas donde se desea conocer los resultados de un
experimento aleatorio.

El estudio de los conceptos básicos, la determinación de las variables aleatorias


discretas y continuas, y los distintos modelos probabilísticos, te permitieron alcanzar
los aprendizajes descritos en el programa de estudios, específicamente la
determinación de la naturaleza de los problemas aleatorios en contraste con los
determinísticos. En síntesis, analizaste los fundamentos del ecosistema disciplinar
encaminado a una gestión e innovación industrial.

Estos elementos te permitirán avanzar a la segunda unidad, en la que identificarás y


aplicarás elementos y herramientas matemáticas básicas con la finalidad de resolver
problemas reales y cotidianos.

UNADM | DCEIT | GI | GIPMS 52


Módulo 1. Pensamiento Matemático y Social
Unidad 1. Probabilidad

Fuentes de consulta

Básica

 Mendenhall, W. (2008). Introducción a la probabilidad y estadística (13ª ed.).


México: Thomson Cengage Learning.
 Milton, J. S. y Arnold, J C. (2004). Probabilidad y Estadística con Aplicaciones
para Ingeniería y Ciencias Computacionales (4 ª ed.). México: McGraw-Hill.
 Spiegel, M. R. (2010). Teoría y problemas de probabilidad y estadística (3ª
ed.). México: McGraw-Hill, Serie Schaum.

Complementaria

 Hines, W. (2003). Probability and Statistics in Engineering (4 ª ed.). New


Jersey: John Wiley & Sons.

UNADM | DCEIT | GI | GIPMS 53