Está en la página 1de 32

Universidad Tcnica Federico Santa Mara versin 1 Pg.

____________________________________________________________________________________________
1.- Probabilidad Condicional, Bayes, Independencia
1.1.- Probabilidad Condicional:
DEF:
Sea E un evento arbitrario de un espacio muestral M con IP(E)>0.
Se define la probabilidad condicional de A dado E (se denota IP(A/E)),
como sigue:

IP A E
IP A E
IP E
( / )
( )
( )


(**)
OBS:
La probabilidad condicional de A dado E (o bien, la IP del suceso A s ya ha
sucedido el suceso E, o bien, la IP del suceso A condicionado a E), se
puede visualizar en un diagrama de Venn como se aprecia a continuacin:
Nota:
La probabilidad condicional es una probabilidad relativa del suceso A con
relacin al suceso E.
En particular, si M es un espacio finito y |A| denota la cardinalidad de un
evento A, entonces:
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
118
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
( )
( )
IP A E
IP A E
IP E
A E
E
( ) /



o
IP A E
cardinalidad de A E
cardinalidad de E
( )


o
suceder puede E que en maneras de nmero
suceder pueden E y A que en maneras de nmero
IP ) ( E A
Ejercicio:
Si al lanzar un par de dados insesgados se obtiene que la suma es 5, hallar
la probabilidad de que uno de los dados sea 2, es decir:
E={ suma es 5}={(1,4),(2,3),(3,2),(4,1)} => |E|=4 y
A={un dos aparece por lo menos en un dado}={ (2,1) , (2,2), (2,3), (2,4) ,
(2,5) , (2,6), (1,2),(3,2),(4,2),(5,2), (6,2)}=>|A|=11.
Hallar IP(A|E)
Solucin:
E consta de 4 elementos y en 2 de ellos aparece el nmero 2,
entonces pertenece a A:
AE= {(2,3), (3,2)} => |AE|=2
Entonces
IP(A|E)=2/4= 1/2.
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
119
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Teorema de la multiplicacin de la probabilidad condicional:
Si despejamos de la ecuacin (**) que define la probabilidad condicional y
usamos el hecho de que AE = EA, obtenemos la siguiente frmula:
Teorema 1:
( ) IP E A IP E IP A E ( ) ( )
Obs.
este teorema puede extenderse de la siguiente manera por induccin
matemtica:
Para los eventos A
1
,A
2
,.....,A
n
se cumple que
( ) ( ) ( )
( ) A IP A IP A A IP A A A P A A A A
n n 1 1 2 1 3 1 2 1 2 1


A A
2 n
( )
Ejercicios resueltos
1. Suponer que se tiene una caja (20 botellas) de Coca-Cola para la venta,
y se sabe que existen 10 que en su tapa traen un premio, determinar:

a- La probabilidad de que la tercera botella que se venda sea la primera
que tenga su tapa con premio
b- La probabilidad de que la tercera botella sea la segunda premiada
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
120
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Solucin:
a Este experimento ocurre sin devolucin, grficamente sera:
S i n p r e m i o S i n p r e m i o C o n p r e m i o
Sean los sucesos:
S
P
= Sin Premio
C
P
= Con Premio
P
1
= La primera premiada
P
2
= La segunda premiada
IP(S
P
S
P
C
P
)=IP(C
P
/ S
P
S
P
) IP(S
P
/ S
P
)IP(S
P
)=
=casos favorables/casos posibles=
=(10910)/(201918) 0.132 13.2%
Tambin para el desarrollo de este ejercicio se pueden hacer uso de
rboles, que indican la condicionalidad en las ramas.
2-b
S i n p r e m i o C o n p r e m i o C o n p r e m i o
C o n p r e m i o S i n p r e m i o
IP(sale 2da premiada en la tercera prueba)=IP(P
1
S
P
P
2
)+IP(S
P
P
1
P
2
)
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
121
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
=IP(P
1
) IP(S
P
/ P
1
) IP(P
2
/ P
1
S
P
)+IP(S
P
) IP(P
1
/ S
P
) IP(P
2
/ S
P
P
1
)
=((1010 9)/(20 19 18) )+((10109)/(201918)) 0,263 26,3%
(Como ejercicio podra realizarlo usando un rbol).
2- En un costurero se tienen 5 carretes de hilo de los cuales 2 son de color
rojo y 3 son de color negro.
a- Cul es la probabilidad de que al sacar los carretes el tercero sea el
segundo de color negro?

b- Cul es la probabilidad de encontrar el ltimo rojo en la cuarta
extraccin?
Solucin
a- Sean los sucesos:
N = color negro
R = color rojo
Existen 2 eventos y la IP(de que al sacar los carretes el tercero sea el
segundo de color negro) es:

IP(1)=IP(NRN) + IP(RNN) = IP(N) IP(R/N) IP(N/NR) +IP(R) IP(N/R)IP(N/RN)
IP(1)=((232)/(543))+((322)/(543))=0.4=40%
b-
Existen 3 eventos cuyas probabilidades son
IP (encontrar el ltimo rojo en la cuarta extraccin)=
IP(que el ltimo rojo sea el cuarto)=
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
122
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
IP(RNNR) +IP(NRNR) +IP(NNRR)=
=IP(R)IP(N/R) IP(N/RN) IP(R/RNN) + IP(N) IP(R/N) IP(N/NR) IP(R/NRN)
+ IP(N) IP(N/N) IP(R/NN) IP(R/NNR)
=((3221)/(5432))+((2321)/(5432))+((3221)/(5432))
= 0,3=30%
3- En una caja de 100 artculos hay 10 defectuosos se toman al azar 3
artculos uno tras otro, hallar la probabilidad de que los tres no sean
defectuosos.
Sean los sucesos:
A
i
= {el artculo i es bueno}
B
i
= {el artculo i es malo}
IP(A
1
A
2
A
3
)= IP(A
1
) IP(A
2
/A
1
) IP(A
3
/A
1
A
2
)
IP(A
2
|A
1
)
IP(A
3
|A
1
A
2
)
IP(B
3
|A
1
A
2
)
IP(B
2
|A
1
)
IP(A
3
|B
1
A
1
)
IP(B
3
|B
1
A
1
)
IP(A
2
|B
1
)
IP(A
3
|A
2
B
1
)
IP(B
3
|A
2
B
1
)
IP(B
2
|B
1
)
IP(A
3
|B
2
B
1
)
IP(B
3
|B
2
B
1
)
bicicleta 0.5 IP(A
1
)
bicicleta 0.5 IP(B
1
)

IP(A
1
) = 90/100
IP(A
2
/A
1
) = 89/99
IP(A
3
/A
1
A
2
) = 88/98
IP(A
1
A
2
A
3
) = ((908988)/(1009998))=0,73=73%
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
123
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Es decir, se debe seguir por el rbol buscando las rutas que correspondan
al problema planteado y multiplicando las probabilidades en cada ruta y
como las rutas son eventos independientes se suman todos los tramos.
1.2.- Teorema de Bayes y particiones
Supongamos que los eventos A
1
,A
2
,.....,A
n
forman una particin de un
espacio muestral M; esto es, que los eventos A
i
son mutuamente
excluyentes (incompatibles) y su unin es M. Sea B otro evento. Entonces
B A A A B
n
M B ( )
1 2


( ) ( ) ( ) A B A B A B
n 1 2

donde los
( ) A B
i

son eventos mutuamente excluyentes(incompatibles). En
consecuencia por el teorema de la multiplicacin queda:
) ( ) ( ) ( ) (
2 1
B A IP B A IP B A IP B IP
n
+ + +
luego el Teorema de la IProbabilidad Total queda:
IP B IP A IP B A IP A IP B A IP A IP B A
n n
( ) ( ) ( ) ( ) ( ) ( ) ( ) + + +
1 1 2 2


por otro lado, para cualquier i, la probabilidad condicional A
i
dado B se
define por
( )
( )
( ) A B
IP A B
IP B
i
i


Reemplazando la IP(B) obtenemos el Teorema de causa o Teorema de
Bayes :
Teorema de Bayes
Suponga que A
1
,A
2
,.....,A
n
es una particin (sucesos incompatibles) del
espacio muestral M y sea B un evento cualquiera del mismo espacio
muestral M, entonces para cualquier i tenemos,
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
124
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) A B
IP A IP B A
IP A IP B A IP A IP B A IP A IP B A
i
i i
n n

+ + +
1 1 2 2

Ejercicio:
Una persona puede viajar de 3 formas, bicicleta, auto y avin. Cada forma
de transporte tiene una probabilidad de tener un defecto en el sistema de
rodado y no llegar al destino del 3%, 4% y 5% respectivamente.
Para escoger el mtodo de traslado se tienen 3 fichas, las cuales tienen
una probabilidad de aparecer del 50%, 30% y 20% respectivamente.
Si se toma un viaje al azar, y no llega a destino, hallar la probabilidad de
que ese viaje se realiz en bicicleta.
a u t o 0 . 3
b i c i c l e t a 0 . 5
a v i n 0 . 2
l l e g a 0 . 9 7
n o l l e g a 0 . 0 3
l l e g a 0 . 9 6
n o l l e g a 0 . 0 4
l l e g a 0 . 9 5
n o l l e g a 0 . 0 5
Sea B el evento que no llegue a destino.
( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) Avin B IP Avin IP Auto B IP Auto IP Bicicleta B IP Bicicleta IP
Bicicleta B IP Bicicleta IP
B Bicicleta
+ +
) (
( )( )
( )( ) ( )( ) ( )( ) 05 . 0 2 . 0 04 . 0 3 . 0 03 . 0 5 . 0
03 . 0 5 . 0
+ +
) ( B Bicicleta
IP(bicicleta/B) =0,4054
37
15

Al usar rboles para resolver un problema condicional de Bayes, se debe


multiplicar los tramos de la rama que se busca, (en el ejemplo de que no
llegue y sea bicicleta), y dividirlo por la IP total del suceso no llegue a
destino.

____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
125
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
1.3.- Independencia
Se dice que un evento B no vaco es independiente de un evento A, si la
probabilidad de que B suceda no est influenciada porque A haya o no
sucedido. En otras palabras, si la probablidad de B es igual a la
probabilidad condicional de B dado A :
IP B P B A ( ) ( | )
, y si la probabilidad
de A es igual a la probabilidad condicional de A dado B :
IP A P A B ( ) ( | )
.
Sustituyendo IP(B) por P(B|A) en el teorema de la multiplicacin
IP A B P A P B A ( ) ( ) ( | )
, se obtiene
IP A B P A P B ( ) ( ) ( )

Ejercicios Propuestos
1. Se lanza un dado no cargado.Cul es la probabilidad de que sea
primo? (Sol: 2/3)
2. Se lanza un dado no cargado. Si el nmero es impar Cul es la
probabilidad de que sea primo? (Sol: 1)
3. Se lanza un dado no cargado. Si el nmero es par Cul es la
probabilidad de que sea primo? (Sol: 1/3)
4. En cierta Universidad, el 25% son jvenes y el 10% de los jvenes
son estudiantes de Estadstica. Los no estadsticos constituyen el
60% de los universitarios. Si se selecciona al azar un estudiante y
resulta ser no estadstico, determinar la probabilidad de que el
estudiante sea joven. (Sol: 37,5%)
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
126
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
5. Se lanza un par de dados insesgados. Hallar la probabilidad IP de
que la suma de sus nmeros sea 8 en el primer lanzamiento. (Sol: p=
36
5
)
6. En cierta universidad, 4% de los hombres y 1% de las mujeres tienen
mas de 1,90 cm de estatura, adems, el 60% de los estudiantes son
mujeres. Si se seleccionan al azar un estudiante mas alto que
1,90 cm. Cul es la probabilidad de que sea mujer?. (Sol: 1/5)
7. Un lote de 12 artculos contiene 4 artculos defectuosos. Se toman al
azar 3 artculos del lote uno tras otro. Cul es la probabilidad de que
los tres artculos sean buenos?. (Sol : 14/55)
8. Tres mquinas A, B, y C, producen 50%, 30%, y 20%
respectivamente del nmero total de artculos de una fbrica. Los
porcentajes de artculos defectuosos de produccin de estas
mquinas son del 5% para A, 4% para B, y 3% para C. Si se
selecciona al azar un artculo, cul es la probabilidad de que el
artculo sea defectuoso?. (Sol : 0.043)
9. Si el prximo ao hay un aumento en las inversiones de capital, la
probabilidad de que el acero para construcciones suba de precios es
de 90%. Si no hay incremento en dichas inversiones, la probabilidad
de una aumento en los precios del acero es de 40%. Se estima que
hay un 60% de probabilidad de que las inversiones de capital
aumenten en el prximo ao.
a) Construya el rbol de probabilidad, para el aumento y no
aumento de las inversiones de capital, y el aumento y no
aumento del precio del acero.
b) Cul es la probabilidad de que no suban los precios del acero
para cosntrucciones, aunque haya un aumento de la inversin
de capital?. (Sol : 1/10)
c) Cul es la probabilidad global (incondicional) de un incremento
en los precios del acero para la construccin en el prximo
ao?. (Sol : 7/10)
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
127
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
d) Si el ao siguiente hay un alza real en los precios del acero para
construccin, cul es la probabilidad de que haya un aumento
en la inversin de capital?. (Sol : 27/35)
10. En una ferretera se confunden tres ampolletas defectuosas con tres
buenas. Para encontrar las ampolletas malas se prueban una a una
hasta que se encuentran, entonces :
a) Cul es la probabilidad de encontrar la ltima ampolleta
defectuosa en la tercera prueba?. (Sol : 1/20)
b) Cul es la probabilidad de encontrar la ltima ampolleta
defectuosa en la cuarta prueba?. (Sol : 3/20)
c) Cul es la probabilidad de encontrar la ltima ampolleta
defectuosa en la sexta prueba?. (Sol : 1/2)
11. En la oficina de un profesor se tienen 2 escritorios (uno caf y otro
negro), y cada uno de estos tiene a su vez dos cajones. En el
escritorio caf hay un CD en un cajn y un disquet en el otro. En el
escritorio negro hay un CD en en cada uno de los cajones. Un ladrn,
que no conoce la informacin anterior, escoje al azar uno de los
escritorios, y de este escoje tambin al azar uno de los cajones.
Como resultado de su bsqueda, el ladrn encuentra un CD. Cul es
la probabilidad de que el CD provenga del escritorio negro?.
(Sol : 2/3)
12. Se lanza un dado, y en forma independiente se escoge al azar una
carta de una baraja normal. Cul e la probabilidad de que :
a) El dado muestre un nmero par y la carta sea un color rojo?
(Sol : 0.25)
b) El dado muestre un nmero par o la carta sea un color negro?
(Sol : 0.75)
13. En una fbrica de televisores, la probabilidad de encontrar televisores
con su control remoto defectuoso es de 10%, y con la pantalla mala
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
128
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
una probabilidad 5%. La ocurrencia de estos defectos son
independientes. Cul es la probabilidad que :
a) Un televisor no tenga ninguno de estos defectos?. (Sol : 0.855)
b) Un televisor sea defectuoso?. (Sol : 0.145)
c) Si un televisor es defectuoso, este tenga una sola clase de
defecto?. (Sol : 0.14)
14. Una nueva clase de automovil funciona bsicamente por dos
subsistemas (uno electrnico y uno mecnico). Despus de un tiempo
considerable de pruebas se obtuvieron las siguientes probabilidades :
P(electrnico falle)=0.2; P(mecnico falle)= 0.15; P(electrnico y
mecnico falle)=0.15. Calcular la probabilidad de que :
a) P(electrnico falle / mecnico fall). (Sol : 1)
b) P(electrnico falle solamente). (Sol : 1/20)
15. En una universidad existen tres medios para el envo de
comunicaciones: memorandum, telfono, correo electrnico.
Mediante consulta por intermedio de estos canales, se obtuvo que el
20% utiliza memorandum, 16% utiliza el telfono y un 14% utiliza el
correo electrnico, el 8% utiliza memorandum y telfono, 5% utiliza
memorandum y correo electrnico,, y el 2% los tres medios. Para un
profesor elegido al azar, calcular la probabilidad que :
a) No utilice ninguno de los tres medios. (Sol: 63%)
b) Utiliza uno de los tres medios. (Sol: 26%)
c) Utilice al menos memorandum y telfono, si reconoce utilizar al
menos uno de los tres medios en anlisis. (Sol : 8/37)
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
129
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
16. Se extraen 3 cartas de un naipe ingls, el cual se encuentra sin sus
comodines. Encontrar la probabilidad de que :
a) 2 sean aces y 1 sea 10. (Sol : 0.0011)
b) Las 3 sean de la misma pinta. (Sol : 0.052)
c) Las 3 sean de pintas distintas. (Sol : 0.397)
d) De las 3, al menos 2 de ellas sean reyes.(Sol : 0.013)
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
130
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
2.- Variables Aleatorias Discretas.
Una variable aleatoria es una funcin definida de un espacio muestral M al
conjunto de los nmeros reales IR. sta toma elementos de este espacio
muestral y les asocia un nmero real, de modo que se aprovecha la
relacin de orden definida en los reales.
( ) ( )
] ] ( ) ] ]
X: M, R,
tal que
X - , x A con A - , x
una - algebra asociada a M
una - algebra asociada a los R
-1





x IR
La variable aleatoria se define a partir de su funcin inversa debido a que
ella preserva las operaciones sobre los conjuntos
Definicin: Sea X una variable aleatoria. Si el espacio muestral M es finito
o infinito numerable, decimos que X es una variable aleatoria discreta
(v.a.d.), en otro caso se dice que es una variable aleatoria continua (v.a.c.).
2.1.- Funcin de Cuanta (p(x
i
)).
Definicin : Sea X una variable aleatoria discreta. Sea x, el recorrido de
la variable aleatoria disceta X, para cada resultado posible x
i
asociamos un
nmero p
i
=p(x
i
)=IP(X=x
i
), llamado probabilidad de x
i
.
[ ]
( ) ) x = X ( ) x = M (X = ) p(x p x
que Tal
1 , 0 R : p
i i i i X i
X i

I
Los nmeros p(x
i
), i=1,2,.....deben satisfacer las condiciones siguientes:
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
131
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
( )
( ) 1 x p b)
x 0 x p 1 a)
i
x
i
i i

X
a esta funcin se le conoce como funcin de cuanta (f.c.) de la variable
aleatoria discreta X.
Obs.
En la expresin la igualdad siguiente se verifica slo en forma notacional
( ) ) x = X ( ) x = M (X
i i
IP IP
2.2 Funcin de Distribucin (F
X
(x)).
Sea X una v.a.d. con funcin de cuanta (f.c.) p(xi). Se define la Funcin de
Distribucin como :
[ ]
( ) ( )




x x
i X
i
x p x X IP = (x) F x
1 , 0 R : F
Cuyas propiedades son:
1) F
x
(-) = 0.
2) F
x
() = 1.
3) F
x
es no decreciente.
4) F
x
es contnua por la derecha.
2.3 Esperanza (IE[X]).
Definicin: Sea X una variable aleatoria discreta con valores x
1
,...,x
n
,... y
sea p(x
i
)=IP(X=x
i
), i=1,2,......n,...Entonces el valor esperado de X (o la
esperanza matemtica de X), que se denota con IE[X], es el nmero que se
define como :
[ ]


i
x
i i
p x X E
Observacin :
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
132
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
{ } [ ] { }
i i
x mx X x mn IE
2.4 Momento de Orden n (

n
)
Definicin : Sea X una variable aleatoria discreta con funcin de cuanta
p
i
(x
i
), se define el momento de orden n(con nIN) de la variable aleatoria
discreta X como:
[ ] ( )


i
x
i
n
i
n
n
x p x X IE
2.5 Momento Centrado en la Esperanza.
Sea X una v.a.d. con f.c. p
i
(x
i
). Se define el momento centrado en la IE[X]
de orden n N como :
[ ] ( ) [ ] [ ] ( ) ) p(x IE - x
i
x
n
i
n
n
i

IE IE
2.6 Varianza de X (V(X)).
Definicin : Sea X una variable aleatoria discreta. Definimos la varianza de
X, que se denota con V(X) como el nmero positivo dado por:
( ) [ ] ( )
[ ]
[ ] [ ] ( )
[ ]
[ ] [ ] [ ] [ ] ( )
[ ] [ ] [ ] [ ] [ ] ( ) [ ]
( ) [ ] [ ] ( ) ( )
V
V >0
2
2 1



+
+ + +


2
2
2
2
2
2
2
2
2 2
2
2 2 1
La raz cuadrada positiva de V(X) se llama desviacin estndar de X y se
designa como
X

.
PROPIEDADES
1. IE[kX] = kIE[X]
k
constante.
2. IE[k] = k
k
constante.
3. IE[X+Y] = IE[X]+IE[Y] X e Y v.a.
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
133
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
4. IE[aX+bY] = aIE[X]+bIE[Y] X e Y v.a. y a,b
constantes.
5. IE[XY] = IE[X]IE[Y] si X e Y son v.a. independientes.
6. V[kX] = k
2
V[X]
k
constante.
7. V[k] = 0
k
constante.
8. V[X+Y] = V[X]+V[Y]+2COV(X,Y) X e Y v.a.
9. V[X+Y] = V[X]+V[Y] si X e Y son v.a. independientes.
10. V[aX+bY] =a
2
V[X]+b
2
V[Y]+2abCov(X,Y) X e Y v.a. y
a,b ctes.
11. ( )
i
n
i
i i
n
i
i
X IE X IE

1
]
1

1 1

X
i
v.a. y
i
con i=1,2......n
constantes.
12. ( ) ) , ( 2
1 1
j i j
j i
i i
n
i
i i
n
i
i
X X Cov X V X V

<
+
1
]
1

****************
3.- Distribuciones Usuales (v.a.d)
Una v.a.d. X toma distintos valores definidos en su recorrido
x
. Adems, a
cada uno de estos valores tiene asociada una probabilidad p
i
, de modo que
p
i
puede escribirse como una funcin de los valores x
i
y encontrar la
expresin general que la represente. Es esta expresin (la funcin de
cuanta) la que caracteriza el tipo de distribucin que tiene la variable
aleatoria discreta X.
3.1.- Distribucin Puntual.
Se dice que la variable aleatoria discreta X se distribuye como una
distribucin puntual, si su funcin de cuanta es de la forma:
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
134
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
( )
p x
1 si x =a
0 si x a
i
i
i

'

Grficamente se representa por :


En consecuencia su Funcin de Distribucin sera :
( )
F x
0 si x a
1 si x a
X
i
i

<

'

____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
135
a
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Grficamente :
Si X tiene una Distribucin Puntual entonces :
3.1.1.- Clculo de la Esperanza
E[X] = 1a + 0b = a
3.1.2.- Clculo de la Varianza
V(X) = 1a
2
+ 0b
2
- (a)
2
= 0
Obs. Esta es la nica distribucin que tiene varianza cero.
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
136
a
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
3.1.3.- Aplicacin
La distribucin puntual se puede asociar, por ejemplo, al experimento
de lanzar una moneda con dos caras o sacar una carta de un mazo
en que todas son iguales.
3.2.- Distribucin de BERNOULLI
Es un proceso dicotmico, todo evento A tiene asociado una probabilidad
de xito p y una probabilidad de fracaso q = 1-p.
En este tipo de procesos, la v.a.d. X asociada al evento A se distribuye
como una distribucin de BERNOULLI (XBERN(p)), si su f.c. tiene la
forma :
Donde I
B
(x) se conoce como la funcin indicatriz:
( ) I x
si x B
0 si x B
B

'

1
Grficamente en este caso la funcin de cuanta se representa :
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
( )
p =p(x ) = I x)=
si x
si x
e.t.o.c.
i i
x
1-x
{0,1}
i
i
i
i
i
p p
q
p 1
0
1
0

'

(
137
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Por lo tanto su Funcin de Distribucin F
x
(x) es :
F (x)= p
-
=
si x
si 0 x 1
si x
x i
x
i
i
i
i

<
<
+

'

0 0
1 1
q
p q
Y grficamente tiene la forma :
Si X tiene una Distribucin de BERNOULLI entonces :
3.2.1.- Clculo de la Esperanza
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
138
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
3.2.2.- Clculo de la Varianza
3.2.3.- Ejemplo.
Suponga que tiene una caja que contiene fichas rojas y azules. Se sabe
que al extraer al azar una ficha la probabilidad de que esta sea roja es
del 20%.
De este ejemplo Ud. puede definir la v.a.d. X como "La ficha es roja".
Por lo tanto, los valores que puede tomar X estn dados por su recorrido

X
={0,1}; x
i
=0 si la ficha no es roja y x
i
=1 si lo es.
Adems se conoce la probabilidad de xito ( p=0.2 de que sea roja). De
modo que se puede concluir que la v.a.d. X tiene una Distribucin de
BERNOULLI XBERN(0.2) Con funcin de cuanta :
( )
p(x ) I x)=
8 si x
.2 si x
e.t.o.c.
i
=
x
1-x
{0,1}
i
i
i
i
i
p p 1
0 0
0 1
0

'

(
.
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
[ ]
X = x p + =
i i
x
i X

0 1 q p p
[ ] [ ] ( ) ( ) V(X)= X X
2
+
2
2 2
2
0 1 q p p p q
139
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Obs.
Para no restringir los valores de X a {0,1}, es posible plantear una
generalizacin para la distribucin de BERNOULLI, y en consecuencia,
para valores de a y b distintos de 0 y 1 tenemos:
( )
( )
( )
( )
p(x )
x b
a-b
x -a
b-a
I x)=
si x a
si x b
e.t.o.c.
i
=
i i
{a,b}
i
i
i
q p
q
p

+

_
,

'

(
0
Para que el alumno se familiarice con este tipo de distribucin, le
recomendamos la tarea de encontrar la Varianza y la Esperanza para la
funcin de cuanta general presentada.
3.3.- Distribucin Binomial.
Se efectan "n" ensayos independientes de BERNOULLI, con probabilidad
de xito "p"(siendo la IP de xito constante) y probabilidad de fracaso "q=1-
p", y nos interesa conocer la posibilidad de tener k xitos en n repeticiones
del experimento. De ah que la binomial es una generalizacin de la
distribucin Bernoulli.
Definimos X={nmero de xitos en las "n" repeticiones del experimento}.

X
= 0,1,2,..,n
Se dice que X tiene una distribucin binomial con parmetros n y p, se
denota como XBIN(n,p). Nos interesa conocer su funcin de cuanta.
Sea w=(1, 1, ..., 1, 0, 0, ..., 0) donde tenemos un nmero k de unos y n-k
de ceros, o, lo mismo decir "k" xitos y "n-k" fracasos.
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
140
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Entonces:
P(1, ..., 1, 0, ..., 0)=pp...p(1-p)...(1-p)
=p
k
(1-p)
n-k

Cuntos reordenamientos posibles hay del tipo anterior (k unos y n-k
ceros en distintas posiciones)?
Cuntos subconjuntos de x elementos hay en un conjunto de n
elementos?
En total hay
n
k

_
,

elementos de obtener k xitos en las n extracciones debido


a que no importa el orden. Entonces, podemos ver que la funcin de
cuanta para "x
i
", nmero de exitos, es :
( ) ) ( - 1
x
n
= ) x = P(X = ) p(x
} ,...., 3 , 2 , 1 , 0 {
x - n x
i
i i
i i
i n
x I p p

,
_

Obs. 1.- La Distribucin Binomial se puede asociar al experimento de


extracciones con devolucin.

2.- Se llama Binomial pues satisface
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
141
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
1 1 ) ( ) (
0 0
+

,
_




n n x n x
n
x
n
x
i
i
q p q p
x
n
x p
i i
i i
Conociendo la f.c. se puede deducir la funcin de distribucin de X :

( )
F (x)=P(X x)=
n
x
1-
X
i x x
x
n - x
i
i
i

_
,

p p
Si X tiene una Distribucin Binomial entonces :
3.3.1.- Clculo de la Esperanza
( ) ( ) p p p p p n - 1
x
n
x - 1
x
n
x = E(X)
x - n x
n = x
1 = x
x - n x
n = x
o = x

,
_

,
_


3.3.2.- Clculo de la Varianza
V[X] = E[X
2
] - (E[X])
2
= np(1-p)
3.3.3.- Funcin generatriz de momentos
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
142
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
n t x n x t
n
0 x
n
0 x
i
x n x
i
tx
x
) q p e ( q ) p e (
x
n
q p
x
n
e ) t (
i i
i i
i i i
+

,
_

,
_


3.3.4.- Ejemplos
1.- Supngase que los artculos que salen de una lnea de produccn
se clasifican como defectuosos (D) o no defectuosos (N).
Se eligen al azar tres artculos de la produccin de un da y se clasifican
de acuerdo al siguiente esquema.
Se define el espacio muestral M.
M={DDD,DDN,DND,NDD,NND,NDN,DNN,NNN}
Si la probabilidad de que un artculo sea defectuoso es del 20% y de
80% para no defectuoso. Las probabilidades son iguales para cada
artculo y la clasificacin de cualquier artculo es independiente de la
clasificacin de cualquier otro, entonces las IP de los elementos del
espacio muestral son:
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
143
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
(0.2)
3
, (0.8)(0.2)
2
, (0.8)(0.2)
2
, (0.8)(0.2)
2
, (0.2)(0.8)
2
, (0.2)(0.8)
2
, (0.2)
(0.8)
2
, (0.8)
3
Lo que realmente nos importa es el nmero de artculos defectuosos,
sin importar el orden, es decir, considerar la variable aleatoria X que
asigna a cada uno de los resultados sM el nmero de artculos
defectuosos encontrados. Por lo tanto el conjunto de valores posibles
de X es {0,1,2,3}.
Podemos obtener la distribucin de probabilidades para X,
p(xi)=IP(X=xi) como:
X= 0 ocurre NNN.
X= 1 ocurre DNN,NDN,NND.
X= 2 ocurre DDN,DND,NDD.
X= 3 ocurre DDD.
donde
P(X = 0) = (0,8)
3
P(X= 1) = 3 (0,2) (0,8)
2

P(X=2) = 3 (0,8) (0,2)
2

P(X=3) = (0,2)
3
Ntese que: 0,8
3
+3*0,8
2
*0,2+3*0,2
2
*0,8+0,2
3
= 1
2.- El gerente de un restaurante que slo da servicio mediante reservacin
sabe, por experiencia, que el 15% de las personas que reservan una mesa
no asistirn. Si el restaurante acepta 25 reservaciones pero slo dispone de
20 mesas, cul es la probabilidad de que a todas las personas que asistan
al restaurante se les asigne una mesa?
Solucin: Sea X: Cantidad de personas que reservan mesa pero no
asisten.
Como estamos en presencia de un experimento de Bernoulli que repetimos
en forma independiente y la probabilidad de xito p=0,15 es constante
puesto que se realiza el experimento con reposicin tenemos:
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
144
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
X Bin (25;0,15)
La probabilidad deseada es:
P[x>5] =
[ ] 4 x P 1
****************
=
x 25 x
4
0 x
) 85 , 0 ( ) 15 , 0 (
x
25
1

,
_

= 1- 0,6821 = 0,3179
3.4.- Distribucin Hipergeomtrica
Sea X una v.a.d. Se dice que X se distribuye como una hipergeomtrica si
ocurre una situacin semejante a la que se describe a continuacin.
En una caja hay N
1
artculos del tipo A y N
2

artculos del tipo B.
Supongamos que extraemos una muestra de tamao n, una a una al azar, y
sin devolucin (n N
1
+N
2

). Nos intereza conocer la probabilidad de
obtener k elementos del tipo A en la muestra.
Sea X ={ nmero de artculos del tipo A en la muestra}. Por lo tanto su
funcin de cuanta tiene la forma :

p(x )=
N
x
N
n-x
N N
n
i
1
i
2
i
1 2

_
,

_
,

_
,

Donde mx{0,n-
N
2
} x
i
mn {n,N
1
}
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
145
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Esto se debe al hecho de que se distingue como casos posibles a todas las
combinaciones que se puedan hacer para obtener una muestra de n
elementos de un nmero total de N
1
+N
2
. Esto es :

1 2
+

_
,

n
Y los casos favorables estn dados por el producto entre las combinaciones
de obtener x
i
xitos y n-x
i
fracasos. Esto es :
N
x
N
n-x
1
i
2
i

_
,

_
,

Si X tiene una Distribucin Hipergeomtrica entonces :


3.4.1.- La Esperanza es
E[X]=
n N
N
Donde N= N N
1
1 2
+

3.4.2.- La Varianza
V( X ) =
n N N (N - n)
N ( N -1)
1 2
2
3.4.3.- Ejemplo
Se tienen cuatro cajas (C1, C2, C3, C4) donde :
- C1 contiene 30 bolitas rojas, 10 azules y 60 negras.
- C2 contiene 40 bolitas rojas, 20 azules y 40 negras.
- C3 contiene 45 bolitas rojas, 30 azules y 25 negras.
- C4 contiene 20 bolitas blancas 30 verdes.
Se sacan 5 bolitas sin devolucin de la caja C4. Si se obtienen a lo menos
4 bolitas blancas, se procede a sacar 3 bolitas de la caja C1 sin devolucin.
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
146
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Si se obtiene a lo ms 1 bolita blanca, se procede a sacar 2 bolitas de la
caja C2 sin devolucin. En cualquier otro caso, se procede a sacar 1 bolita
de la caja C3.
Cul es la probabilidad de obtener una bolita azul con el procedimiento
sealado?
Resp.: A = azul ; B = blancas. Se pide
IP(1A)=IP(1A/C1)*IP(C1)+IP(1A/C2)*IP(C2)+IP(1A/C3)*IP(C3)
donde
IP(C1) = 0,07592 IP(A/C1) = 267/1078
IP(C2) = 0,32595 IP(A/C2) = 32/99
IP(C3) = 0,59813 IP(A/C3) = 3/10
lo cual, implica que IP(A) =
***************************************************************************
3.5.- Distribucin Geomtrica
Se dice que la v.a.d. X se distribuye como una Geomtrica (XGEO(p)) si
su funcin de cuanta tiene la forma :
p(x
si x
0 e.t.o.c.
i
x
i
i
)
( )


'

p p 1
1

____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
147
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Esto es grficamente :
Es posible demostrar que satisface las dos condiciones que debe cumplir
una funcin de cuanta y que ya fueron descritas.
La primera es que la funcin de cuanta es mayor que cero para todo el
recorrido de X.
0 ) 1 ( ) p(x
1 x
i
i
>

p p


i
x
Y la segunda propiedad, es que la suma de la funcin de cuanta en el
recorrido de X sea igual a 1.
p p p q p
q
p
p
( )
( )
1
1
1
1
1 1
1






k-1 i
i=0 k=1
Observacin:
) 1 , 1 ( un para
- 1
1
a converge
1 = i
i

q
q
q
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
148
1 2 3
p * q
p * q
p
*
*
*
Xi
Pi
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Y su funcin de distribucin es por lo tanto :
F x p(x
X i i
x
i-1
i=1
x
i i
( ) )


p q
Que grficamente corresponde a :
Si X tiene una Distribucin Geomtrica entonces:
3.5.1.- Clculo de la Esperanza
[ ]
( )
X x
i
x
x
i
i

p q p
q
p
1
1
2
1
1
1
Observacin :
i converge a
1
(1- )
i-1
2
i=1
q
q

3.5.2.- La Varianza es

[ ]
[ ] ( )
V(X)= X X
2

2
2
q
p
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
149