Está en la página 1de 19

Estadstica I: Guia de la Unidad # 2 Fernando A. Contreras J.

0



















































Fecha: 15 de Agosto del 2013 Fernando A. Contreras J.
Estadstica I
Cdigo: 0834405T
Ingeniera Industrial y en Informtica


Gua de la Unidad # 2
Estadstica I: Guia de la Unidad # 2 Fernando A. Contreras J.


1
Ejemplo Repaso 1: Supngase que se lanza una moneda. Si el resultado es cara, se
extrae una bolita aleatoriamente de una bolsa no transparente que contiene 3 bolitas
rojas y 2 bolitas azules. Si el resultado es sello, se extrae una pelota aleatoriamente de
una bolsa no transparente que contiene 4 bolitas rojas y 5 bolitas azules. Las
probabilidades de: i) Extraer una bolita roja y ii) Extraer una bolita azul, son
respectivamente:


























Luego:

i) P(Sacar una Bolita Roja) =
90
47
9
4
2
1
5
3
2
1
= - + -


ii) P(Sacar una Bolita Azul) =
90
43
9
5
2
1
5
2
2
1
= - + -







Ejemplo Repaso 2: Cul es la probabilidad de que al lanzar dos veces una moneda se
obtengan dos caras?

Sea A = { 1
era
vez sale cara }; P(A) = 1/2 = 0.5
B = { 2
da
vez sale cara }; P(B) = 1/2 = 0.5

stos eventos son independientes; luego:
Concepto 1: Si A y B son dos eventos independientes, entonces P(A B) = P(A).P(B)

. ~ y ~

+ ~ o ~
Estadstica I: Guia de la Unidad # 2 Fernando A. Contreras J.


2

A B = { 1
era
vez sale cara y la 2
da
vez sale cara } y

P(A B) = P(A).P(B) = (1/2)(1/2) = 1/4 P(A B) = 1/4

Se concluye que la probabilidad de que al lanzar una moneda dos veces y obtener
dos caras es de un 25%














El espacio muestral de este experimento es O = { (c,c) , (c,s) , (s,c) , (s,s) }. Ntese que
el espacio muestral es equiprobable. De ah que la Probabilidad pedida es P((c,c)) = 1/4.

Un evento es independiente de otro cuando una vez realizado el primer
experimento, el espacio muestral no es alterado cuando se realiza nuevamente el
experimento






Ejemplo Repaso 3: Supngase que se tiene una bolsa no transparente con 2 bolitas
negras, 3 bolitas rojas y 5 bolitas azules. Considrense los tres experimentos siguientes:

Se extrae una bolita de la bolsa, se observa el color y se introduce nuevamente en la
bolsa (extraccin con reemplazo). Cul es la probabilidad de que la bolita sea
negra?, cul es la probabilidad de que la bolita sea azul?

Estos eventos son independientes; luego:

- P(Que sea negra) = 2/10 = 1/5 = 0.2

- P(Que sea azul) = 5/10 = 1/2 = 0.5

Se extraen dos bolitas de la bolsa de la siguiente manera: se extrae la primera, se
observa el color y se introduce nuevamente en la bolsa, se extrae la segunda, se
observa el color y se vuelve a introducir nuevamente en la bolsa, (extraccin con
reemplazo). Cul es la probabilidad de que las dos bolitas sean rojas?, cul es la
probabilidad de que la primera bolita sea negra y la segunda bolita sea azul?

Estos eventos son independientes; luego:

Otra Forma de
Visualizar el Problema

Concepto 2: Si A y B son dos eventos cualesquiera, entonces P(A B) = P(A).P(B/A)

Estadstica I: Guia de la Unidad # 2 Fernando A. Contreras J.


3
- Sean A = {Que la 1
era
sea roja} , P(A) = 3/10
B = {Que la 2
da
sea roja} , P(B) = 3/10
A B = {Que la 1
era
sea roja y que la 2
da
sea roja}

Luego: P(A B) = P(A).P(B) = (3/10)(3/10) = 9/100 = 0.09

- Sean A = {Que la 1
era
sea negra} , P(A) = 2/10 = 1/5
B = {Que la 2
da
sea azul} , P(B) = 5/10 = 1/2
A B = {Que la 1
era
sea negra y que la 2
da
sea azul}

Luego: P(A B) = P(A).P(B) = (1/5)(1/2) = 1/10 = 0.10

Se extraen dos bolitas de la bolsa de la siguiente manera: se extrae la primera, se
observa el color y no se introduce nuevamente en la bolsa, se extrae la segunda, se
observa el color y tampoco se vuelve a introducir nuevamente en la bolsa,
(extraccin sin reemplazo). Cul es la probabilidad de que las dos bolitas sean
rojas?, cul es la probabilidad de que la primera bolita sea negra y la segunda bolita
sea azul?

Estos eventos no son independientes; luego:

- Sean A = {Que la 1
era
sea roja} , P(A) = 3/10
B = {Que la 2
da
sea roja} , P(B/A) = 2/9
A B = {Que la 1
era
sea roja y que la 2
da
sea roja}

Luego: P(A B) = P(A).P(B/A) = (3/10)(2/9) = 6/90 = 1/15 = 0.07
- Sean A = {Que la 1
era
sea negra} , P(A) = 2 /10 = 1/5
B = {Que la 2
da
sea azul} , P(B/A) = 5/9
A B = {Que la 1
era
sea negra y que la 2
da
sea azul}

Luego: P(A B) = P(A).P(B/A) = (1/5)(5/9) = 5/45 = 1/9 = 0.11


Ejemplo Repaso 4: Supngase que una agencia de automviles recibe un lote de 12
autos nuevos. Entre stos 2 tienen defecto. La agencia decide seleccionar, aleatoriamente,
3 autos (uno tras de otro) de entre los 12 y aceptar el lote si ninguno de los 3 autos
seleccionados tiene defecto. Cul es la probabilidad de aceptar el lote?

Estos eventos no son independientes; luego:

Sean A = {Que el 1
er
carro tomado no tenga defecto} , P(A) = 10/12
B = {Que el 2
do
carro tomado no tenga defecto} , P(B/A) = 9/11
C = {Que el 3
er
carro tomado no tenga defecto} , P(C/B) = 8/10

A B C = { Que el 1
ero
, 2
do
y 3
er
carro no tengan defecto }

Luego: P(Aceptar el Lote) = P(Ningn Carro Seleccionado tenga Defecto) =
P(A B C) = P(A).P(B/A).P(C/B) = (10/12)(9/11)(8/10) = 720/1320 = 6/11 ~ 0.5455






Estadstica I: Guia de la Unidad # 2 Fernando A. Contreras J.


4
TEOREMA DE BAYES

El Teorema de Bayes Fue desarrollado por el reverendo Thomas Bayes (1702 1761).
Este teorema, ha sido clave en el desarrollo de la Inferencia Estadstica Bayesiana en la
que se emplea la interpretacin subjetiva de la probabilidad. Es decir, supngase que un
investigador conduce un experimento en el que sabe que el resultado de inters estar
afectado por cualquiera de las n alternativas B1, B2, B3, . . . , Bn que predomine. A pesar
de que no se tenga la seguridad de cul de todas las alternativas predominar, se posee
cierta informacin en base al cual, se esta en disposicin de poder formar un juicio subjetivo
para las probabilidades de ocurrencia de las n alternativas. De esta forma, se asigna
probabilidades P(B1), P(B2), P(B3), . . . , P(Bn) para las n alternativas antes de obtener
cualquier evidencia experimental. Dado que stas probabilidades reflejan el juicio o grado
de creencia del investigador con respecto a las ocurrencias de B1, B2, B3, . . . , Bn antes de
que stas se presenten, se conoce como probabilidades a priori. Con ello el investigador
obtendr una evidencia experimental a partir de un conjunto de datos que se denota por A,
y se observa bajo una alternativa especifica Bj. En este momento se pueden calcular las
probabilidades condicionales P(A/Bj). stas permitirn la determinacin de la probabilidad
Bj dada la evidencia experimental A, mediante el empleo del teorema de Bayes. Las
probabilidades P(Bj/A), j = 1, 2, 3, . . . , n se conocen como probabilidades a posteriori que
se determinan una vez obtenida la evidencia experimental. Por lo tanto, las probabilidades
P(Bj/A) reflejan el grado de creencia corregido con respecto a las alternativas B1, B2, B3, . . .
, Bn despus de obtener los datos experimentales.

Particin de O

Sea O el espacio muestral asociado a un experimento aleatorio (E). Los eventos B1 y B2 son
una particin de O si y slo si:

1.) B1 B2 = C

2.) B1 B2 = O





Ntese que P(O) = P(B1 B2) = P (B1) + P (B2) = 1.


Teorema de Bayes

I) Supngase que los eventos B1 y B2 son una particin de O. Considrese a A un evento
cualquiera de O como lo muestra la figura adjunta:









O
B1 B2
O
B1 B2
(B1 A)
(B2 A)
(i) A A
Entonces A = (B1 A) (B2 A)
Son eventos mutuamente
excluyentes

Estadstica I: Guia de la Unidad # 2 Fernando A. Contreras J.


5



Luego: P(A) = P[ (B1 A) (B2 A) ] = P(B1 A) + P(B2 A)

= P(B1)P(A / B1) + P(B2)P(A / B2). Es decir:

P(A) = P(B1)P(A / B1) + P(B2)P(A / B2)

Si se quiere calcular P(B1 / A); se tiene:

P(B1 A) P(B1)P(A / B1)
P(B1 / A) = P(B1 / A) =
P(A) P(B1)P(A / B1) + P(B2)P(A / B2)


P(B2 A) P(B2)P(A / B2)
P(B2 / A) = P(B2 / A) =
P(A) P(B1)P(A / B1) + P(B2)P(A / B2)



Ejemplo 1: En un lugar del Tchira ha aparecido el extrao virus de la neumona
atpica. Los cientficos desarrollan rpidamente una prueba para detectarlo. Esta prueba
es confiable en un 95% en el siguiente sentido:

Si se aplica sobre portadores de la enfermedad, existe una probabilidad de que
resulte positiva slo en un 95%.

Si se aplica sobre una persona sana, existe una probabilidad de que slo en un
5% resulte positiva.

Si la informacin disponible en San Cristbal dice que la proporcin de enfermos ya
es del 30%. Cul es la probabilidad de que al tomar un sancristobalnce al azar,
aplicarle la prueba, y sta resulte positiva?; Cul es la probabilidad de que al tomar un
sancristobalnce al azar, aplicarle la prueba y si sta resulta positiva, el hombre ste
realmente enfermo?










P(B1) = 0.3 P(A / B1) = 0.95
P(B1 / A) = ?
P(B2) = 0.7 P(A / B2) = 0.05

Se tiene que A = (B1 A) (B2 A) P(A) = P[ (B1 A) (B2 A) ]
Frmula de probabilidad total de un evento.

O
B1 B2 A
O: # de personas de la ciudad de San Cristbal.
B1: # de personas de San Cristbal que ya estn
contagiadas.
B2: # de personas de San Cristbal que no estn
contagiadas.
A = { x / x es un paciente positivo en la prueba
diagnstico }

Teorema de
Bayes para
2
particiones
de O

Estadstica I: Guia de la Unidad # 2 Fernando A. Contreras J.


6

P(A) = P(B1 A) + P(B2 A) = P(B1)P(A / B1) + P(B2)P(A / B2)

P(A) = (0.3)(0.95) + (0.7)(0.05) P(A) = 0.32

Luego:

P(B1)P(A / B1) (0.3)(0.95)
P(B1 / A) = = = 0.89
P(B1)P(A / B1) + P(B2)P(A / B2) (0.32)


P(B1 / A) = 0.89


II) Supngase que los eventos B1, B2 y B3 son una particin de O. Considrese a A un
evento cualquiera de O como lo muestra la figura adjunta:









Luego: P(A) = P[ (B1 A) (B2 A) (B3 A) ] = P(B1 A) + P(B2 A) + P(B3 A)

= P(B1)P(A / B1) + P(B2)P(A / B2) + P(B3)P(A / B3). Es decir:

P(A) = P(B1)P(A / B1) + P(B2)P(A / B2) + P(B3)P(A / B3)


Si se quiere calcular P(B1 / A); se tiene:

P(B1 A) P(B1)P(A / B1)
P(B1 / A) = P(B1 / A) =
P(A) P(B1)P(A / B1) + P(B2)P(A / B2) + P(B3)P(A / B3)

P(B2 A) P(B2)P(A / B2)
P(B2 / A) = P(B3 / A) =
P(A) P(B1)P(A / B1) + P(B2)P(A / B2) + P(B3)P(A / B3)

P(B3 A) P(B3)P(A / B3)
P(B3 / A) = P(B3 / A) =
P(A) P(B1)P(A / B1) + P(B2)P(A / B2) + P(B3)P(A / B3)


III) Supngase que los eventos B1, B2, B3 , , Bn son una particin de O. Considrese a A
un evento cualquiera de O, donde Entonces A = (B1 A) (B2 A) (B3 A) . . .
(Bn A) son eventos mutuamente excluyentes. Adems:
Probabilidad de que a un ciudadano
cualquiera de San Cristbal tomado al
azar, se le aplique la prueba y sta
resulte positiva.
Probabilidad de que un sancristobalence tomado al azar se le aplique
la prueba y si sta resulta positiva; el hombre est realmente enfermo.
Frmula de probabilidad total
de un evento.

O
B1
B2
(B3 A)
(B2 A)
B3
Entonces A = (B1 A) (B2 A)
(B3 A) Son Eventos
Mutuamente Excluyentes

A
(B1 A)
Teorema de
Bayes para
3
particiones
de O

Estadstica I: Guia de la Unidad # 2 Fernando A. Contreras J.


7

E P(Bi) = 1. Entonces:

P(Bj)P(A / Bj)
P(Bj / A) = ; j = 1, 2, 3, . . . , n
E P(Bi)P(A / Bi)

Ejemplo 2 En una planta de ensamblaje de televisores se trabaja en tres turnos T1, T2
y T3, en donde se realiza el 45%, 30% y 25% del ensamblaje total, respectivamente. Por
experiencia se sabe que el 1%, 3% y 2% de los televisores armados por cada turno
respectivamente, son defectuosos. Supngase que se selecciona un televisor al azar:

Cul es la probabilidad de que sea defectuoso?
Si se observa defectuoso. Cul es la probabilidad de que sea del turno 1?
Si se observa defectuoso. Cul es la probabilidad de que sea del turno 2?
Si se observa defectuoso. Cul es la probabilidad de que sea del turno 3?








P(B1) = 0.45 P(A / B1) = 0.01
P(B2) = 0.30 P(A / B2) = 0.03
P(B3) = 0.25 P(A / B3) = 0.02

P(A) = ? P(B1 / A) = ? P(B2 / A) = ? P(B3 / A) = ?

Se tiene que: A = (B1 A) (B2 A) (B3 A)

Luego: P(A) = P[ (B1 A) (B2 A) (B3 A) ]

= P(B1 A) + P(B2 A) + P(B3 A)

= P(B1)P(A / B1) + P(B2)P(A / B2) + P(B3)P(A / B3).
Es decir:

P(A) = (0.45)(0.01) + (0.30)(0.03) + (0.25)(0.02) P(A) = 0.0185

Luego:

1) Para calcular P(B1 / A); se tiene:

P(B1)P(A / B1)
P(B1 / A) =
P(B1)P(A / B1) + P(B2)P(A / B2) + P(B3)P(A / B3)
i = 1
n
n
i = 1
Probabilidad de que al
seleccionar un televisor al
azar de la empresa, ste
salga defectuoso.
O
B1
B2
B3
A
O: # total de televisores ensamblados por la planta.

B1: # de televisores ensamblados en el tuno 1.

B2: # de televisores ensamblados en el tuno 2.

B3: # de televisores ensamblados en el tuno 3.

A = { x / x es un televisor defectuoso ensamblado
por la planta}

Estadstica I: Guia de la Unidad # 2 Fernando A. Contreras J.


8


(0.45)(0.01)
P(B1 / A) = P(B1 / A) = 0.243
(0.0185)

2) Para calcular P(B2 / A); se tiene:

P(B2)P(A / B2)
P(B2 / A) =
P(B1)P(A / B1) + P(B2)P(A / B2) + P(B3)P(A / B3)


(0.30)(0.03)
P(B2 / A) = P(B2 / A) = 0.486
(0.0185)

3) Para calcular P(B3 / A); se tiene:

P(B3)P(A / B3)
P(B3 / A) =
P(B1)P(A / B1) + P(B2)P(A / B2) + P(B3)P(A / B3)


(0.25)(0.02)
P(B3 / A) = P(B3 / A) = 0.270
(0.0185)




























Probabilidad de que un
televisor que ha salido
defectuoso, sea de los
ensamblados en el turno 1
Probabilidad de que un
televisor que ha salido
defectuoso, sea de los
ensamblados en el turno II
Probabilidad de que un
televisor que ha salido
defectuoso, sea de los
ensamblados en el turno III
Estadstica I: Guia de la Unidad # 2 Fernando A. Contreras J.


9
Variables Aleatorias


Una variable aleatoria X es una funcin que asocia un nmero real R con cada
elemento del espacio muestral (O). Se dice que X es aleatoria porque involucra la
probabilidad (P) de los elementos del espacio muestral (O).


Notacin: X: R

X(w) = xi (Nmero Real)

w X(w)



Ejemplo 3: Considrese el experimento aleatorio (E) El lanzamiento de dos
monedas. Exprese este experimento (E) a travs de una variable aleatoria (X).

El espacio muestral de este experimento es O = {(C,C), (C,S), (S,C), (S;S)}. Sea X la
variable aleatoria que se define como: Contar el nmero de caras. Lo anterior se
ilustra en el grfico adjunto:







= {(C,C), (C,S), (S,C), (S,S)}


w1 w2 w3 w4




X: Contar el nmero de caras




De ah que el recorrido de X es: { X(w1) , X(w2) , X(w3) , X(w4) } = {X((C,C)),
X((C,S)), X((S,C)), X((S,S))} = {2 , 1, 1, 0} = {0, 1, 2} = {x1 , x2, x3}. Luego se tiene que:
P(X = x1) = P(X = 0) = 1/4, P(X = x2) = P(X = 1) = 1/2 y P(X = x3) = P(X = 2) = 1/4.
La suma de estas probabilidades debe dar uno.

Grficamente se tiene:


(C,C)
R

P(X = x)
2
1

0

X(w)
(C,S)
(S,C)
(S,S)
Estadstica I: Guia de la Unidad # 2 Fernando A. Contreras J.


10














Aparte: La variable aleatoria X es discreta si su recorrido se asocia de alguna
manera con el conjunto de los nmeros enteros (Z) y la variable aleatoria X es continua
si su recorrido es uno o ms intervalos de recta real.


Definicin: Sea X una variable aleatoria discreta. Se llamar a p(x) = P(X = x) funcin
de distribucin de probabilidades de la variable aleatoria X, si satisface las
propiedades:


1.) p(x) > 0 para todo x


2.) 1 ) (
1
=

=
n
i
i
x p

3.) F(xi) =

=
k
i
i
x p
1
) ( = P(X s xi), k s n


Ejemplo 4: Supngase que un embarque de ocho computadores similares para una
tienda contiene tres que estn defectuosos. Considrese el experimento aleatorio (E) Se
compran dos computadoras aleatoriamente sacadas en sucesin una a una sin
reemplazo de la tienda. Supngase que X cuenta el nmero de defectuosas.
Encuentre: 1.) La funcin de distribucin de probabilidades de X para el nmero de
defectuosas, 2.) Calcule las probabilidades: P(X > 1), P(X s 1) y P(1 s X s 2), 3.)
Grafique las funciones p(x) y F(x).


Sea B = Buena y D = Defectuosa, el espacio muestral de este experimento
es O = {(B,B), (B,D), (D,B), (D;D)}.


1/2
1
1 X 2
1/4
0
Estadstica I: Guia de la Unidad # 2 Fernando A. Contreras J.


11
Lo anterior se ilustra en el grfico adjunto:






= {(B,B), (B,D), (D,B), (D,D)}


w1 w2 w3 w4






X: Cuenta el # de computadoras defectuosas

De ah que el recorrido de X es: { X(w1) , X(w2) , X(w3) , X(w4) } = {X((B,B)),
X((B,D)), X((D,B)), X((D,D))} = {0, 1, 1, 2} = {0, 1, 2} = {x1 , x2, x3}. Para calcular las
probabilidades P(X = x1) = P(X = 0), P(X = x2) = P(X = 1) y P(X = x3) = P(X = 2).
Obsrvese primero:
- P(X = x1) = P(X = 0) P((B,B)) =
28
10
7
4
.
8
5
=



- P(X = x2) = P(X = 1) P((B,D)) P((D,B)) =
28
15
7
5
.
8
3
7
3
.
8
5
= +



- P(X = x3) = P(X = 2) P((D,D)) =
28
3
7
2
.
8
3
=


Luego se tiene que P(X = x1) = P(X = 0) =
28
10
, P(X = x2) = P(X = 1) =
28
15
y
P(X = x3) = P(X = 2) =
28
3
. La suma de estas probabilidades debe dar uno.

1.) Luego si X cuenta el nmero de defectuosas, entonces se tiene:



x 0 1 2
p(x)
28
10

28
15

28
3

(B,B)
R

0
1

2
X(w)
(B,D)
(D,B)
(D,D)
Estadstica I: Guia de la Unidad # 2 Fernando A. Contreras J.


12
2.) Las probabilidades pedidas son:


- P(X > 1) = P(X = 2) =
28
3




- P(X s 1) = P(X = 0) + P(X = 1) =
28
15
28
10
+
=
28
25




- P(1 s X s 2) = P(X = 1) + P(X = 2) =
28
3
28
15
+
=
28
18




3.) Las grficas de p(x) y F(x) son respectivamente:


















Para F(x) = P(X s x) se tiene:

- F(0) = P(X s 0) = P(X = 0) =
28
10


- F(1) = P(X s 1) = P(X = 0) + P(X = 1) =
28
15
28
10
+
=
28
25


- F(2) = P(X s 2) = P(X = 0) + P(X = 1) + P(X = 2) =
28
3
28
15
28
10
+ + =
1
28
28
=

Estadstica I: Guia de la Unidad # 2 Fernando A. Contreras J.


13






















Definicin: Sea X una variable aleatoria continua. Se llamar a f(x) funcin de
densidad de probabilidad de X, si satisface las propiedades:


1.) f(x) > 0, < x < +
2.)
1 ) ( =
}
+

dx x f

3.) F(x) = P(X s x) =
}

x
dt t f ) (
,




















Cuando se tiene una variable aleatoria X continua, las probabilidades son reas bajo la curva
donde t es una variable
artificial de integracin.
Estadstica I: Guia de la Unidad # 2 Fernando A. Contreras J.


14

Nota: Dado que 0 ) ( =
}
a
a
dx x f , entonces se tiene que, P(X s x) = P(X < x) y
P(a s X s b) = P(a < X < b).


Consecuencias

1.) F() 0, 2.) F(+) 1, 3.) F(a) = P(X s a), 4.) P(X > a) = 1 P(X < a)

5.) ) (
)) ( (
x f
dx
x F d
= P(a < X < b) =
}
b
a
dx x f ) ( = F(b) F(a).


Ejemplo 5: Supngase que X es la variable aleatoria que mide el tiempo de
llegada de los estudiantes de la UNET al primer bloque de clases diurno (Supngase
que este es el de 7 a 9 AM.). Si X esta modelado por la funcin de densidad de
probabilidad definida por:







A partir de esta funcin calcule lo siguiente:

1.) El valor de k para que f sea funcin de densidad de probabilidad de X.

2.) Represente grficamente a f(x).

3.) Encuentre la funcin de distribucin de probabilidades acumulativas de X, F(x).

4.) Represente grficamente a F(x).

5.) Cul es la proporcin de estudiantes que llegan:

Entre el primero y quinto minuto.
Entre los primeros ocho minutos.
Despus de los primeros diez minutos.

1.)

Se tiene que 1 ) ( =
}
+

dx x f
}
+

dx x f ) (
=
} }
+

+
0
2
0
0 dx ke dx
x
=

}

+
b
x
b
dx e k
Lim
0
2
=
b
x
b
e k
Lim
0
2
2
|
|
.
|

\
|


+
=
|
|
.
|

\
|
+

+
2
0
2
2 2 e e k
b
b
Lim
=

|
|
.
|

\
|
+

0
2
2 2 e e k = 2k 2k = 1 k =
2
1
. Luego, la funcin
de densidad de probabilidad queda:
Estadstica I: Guia de la Unidad # 2 Fernando A. Contreras J.


15








X: tiempo de llegada de los estudiantes de la UNET al primer bloque de clases diurno

2.)

Representacin Grfica de f(x):
















3.)

Se tiene que F(x) = P(X s x)
}

x
dt t f ) (
=
} }


+
x
t
dt e dt
0
2
0
2
1
0
=
x t
e
0
2

=

|
|
.
|

\
|
+

2
0
2
e e
x
=
|
|
.
|

\
|


2
1
x
e Es decir:








4.)

Representacin Grfica de F(x):












Estadstica I: Guia de la Unidad # 2 Fernando A. Contreras J.


16

5.)

Las probabilidades pedidas son:



a) P(1 s X s 5) = F(5) F(1) =
|
|
.
|

\
|


2
5
1 e
|
|
.
|

\
|


2
1
1 e = 0.5244

b) P(X s 8) = F(8) =
|
|
.
|

\
|


2
8
1 e = 0.9817

c) P(X > 10) = 1 P(X s 10) = 1 F(10) = 1
|
|
.
|

\
|


2
10
1 e = 0.0067



Valor Esperado y Varianza de una Variable Aleatoria X


Definicin: Sea X una variable aleatoria. El valor esperado, esperanza o media de la
variable aleatoria X es el promedio o valor medio de X y est dado por:


1.)
=
=
n
i
i i
x p x X E
1
) ( ) (
, si X es discreta
2.)
}
+

= dx x xf X E ) ( ) (
, si X es Continua


Definicin: Sea X una variable aleatoria. La varianza de X es una especie de valor
promedio de dispersin de las observaciones con respecto a la media y esta dado por:



2 2
)) ( ( ) ( ) ( X E X E X Var =


Ejemplo 6: Calcule la media y la varianza a las variables aleatorias de los Ejemplos 4
y 5.


a) La media para el Ejemplo 4 es:

=
=
3
1
) ( ) (
i
i i
x p x X E
= x1p(x1) + x2p(x2) + x3p(x3) = (0)p(0) + (1)p(1) + (2)p(2) =

Estadstica I: Guia de la Unidad # 2 Fernando A. Contreras J.


17
=
4
3
28
21
28
3
. 2
28
15
. 1
28
10
. 0 = = + +



Si se toman con reemplazo muchas veces dos computadoras en sucesin, el promedio de
defectuosas que se esperan es de 0.75 (menos de 1).


b) La Varianza para el Ejemplo 4 es:


=
=
3
1
2 2
) ( ) (
i
i i
x p x X E
= x1
2
p(x1) + x2
2
p(x2) + x3
2
p(x3) = (0)
2
p(0) + (1)
2
p(1) + (2)
2
p(2) =

=
28
27
28
3
. 2
28
15
. 1
28
10
. 0
2 2 2
= + +

Luego:
2
4
3
28
27
) (
|
.
|

\
|
= X Var

112
45
) ( = X Var



c) La media para el Ejemplo 5 es:



}
+

= dx x xf X E ) ( ) (
=
dx e x dx x
x
2
0
0
2
1
0
+

} }
+
=
dx e x
x
2
0
2
1
+
}
.

Sea u =
2
x

2
1
=
dx
du
2du = dx, adems 2u = x. Por otro lado:


Si x = 0 u = 0 y si x + u + . Luego al sustituir se tiene:


dx e x
x
2
0
2
1
+
}
=
) 2 ( ) 2 (
2
1
) (
0
du e u
u
+
}
=
du e u
u
+
}
0
1
2
= 2.1! = 2 E(X) =
2.


Nota:
, !
0
n du e u
u n
=

+
}
0 > n

Se espera que en promedio, el tiempo de llegada de los estudiantes, sea dos minutos
despus de la hora de entrada.

Estadstica I: Guia de la Unidad # 2 Fernando A. Contreras J.


18
d) La Varianza para el Ejemplo 5 es:

}
+

= dx x f x X E ) ( ) (
2 2
=
dx e x dx x
x
2
0
2
0
2
2
1
0
+

} }
+
=

dx e x
x
2
0
2
2
1
+
}
Luego, al usar el cambio de variables anterior se tiene:


dx e x
x
2
0
2
2
1
+
}
=
) 2 ( ) 2 (
2
1
) (
0
2
du e u
u
+
}
=
du e u
u
+
}
0
2
4
= 4.2! = 8



E(X
2
) = 8. Luego: Var(X) = 8 (2)
2
= 4 Var(X) = 4.