Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FX (x), x R es continua ssi existe una funcion no negativa fX (x), x R, tal que:
Z x
fX (t)dt,
xR
FX (x) =
dFX (x)
dx
donde fX (x) se denomina funci
on de densidad de la variable aleatoria X.
fX (x) =
Note que:
i)
fX (x) 0
ii)
Z
fX (x) dx = 1
iii)
Z
PX (B) = P(X B) =
fX (x)dx
B
Ejemplo 10.6 Para la funcion de densidad del ejemplo anterior, encuentre FX y utilcela para
calcular P(0 < X 1)
41
10.4.
Localizaci
on y dispersi
on de una variable aleatoria
Definici
on 10.5 La esperanza de una variable aleatoria X se define como:
X
xi fx (xi ),
X discreta
i=1
E(X) =
Z
Notacion: X = E(X)
Propiedades
1.- La esperanza matematica es un operador lineal, esto es, si E(X) esta bien definida, entonces
E(aX + b) = aE(X) + b
2.- Si X e Y son variables aleatorias, entonces
E(X + Y ) = E(X) + E(Y )
3.- Si X e Y son variables aleatorias con esperanzas bien definidas y tales que
X() Y ()
entonces E(X) E(Y )
Definici
on 10.6 La mediana de una variable aleatoria X es alg
un n
umero m tal que:
P(X m) 1/2 y
P(X m) = 1/2
Notas:
i) Si X tiene distribucion simetrica y E(X) < , entonces E(X) es una mediana para X.
ii) Si X tiene distribucion asimetrica, la mediana de X puede ser una mejor medida de localizacion.
Dos distribuciones pueden tener la misma localizacion y ser completamente diferentes, por lo
que hay que considerar una medida de dispersion de la variable, la mas com
un, es la varianza.
Definici
on 10.7 La varianza de una variable aleatoria X se define como
V (X) = E[(X E(X))2 ]
X
V (X) =
Zi=1
(x E(X))2 fX (x)dx
Notacion:
2
X
= V (X)
42
Propiedades
1.- V (X) = E(X 2 ) (E(X)2 )
2.- V (X) 0, V (X) = 0 X = c
3.- V (aX + b) = a2 V (X)
4.- Si X e Y son variables aleatorias, entonces
V(X + Y ) = V(X) + V(Y ) 2 Cov(X, Y )
Solo en el caso en que X e Y son variables aleatorias independientes, entonces
V(X + Y ) = V(X) + V(Y )
Ejemplo 10.7 Sea X la variable aleatoria que cuenta el n
umero de caras en tres lanzamientos de
una moneda honesta. Determine el recorrido, la funcion de distribucion, valor esperado y varianza
de X.
Ejemplo 10.8 Sea A un evento en (, A, P), con P(A) = p, con 0 p 1. Usted paga $1 se A
ocurre y $0 si A{ ocurre.
Sea X la ganancia obtenida en un ensayo de este experimento. Determine esperanza y varianza de
X.
43
10.5.
10.5.1.
Distribuci
on Bernoulli
Consideremos un experimento con solo dos resultados posibles, uno que se llame exito (E) y
otro, fracaso (F). Los resultados sucesivos e independientes de tal experimento se llaman pruebas
o experimentos Bernoulli.
En realidad, cualquier experiemnto puede ser usado para definir un ensayo Bernoulli simplemente
denotando alg
un evento de interes, A, como exito y su complemento, A{ , como fracaso.
Notaci
on: X Bernoulli(p) y su funcion de probabilidad esta dada por
P(X = x) = px (1 p)1x ,
x = 0, 1
donde
E(X) = p
V (X) = p(1 p)
10.5.2.
Distribuci
on Binomial
Un experimento que consiste de n ensayos Bernoulli independientes, cada uno con probabilidad
de exito p, se llama un experimento Binomial con n ensayos y parametro p.
Al decir ensayos independientessignifica que los ensayos son eventos indeoendientes esto es, lo
que ocurra en un ensayo no tiene efecto en el resultado observado para cualquier otro ensayo.
Definici
on 10.8 Sea X el n
umero total de exitos observados en un experimento Binomial con n
ensayos y parametro p. Entonces X se llama variable aletoria Binomial con parametros n y p
y se denota
X Bin(n, p)
y su funcion de probabilidad esta dada por
n x
P(X = x) =
p (1 p)nx ,
x
x = 0, 1, . . . , n
44
10.5.3.
Distribuci
on Geom
etrica
Definici
on 10.9 Si se realizan repetidos experimentos Bernoulli independientes con probabilidad de
exito p, entonces la distribucion de la variable aleatoria X, el n
umero de experimentos necesarios
hasta encontrar el primer exito sigue una distribuci
on geom
etrica de parametro p y se denota
por:
X Geo(p)
con funcion de probabilidad dada por
P(X = x) = (1 p)x1 p,
x = 1, 2, 3, . . .
Ejemplo 10.10 Cacule la probabilidad de que deba lanzar un dado por lo menos 6 veces hasta
obtener un 5.
10.5.4.
Distribuci
on Binomial Negativa
Definici
on 10.10 Consideremos ensayos Bernoulli independientes con probabilidad de exito p en
cada ensayo. Si X es el n
umero de ensayos necesarios para observar el r-esimo exito, entonces X
se llama variable aleatoria Binomial negativa con parametros r, y p su funcion de probabilidad
est
a dada por
x1 r
P(X = x) =
p (1 p)xr ,
x {r, r + 1, . . .}
r1
y se denota por
X BinN eg(r, p)
Teorema 10.3 La esperanza y varianza de la distribucion Binomial Negativa estan dadas por:
r
p
r(1 p)
V (X) =
p2
E(X) =
Ejemplo 10.11 Cacule la probabilidad de que deba lanzar un dado por lo menos 6 veces hasta
obtener 5 tres veces.
45
10.5.5.
Distribuci
on Poisson
Definici
on 10.11 Una variable aleatoria X que cuenta el n
umero de eventos que ocurren en un
perodo de tiempo tiene distribuci
on Poisson de parametro > 0, y su funcion de probabilidad
est
a dada por
e x
P(X = x) =
, x = 0, 1, . . .
x!
y se denota por
X P oisson()
Teorema 10.4 La esperanza y varianza de la distribucion Poisson estan dadas por:
E(X) =
V (X) =
Ejemplo 10.12 Se sabe que los pacientes llegan de acuerdo a una distribucion Poisson con = 3
pacientes/minuto. Cuando llegan mas de 4 pacientes por minuto la secretaria se ve sobrepasada y
el servivio de atencion es calificado como deficiente. Cual es la probabilidad de que el sistema sea
calificado como no deficiente?
10.5.6.
Distribuci
on Uniforme
Definici
on 10.12 Una variable aleatoria X tiene distribuci
on uniforme si su densidad se distribuye por igual entre dos valores cualquiera a y b. Su funcion de densidad esta dada por
1
, a < x < b,
ba
fX (x) =
0,
e.o.c.
Notacion: X U(a, b)
Teorema 10.5 La esperanza y varianza de la distribucion Uniforme estan dadas por:
a+b
2
(b a)2
V (X) =
12
E(X) =
Ejemplo 10.13 En los das del verano, X, el tiempo de retraso de un tren del Metro, se puede
modelar como distribuida uniformemente entre 0 y 20 minutos.
1. Calcule la probabilidad de que el tren llegue por lo menos con 8 minutos de retraso.
2. Calcule la desviacion estandar del tiempo de retraso del tren.
46
10.5.7.
Distribuci
on Exponencial
Definici
on 10.13 Suponga que los eventos suceden aleatoriamente a lo largo del tiempo, con un
tiempo esperado entre eventos . Sea X, la variable aleatoria que cuenta el tiempo para el siguiente
evento, entonces X tiene distribuci
on exponencial y su funcion densidad esta dada por
1 x/
e
, x > 0,
fX (x) =
0,
e.o.c.
donde > 0 y se denota por
X exp()
Teorema 10.6 La esperanza y varianza de la distribucion Exponencial estan dadas por:
E(X) =
V (X) = 2
Ejemplo 10.14
En un centro rural para la atencion de emergencias el tiempo entre llegadas sigue una distribuci
on
exponencial con un tiempo media de llegadas de 1.25 horas. Encuentre la probabilidad de que el
tiempo entre llegadas sea mayor a 1 hora. Encuentre la probabilidad de que el tiempo entre llegadas
sea mayor a 2 horas.
10.5.8.
Distribuci
on Normal
Definici
on 10.14 La variable aleatoria X tiene distribuci
on normal con media y varianza 2
si su funcion de densidad esta dada por
fX (x) =
1
2 2
(x)2
2 2
< x <
Notacion: X N(, 2 )
Definici
on 10.15 Si Z es una variable aleatoria normal con media 0 y varianza 1, entonces Z se
llama variable aleatoria normal est
andar.
Cualquier variable aleatoria normal X se puede transformar en una variable aleatoria normal
estandarizada Z, sustrayendo el valor esperado y dividiendo el resultado por .
Ejemplo 10.15 Considere la distribucion normal estandar con media = 0 y desviacion = 1.
1. Cual es la probabilidad que z sea mayor que 2,6?
2. Cual es la probabilidad que z sea menor que 1,3?
3. Cual es la probabilidad que z este entre -1.7 y 3.1?
4. Cual es el valor de z que corta el 15 % menor de la distribucion?
47
Ejercicios 7 .
1. Clasifique las siguientes variables como discretas o continuas.
X : el n
umero de accidentes de automovil por a
no en la ciudad de Santiago.
Y : el tiempo que toma jugar 18 hoyos de golf.
M : la cantidad de leche producida anualmente por una vaca en particular.
N : el n
umero de huevos que pone mensualmente una gallina.
P : el n
umero de permisos para la construccion de edificios que otorga mensualmente una
municipalidad.
Q : la cantidad de kilos de manzanas que exporta una empresa.
2. Sea X = n
umero de sustancias nocivas en un material de trabajo escogido al azar.
x
p(x)
p(x)
p(x)
0
0.3
0.4
0.4
1
0.2
0.1
0.2
2
0.1
0.1
-0.3
3
0.05
0.1
0.5
4
0.05
0.3
0.2
0, t < 1,
41 , 1 x < 3
1
, 3x<5
FT (t) =
2
, 5x<7
4
1, t 7.
Encuentre
a) P(T = 5)
b) P(T > 5)
c) P(1,4 < T < 6)
48
4. Ciertos temes son producidos por una maquina, cada item es clasificado como de primera o
segunda calidad; los temes de segunda calidad representan al 5 % de la produccion total. Si se
inspeccionan temes hasta que se encuentra el quinto de segunda calidad,
a) Determine la variable aleatoria y su funcion de probabilidad.
b) Cual es el n
umero esperado de temes que se deben inspeccionar para detectar el quinto
de segunda calidad?
c) Cual es la probabilidad de que se tengan que inspeccionar 7 artculos?
5. Se sabe que el 60 % de estudiantes de la Universidad son fumadores. En una muestra aleatoria
de 12 alumnos,
a) Cual es la probabilidad que haya exactamente dos fumadores?
b) Cual es la probabilidad que sean fumadores solo los dos primeros alumnos entrevistados?
c) Cual es el n
umero esperado de fumadores?
6. Ocasionalmente aplicaciones de laser se usan para destruir celulas cancergenas. El exito de
una aplicacion se eval
ua con un examen histologico. Suponga que una aplicacion es exitosa
con probabilidad p. En caso cuya gravedad lo amerita, aplicaciones se repiten hasta contrar
tres examenes que indiquen exito.
a) Calcule la probabilidad de que un paciente dado requiera seis aplicaciones
b) Calcule la probabilidad que un paciente dado requiera menos de seis aplicaciones
7. Suponga que se realizan n lanzamientos independientes de una moneda sesgada, con probabilidad de cara , 0 < < 1.
a) Determine la probabilidad de obtener exactamente n 1 caras, dado que se obtienen a lo
menos dos caras en total.
b) Determine la probabilidad de obtener exactamente n 1 caras, dado que se obtiene cara
en cada uno de los primeros n 2 lanzamientos.
8. Usted recibe correos electronicos durante una jornada que se define como el perodo de tiempo
que va desde las 8 de la ma
nana a las 20 horas. Solo en este perodo ustede puede leer sus
correos. Suponga que los correos se reciben de acuerdo a un proceso de Poisson a un tasa (o
razon) de 0,2 mensajes por hora.
a) Usted lee sus correos cada hora durante una jornada. Cual es la probabilidad de que en
una hora dada no encuentre mensajes nuevos? Y cual es la probabilidad de encontrar a
lo mas un mensaje nuevo en esa hora?
b) Suponga que debido a un viaje usted no ha ledo su correo durante toda una jornada.
Cual es la probabilidad de que haya recibido exactamente 2 mensajes?
c) Dado que en la u
ltima jornada usted ha recibido 7 correos en total, calcule la probabilidad
de que entre las 8 y 10 de la ma
nana usted haya recibido exactamente 3 mensajes?
Verifique que esta probabilidad es igual a P(X = 3) cuando X Binomial(n, p), e
identifique los parametros.
49
52
10.6.
Definici
on 10.16 Sea X una variable aleatoria y sea g una funcion con dominio en S y valores en
R. El valor esperado de g(X) esta dado por
X
E(g(X)) =
Zi=1
g(x)f (x)dx,
X continua
10.6.1.
Definici
on 10.17 Dada una variable aleatoria X se definen:
(i)
X
xki fx (xi ),
X discreta
k
E(X ) =
Zi=1
xk fX (x)dx, X continua
(xi )k fx (xi ),
X
k
i=1
E((X ) ) =
Z
(x )k fX (x)dx, X
discreta
continua
etxi fx (xi ),
MX (t) =
Zi=1
etx fX (x)dx,
con t R.
Ejemplo 10.16 Determine su funcion generadora de momentos para las siguientes distribuciones:
a) X Bin(n, p)
b) X N(0, 1)
Teorema 10.7 Sea X una variable aleatoria con funcion generadora de momentos MX (t). Entonces
dk MX (t)
k
E(X ) =
dtk t=0
53
Transformaci
on de variables
Frecuentemente, en estadstica, se presenta la necesidad de deducir la distribucion de probabilidad de una funcion de una o mas variables aleatorias. Por ejemplo supongamos que X es una variable
aleatoria discreta con distribucion de probabilidad f (x) y supongamos ademas que Y = g(X) define una transformacion uno a uno entre los valores de X e Y . Se desea encontrar la distribucion
de probabilidad de Y . Es importante resaltar el hecho que la transformacion uno a uno implica
que cada valor de x esta relacionado con un, y solo un valor de y = g(x) y que cada valor de y
esta relacionado con un, y solo un valor de x = g 1 (y).
Teorema 10.10 Sea X una variable aleatoria discreta con distribucion de probabilidad f(x). Si
Y = g(X) define una transformacion uno a unn entre los valores de X e Y de tal forma que la
ecuacion y = g(x) pueda resolverse u
nicamente para x en terminos de y. Entonces la distribuci
on
de probabilidad de Y es
fY (y) = fX (g 1 (y))
Ejemplo 10.19 Sea X una variable aleatoria geometrica con distribucion de probabilidad
x1
3 1
,
x = 1, 2, . . .
fX (x) =
4 4
a) Encuentre al distribucion de la variable aleatoria de Y = X 2
b) Encuentre la distribucion para la variable aleatoria Z = 4 5X
Teorema 10.11 Suponga que X es una variable aleatoria continua con distribucion de probabilidad
f (x). Sea Y = g(X), con g una funcion uno a uno entre los valores de X e Y . Entonces la
distribucion de probabilidad de Y esta dada por
fY (y) = fX (g 1 (y))|J|
donde J = (g 1 (y))0 y recibe el nombre de Jacobiano de la tranformacion.
54
Ejemplo 10.20 .
a) Sea X una variable aleatoria continua con funcion densidad
fX (x) =
x
,
12
1<x<5
(a + b) a1
x (1 x)b1 ,
(a)(b)
0 < x < 1.
Determinar la distribucion de Y = 1 - X.
Teorema 10.12 Sea X una variable aleatoria continua con funcion densidad fX (x). Si Y = g(X)
es una transfromacion entre los valores de X e Y que no es uno a uno, es decir, para cada y R
existen k inversas, xi = gi1 (y), i = 1, . . . , k, entonces la distribucion de probabilidad de Y es
fY (y) =
k
X
fX (gi1 (y))|Ji |
i=1
donde
|Ji | =
d 1
g (y) i = 1, . . . , k.
dy i
< x < .
Ejercicios 8 .
1. Si X U (0, 1), encontrar al funcion densidad de Y = eX
R: fY (t) = 1t 1 < t < e.
2. Si Y U (0, 5), cual es la probabilidad de que las races de la ecuacion 4x2 + 4xY + Y + 2 = 0
sean ambas reales?
R: 35
3. Un entero positivo I es seleccionado con P(I = n) = 21n para n = 1, 2, . . . Si el entero es n, se
lanza la moneda al aire y la probabilidad de obtener una cara es en . Cual es la probabilidad
que al lanzar la moneda obtengamos cara?
R: 2e11
55
x 0.
X
1+X
b) Encuentre la distribucionde X + c
9. Suponiendo que X tienen la siguiente funcion de densidad
f (x) = e(xa) ,
x a.
a) Encuentre MX (t).
b) Calcular E(X) y V(X).
10. Sea X una variable aleatoria que satisface
2
P(X > t) = et
56
t > 0.
1
X
11. Sea X una variable aleatoria con funcion densidad dada por
fX (x) =
|x|
,
16
si |x| < 4.
a) Determine E(X).
b) Encuentre la funcion de distribucion acumulada de Y = |X|.
c) Determine E(Y).
12. Suponga que el n
umero de horas X que funcionara una maquina antes de fallar es una variable aleatoria con distribucion Normal de parametros = 720 y 2 = 482 .
Suponga que en el momento en que la maquina comienza a funcionar Ud. debe decidir cuando
el inspector regresara a revisarla. Si el vuelve antes de que la maquina falle, se ocasiona un
costo de a dolares por haber desperdiciado una inspeccion. Si vuelve despues de que la m
aquina
haya fallado, se ocasiona un costo de b dolares por el no funcionamiento de la maquina.
a) Determine una expresion para el costo esperado, considerando que el tiempo hasta que el
inspector vuelve a inspeccionar la maquina es de t horas.
b) Suponga que el inspector decide volver en un tiempo de t = 816 hrs. Calcule la probabilidad de que el inspector llegue tarde a la inspeccion, es decir, la maquina ya ha dejado
de funcionar.
c) Se observa este proceso durante 15 perodos. Determine la probabilidad de que el inspector
llegue tarde mas de 12 veces.
57