IN3702 - Investigacin de Operaciones

Profesor: D. Saur
Auxiliares: C. Aguayo, P. Galaz, S. Gallardo,
S. Maccioni, J. Siebert

Probabilidades

1. Probabilidades

1.1. Propiedades fundamentales

Probabilidad condicional: Dados 2 eventos A, B

P(A B)
P(A|B) =
P(B)

Ley de probabilidad total: Dada una particin disjunta (Bi Bj = si i 6= j) {Bi }iI de un
espacio muestral S tal que P(Bi ) > 0 i, se tiene que para cualquier evento A
X
P(A) = P(A|Bi )P(Bi )
iI

Regla de Bayes:
P(B|A)P(A)
P(A|B) =
P(B)

1.2. Distribuciones discretas relevantes

Distribucin binomial: Dada una probabilidad de xito p (0, 1) y una cantidad de ensayos N N,
la probabilidad de que exactamente k de N (con 0 k N ) ensayos sean exitosos es
!
N k
P(X = k) = p (1 p)N k
k

Si X Binom(N, p) = E(X) = N p y V(X) = N p(1 p)

Distribucin geomtrica: Una variable aleatoria X Geom(p) representa el nmero de ensayo en

el cul se obtiene el primer xito. Al igual que en la distribucin binomial, p (0, 1) es la probabilidad
de xito
P(X = k) = (1 p)k1 p
| {z }
fallar k1 veces
1 1p
Para este caso, E(X) = y V(X) = . Otra posible representacin se tiene para una variable
p p2
aleatoria Z = X 1 con X Geom(p). Z representa el nmero de fallos antes del primer xito.

P(Z = k) = (1 p)k p
1p
E(Z) = y V(Z) = V(X)
p

1
Distribucin binomial negativa: Representa el nmero de intento en el que ocurre el r-simo xito
!
k1 r
P(X = k) = p (1 p)kr k = r, r + 1, r + 2, ...
r1

r r(1 p)
Para este caso, E(X) = y V(X) =
p p2

Distribucin de Poisson: Una variable aleatoria X distribuye Poisson de tasa > 0 si

k e
P(X = k) = k = 0, 1, 2, ...
k!
Para una variable aleatoria X que distribuye Poisson, E(X) = V(X) =

1.3. Distribuciones continuas relevantes

Dada una variable aleatoria Y con funcin de distribucin acumulada F y funcin de densidad de
dF (y)
probabilidad f = se define:
dy
Z t
F (t) = P(Y t) = f ( )d

Distribucin uniforme: Y U [a, b] con a < b si y solo si su funcin de densidad de probabilidad

es:
1


si a t b
f (t) = b a

0
a+b (b a)2
Para Y distribuida U [a, b], E(Y ) = y V(Y ) =
2 12

Distribucin exponencial: Y exp() con > 0 si y solo si su funcin de densidad de probabilidad

es: (
et si t > 0
f (t) =
0
1 1
Para Y distribuida exp(), E(Y ) = y V(Y ) = 2

Distribucin Gamma: Y Gamma(r, ) con r, > 0 si y solo si su funcin de densidad de

probabilidad es:
(t)r1
et


si t > 0
f (t) = (r)
0

r r
donde es la funcin Gamma 1 . Para Y distribuida Gamma(r, ), E(Y ) = y V(Y ) = 2 .

Si r N, entonces (r) = (r 1)! y en este caso, la distribucin recibe el nombre de distribucin
Erlang. La distribucin Erlang, representa la suma de r variables aleatorias i.i.d. que distribuyen
exponencial de parmetro .
R
1
(r) = 0 z r1 er dz. La funcin Gamma es una generalizacin del factorial en los nmero complejos con parte
real positiva.