Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2019
Cuadernillo de Actividades
MATEMÁTICA APLICADA 6° ET
Pautas de trabajo
Uso de la Carpeta
• Carátula: Materia, Alumno, Curso, Profesor, Horario, Año. Un separador: Evaluaciones.
• Debe estar completa todas las clases en el aula. Al comienzo de cada día de clases debe figurar la fecha.
• Encabezado de las hojas
Apellido, Nombre Nro de hoja
2019 Unidad – Matemática Aplicada 6° ET
• Se numerarán las hojas en forma correlativa comenzando por la primera luego de la carátula.
• Es sumamente importante cuidar la prolijidad y el orden en el uso de la carpeta.
• Las definiciones, teoremas, propiedades, figurarán entre medio de la ejercitación (o actividad) y serán enmarcadas con color
verde.
• Si hubiera errores en las resoluciones, tanto en las actividades de aula como en las de tarea, el alumno debe marcar el error con
color rojo (DE NINGUNA MANERA BORRAR) e intentar dar alguna descripción acerca de la naturaleza del error. Esto se
realizará junto con el docente.
• Las preguntas que puedan surgir en el alumno cuando realiza alguna actividad deberán estar escritas en la carpeta en el ejercicio
correspondiente.
• La carpeta es un documento que permite reconstruir en parte lo que haya sucedido en el aula. El alumno debe anotar en ella sus
resoluciones, sus cálculos auxiliares, sus procedimientos, sus justificaciones, sus conclusiones y lo realizado por otros (compa-
ñeros y docente) y expuesto en la puesta en común. Además, debe tomar nota de lo que se escribe en el pizarrón. Se recomienda
que el alumno en algún momento luego de terminada la clase (y no mucho después – por ejemplo cuando llega a su casa, duran-
te las horas de estudio en el colegio, etc) revise la carpeta, agregue todo lo que considera pertinente que debería estar relaciona-
do con la clase, y aquellas dudas o consultas que le surjan. La carpeta servirá para ir estudiando lo trabajado.
Forma de trabajo
• Se requiere un fuerte trabajo del alumno en clases. Nuestras clases están pensadas en función de estudiantes activos. El aprendi-
zaje requiere de un trabajo constante y sostenido en el tiempo que permita ir reflexionando y ajustando sobre lo ya realizado, de
modo que se dé un avance gradual y progresivo.
• Generalmente los alumnos comenzarán con alguna actividad (que pudo haber estado dada de tarea) y luego vendrá un momento
de puesta en común, explicación y/o teoría.
• Es importante que el alumno se proponga resolver cada actividad pedida. No necesariamente el alumno sentirá que sabe cómo
se hace. Sin embargo la actividad tiene cierta cercanía con lo que sí sabe hacer. Es importante también que en cada resolución
figuren los procedimientos empleados, las justificaciones necesarias y la respuesta claramente enunciada.
• Una actividad en blanco es una actividad no hecha. Si frente a una actividad el bloqueo es tal que no le permite ni siquiera em-
pezar, debe intentar anotar alguna pregunta o algún pensamiento relacionado con la actividad.
• El hecho de que una actividad esté hecha, no significa que esté bien, y el hecho de que esté bien, no significa que se haya
aprendido algo. Por tal motivo es necesario que el alumno participe activamente durante los momentos de puesta en común.
• Participar en clase no significa hablar sin haber pensado lo que se quiere decir. Sino que significa: solicitar participación para
responder alguna pregunta, para hacerla o para realizar un comentario oportuno; decir aquello que primero se haya pensado o
resuelto por escrito; escuchar atentamente las preguntas del profesor y los compañeros, escuchar atentamente las intervenciones
de los compañeros para poder estar de acuerdo o no con lo que se menciona. Agregar en la carpeta aquello que se haya discuti-
do en la clase y/o aquello que el profesor sugiera.
• Si los padres quieren ayudar en casa con la realización de la tarea, no deben resolver las actividades por sus hijos. No hay
aprendizaje en ese caso y el profesor no se entera qué tipo de dificultades enfrentan los alumnos. Pueden realizar sugerencias,
pedir que sus hijos expliquen qué se realizó en clases, o ayudar a formular las preguntas que luego harán los alumnos durante la
clase siguiente, etc.
• Cada alumno debe contar con su propio material. La falta entorpece su propio trabajo y la solicitud en préstamo a un compañero
entorpece la de éste. En actividades de evaluación, ante la falta del materiales como calculadora, elementos de geometría, tablas
periódicas, tabla de datos, lapicera, correctores, hojas, etc. no se permitirá solicitar dichos elementos una vez comenzada la
evaluación.
• Se fomenta la colaboración entre pares. Los alumnos no son meros receptores de lo que otro (profesor o alumno) diga sobre al-
gún conocimiento. Es importante que se escuchen los argumentos, se analicen, se discuta, se concluya.
• El profesor entiende que la ausencia del alumno es siempre justificada (Es decir, no se concibe la ausencia por irresponsabili-
dad). La justificación de la ausencia no exime al alumno de reemplazar la clase. En tal sentido, ante ausencia del alumno a cla-
se, éste es responsable por tomar conocimiento de las actividades realizadas en clase y dadas de tareas, las conclusiones arriba-
das, etc. y todo aquello que deba figurar en la carpeta; así como también, de anotar las fechas de evaluaciones, entregas, etc.
Evaluación y calificación
• Periódicamente se realizará una actividad de evaluación que involucrará los contenidos trabajados hasta la clase anterior. Esta
evaluación no será avisada previamente. Podrá ser oral o escrita; a todo el grupo o a algunos alumnos. Podrá incluir el visado de
carpeta y/o de los materiales de trabajo. La calificación de esta evaluación conformará una nota de desempeño global.
• Se avisará con al menos una semana de anticipación la fecha de toma de cada Examen Escrito y los temas y ejercicios que abar-
ca.
• Es posible que antes de finalizar cada trimestre se tome una evaluación (evaluación trimestral), según lo disponga cada docente,
con todos los temas que se hayan trabajado durante el mismo (Si los temas lo ameritan puede tener carácter de integrador) (Pue-
de incluir algún tema que sí haya sido trabajado y no haya sido evaluado con anterioridad).
• Existen materias para las que oficialmente debe tomarse un examen final integrador. Se informará oportunamente cuáles son ta-
les materias.
• La ausencia a una evaluación acordada con anterioridad será calificada con un 1 (uno).
• La ausencia justificada deberá ser notificada al docente (previamente a la ausencia si fuera posible)
• Las ausencias por enfermedad deben ser debidamente justificadas y deberá presentarse en la clase siguiente.
• El examen trimestral será considerado como recuperatorio según quien lo necesite.
• Como se especificó más arriba nuestras clases están pensadas para estudiantes activos. Entendemos por estudiante activo aquel
que de manera sostenida muestra el cumplimiento de las actividades dentro y fuera del aula. Esta pro-actividad es la que se debe
observar clases a clase para que sea tenida en cuenta en la nota del desempeño global. Esta nota podrá ser de 1 a 10 y es la que
permitirá subir o bajar el promedio de las demás notas.
• La calificación del trimestre se obtiene del promedio de las notas.
• El ciclo lectivo comienza en marzo y finaliza en febrero del año siguiente. Las instancias de examen de diciembre y febrero no
son un castigo. Es importante que los alumnos puedan mostrar cierto dominio de lo trabajado. Y algunas veces es necesario que
se vuelvan a preparar los temas. Es preferible que el alumno dedique un poco más de tiempo para terminar de aprender que se-
guir avanzando con los conocimientos adquiridos en forma inconclusa.
• Es requisito presentar la carpeta completa, trabajos prácticos e informes de laboratorio en las condiciones indicadas anterior-
mente para rendir examen en cualquier instancia.
Apellido y nombre del alumno Firma del padre, madre o tutor Firma del profesor
Programa
Expectativas de logro
Contenidos
Bloque 1: Análisis
Unidad 1.0: Cálculo de integrales. Indefinidas. Métodos de integración: Sustitución, partes. Definidas.
Impropias.
Unidad 1.1: Análisis de funciones. Dominio natural. Ceros de una función. Límite y continuidad.
Asíntotas horizontales, verticales y oblicuas. Crecimiento, decrecimiento, extremos locales y globales,
concavidad, puntos de inflexión a través de criterios de la derivada primera y segunda. Regla de
L’Hopital. Gráfica de una función y su derivada. Modelización de fenómenos del mundo real y de otras
áreas usando funciones.
Bloque 2: Estadística
Unidad 2.1: Conceptos básicos. Población. Muestra. Variable: cualitativa, cuantitativa, discreta, con-
tinua. Datos. Experimento. Parámetro. Estadístico. Distribución. Medidas de tendencia central: media,
mediana, moda, rango medio. Medidas de dispersión: rango, desviación desde la media, varianza mues-
tral, desviación muestral estándar, calificación estándar. Regla empírica. Teorema de Chebyshev.
Unidad 2.2: Probabilidad. Probabilidad empírica y teórica. Espacio muestral. Evento. Probabilidad
condicional. Independencia de eventos. Eventos mutuamente excluyentes.
Unidad 2.3: Distribuciones de probabilidad (variables discretas). Variable aleatoria discreta. Dis-
tribuciones de probabilidad de variable aleatoria discreta. Función de probabilidad. Propiedades. Dis-
tribución de probabilidad binomial. Números combinatorios. Función de probabilidad binomial.
Unidad 2.4: Distribuciones de probabilidad (variables continuas). Distribución normal. Función de
densidad. Distribución normal estándar.
Bibliografía
Aragón, A; Pinasco, J; Schifini, C; Varela, A. (2004). Introducción a la matemática para el Primer Ciclo Univer-
sitario. 1ª ed. Buenos Aires Universidad Nacional de General Sarmiento.
Johnson, R; Kuby, P. (2008). Estadística elemental: Lo esencial. (Traducción de Romo Muñoz, J) 10ma ed.
CENGAGE Learning. México.
Cronograma
MAR ABR MAY JUN JUL AGO SEP OCT NOV
Unidad 1.0
Unidad 1.1
Receso Invernal
Unidad 2.1
Unidad 2.2
Unidad 2.3
Unidad 2.4
Bloque 1: Análisis
1) Definición: Llamaremos integral indefinida de una función f al conjunto de todas las primitivas de
f. Para simbolizarlo, escribimos ∫ 𝑓(𝑥)𝑑𝑥.
sin x − 10 n)
1
b) dx dx
x i) x x + 3dx
2
m − x2
2
c) tan (x )dx x2 o)
(ln (x ))
3
j) 3 dx dx
d) cos(mx + n )dx 2 x + 3 x
k) 3xe − x dx x
2
p)
e) sin (mx + n )dx 1 + x4
dx
1
ln (x ) l) dx q) sin 2 (x )cos(x )dx
f) dx 9 + x2
x
1
𝑠𝑖 1 ≤ 𝑥 ≤ 4 +∞
4) Sea 𝑓: ℝ → [0, +∞): 𝑓(𝑥) = { 3 , calculá ∫−∞ 𝑓(𝑥)𝑑𝑥.
0 𝑠𝑖 𝑥 < 1 𝑜 𝑥 > 4
5) Definí una función 𝑓 en ℝ tal que para todo 𝑥 < 2 y para todo 𝑥 > 7, resulte 𝑓(𝑥) = 0 y para el
+∞
resto de los valores 𝑥, valga 𝑓(𝑥) = 𝑘 con 𝑘 constante. Además, ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1.
𝑥
a) Da la expresión de 𝐹: ℝ → [0,1]: 𝐹(𝑥) = ∫−∞ 𝑓(𝑡)𝑑𝑡
1 𝜋 𝜋
cos(𝑥) 𝑠𝑖 − ≤ 𝑥 ≤
2 2 2
6) Sea la función 𝑓: ℝ → [0, +∞): 𝑓(𝑥) = { 𝜋 𝜋 .
0 𝑠𝑖 𝑥 < − 2 𝑜 𝑥 > 2
+∞
a) Calculá ∫−∞ 𝑓(𝑥)𝑑𝑥
𝑥
b) Da la expresión de 𝐹: ℝ → ℝ: 𝐹(𝑥) = ∫−∞ 𝑓(𝑡)𝑑𝑡
𝜋
c) Calculá ∫04 𝑓(𝑥)𝑑𝑥
7) A continuación, se presentan seis gráficas de funciones y seis expresiones. Relacioná cada gráfico
con la expresión correspondiente. Justificá.
a) d)
b) e)
c) f)
(x + 1) si x 1
2
(x + 1)2 si x 1
i) f: R–{1} → R; f(x) = iv) f: R–{1} → R; f(x) =
− x + 3 si x 1 − x + 5 si x 1
(x + 1)2 si x 1 (x + 1)2 si x 1
ii) f: R → R; f(x) = v) f: R→ R; f(x) =
− x + 5 si x 1 − x + 3 si x 1
(x + 1)2 si x 1 (x + 1)2 si x 1
vi) f: R→ R; f(x) =
iii) f: R → R; f(x) = 2 si x = 1 − x + 3 si x 1
− x + 5 si x 1
8) Para cada una de las funciones del ejercicio 7) calculá, si es posible, lo siguiente:
a) f(1) b) lim+ f (x ) c) lim− f (x ) d) lim f ( x )
x →1 x →1 x →1
10) ¿Qué relación podés encontrar entre la continuidad de una función en un punto y lo realizado en los
ejercicios 7), 8) y 9)?
11) Definición: Diremos que una función f es continua en x0 si se cumplen (a la vez) las siguientes con-
diciones:
a) Existe 𝑓(𝑥0 ).
b) Existe lim 𝑓(𝑥) = 𝑙, con 𝑙 ∈ ℝ.
𝑥→𝑥0
c) 𝑓(𝑥0 ) = 𝑙.
Si una función no cumple con alguna de las tres condiciones anteriores diremos que es discontinua
en 𝑥0 .
12) Definición: Diremos que una función f es continua en (a; b) si es continua en todo x (a; b).
13) Definí una función por tramos, cuyo dominio sea ℝ, que sea discontinua en los valores de x que
pertenezcan al borde de cada tramo.
14) Definí una función por tramos, cuyo dominio sea ℝ, que sea continua en los valores de x que perte-
nezcan al borde de cada tramo.
15) Para cada una de las siguientes funciones 𝑓: ℝ → ℝ, determiná si son continuas en los valores de x0
y x1 indicados. Hacelo analíticamente.
𝑥 − 2, 𝑥 < −2 1
a) 𝑓(𝑥) = { 2 si x 0
𝑥 + 1, 𝑥 ≥ −2 e) f (x ) = x
Para x0 = –4; x1 = –2 1 si x = 0
3𝑥 + 4, 𝑥 < 2
b) 𝑓(𝑥) = { Para x0 = 0; x1 = 1
2𝑥 − 1, 𝑥 ≥ 2
Para x0 = –3; x1 = 2 0, 𝑥 = 0
2 f) 𝑓(𝑥) = { 1
, 𝑥<1 sin ( ) , 𝑥 ≠ 0
c) 𝑓(𝑥) = { 𝑥−1 𝑥
2𝑥 − 1, 𝑥 ≥ 1 Para x0 = 0; x1 = 1
Para x0 = 0; x1 = 1 𝑥 2 −2𝑥−3
, 𝑥 ≠1𝑦𝑥 ≠3
2 − 3𝑥, 𝑥 ≤ 3 g) 𝑓(𝑥) = {𝑥 2 −4𝑥+3
d) 𝑓(𝑥) = {−𝑥 2 −𝑥+12 0, 𝑥 = 1 𝑜 𝑥 = 3
𝑥−3
, 𝑥 > 3 Para x0 = 1; x1 = 3
Para x0 = 3; x1 = 5 1
1 , 𝑥 ≠ 0 𝑦 𝑥 ≠ −1
h) 𝑓(𝑥) = {𝑒−𝑒 𝑥+1
0, 𝑥 = 0 𝑜 𝑥 = −1
Para x0 = 0; x1 = –1
16) Teniendo presente las funciones definidas en el ejercicio 15), para los casos en los que f resulte dis-
continua en x0 y/o en x1, redefiní f(x0) y f(x1) para que f resulte continua, si fuera posible. En caso de
no ser posible tal redefinición, explicá por qué.
17) Teniendo en cuenta la definición de continuidad en un punto dada en el ítem 11) y observando lo
realizado en el ejercicio 16) ¿cuál o cuáles de las condiciones se deben cumplir para que sea posible
redefinir una función (en una cantidad finita de valores del dominio) y que resulte continua?
18) Definición: Sea una función f discontinua en x0. Diremos que f tiene una discontinuidad evitable en
x0 si existe lim f (x ) y es un número real. En caso contrario diremos que f tiene una discontinuidad
x → x0
19) Para las funciones del ejercicio 15), y en los casos en los que exista discontinuidad en x0, decidí si
se trata de una discontinuidad evitable o esencial.
20) Si es posible, hallá todos los valores de 𝑘 ∈ ℝ para que las siguientes funciones de ℝ en ℝ resulten
continuas en todo su dominio.
2 x + 1 si x 2
a) f ( x ) = 5(x + k ) si x 0
k x si x 2
2
2 x + 1 si x k e) f ( x ) = k x si 0 x 8
x 2 − 32
b) f ( x ) = 2 5
x+ si x k si x 8
3 3 x−4
− x 3 + 9 x 2 − 18 x + 10 x2 − 9
si x 3 x + 3 si x k
c) f ( x ) = x−3 f) f ( x ) =
k si x = 3 7 x + 1 si x k
3
x + 1 si x 1
d) f (x ) =
3 − k x si x 1
2
x 2 + k si x 0
g) f (x ) = k x + 4 si 0 x 4
x 2 − 16
si x 4
x−4
23) Definición: Decimos que la recta y = a es asíntota horizontal de una función f si lim 𝑓(𝑥) = 𝑎
𝑥→±∞
Observación: Una función podría tener dos asíntotas horizontales diferentes según si se calcula el
límite con 𝑥 → +∞ o 𝑥 → −∞. Por ejemplo, 𝑓: ℝ → ℝ; 𝑓(𝑥) = atan(𝑥). ¿Cuáles son las ecuacio-
nes de las asíntotas horizontales para esta función?
24) Definición: Decimos que la recta x = b es asíntota vertical de una función f si lim 𝑓(𝑥) = ∞.
𝑥→𝑏
Observación: Posibles valores b para los cuáles la función f puede tener una asíntota vertical son
aquellos tales que f no es continua en b.
25) Hallá, si existen, las asíntotas horizontales y verticales de las siguientes funciones de A en R. Da el
dominio natural A de cada una.
3𝑥+2 4
a) 𝑓1 (𝑥) = d) 𝑓4 (𝑥) = 3𝑥 2 −9𝑥−30 g) 𝑓7 (𝑥) = ln[(𝑥 − 1)2 ]
𝑥+1 √𝑥 2 +2
√𝑥 2 +1 7𝑥+5 h) 𝑓 (𝑥) =
b) 𝑓2 (𝑥) = 𝑥+1 e) 𝑓5 (𝑥) = 8 𝑥+3
3𝑥 2 −9𝑥+30
𝑥 2 +𝑥−6 2𝑥 2
c) 𝑓3 (𝑥) = f) 𝑓6 (𝑥) =
𝑥+3 𝑥−5
26) Para cada ítem, da lo que se pide, si es posible. Mostrá que lo dado cumple con lo pedido o explicá
por qué no es posible.
a) Da la fórmula de dos funciones distintas que tengan simultáneamente asíntotas en y = 2 e y = ˗2
b) Da la fórmula de dos funciones distintas que tengan simultáneamente asíntotas en x = 2 e y = ˗2
c) Da la fórmula de una función f que tenga asíntota en y = 3 y tal que no haya intersecciones entre
el gráfico de f y la asíntota.
d) Da la fórmula de una función f que tenga asíntota en y = 3 y tal que haya intersecciones entre el
gráfico de f y la asíntota.
27) Definición: Decimos que la recta y = a x + b es asíntota oblicua de una función f si lim [𝑓(𝑥) −
𝑥→±∞
(𝑎𝑥 + 𝑏)] = 0
𝑓(𝑥)
28) Proposición: Si la recta y = a x + b es asíntota oblicua de una función f entonces, 𝑎 = lim y
𝑥→∞ 𝑥
𝑏 = lim [𝑓(𝑥) − 𝑎𝑥].
𝑥→∞
Esto da una forma de hallar las asíntotas oblicuas de una función si las tuviera. Veamos una demos-
tración de esta proposición. Dado que y = a x + b es asíntota oblicua de f entonces, por la definición
𝑓(𝑥)−(𝑎𝑥+𝑏)
dada en 27), vale que lim [𝑓(𝑥) − (𝑎𝑥 + 𝑏)] = 0. Pero también vale que lim [ ] = 0.
𝑥→±∞ 𝑥→±∞ 𝑥
𝑓(𝑥) 𝑏 𝑓(𝑥)
(¿Por qué?). Usando álgebra de los límites tenemos 0 = lim [ 𝑥
− 𝑎 − 𝑥 ] = lim −
𝑥→±∞ 𝑥→±∞ 𝑥
𝑏 𝑏 𝑓(𝑥)
lim 𝑎 − lim . Y como lim 𝑎 = 𝑎 y lim = 0, entonces tenemos que lim − 𝑎 = 0. Y
𝑥→±∞ 𝑥→±∞ 𝑥 𝑥→±∞ 𝑥→±∞ 𝑥 𝑥→±∞ 𝑥
𝑓(𝑥)
por lo tanto, lim = 𝑎. Por otro lado, nuevamente por la definición dada en 27), vale que
𝑥→±∞ 𝑥
lim [𝑓(𝑥) − (𝑎𝑥 + 𝑏)] = 0. Entonces, usando álgebra de límites tenemos que lim (𝑓(𝑥) − 𝑎𝑥) −
𝑥→±∞ 𝑥→±∞
lim 𝑏 = 0. Entonces, lim (𝑓(𝑥) − 𝑎𝑥) − 𝑏 = 0. Y por lo tanto, lim (𝑓(𝑥) − 𝑎𝑥) = 𝑏.//
𝑥→±∞ 𝑥→±∞ 𝑥→±∞
29) Para cada una de las siguientes funciones de A en R, calculá, si es posible, las asíntotas verticales,
horizontales y oblicuas. Da el dominio natural A de cada una.
a) 𝑓 (𝑥) =
𝑥2
e) 𝑓 (𝑥) =
𝑥 4 −3 i) 𝑓9 (𝑥) = −4 ∙ 2𝑥 + 5
1 𝑥−3 5 𝑥 1
4𝑥+2
b) 𝑓2 (𝑥) = 𝑥 2 −2𝑥+2 𝑥 2 +3𝑥 j) 𝑓10 (𝑥) = 𝑒 𝑥
f) 𝑓6 (𝑥) =
𝑥−3 k) 𝑓11 (𝑥) = log 3 (𝑥) + 4
𝑥 2 +4 𝑥 2 +1
c) 𝑓3 (𝑥) =
𝑥−5 g) 𝑓7 (𝑥) = l) 𝑓12 (𝑥) = ln(𝑥 2 + 1)
√𝑥−1
𝑥 3 +3𝑥+5 𝑥
d) 𝑓4 (𝑥) = 2𝑥 2 +3𝑥+2 h) 𝑓8 (𝑥) =
√𝑥+3
33) Proposiciones sobre el crecimiento de una función. Sea f una función derivable en un intervalo 𝐼 ∈
𝐷𝑜𝑚(𝑓) y sea 𝑐 ∈ 𝐼.
a) I es un intervalo de crecimiento de f si y solo si para todo c se cumple que 𝑓 ′ (𝑐) ≥ 0.
b) I es un intervalo de decrecimiento de f si y solo si para todo c se cumple que 𝑓 ′ (𝑐) ≤ 0.
c) Si c es un extremo de la función f entonces se verifica que 𝑓 ′ (𝑐) = 0. Observá que no es cierto
que si 𝑓 ′ (𝑐) = 0 entonces f alcanza un extremo en c. Probá con 𝑓(𝑥) = 𝑥 3 en x = 0.
34) Definición: Llamaremos punto crítico de una función f a cada valor del dominio para los cuales la
función f posiblemente tiene un extremo.
Los puntos críticos de una función f son aquellos valores k del dominio para los cuales se cumple
que 𝑓 ′ (𝑘) = 0 o aquellos valores k para los cuales f no es derivable.
35) Da los puntos críticos y hallá los intervalos de crecimiento, de decrecimiento y extremos de cada
una de las siguientes funciones de A en R.
1
a) 𝑓1 (𝑥) = 4 𝑥 4 − 3𝑥 3 + 12𝑥 2 − 16𝑥 c) 𝑓3 (𝑥) =
𝑥3
𝑥3 , 𝑥>1
b) 𝑓2 (𝑥) = 𝑥 2 −1 {1 𝑥 2 −1
4
𝑥 4 − 3𝑥 3 + 12𝑥 2 − 16𝑥, 𝑥 ≤ 1
d) 𝑓4 (𝑥) = 𝑒 𝑥 (2𝑥 2 + 𝑥 + 1)
Prof. Martín Chacón 12
Escuela de Educación Técnica Henry Ford – 2019 Análisis – Matemática Aplicada 6º ET
𝑥2 𝑥2
e) 𝑓5 (𝑥) = 𝑥+1 h) 𝑓8 (𝑥) =
√𝑥+1
2 +4𝑥+3 𝑥
f) 𝑓6 (𝑥) = 5𝑒 −𝑥 i) 𝑓9 (𝑥) = ln(𝑥)
𝑥 2 +3
, 𝑥 < −1
g) 𝑓7 (𝑥) = { 𝑥+1
−𝑥
𝑥𝑒 , 𝑥 ≥ −1
36) Definiciones: Concavidad. Sea f una función derivable en 𝑐 ∈ 𝐷𝑜𝑚(𝑓). Sea 𝑦 = 𝑎𝑥 + 𝑏 la ecua-
ción de la recta tangente a la gráfica de f en el punto (𝑐; 𝑓(𝑐)).
a) Diremos que una función es cóncava o de curvatura positiva en c si existe un intervalo I alre-
dedor de c tal que para todo 𝑥 ∈ 𝐼, con 𝑥 ≠ 𝑐, vale que 𝑓(𝑥) − (𝑎𝑥 + 𝑏) > 0.
b) Diremos que una función es convexa o curvatura negativa en c si existe un intervalo I alrededor
de c tal que para todo 𝑥 ∈ 𝐼, con 𝑥 ≠ 𝑐, vale que 𝑓(𝑥) − (𝑎𝑥 + 𝑏) < 0.
c) Diremos que x0 es un punto de inflexión de f si f cambia su curvatura en x0.
d) Muestra con un dibujo qué significado tienen las tres definiciones anteriores.
39) Nos referiremos al estudio completo de una función f (o estudio de f) a obtener la siguiente infor-
mación de tal función (no necesariamente en el orden dado):
a) Dominio natural de f.
b) Conjuntos 𝐶+ (𝑓), 𝐶− (𝑓) y 𝐶0 (𝑓).
c) Continuidad de f, calculando y clasificando los puntos de discontinuidad.
d) Derivabilidad de f, incluyendo derivada segunda.
e) Puntos críticos.
f) Intervalos de crecimiento y de decrecimiento de f.
g) Cálculo y clasificación de extremos de f.
h) Curvatura de f.
i) Puntos de inflexión de f.
j) Existencia de asíntotas y, si existieran, cálculo de sus ecuaciones.
k) Toda otra información que pueda ser útil.
l) Representación gráfica en el que se señale todo lo anterior.
42) Se dispone de una cartulina cuadrada de lado a y se quiere hacer una caja sin tapa recortando cuatro
cuadraditos iguales de las esquinas y doblando sus lados. ¿Cuál debe ser la longitud del lado del
cuadradito que se recorta para que el volumen de la caja sea máximo? ¿Cuál es el volumen de la ca-
ja?
43) Considerá el conjunto de todos los triángulos isósceles de perímetro 10cm y base x.
a) Definí una función que da el área de cada triángulo en función de la base x.
b) Hallá el triángulo (dando el valor de la base) que tiene la mayor área.
44) Considerá el conjunto de todos los triángulos en el que dos de sus lados miden 5cm y el tercero
mide x. ¿Cuál es el triángulo que tiene mayor área?
45) Realizá un estudio completo de las funciones de A en R cuyas expresiones son las siguientes.
1
a) 𝑓1 (𝑥) = 𝑥 ln(𝑥) −𝑥 𝑠𝑖 𝑥 ≤ −1
−𝑥
b) 𝑓2 (𝑥) = 𝑥𝑒 4 2
3 h) 𝑓8 (𝑥) = −𝑥 +3𝑥 −2
𝑠𝑖 − 1 < 𝑥 < 1
c) 𝑓3 (𝑥) = 𝑥 3 + 𝑥 2 −1
𝑥 1
2 𝑥≥1
d) 𝑓4 (𝑥) = 𝑒 −𝑥 { 𝑥2
𝑥 3 −6𝑥 2 +12𝑥−8 𝑥 2 −3𝑥−4
e) 𝑓5 (𝑥) = i) 𝑓9 (𝑥) = { 𝑠𝑖 𝑥 ≠ −2
𝑥 2 −1 𝑥+2
𝑥 2 −3𝑥−4 0 𝑠𝑖 𝑥 = −2
f) 𝑓6 (𝑥) = −𝑥 3 −5𝑥 2 −8𝑥−4
5𝑥+25 , 𝑠𝑖 𝑥 < −1
0 𝑠𝑖 𝑥 = −4 j) 𝑓10 (𝑥) = { 𝑥+1
g) 𝑓7 (𝑥) = {𝑥 4 −27𝑥 2 −14𝑥+120 𝑥𝑒 −𝑥−1
, 𝑠𝑖 𝑥 ≥ −1
𝑠𝑖 𝑥 ≠ −4 𝑥
𝑥+4 k) 𝑓11 (𝑥) = √𝑥 2
+1
Bloque 2: Estadística
46) Estadística: Es la ciencia que se encarga de obtener, describir e interpretar los datos.
No nos encargaremos de las fases de la obtención de datos, sino que trataremos temas de la estadís-
tica descriptiva y de la inferencial.
48) Dada la siguiente situación, identificá cada uno de los ocho términos anteriores. El intendente de un
partido del conurbano de la provincia de Buenos Aires está interesado en conocer algo relacionado
con el ingreso promedio de los ciudadanos de su municipio. Para ello, contrata una empresa encues-
tadora que seleccionará 1000 habitantes.
50) Da varios ejemplos de cada uno de los cuatro tipos de variables dados.
52) Realizá una presentación gráfica de la distribución de las notas obtenidas por el curso en el último
examen de esta materia. (Frecuencia vs. Calificación)
53) Medidas de tendencia central: son valores numéricos que localizan, en algún sentido, el centro de
un conjunto de datos.
a) Media (media aritmética): es el promedio de los valores. La media 𝑥̅ se encuentra al sumar to-
dos los valores de la variable 𝑥 y dividir la suma por la cantidad de valores.
𝑛
𝑥̅ = (∑ 𝑥𝑖 ) /𝑛
𝑖=1
b) Mediana: es el valor de los datos que ocupa la posición media cuando los datos están clasifica-
dos en orden de acuerdo con su tamaño. Usaremos como notación 𝑥̃. La profundidad es la posi-
ción que ocupa el valor de la mediana desde cualquiera de los extremos. Si la cantidad de valo-
res es par, entonces la mediana es igual al promedio de los dos valores centrales.
c) Moda: es el valor 𝑥 que se presenta con mayor frecuencia. Si dos o más valores presentan la
misma frecuencia más alta, decimos que no hay moda.
d) Rango medio: es el número que está exactamente a la mitad entre el dato de valor menor y el
dato de valor mayor.
54) Calculá las cuatro medidas de tendencia central de las notas obtenidas por el curso en el último
examen de esta materia. Da una interpretación de cada una. ¿Qué representan en la situación cada
una de ellas?
55) Medidas de dispersión: describen la dispersión, o variabilidad, que tienen los datos.
a) Rango: es la diferencia en valor entre los datos de valor más alto y los datos de valor más bajo.
b) Desviación desde la media (de un valor 𝑥𝑖 ): es la diferencia entre el valor 𝑥𝑖 y la media 𝑥̅ .
𝑥𝑖 − 𝑥̅ .
c) Desviación media absoluta: es la media de los valores absolutos de las desviaciones desde la
media.
𝑛
(∑|𝑥𝑖 − 𝑥̅ |) /𝑛
𝑖=1
d) Varianza muestral:
𝑛
𝑠 2 = (∑(𝑥𝑖 − 𝑥̅ )2 ) /(𝑛 − 1)
𝑖=1
e) Desviación muestral estándar:
𝑠 = √𝑠 2
56) Calculá el rango, la variación media absoluta y la desviación estándar de las notas obtenidas por el
curso en el último examen de esta materia.
57) Calificación estándar o calificación 𝑧: es la posición que un valor particular de la variable tiene res-
pecto de la media, medido en desviaciones estándar.
𝑥𝑖 − 𝑥̅
𝑧=
𝑠
58) Calculá la calificación estándar de tu nota obtenida en el último examen de esta materia.
Observación: la calificación estándar sirve para comparar, por ejemplo, dos notas obtenidas de dos
poblaciones diferentes.
60) Verificá si se cumple la regla empírica en la distribución de las notas del último examen de este
curso en esta materia. Además, verificá el teorema de Chebyshev.
61) Para las notas de otros dos exámenes calculá las medidas de tendencia central, de dispersión, verifi-
cá si se cumple la regla empírica y verificá el teorema de Chebyshev para k = 1, 2, 3.
62) Explicá por qué sucede que la calificación z para un valor que pertenece a una distribución normal
por lo general está entre –3 y +3.
63) La duración media de cierto neumático es de 30000 km y la desviación estándar es de 2500 km. Si
suponemos que las distancias están normalmente distribuidas, ¿aproximadamente qué porcentaje de
estos neumáticos durará entre 22500 y 37500 km?
64) El tiempo promedio de limpieza para el personal de una empresa de tamaño medio es 84,0 horas y
la desviación estándar es 6,8 horas. Suponé que la regla empírica es apropiada en este caso. ¿Qué
proporción de las veces se tardará 97,6 horas o más en limpiar la planta?
65) Definiciones.
a) Probabilidad de que ocurra un evento: es la frecuencia con la que puede esperarse que el evento
ocurra.
𝑛(𝐴)
b) Probabilidad empírica: P’(A) = 𝑛 ; donde n(A) es el número de veces que A ocurrió y n es la
cantidad de intentos.
𝑛(𝐴)
c) Probabilidad teórica: P(A) = 𝑛(𝑆) ; donde n(A) es el número de veces que A ocurre en el espacio
muestral y n(S) es la cantidad de elementos del espacio muestral. Un espacio muestral es una
lista de todos los posibles resultados del experimento bajo consideración.
66) Considerá el caso de tirar un dado. Definimos el evento A como la obtención de un número mayor
de 4. Calcula P(A).
67) Se tiran dos dados. Definimos el evento Ai como la suma de ambos dados es i (con i desde 2 a 12).
Calculá P(Ai) para cada i.
68) ¿Cuál es la probabilidad de que al menos uno de los tres hijos de una familia sea varón?
69) Observación:
a) 0 ≤ P(A) ≤ 1
b) P(A) = 0 si A no puede ocurrir.
c) P(A) = 1 si A ocurre siempre.
d) ∑𝑛𝑖=1 𝑃(𝐴𝑖 ) = 1 siempre que los eventos sean mutuamente excluyentes.
70) Una caja contiene bolitas de cinco colores diferentes: rojo, verde, azul, amarillo y negro. Asigná
probabilidades a cada color en el espacio muestral en cada caso:
a) Si hubiera un número igual de cada color.
b) Si hubiera el doble de rojo que de verde, el doble de verde que de azul, el doble de azul que de
amarillo, el doble de amarillo que de negro.
c) Si hubiera la misma cantidad de bolitas rojas, verdes y azules, el doble de amarillo y el triple de
negro.
71) Se tiran dos monedas al aire. Da el espacio muestral y la probabilidad de que suceda cada evento:
a) A = “Sale dos caras”.
b) B = “Sale al menos una cara”.
c) C = “No sale cara”.
72) Un club ofrece varios niveles de lecciones de natación todo el año. La cantidad de participantes de
cada nivel del turno matutino se muestra en la siguiente tabla:
Nivel Cantidad de participantes
Bebés 15
Bebés muy pequeños 12
Renacuajos 12
Nivel 2 15
Nivel 3 10
Nivel 4 6
Nivel 5 2
Nivel 6 1
Adultos 4
Se selecciona al azar un participante, encontrá la probabilidad de lo siguiente:
a) El participante está en bebés muy pequeños.
b) El participante está en la lección para adultos.
c) El participante está en una lección de nivel 2 a nivel 6.
73) Consideremos una urna que contiene 4 bolillas rojas y 5 blancas. De las 4 bolillas rojas, 2 son lisas
y 2 rayadas y de las 5 bolillas blancas, 4 son lisas y una sola es rayada. Se extrae una bolilla y, sin
que la hayamos mirado, alguien nos dice que la bolilla es roja, ¿cuál es la probabilidad de que la
bolilla sea rayada?
74) En general, dado un experimento y su espacio muestral asociado, queremos determinar cómo afecta
a la probabilidad de A el hecho de saber que ha ocurrido otro evento B. Definición: Sean A y B
eventos tales que P(B) > 0, la probabilidad del evento A condicional a la ocurrencia del evento B es
𝑃(𝐴∩𝐵)
𝑃(𝐴/𝐵) = 𝑃(𝐵) .
75) Propiedades:
a) P(no A) = 1 – P(A)
b) P(A o B) = P(A) + P(B) – P(A y B)
76) ¿Cuál es la probabilidad de sacar tres caras al lanzar tres monedas sabiendo que una de ellas es ca-
ra?
77) En la generala se tiran 5 dados y se ganan puntos de acuerdo a los que salga. Una de las tiradas con
puntaje es el full, es decir tres dados con el mismo número y los otros dos dados con igual números
entre sí pero distintos a los anteriores. Da las probabilidades de los siguientes eventos.
a) Sacar full en la primera mano.
b) Sacar full dado que se tienen exactamente tres dados iguales.
c) Sacar full dado que se tienen exactamente dos dados iguales.
78) Al lanzar tres dados, ¿cuál es la probabilidad de que la suma sea 12 sabiendo que uno de los dados
es 3?
79) Propiedades: (Sean A y B dos eventos no vacíos definidos en un mismo espacio muestral):
En el caso de que los eventos A y B sean mutuamente excluyentes (esto es, si ocurre A, entonces no
puede ocurrir B, y viceversa, lo que significa que P(A y B) = 0), la propiedad de P(A o B) es la siguien-
te:
a) P(A o B) = P(A) + P(B) – P(A y B) = P(A) + P(B)
En el caso de que los eventos A y B sean independientes (es decir, el hecho de que ocurra o no ocurra A
no afecta al suceso B, y por consiguiente 𝑃(𝐴/𝐵) = 𝑃(𝐴/𝑛𝑜 𝐵) = 𝑃(𝐴)), la propiedad de P(A y B) es:
b) P(A y B) = 𝑃(𝐴/𝐵) ∙ 𝑃(𝐵) = 𝑃(𝐴) ∙ 𝑃(𝐵)
81) Consideremos lanzar cinco monedas al aire y llamemos x a la cantidad de secas que salen. Observar
que x puede tomar los valores 0, 1, 2, 3, 4 o 5. Sea y el número de llamadas telefónicas por día que
recibe una empresa. Los posibles valores para y van desde 0 a algún número natural muy grande. Si
z es el tiempo en segundos de la última conversación telefónica que tuvieron los empleados de una
empresa, notemos que z puede tomar valores de 0 en adelante. En las situaciones anteriores x, y, z
son variables aleatorias, x e y discretas, y z continua.
a) Variable aleatoria: es una variable que toma un valor numérico único para cada uno de los re-
sultados del espacio muestral de un experimento de probabilidad.
i) Variable discreta aleatoria: es una variable cuantitativa aleatoria que puede tomar una canti-
dad contable de valores.
ii) Variable continua aleatoria: es una variable cuantitativa aleatoria que puede tomar una can-
tidad incontable de valores.
82) Consideremos el experimento de lanzar cinco monedas y sea x a la cantidad de secas que salen.
Calculá la probabilidad de que x = 0, x = 1, x = 2, x = 3, x = 4 y x = 5.
83) Definición. Distribución de probabilidad: en una distribución de probabilidades asociamos una pro-
babilidad a cada uno de los valores de una variable aleatoria. La distribución de probabilidades es
una distribución teórica que se usa para representar poblaciones.
84) Propiedades de las funciones de probabilidad: Sea P una función de probabilidad cuyo dominio es
un conjunto A. Se cumplen las dos siguientes propiedades.
a) 0 ≤ 𝑃(𝑥) ≤ 1 Para todo x de A.
b) ∑𝑥∈𝐴 𝑃(𝑥) = 1
85) Retomemos el ejercicio en el que se lanzan dos dados, sea la variable aleatoria x la suma de los nú-
meros de dos dados.
a) ¿Qué valores toma x? ¿qué tipo de variable aleatoria es?
b) Da la distribución de probabilidades de x.
86) Observa que en el ejercicio anterior es posible definir una función en la que el dominio está forma-
do por los valores que toma la variable x, y la regla de asignación está dada por la probabilidad de
que ocurra x. A funciones cómo esta se las denomina funciones de probabilidad.
a) Función de probabilidad: Dada una variable aleatoria x, una función de probabilidad es una co-
rrespondencia en la que a cada valor de la variable x se le asigna la probabilidad de que ocurra.
b) Tené presente que a veces es posible encontrar una fórmula que describa esa asignación y otra
no.
87) Supongamos que se modifica un dado de modo que tiene una cara con un punto, dos caras con dos
puntos y tres caras con tres puntos. Sea x la cantidad de puntos observados cuando se tira el dado.
Da la función (domino y fórmula) de probabilidad de x.
88) Media de una variable aleatoria discreta (valor esperado): Sea 𝑃: 𝐴 → 𝑅 una función de probabili-
dad, definimos 𝐸[𝑥] = ∑𝑥∈𝐴 𝑥 ∙ 𝑃(𝑥).
89) Para cada 𝜃 ∈ ℝ, con 0 < 𝜃 < 1, considerá la función 𝑓𝜃 : {0,1,2,3} → (0,1) cuya ley de correspon-
dencia está dada en la siguiente tabla.
𝑋 0 1 2 3
3 2 2 (1 − 𝜃)3
𝑓𝜃 (𝑋) 𝜃 3𝜃 (1 − 𝜃 ) 3𝜃(1 − 𝜃)
a) Decidí si 𝑓𝜃 puede o no ser la función de probabilidad de una variable aleatoria discreta 𝑋.
b) En caso de que la respuesta al ítem anterior sea afirmativa, da la expresión simplificada de la
esperanza de 𝑋, 𝐸[𝑋].
90) Varianza de una variable aleatoria discreta: Sea 𝑃: 𝐴 → 𝑅 una función de probabilidad y 𝜇, la media
de la variable aleatoria x, definimos 𝑉𝑎𝑟[𝑥] = ∑𝑥∈𝐴[(𝑥 − 𝜇)2 ∙ 𝑃(𝑥)]. También puede usarse
𝑉𝑎𝑟[𝑥] = ∑𝑥∈𝐴[𝑥 2 ∙ 𝑃(𝑥)] − {∑𝑥∈𝐴[𝑥 ∙ 𝑃(𝑥)]}2 o 𝑉𝑎𝑟[𝑥] = ∑𝑥∈𝐴[𝑥 2 ∙ 𝑃(𝑥)] − 𝜇 2.
94) El número que responde la pregunta anterior se llama número combinatorio. Número combinatorio
𝑛 𝑛!
n k, 𝐶(𝑛, 𝑘) = ( ) = 𝑘!∙(𝑛−𝑘)!, donde x! es igual al producto de todos los números naturales meno-
𝑘
res o iguales a x. Por ejemplo, 5! = 1 ∙ 2 ∙ 3 ∙ 4 ∙ 5. Se define 0! = 1.
4 4 4 4 4
95) Calculá ( ), ( ), ( ), ( ) y ( ) ¿Qué relación encontrás entre cada número combinatorio y la
0 1 2 3 4
cantidad de preguntas respondidas correctamente?
96) Llamaremos experimento de probabilidad binomial al experimento formado por intentos repetidos
que posee las siguientes propiedades:
a) Hay n intentos independientes idénticos repetidos.
b) Cada intento tiene dos posibles resultados (éxito o fracaso).
c) P(éxito) = p, P(fracaso) = q, y p + q = 1.
d) La variable aleatoria binomial x es la cuenta del número de intentos con éxito que sucedieron; x
toma cualquier entero de 0 a n.
97) Verificá que el experimento de la prueba de múltiple opción cumple con cada una de las cuatro
propiedades anteriores y por lo tanto es un experimento de probabilidad binomial.
99) Calculá 𝜇 y 𝜎 para el experimento inicial de las pruebas. Realizá un histograma y ubicá estos valo-
res. ¿Qué significado tendrían estos parámetros?
100) Se arroja una moneda al aire 3 veces seguidas. Sea la variable aleatoria x: cantidad de caras en
los tres tiros. Muestra que es un experimento binomial. Da la función de probabilidad. ¿Cuál es el
domino? Calculá 𝜇 y 𝜎.
101) El gerente de un mercado de alimentos garantiza que ninguna de sus cajas de una docena de
huevos contendrá más de un huevo podrido. Propone como promoción que si una caja contiene más
de un huevo podrido, el cliente se queda con esa caja y se le regala otra. Si la probabilidad de que
un huevo sea malo es 0,05, ¿cuál es la probabilidad de que el gerente tenga que regalar una caja de
huevos? ¿Se trata de un experimento binomial? ¿Qué supuestos habría que hacer?
103) Entre todos los compañeros del curso pidan a 100 personas (que no conozcan de qué se trata el
experimento) que les digan un número cualquiera. A partir de esto calculen la probabilidad p de que
una persona te diga un número entre 1 y 10. Supongamos ahora otro experimento teórico pedir a
una persona que nos diga 4 números cualesquiera. Sea la variable aleatoria x: cantidad de números
entre 1 y 10 dados por la persona. ¿Cuáles de las propiedades de un experimento binomial se cum-
plen en este caso? ¿Qué suposiciones hay que hacer para que se cumplan todas? Da la función de
probabilidad P(x) suponiendo que sea una distribución binomial. Calculá 𝜇 y 𝜎.
104) Una variable aleatoria 𝑋 se distribuye en forma uniforme en el intervalo (1,4), es decir, su fun-
1
𝑠𝑖 1 ≤ 𝑥 ≤ 4
ción de densidad es 𝑓: ℝ → [0, +∞): 𝑓(𝑥) = { 3
0 𝑠𝑖 𝑥 < 1 𝑜 𝑥 > 4
a) Calculá
i) 𝑃(𝑋 < 2,5).
ii) 𝑃(1,7 < 𝑋 < 2).
iii) 𝑃(𝑋 < 6).
iv) 𝑃(𝑋 > 3).
b) Calculá 𝑎 tal que 𝑃(𝑋 < 𝑎) = 0,75
c) Da la función 𝐹 de distribución acumulada de 𝑋. (𝐹: ℝ → [0, +∞): 𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) =
𝑥
∫−∞ 𝑓(𝑡)𝑑𝑡)
3 3
− 𝑥 2 + 4 𝑠𝑖 − 1 ≤ 𝑥 ≤ 1
105) Sea 𝑓: ℝ → [0, +∞): 𝑓(𝑥) = { 4 la función de densidad de la varia-
0 𝑠𝑖 𝑥 < −1 𝑜 𝑥 > 1
ble aleatoria continua 𝑋.
a) Calculá
i) 𝑃(𝑋 < 2,5).
ii) 𝑃(−0,5 < 𝑋 < 0,4).
iii) 𝑃(𝑋 < 0,6).
iv) 𝑃(𝑋 > −0,1).
b) Calculá 𝑎 tal que 𝑃(𝑋 < 𝑎) = 0,75
c) Da la función 𝐹 de distribución acumulada de 𝑋. (𝐹: ℝ → [0, +∞): 𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) =
𝑥
∫−∞ 𝑓(𝑡)𝑑𝑡)
1 𝜋 𝜋
2
cos(𝑥) 𝑠𝑖 − 2 ≤ 𝑥 ≤
2
106) Considerá la función 𝑓: ℝ → [0, +∞): 𝑓(𝑥) = { 𝜋 𝜋 .
0 𝑠𝑖 𝑥 < − 2 𝑜 𝑥 > 2
a) Decidí si 𝑓 puede o no ser la función de densidad de una variable aleatoria 𝑋. Justificá.
b) En caso de que la respuesta al ítem anterior sea afirmativa,
i) Da la función de distribución acumulada.
𝜋
ii) Calculá la probabilidad de que 0 ≤ 𝑋 ≤ 4 .
Es posible obtener la probabilidad de que x se encuentre dentro del intervalo [a; b]. Para ello defi-
nimos,
𝑏
𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = ∫ 𝑓(𝑥)𝑑𝑥
𝑎
Para calcular probabilidades no usaremos las fórmulas anteriores, sino que usaremos los datos que
ya están tabulados. Los valores de la tabla se dan para 𝜇 = 0 y 𝜎 = 1. Y veremos cómo extender la
𝑥−𝜇
información de la tabla para cualquier caso teniendo presente que 𝑧 = 𝜎 .
109) Considerá las puntuaciones de IQ. Están distribuidas con una media de 100 y una desviación
estándar de 16.
a) Si al azar se selecciona una persona, ¿Cuál es la probabilidad de que su IQ sea entre 100 y 115?
b) ¿Cuál es la probabilidad de que una persona seleccionada al azar tenga un IQ mayor a 90?
c) ¿Cuál es la probabilidad de que una persona seleccionada al azar tenga un IQ inferior a 80?
d) Si tomamos el 95% de la población con IQ más bajo ¿cuál es el IQ máximo de esa población?
110) Según las estadísticas de carreteras para el año 2003 de la Federal Highway Administration, la
distribución de las edades para conductores con licencia tiene una media de 44,5 años y una desvia-
ción estándar de 17,1 años. Suponiendo que la distribución de edades está normalmente distribuida,
¿qué porcentaje de los conductores...
a) …están entre las edades de 17 y 22?
b) …son menores de 25?
c) …son mayores de 21?
d) …están entre 45 y 65 años?
e) …son mayores de 75 años?
111) En un grupo de estudiantes muy grande, el profesor dice que para que usted obtenga un sobresa-
liente en un examen particular debe alcanzar un puntaje que se encuentre en el 10% superior del
grupo; si se encuentra dentro del siguiente 20% recibirá un muy bueno; si está dentro del siguiente
40% recibirá un satisfactorio; si se encuentra dentro del siguiente 18% recibirá un regular; y si está
en dentro del 12% final recibirá un insuficiente. La media y desviación estándar para ese examen es
de 72 y 12,5, respectivamente. Suponiendo que las puntuaciones están normalmente distribuidas,
respondé:
a) ¿Cuál es la puntuación mínima necesaria para obtener un sobresaliente?
Prof. Martín Chacón 24
Escuela de Educación Técnica Henry Ford – 2019 Estadística – Matemática Aplicada 6º ET
b) ¿Qué puntuación deberás obtener como mínimo para obtener por lo menos un satisfactorio?
c) ¿Qué puntuación deberás obtener para no sacar insuficiente?
112) Según un sitio de internet, el salario promedio nacional estadounidense en octubre del 2003 para
un empleado de recursos humanos fue de $29932. Si suponemos que los salarios anuales para em-
pleados están normalmente distribuidos con una desviación estándar de $1850, encontrá lo siguien-
te.
a) El porcentaje que gana menos de $27000
b) El porcentaje que gana más de $32000
113) Los pesos de las sandías maduras producidas en la granja del Sr. Pérez están normalmente dis-
tribuidos con una desviación estándar de 1,3 kg. Encontrá el peso medio de las sandías maduras del
Sr. Pérez si solo 3% pesan menos de 6,8 kg.
114) Una máquina llena recipientes con un peso medio de 453,6 g por recipiente. Si no más del 5%
de los recipientes deben pesar menos de 447,9 g, ¿a qué debe ser igual la desviación estándar de los
pesos? (suponer normalidad).
115) Una persona que desea encontrar trabajo se presenta a dos entrevistas en las empresas A y B. En
la entrevista de la empresa A obtiene una puntuación de 9 puntos. En esta empresa, la media de las
puntuaciones obtenidas por todos los aspirantes es de 7 puntos y la desviación estándar es de 4 pun-
tos. En la entrevista de la empresa B obtiene una puntuación de 8 puntos, con una media de las pun-
tuaciones de todos los candidatos de 6 puntos y una desviación estándar de 1,5 puntos. Suponiendo
que la distribución de las puntuaciones en ambas empresas es normal ¿En cuál empresa tiene más
posibilidades de trabajar? Explicá y justificá adecuadamente tu respuesta.
116) Las puntuaciones de un examen se distribuyen normalmente con una media de 15 puntos. La
puntuación A ha sido superada por un 23% de los examinados. La puntuación B está situada a 5
puntos por debajo de la media. Entre B y la media se encuentra el 30% de los alumnos. Calcular:
a) La desviación estándar de las notas.
b) La puntuación A.
117) El gerente de un mercado de alimentos garantiza que ninguna de sus cajas de una docena de
huevos contendrá más de un huevo podrido. Propone como promoción que si una caja contiene más
de un huevo podrido, el cliente se queda con esa caja y se le regala otra. Si la probabilidad de que
un huevo sea malo es 0,05, ¿cuál es la probabilidad de que el gerente tenga que regalar una caja de
huevos? Mostrá claramente los planteos y justificaciones que avalan tu respuesta.
Complemento Teórico
Probabilidades y Estadística
Cs. de la Computación
Introducción
Breve reseña histórica:
¿Para qué sirven las Probabilidades? Si bien estamos frente a procesos aleatorios, no
son necesariamente “caóticos”, en el sentido que podemos descubrir un patrón de
comportamiento que pueda ser modelado.
1
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Compresión de archivos: El código ASCII contiene 256 caracteres, cada uno de los
cuáles se representa con un número consistente en 8 dígitos binarios, por ejemplo, á se
representa por 160 ≡ 10100000.
Para simplificar el problema, supongamos que contamos con sólo 4 caracteres: A, B, C y
D. Para representarlos necesitamos 2 bits. Por ejemplo, podríamos representarlos así:
A → 00
B → 01
C → 10
D → 11
A 0.70 (70%)
B 0.12 (12%)
C 0.10 (10%)
D 0.08 ( 8%)
A→1
B → 00
C → 011
D → 010
¿Cuánto espacio (en bits) ocuparía ahora un texto de n caracteres? No lo sabemos, pero
podemos suponer que tendremos en promedio:
Como se observa, el método produce una disminución del espacio promedio requerido
para almacenar un texto.
2
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Probabilidad
Ejemplos:
Definiciones:
Experimento: Es cualquier proceso o acción que genera observaciones y que puede ser
repetible. Por ejemplo, arrojar un dado, seleccionar un individuo y registrar su peso y su
altura, seleccionar una muestra de productos elaborados por una empresa para hacer un
control de calidad, seleccionar un día al azar y registrar el número de veces que se satura
un servidor.
Ejemplos:
3) Se arroja una moneda hasta que aparece por primera vez una cara.
S={(1),(0,1),(0,0,1),(0,0,0,1),....} = {(x1,x2,...xn) / n∈N, xi=0 si i < n , xn=1}
3
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
S=ℜ+=(0,∞)
Si el sistema tiene un time-out en el tiempo to , tendríamos S=(0, to).
Como se observa, un espacio muestral puede ser finito, como en los ejemplos 1) y 2),
infinito numerable, como en el ejemplo 3) o infinito no numerable, como en el ejemplo 4).
4) A = “el tiempo es mayor de 10 minutos” = (10,∞) (en el caso de un sistema sin time-
out)
Relación con Teoría de conjuntos: Como un evento o suceso es un conjunto, valen las
mismas relaciones que en teoría de conjuntos.
4
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Asociatividad: A ∪ B ∪ C = (A ∪ B) ∪ C = A ∪ (B ∪ C)
A ∩ B ∩ C = (A ∩ B) ∩ C = A ∩ (B ∩ C)
Conmutatividad: A ∪ B = B ∪ A
A∩B= B∩A
Distributividad: (A ∪ B) ∩ C = (A ∩ C) ∪ (B ∩ C)
(A ∩ B) ∪ C = (A ∪ C) ∩ (B ∪ C)
c c
⎛∞ ⎞ ∞
⎛∞ ⎞ ∞
Leyes de De Morgan: ⎜⎜ U Ai ⎟⎟ = I Aic y ⎜⎜ I Ai ⎟⎟ = U Aic
⎝ i =1 ⎠ i =1 ⎝ i =1 ⎠ i =1
nA
fr ( A) =
n
nA
1) fr ( A) = ≥0
n
nS n
2) fr ( S ) = = =1
n n
5
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
n A∪ B n A + n B n A n B
3) Si A ∩ B = ∅ ⇒ fr ( A ∪ B) = = = + = fr ( A) + fr ( B)
n n n n
A2. P(S) = 1
⎛ n ⎞ n
P⎜⎜ U Ai ⎟⎟ = ∑ P( Ai )
⎝ i =1 ⎠ i =1
⎛∞ ⎞ ∞
P⎜⎜ U Ai ⎟⎟ = ∑ P( Ai )
⎝ i =1 ⎠ i =1
Ejemplo: Consideremos el ejemplo en que se arroja una moneda una vez, para el cual el
espacio muestral es S={cara,ceca}. Si denominamos E1 = {cara} y E2 ={ceca} a los dos
eventos elementales, como P(S) = 1 = P(E1)+P(E2), entonces P(E2) = 1- P(E1). Por lo
tanto, cualquier asignación de probabilidades de la forma: P(E1) = p y P(E2)=1-p con
0 ≤ p ≤ 1, satisface los axiomas.
Propiedades de la Probabilidad:
Dem: 1 = P ( S ) = P ( A U A c ) = P ( A) + P ( A c ) ⇒ P( A c ) = 1 − P ( A)
A2 A3 a
6
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
2) P(∅) = 0
Dem: P( ∅ ) = 1 − P( ∅ c ) = 1 − P ( S ) = 1 − 1 = 0
P1 A2
3) Si A ⊆ B ⇒ P( A) ≤ P ( B) y P ( B − A) = P( B ) − P ( A)
P ( B) = P( A) + P( B − A)
Dado que, por el axioma A1, P(B-A) ≥ 0 , resulta P(B) ≥ P(A) y, despejando, se obtiene la
segunda afirmación.
P( A ∪ B) = P(A ∪ ( B ∩ A c ) ) = P( A) + P( B ∩ A c ) (1)
P( B) = P( B ∩ A) + P( B ∩ A c ) ⇒ P( B ∩ A c ) = P( B) − P( B ∩ A) (2)
P( A1 ∪ A2 ∪ A3 ) = P( A1 ) + P( A2 ) + P( A3 ) − P( A1 ∩ A2 ) − P( A1 ∩ A3 )
− P( A2 ∩ A3 ) + P( A1 ∩ A2 ∩ A3 )
7
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
∑p
i =1
i = 1 , entonces dado cualquier suceso A, su probabilidad se puede obtener sumando
P ( A) = ∑p
Ei ⊂ A
i
2) Supongamos ahora que se arroja un dado en el cual la probabilidad de las caras pares
es el doble que la probabilidad de las caras impares, o sea que, si llamamos p a la
probabilidad de cada cara impar,
6
1
∑ P( E ) = 3 p + 6 p = 9 p = 1
i =1
i ⇒ p=
9
2 2
y, en este caso, P(A) = P(E2)+ P(E4)+ P(E6) = 3 = .
9 3
8
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
A={(0,1),(0,0,0,1),(0,0,0,0,0,1),.....}
Por lo tanto:
∞ 2k ∞ k
⎛1⎞ ⎛1⎞ 1 4 1
P ( A) = ∑ ⎜ ⎟ = ∑⎜ ⎟ = −1 = −1 =
k =1 ⎝ 2 ⎠ k =1 ⎝ 4 ⎠ 1 3 3
1−
4
∞
1
∑p k =0
k
=
1− p
P( Ei ) = p ∀i
n n
1 1
Como 1 =P( S ) = ∑ P( Ei ) = ∑ p = np
i =1 i =1
⇒ p= =
n #S
.
1 #A
Dado cualquier suceso A, P ( A) = ∑ P( E ) = ∑
Ei ⊂ A
i
Ei ⊂ A
=
n #S
.
Ejemplos: 1) De una urna que contiene 2 bolillas blancas y 3 rojas se extraen 2 bolillas
con reposición.
Supondremos que las bolillas están numeradas, de manera de poder considerar que se
trata de un espacio de equiprobabilidad, entonces S = {( x1 , x 2 ) / x i ∈{R1 , R 2 , R3 , B1 , B2 }} y
su cardinal es #S = 5 ⋅ 5 = 25
9
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
a) P ( A) = 1 − P( A c ) A c = {( x1 , x 2 ) ∈ S / x i ∈{B1 , B2 }} . Como # A c = 2 ⋅ 1 = 2 ,
siendo
2 1 1 9
resulta P ( A c ) = = ⇒ P( A) = 1 − = .
20 10 10 10
10
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Probabilidad condicional
Consideremos una urna que contiene 4 bolillas rojas y 5 blancas. De las 4 bolillas rojas, 2
son lisas y 2 rayadas y de las 5 bolillas blancas, 4 son lisas y una sola es rayada.
Supongamos que se extrae una bolilla y, sin que la hayamos mirado, alguien nos dice que
la bolilla es roja, ¿cuál es la probabilidad de que la bolilla sea rayada?
Sean los sucesos A: “la bolilla es rayada” y B: “la bolilla es roja”. Obviamente, sin ninguna
información previa, P(A)= 3/9=1/3 y P(B)=4/9.
Sin embargo, como sabemos que la bolilla es roja, la probabilidad de que sea rayada es
½, ya que, de las rojas la mitad es lisa y la mitad rayada. Observemos, que al ocurrir B, el
espacio muestral se reduce.
Definición: Sean A y B eventos tales que P(B) > 0, la probabilidad del evento A
condicional a la ocurrencia del evento B es
P( A ∩ B)
P( A | B) =
P( B)
P( A ∩ B) 2 / 9 2 1
P( A | B) = = = = .
P( B) 4/9 4 2
Dado que una persona seleccionada al azar pertenece al grupo de riesgo R, ¿cuál es la
probabilidad de que sea portador?
P( A ∩ B) 0.003
P( A | B) = = = 0.150
P( B) 0.020
11
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
es decir que 150 de cada 1000 individuos del grupo de riesgo R, son “probablemente”
portadores de HIV.
Calculemos ahora la probabilidad de que una persona sea portadora de HIV, dado que no
pertenece al grupo de riesgo R.
P( A ∩ B c ) 0.003
P( A | B c ) = = = 0.00306
P( B c ) 0.980
es decir que sólo 3 de cada 1000 individuos no pertenecientes al grupo de riesgo R, son
“posibles” portadores de HIV.
Propiedades de la Probabilidad condicional: Dado un suceso B fijo tal que P(B) > 0, P(•|B)
es una probabilidad, en el sentido que satisface los axiomas de probabilidad y por lo tanto
todas las propiedades que se deducen a partir de ellos. Por ejemplo:
A2. P(S|B) = 1.
P( S ∩ B) P( B)
Dem: P ( S | B) = = = 1.
P( B) P( B)
Regla del producto: Dados dos sucesos A y B, tales que P(B) > 0,
Sean C: “la primera bolilla es roja” y D: “la segunda bolilla es blanca”. debemos calcular
P(C ∩ D). Aplicando la regla del producto
12
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
4 5 20 5
P(C ∩ D) = P(C ) P( D | C ) = = = .
9 8 72 18
P( A1 ∩ A2 ∩ A3 ) = P( A1 ) P( A2 | A1 ) P( A3 | ( A1 ∩ A2 ))
y se extiende a n sucesos.
5 4 20 5
P(C c ∩ D) = P (C c ) P( D | C c ) = = = .
9 8 72 18
D = (D ∩ C) ∪ (D ∩ C c )
se obtiene
5 5 5
P( D) = P( D ∩ C ) + P( D ∩ C c ) = + = . (1)
18 18 9
¿Cómo podemos obtener ahora la probabilidad de que la primera bolilla haya sido roja
(suceso C) sabiendo que la segunda fue blanca (suceso D)? La probabilidad requerida es
P (C ∩ D) 5 18 1
P (C | D) = = = . (2)
P( D) 59 2
Los resultados (1) y (2) son ejemplos de aplicación de los dos Teoremas que veremos a
continuación: el Teorema de la Probabilidad Total y el Teorema de Bayes,
respectivamente.
Definición: Una colección de eventos A1 , A2 ,..., Ak constituye una partición del espacio
muestral S si
13
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
1. Ai ∩ A j = ∅ ∀ i ≠ j
2. P( Ai ) > 0 ∀i
k
3. UA i =S
i =1
Teorema de la probabilidad total: Sea A1 , A2 ,..., Ak una partición del espacio muestral S y
sea B un suceso cualquiera,
k
P ( B) = ∑ P( B | Ai ) P ( Ai )
i =1
Dem:
⎛ k ⎞ k
B = B ∩ S = B ∩ ⎜⎜ U Ai ⎟⎟ = U (B ∩ Ai )
⎝ i =1 ⎠ i =1
Como ( B ∩ Ai ) ∩ ( B ∩ A j ) = ∅ ∀ i ≠ j , entonces
⎛ k ⎞ k k
P ( B) = P⎜⎜ U ( B ∩ Ai ) ⎟⎟ = ∑ P( B ∩ Ai ) = ∑ P( B | Ai ) P( Ai ).
⎝ i =1 ⎠ i =1 i =1
Teorema de Bayes: Sea A1 , A2 ,..., Ak una partición del espacio muestral S y sea B un
suceso cualquiera tal que P(B) > 0,
P( B | A j ) P( A j )
P( A j | B) = k
∑ P( B | A ) P( A )
i =1
i i
Dem:
P( A j ∩ B) P( B | A j ) P( A j )
P( A j | B) = = k
P( B)
∑ P( B | A ) P( A )
i =1
i i
14
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Ejemplo: Supongamos que cierta prueba para detectar la presencia de una enfermedad
en un individuo, da resultado positivo (detecta la presencia de la enfermedad) en un
individuo enfermo con probabilidad 0.99 y en un individuo sano con probabilidad 0.02
(falso positivo). Por lo tanto, dicha prueba no detecta la enfermedad en un individuo sano
con probabilidad 0.98 y no la detecta en un individuo enfermo con probabilidad 0.01 (falso
negativo). Es decir que si denotamos A: “la persona padece esa enfermedad” y B: “la
prueba es positiva”,
P( B | A) = 0.99 P( B | A c ) = 0.02
P( B | A) P ( A) 0.99 ⋅ 0.001
P( A | B) = = = 0.0472
P( B | A) P( A) + P( B | A ) P( A ) 0.99 ⋅ 0.001 + 0.02 ⋅ 0.999
c c
Por lo tanto, la probabilidad de que esté enfermo, habiendo sido positivo el resultado de la
prueba es aproximadamente 0.05.
Independencia
La definición de probabilidad condicional nos permite “revisar” la probabilidad P(A)
asignada a un suceso, cuando se sabe que otro suceso B ha ocurrido. Hay casos en los
que P(A | B) ≠ P(A), mientras que en otros P(A | B) = P(A), es decir que la ocurrencia del
suceso B no altera la probabilidad de ocurrencia de A.
15
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Ejemplo: De una urna que contiene 4 bolillas negras y 6 blancas se extraen dos bolillas
sin reposición , ¿cuál es la probabilidad de que la segunda bolilla sea blanca, sabiendo
que la primera es negra?
6 2
P( A | B) = = .
9 3
Observemos que la probabilidad de que la segunda bolilla sea blanca coincide con la
probabilidad de que la primera lo sea.
Ejercicio: Verificar que, en cambio, si las extracciones se realizan con reposición, P(A) =
P(A|B).
P( A ∩ B) = P( A) P( B)
P( A ∩ B)
Dem: (⇒) Si P ( B ) > 0 ⇒ P ( A | B ) = está bien definida, pero por ser A y B
P( B)
independientes, P ( A ∩ B ) = P ( A) P ( B ) , entonces
P( A) P( B)
P( A | B) = = P( A)
P( B)
16
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
20 1 30 3 20 1
P( A) = = P( B) = = P(C ) = =
40 2 40 4 40 2
1
P( A ∩ B) 1
P( A | B) = = 4 = ≠ P( A) , entonces A y B no son independientes.
P( B) 3 3
4
1
P( A ∩ C ) 1
P( A | C ) = = 4 = = P( A) , entonces A y C son independientes.
P(C ) 1 2
2
Dem: Como A ∩ B ⊆ B, P(A ∩ B) = 0 y por lo tanto P(A ∩ B) = P(A) P(B), es decir que A y
B son independientes.
Dem:
P ( A) = P( A ∩ B) + P ( A ∩ B c ) ⇒ P( A ∩ B c ) = P( A) − P ( A ∩ B) = P( A) − P( A) P( B) =
P( A) (1 − P( B) ) = P( A) P( B c ) .
17
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Definición: Los eventos A1 , A2 ,..., An son independientes si para todo k = 2,..., n y para
todo conjunto de índices {i1 , i2 ,..., ik } tales que 1 ≤ i1 < i2 < ... < ik ≤ n , se verifica
P( Ai1 ∩ Ai2 .... ∩ Aik ) = P( Ai1 ) ⋅ P( Ai2 )....P( Aik )
1
P( A) = P( B ) = P(C ) = .
2
Además,
1
P( A ∩ B) = = P( A) P( B)
4
1
P( A ∩ C ) = = P( A) P(C )
4
1
P( B ∩ C ) = = P( B) P(C )
4
1
P( A ∩ B ∩ C ) = ≠ P( A) P( B) P(C )
4
18
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
1
Como antes, P ( A) = P ( B ) = P (C ) = . Además,
2
1
P( A ∩ B) = = P( A) P( B)
4
1
P( B ∩ C ) = = P( B) P(C )
4
1
P( A ∩ C ) = ≠ P( A) P(C )
8
1
P( A ∩ B ∩ C ) = = P( A) P( B) P(C ).
8
Ejemplo: Muchos sistemas de computación trabajan con enormes bases de datos, como
por ejemplo, sistemas de tarjetas de crédito o sistemas de reservas de pasajes aéreos.
Debido al volumen de datos involucrado, la velocidad de acceso al sistema depende de
las características de las unidades de almacenamiento utilizadas, como así también de las
redes de comunicación conectadas a la base de datos. Nos concentraremos en el primer
aspecto, es decir en el problema del almacenamiento.
Si el cabezal se mueve por ejemplo a una velocidad de 3.2 milisegundos (ms) por pista, la
búsqueda del ejemplo demandaría (3.2) (51-22) = (3.2)(29) = 92.8 ms. Si además
suponemos que el disco realiza una rotación completa en 30 ms, el retardo rotacional
19
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
puede demorar entre 0 y 30 ms, con un promedio de 15 ms. Por último, supongamos que
el acceso concreto al dato demora 1.2 milisegundos.
Ti: “el primero de los dos accesos siguientes corresponderá a un dato que está sobre la
pista i”
Entonces
75 75
P( A) = ∑ P( A ∩ Ti ) =∑ P( A | Ti ) P(Ti ) (3)
i =0 i =0
Si la primera búsqueda nos lleva a la pista 26, demandará (26-20) (3.2) ms = 19.2 ms, por
lo tanto la búsqueda total llevará a lo sumo 50 ms si la segunda búsqueda demora a lo
sumo 30.8 ms. Como en 30.8 ms se pueden recorrer a lo sumo 9 pistas (30.8/3.2), no
podemos ir más allá de la pista 26-9=17 o de la pista 26+9=35. En otras palabras
P( A | T26 ) será la probabilidad de que el segundo pedido de acceso se refiera a un dato
que está entre las pistas 17 y 35 inclusive. Dado que suponemos que todas las pistas son
equiprobables,
19 1
P( A | T26 ) = = .
76 4
Del mismo modo, se calculan todas las probabilidades condicionales requeridas en (3) y
se obtiene el valor de P(A) pedido.
20
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Dado que el valor de una variable aleatoria (en adelante lo abreviaremos v.a.) es
determinado por el resultado de un experimento, podremos asignar probabilidades a los
posibles valores o conjuntos de valores de la variable.
Ejemplo: Se arroja dos veces un dado equilibrado. Un espacio muestral asociado es:
S = {( x1 , x 2 ) / x i ∈{1,2,3,4,5,6}}
X :S →ℜ
21
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
En los ejemplos 1), 2) y 3) las v.a. toman un número finito o infinito numerable de valores,
mientras que en el ejemplo 4) la v.a. X toma valores en un conjunto infinito no numerable,
el intervalo (0, ∞) o un intervalo (0, M) si existe un tiempo máximo (“time out”).
1) RX = {0,1,2}
RY = {1,2,3,4,5,6}
RZ = {2,3,4,5,6,7,8,9,10,11,12}
2) RX = {0,1}
3) RX = {1,2,3,...} = N
Definición: Una v.a. es discreta si toma un número finito o infinito numerable de valores.
Ejemplo: En el caso del ejemplo 1), ¿cómo calcularíamos la probabilidad de que la v.a. Z
tome el valor 7, suponiendo que los lanzamientos son independientes?
p X ( x) = P( X = x) = P({w ∈ S / X ( w) = x})
22
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
p X ( x) ≥ 0 ∀x
∑p
x∈R X
X ( x) = 1
x 0 1 2
pX(x) 1/4 1/2 1/4
23
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
FX ( x) = P( X ≤ x) = ∑p
y ≤ x , y∈R X
X ( y)
Es decir que FX (x) es la probabilidad de que la v.a. X tome valores menores o iguales
que x.
x 0 1 2
pX(x) 1/4 1/2 1/4
Si x < 0 FX ( x ) = P ( X ≤ x ) = 0
x=0 F X ( 0) = P ( X ≤ 0) = p X ( 0) = 1
4
0 < x <1 F X ( x ) = P ( X ≤ x ) = p X ( 0) = 1
4
x =1 FX (1) = P( X ≤ 1) = p X (0) + p X (1) = 1 + 1 = 3
4 2 4
1< x < 2 FX ( x) = P( X ≤ x) = p X (0) + p X (1) = 3
4
x=2 FX (2) = P( X ≤ 2) = p X (0) + p X (1) + p X (2) = 1 + 1 + 1 =1
4 2 4
x>2 FX ( x) = P( X ≤ 2) = p X (0) + p X (1) + p X (2) = 1 + 1 + 1 =1
4 2 4
Resumiendo:
⎧0 si x < 0
⎪1 si 0 ≤ x < 1
⎪
FX ( x) = ⎨ 4
3
⎪ 4 si 1 ≤ x < 2
⎪1 si x ≥ 2
⎩
¿Cómo es FX (x)?
Observamos que se trata de una función escalera, no decreciente que toma valores entre
0 y 1.
24
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
i) ∀x ∈ ℜ, FX ( x) ∈ [0,1] .
ii) FX (x) es monótona no decreciente, es decir que si x1 < x 2 ⇒ FX ( x1 ) ≤ FX ( x 2 ).
p X ( x) = FX ( x ) − F X ( x − )
A = {w / X ( w) ≤ x 2 } = {w / X ( w) ≤ x1 } ∪ {w / x1 < X ( w) ≤ x 2 } = A1 ∪ A2
Como A1 ∩ A2 = ∅, P ( A) = P( A1 ) + P( A2 ) , es decir
P ( X ≤ x 2 ) = P( X ≤ x1 ) + P ( x1 < X ≤ x 2 ) ≥ P( X ≤ x1 )
y, por lo tanto,
25
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
FX ( x 2 ) ≥ FX ( x1 )
v) p X ( x) = P( X = x) = P( X ≤ x) − P( X < x) = FX ( x) − FX ( x − )
P ( a ≤ X ≤ b) = P ( a < X ≤ b) + P ( X = a )
1 3
P(1 ≤ X ≤ 2) = FX (2) − FX (1− ) = 1 −
=
4 4
3 1 1
P( X = 1) = FX (1) − FX (1− ) = − = .
4 4 2
26
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Ejemplo: Un experimento tiene sólo dos resultados posibles, que denominaremos Éxito y
Fracaso. El experimento se repite en forma independiente hasta que se obtiene el primer
éxito. Sea p = P(Éxito), 0 < p < 1, y definamos la v.a. X = “número de repeticiones hasta
obtener el primer éxito”. Como ya hemos visto, RX = N.
p X (1) = p
p X (2) = (1 − p) p
p X (3) = (1 − p ) 2 p
..........................
p X (k ) = (1 − p) k −1 p
.........................
Entonces,
p X (k ) = (1 − p ) k −1 p ∀k ∈ N .
p X ( x) ≥ 0 ∀x
∑p
x∈R X
X ( x) = 1
Dado que 0 < p < 1 , la primer propiedad obviamente se satisface. Respecto a la segunda,
∞ ∞ ∞
1
∑p
k =1
X (k ) =∑ (1 − p )
k =1
k −1
p = p ∑ (1 − p ) j = p
j =0 1 − (1 − p )
=1
∞
1
donde hemos usado que la suma de la serie geométrica ∑q
i =0
i
=
1− q
, si q < 1.
27
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
x <1 FX ( x ) = 0
1≤ x < 2 FX (x) = p
2≤ x<3 FX (x) = p + p( 1-p)
3≤ x<4 FX (x) = p + p( 1-p) + p( 1-p) 2
..............................................................
k k −1
1 − (1 − p) k
k ≤ x < k +1 F X ( x) = p ∑ (1 − p) j −1 = p ∑ (1 − p) i = p = 1 − (1 − p ) k
j =1 i =0 1 − (1 − p )
..............................................................
1 − q n +1 n
Hemos usado que la suma parcial de una serie geométrica es ∑ q = . i
i =0 1− q
Recordemos que la función de distribución debe estar definida para todo x ∈ ℜ , entonces
⎧0 si x < 1
FX ( x) = ⎨ [x ]
⎩1 − (1 − p) si x ≥ 1
Ejercicio: Verificar que esta función de distribución satisface las propiedades enunciadas
antes.
Una empresa proveedora de servicio de Televisión Satelital tiene 20000 clientes en cierta
zona, cada uno de los cuáles puede optar por contratar de 1 a 5 paquetes de señales (el
abono básico consiste en un solo paquete y cada uno de los otros paquetes incluye
grupos de señales temáticas o premium). Supongamos que, entre los 20000 clientes, la
distribución del número de paquetes X contratados es la siguiente:
28
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
x 1 2 3 4 5
número de clientes 7500 5500 3500 2000 1500
proporción 37.5% 27.5% 17.5% 10.0% 7.5%
Observemos que, si no hubiésemos conocido los números de clientes que contratan cada
número de paquetes ni el total de la población, sino sólo las proporciones de cada número
(o su probabilidad) hubiésemos podido obtener el valor promedio, ya que dicho número
puede escribirse en la forma:
Definición: Sea X una v.a. discreta que toma valores en RX con función de probabilidad
puntual pX(x), la esperanza o valor esperado de X se define como
E( X ) = μ X = ∑x p
x∈R X
X ( x)
Ejemplos: 1) Sea X: “número de caras pares al arrojar dos veces un dado equilibrado”.
Como
x 0 1 2
pX(x) 1/4 1/2 1/4
1 1 1
entonces, E( X ) = 0 +1 + 2 =1.
4 2 4
29
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
2) Sea X una v.a. que toma sólo dos valores que designaremos 1 y 0 (Éxito y Fracaso)
con la siguiente función de probabilidad puntual
x 1 0
pX(x) α 1-α
siendo 0 < α < 1. Una v.a. de este tipo se dice que es una v.a. de tipo Bernoulli y su
esperanza es:
E (X ) = 1 ⋅ α + 0 ⋅ (1 − α ) = α
3) Veamos un ejemplo en que no existe E(X). Sea X una v.a. con la siguiente función de
probabilidad puntual
⎧ 6 1
⎪ si x ∈ N
p X ( x ) = ⎨π 2 x 2
⎪⎩ 0 en otro caso
En primer lugar, observemos que pX(x) es una función de probabilidad puntual, ya que
∞
1 π2
∑
x =1 x
2
=
6
∞ ∞
6 1 6 1
E( X ) = ∑ x = 2 ∑ =∞
x =1 π x
2 2
π x =1 x
p X (k ) = (1 − p) k −1 p ∀k ∈ N
Calculemos la esperanza de X.
∞ ∞ ∞
∂
E ( X ) = ∑ k p (1 − p ) k −1 = p ∑ k (1 − p ) k −1 = − p ∑ (1 − p ) k
k =1 k =1 k =1 ∂p
30
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
∂ ⎛ ∞ ⎞ ∂ ⎛ 1 ⎞ ∂ ⎛1 ⎞ ⎛ 1 ⎞ 1
E( X ) = − p ⎜ ∑ (1 − p ) k ⎟ = − p ⎜⎜ − 1⎟⎟ = − p ⎜⎜ − 1⎟⎟ = − p⎜⎜ − 2 ⎟⎟ = .
∂p ⎝ k =1 ⎠ ∂p ⎝ 1 − (1 − p ) ⎠ ∂p ⎝ p ⎠ ⎝ p ⎠ p
1
y por lo tanto hemos demostrado que E ( X ) = .
p
Otra interpretación de E(X) está relacionada con un resultado que estudiaremos más
adelante, denominado “ley de los grandes números”. Imaginemos que se repite
indefinidamente un experimento aleatorio y que en cada repetición nuestra v.a. X toma
diferentes valores. Se ha demostrado que el promedio de los resultados obtenidos tiende
a estabilizarse en un número que es E(X), si es que ésta existe.
x 1 2 3 4 5
pX(x) 0.375 0.275 0.175 0.100 0.075
Supongamos que el costo del servicio (Y) es función del número de paquetes contratado,
según la siguiente fórmula:
Y = 30 ( X + 1)
¿Cuál es el valor esperado del costo pagado por cliente? Es decir, ¿cuál es E(Y)?.
31
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
5
Observemos que, E( Y ) = ∑ h( x ) p
x =1
X ( x ), siendo h( x) = 30( x + 1).
Proposición: Si X es discreta y toma valores x1, x2, ....., entonces h(X) es discreta con
valores y1, y2, ...., siendo yj = h(xi) para al menos un valor de i.
Proposición: Si la v.a. X tiene función de probabilidad puntual pX(x) para todo x ∈ RX,
entonces la esperanza de cualquier función real h(X), está dada por
E (h( X )) = ∑ h( x ) p
x∈R X
X ( x)
⎡ ⎤
E (Y ) = ∑ y j pY ( y j ) =∑ y j ⎢ ∑ p X ( x i )⎥ =∑ ∑ y j p X ( x i ) = ∑ h( x i ) p X ( xi ) .
j j ⎢⎣i / h ( xi ) = y j ⎥⎦ j i / h ( xi ) = y j i
Propiedades de la esperanza:
Dem: E ( X ) = cp X (c) = c.
x 2 3 4
pX(x) 1/3 1/3 1/3
y 1 2 3 4 5
pY(y) 1/12 5/12 2/12 1/12 3/12
32
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
z 3
pZ(z) 1
Estas tres v.a. tienen la misma esperanza, sin embargo la forma de su distribución es muy
diferente.
Definición: Sea X una v.a. discreta con función de probabilidad puntual pX(x) y esperanza
μX, la varianza de X, que se denotará V(X), σ X2 ó σ 2 , es
V ( X ) = σ X2 = ∑ (x − μ X ) 2 p X ( x) = E [( X − μ X ) 2 ].
x∈R X
y el desvío standard de X, es σ X = + V ( X ) .
Ejemplos: 1) Calculemos la varianza y el desvío standard de las tres v.a. que acabamos
de presentar, cuya esperanza es igual a 3.
1 1 1 2
V ( X ) = σ X2 = ( 2 − 3 ) 2 + ( 3 − 3 )2 + ( 4 − 3 )2 =
3 3 3 3
1 5 2 1 3 22 11
V ( Y ) = σ Y2 = ( 1 − 3 ) 2 + ( 2 − 3 )2 + ( 3 − 3 )2 + ( 4 − 3 )2 + ( 5 − 3 )2 = =
12 12 12 12 12 12 6
V ( Z ) = σ Z2 = ( 3 − 3 ) 2 ⋅ 1 = 0
x 0 1 2
pX(x) 1/4 1/2 1/4
y su esperanza es E ( X ) = 1 , entonces
1 1 1 1
V ( X ) = (0 − 1) 2 + (1 − 1) 2 + (2 − 1) 2 = .
4 2 4 2
33
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
x 1 0
pX(x) α 1-α
V ( X ) = (1 − α ) 2 α + (0 − α ) 2 (1 − α ) = α (1 − α ) [(1 − α ) + α ] = α (1 − α ).
Proposición: V ( X ) = E ( X 2 ) − (E ( X ) ) .
2
Dem:
(
V (X ) = E (X − μ X )2 = ) ∑ (x − μ X ) 2 p X ( x) = ∑ (x 2
)
− 2 μ X x + μ X2 p X ( x) =
x∈R X x∈R X
= ∑x
x∈R X
2
p X ( x) − 2μ X ∑xp
x∈R X
X ( x) + μ X2 ∑p
x∈R X
X ( x) = E ( X 2 ) − 2 μ X E ( X ) + μ X2 =
= E ( X 2 ) − 2μ X2 + μ X2 = E ( X 2 ) − μ X2 = E ( X 2 ) − (E ( X ) ) .
2
p X (k ) = (1 − p) k −1 p ∀k ∈ N
1 1− p
Hemos demostrado que E ( X ) = . Demostraremos ahora que V ( X ) = .
p p2
Calculemos E ( X 2 ).
∞ ∞
E ( X ) = ∑ k p (1 − p )
2 2 k −1
=∑ [(k + 1)k − k ] p(1 − p) k −1 =
k =1 k =1
∞ ∞ ∞
= ∑ (k + 1)kp(1 − p) k −1 − ∑ k p (1 − p ) k −1 =∑ (k + 1)kp(1 − p) k −1 − E ( X ) =
k =1 k =1 k =1
⎡∞ ⎤ 1 ⎡ ∞ ∂2 ⎤ 1
= p ⎢∑ (k + 1)k (1 − p ) k −1 ⎥ − = p ⎢∑ 2 (1 − p ) k +1 ⎥ − =
⎣ k =1 ⎦ p ⎣ k =1 ∂p ⎦ p
34
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
∂2 ⎡ ∞ k +1 ⎤ 1 ∂2 ⎡ ∞ ⎤ 1
=p 2 ⎢ ∑
∂p ⎣ k =1
(1 − p ) ⎥ −
⎦ p
= p 2 ⎢∑
∂p ⎣ j = 2
(1 − p ) j ⎥ − =
⎦ p
∂2 ⎡ 1 ⎤ 1 ∂2 ⎡1 ⎤ 1
=p ⎢ − 1 − (1 − p ) −
⎥ p = p ⎢p −2+ p⎥ − =
∂p 2 ⎣1 − (1 − p ) ⎦ ∂p 2 ⎣ ⎦ p
∂ ⎡ 1 ⎤ 1 2 1 2 1
=p ⎢− 2 + 1⎥ − = p 3 − = 2 −
∂p ⎣ p ⎦ p p p p p
Entonces,
1 (1 − p )
V ( X ) = E ( X 2 ) − (E ( X ) ) =
2 1 1 1
− − 2 = 2 − =
2
2
p p p p p p2
1) V (aX + b) = a 2V ( X ) y σ aX +b = a σ X .
Entonces,
x∈R X x∈R X
∑ (ax − aE ( X )) ∑ (x − E ( X ) )
2
= p X ( x) =a p X ( x) = a 2V ( X )
2 2
x∈R X x∈R X
y, por lo tanto, σ aX + b = a σ X .
35
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Dem: Ejercicio.
36
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Distribución Binomial:
Ejemplos: 1) Se arroja una moneda n veces y se llama Éxito al suceso “sale cara”.
2) Se arroja un dado equilibrado n veces y se llama Éxito al suceso “se obtiene un as”.
4) Se extraen 4 bolillas con reposición de una urna que contiene 5 bolillas blancas y 3
negras y se denomina Éxito al suceso “las 4 bolillas son blancas”.
5) ¿Es el que sigue un experimento Binomial? Se extraen 2 bolillas sin reposición de una
urna que contiene 5 bolillas blancas y 3 negras y se denomina Éxito al suceso “la bolilla
extraída es blanca”.
4 5
P ( B2 | B1 ) = ≠ P ( B2 ) =
7 8
Notación: X ~ Bi (n,p).
37
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Sea k ∈ RX, una secuencia posible con k éxitos y n-k fracasos es:
E2
1...3
E1F2
...3
F
k n−k
n n
⎛n⎞
∑p (k ) = ∑ ⎜⎜ ⎟⎟ p k (1 − p ) n − k = ( p + (1 − p ) ) = 1n = 1.
n
X
k =0 k =0 ⎝ ⎠
k
n
⎛n⎞
Hemos usado la fórmula del Binomio de Newton: (a + b) n = ∑ ⎜⎜ k ⎟⎟a k
b n−k .
k =0 ⎝ ⎠
⎧0 si x < 0
⎪⎪ [ x ] ⎛ n ⎞
FX ( x) = ⎨∑ ⎜⎜ ⎟⎟ p k (1 − p) n − k si 0 ≤ x ≤ n
⎪ k =0 ⎝ k ⎠
⎪⎩ 1 si x > n
P ( X = 4) = ⎜⎜ ⎟⎟⎜ ⎟ ⎜ ⎟ = 0.054
⎝ 4 ⎠⎝ 6 ⎠ ⎝ 6 ⎠
10 − k
⎛10 ⎞⎛ 1 ⎞ ⎛ 5 ⎞
5 k
38
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
E ( X ) = np y V ( X ) = np(1 − p)
Dem: En el caso n=1, X es una v.a. Bernoulli y ya hemos demostrado que en este caso,
E(X)=p y V(X) = p(1-p). Sea ahora n>1,
n
⎛n⎞ n
⎛n⎞ n
n!
E ( X ) = ∑ k ⎜⎜ ⎟⎟ p k (1 − p ) n − k =∑ k ⎜⎜ ⎟⎟ p k (1 − p ) n − k =∑ k p k (1 − p) n − k =
k =0 ⎝k ⎠ k =1 ⎝k ⎠ k =1 k!(n - k)!
n
n! n
(n − 1)!
∑
k =1 ( k − 1)! ( n − k )!
p k
(1 − p ) n−k
= np ∑
k =1 ( k − 1)! ( n − k )!
p k −1 (1 − p ) n − k =
n
⎛ n − 1⎞ k −1 n −1 n − 1
⎛ ⎞ j
np ∑ ⎜⎜ ⎟⎟ p (1 − p ) (n −1)−(k −1) = np ∑ ⎜⎜ ⎟⎟ p (1 − p ) n −1− j = np ( p + (1 − p) ) = np.
n −1
k =1 ⎝ k − 1 ⎠ ( k −1) = j
j =0 ⎝ j ⎠
( )
Recordemos que V ( X ) = E X 2 − (E ( X ) ) = E X 2 − n 2 p 2 .
2
( )
n
⎛n⎞ n
⎛n⎞
E ( X 2 ) = ∑ k 2 ⎜⎜ ⎟⎟ p k (1 − p) n − k = ∑ (k (k − 1) + k ) ⎜⎜ ⎟⎟ p k (1 − p) n − k
k =0 ⎝k ⎠ k =0 ⎝k ⎠
n
⎛n⎞ n
⎛n⎞ n
⎛n⎞
= ∑ k (k − 1) ⎜⎜ ⎟⎟ p k (1 − p) n − k + ∑ k ⎜⎜ ⎟⎟ p k (1 − p) n − k = ∑ k (k − 1) ⎜⎜ ⎟⎟ p k (1 − p ) n − k + E ( X )
k =0 ⎝k ⎠ k =0 ⎝k ⎠ k =2 ⎝k ⎠
n n
n! n!
= ∑ k (k − 1) p k (1 − p ) n − k + np = ∑ p k (1 − p ) n − k + np
k =2 k!(n − k )! k =2 ( k − 2)! ( n − k )!
n
(n − 2)!
= n(n − 1) p 2 ∑ p k − 2 (1 − p ) n − k + np
k =2 (k − 2)!(n − k )!
n−2
⎛ n − 2⎞ j
= n(n − 1) p 2 ∑ ⎜⎜ ⎟⎟ p (1 − p ) n − 2 − j + np = n(n − 1) p 2 ( p + (1 − p ) )n − 2 + np
( k −2)= j
j =0 ⎝ j ⎠
= n(n − 1) p 2 + np
39
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
En realidad, para que la demostración anterior sea válida debe ser n ≥ 2, pero es
inmediato verificar que, si n=1, E ( X 2 ) = p y por lo tanto la expresión hallada es válida
para todo n.
Finalmente,
V ( X ) = E ( X 2 ) − (E ( X ) ) = n(n − 1) p 2 + np − n 2 p 2 = −np 2 + np = np (1 − p )
2
0.4
0.4
p(x)
p(x)
p(x)
0.2
0.2
0.2
0.0
0.0
0.0
0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10
x x x
0.4
0.4
p(x)
p(x)
p(x)
0.2
0.2
0.2
0.0
0.0
0.0
0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10
x x x
0.4
0.4
p(x)
p(x)
p(x)
0.2
0.2
0.2
0.0
0.0
0.0
0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10
x x x
40
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
0.6
0.6
0.4
0.4
0.4
p(x)
p(x)
p(x)
0.2
0.2
0.2
0.0
0.0
0.0
0 1 2 3 4 5 0 2 4 6 8 10 0 5 10 15 20 25
x x x
0.6
0.6
0.4
0.4
0.4
p(x)
p(x)
p(x)
0.2
0.2
0.2
0.0
0.0
0.0
0 1 2 3 4 5 0 2 4 6 8 10 0 5 10 15 20 25
x x x
0.6
0.6
0.4
0.4
0.4
p(x)
p(x)
p(x)
0.2
0.2
0.2
0.0
0.0
0.0
0 1 2 3 4 5 0 2 4 6 8 10 0 5 10 15 20 25
x x x
41
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Notación: X ~ G (p).
Al estudiar en general las v.a. discretas, hemos probado que la función de probabilidad
puntual de X está dada por
p X (k ) = (1 − p ) k −1 p ∀k ∈ N .
⎧0 si x < 1
FX ( x) = ⎨ [x ]
⎩1 − (1 − p ) si x ≥ 1
1 (1 − p )
E( X ) = y V (X ) =
p p2
Dem: Ejercicio.
(Sugerencia: Demostrar que si X ~ G (p), P ( X > k ) = (1 − p ) k ).
Ejemplo: Sea X: “número de tiros hasta obtener el primer as en una sucesión de tiros de
un dado equilibrado”, entonces X ~ G (1/6).
42
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
6
1⎛5⎞
P ( X = 7) = ⎜ ⎟ = 0.06
6⎝6⎠
5
⎛5⎞
P ( X ≥ 6) = P( X > 5) = ⎜ ⎟ = 0.40
⎝6⎠
1 5/6
E( X ) = =6 V (X ) = = 30
1/ 6 (1 / 6)2
0.4
0.4
p(x)
p(x)
p(x)
0.2
0.2
0.2
0.0
0.0
0.0
0 5 10 15 20 25 30 0 5 10 15 20 25 30 0 5 10 15 20 25 30
x x x
0.4
0.4
p(x)
p(x)
p(x)
0.2
0.2
0.2
0.0
0.0
0.0
0 5 10 15 20 25 30 0 5 10 15 20 25 30 0 5 10 15 20 25 30
x x x
0.4
0.4
p(x)
p(x)
p(x)
0.2
0.2
0.2
0.0
0.0
0.0
0 5 10 15 20 25 30 0 5 10 15 20 25 30 0 5 10 15 20 25 30
x x x
43
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Notación: X ~ BN (r,p).
Observemos que RX = {r, r+1, r+2, ....} y hallemos su función de probabilidad puntual.
Sea k un número natural, k ≥ r. Para que sean necesarias k repeticiones para obtener el
primer Éxito, el r-ésimo Éxito debe ocurrir en la repetición k y en las (k-1) repeticiones
previas debe haber exactamente (r -1) Éxitos. Como las repeticiones son independientes
la probabilidad de una configuración de ese tipo es p r (1 − p ) k − r , pero hay varias
configuraciones de esta forma. ¿Cuántas? Tantas como formas de elegir entre las (k-1)
⎛ k − 1⎞
primeras repeticiones, aquellas donde ocurrirán los (r-1) Éxitos, o sea ⎜⎜ ⎟⎟ .
⎝ r − 1⎠
⎛ k − 1⎞ r
P ( X = k ) = ⎜⎜ ⎟⎟ p (1 − p ) k − r ∀ k ∈ {r , r + 1, r + 2,....}
⎝ r − 1⎠
⎧
⎪0 si x < r
⎪⎪
FX ( x) = ⎨
⎪ [ x ] ⎛ k − 1⎞ r
⎪∑ ⎜⎜ ⎟⎟ p (1 − p ) k − r si x ≥ r
⎩⎪ k = r ⎝ r − 1 ⎠
Ejemplo: Se extraen con reposición bolillas de una urna que contiene 3 bolillas blancas y
7 rojas. Se define X: número de extracciones hasta obtener la cuarta bolilla roja.
X ~ BN (4,7/10)
⎛ 5 − 1⎞⎛ 7 ⎞ ⎛ 3 ⎞
4
P ( X = 5) = ⎜⎜ ⎟⎟⎜ ⎟ ⎜ ⎟ = 0.29
⎝ 4 − 1⎠⎝ 10 ⎠ ⎝ 10 ⎠
44
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
k −4
⎛ k − 1⎞⎛ 7 ⎞ ⎛ 3 ⎞
7 4
P (5 ≤ X ≤ 7) = ∑ ⎜⎜ ⎟⎟⎜ ⎟ ⎜ ⎟ = 0.49
k = 5 ⎝ 3 ⎠⎝ 10 ⎠ ⎝ 10 ⎠
r r (1 − p)
E( X ) = V (X ) =
p p2
Dem: Lo demostraremos más adelante usando que una v.a. Binomial Negativa puede
expresarse como suma de v.a. Geométricas independientes.
Observación: Esta v.a. suele también definirse como el número de Fracasos antes de
obtener el r-ésimo Éxito. Si la denotamos X, entonces su rango será
⎛ r + x − 1⎞ r
y su función de probabilidad puntual: p X * ( x) = ⎜⎜ ⎟⎟ p (1 − p) x
⎝ x ⎠
En este caso,
r (1 − p) r (1 − p)
E( X * ) = y V (X * ) =
p p2
• Cada elemento o individuo puede ser clasificado como Éxito o Fracaso y hay D Éxitos
en la población.
X ~ H (n,N,D)
Ejemplo: De una urna que contiene 3 bolillas blancas y 7 negras se extraen 4 bolillas sin
reposición y se define X: número de bolillas blancas extraídas.
45
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Como todos los conjuntos de 4 bolillas tienen la misma probabilidad de ser extraídos, la
1 ⎛ 3 ⎞⎛ 7 ⎞
probabilidad de uno cualquiera de ellos será . Por otro lado hay ⎜⎜ ⎟⎟⎜⎜ ⎟⎟ conjuntos
⎛10 ⎞ ⎝ 2 ⎠⎝ 2 ⎠
⎜⎜ ⎟⎟
⎝4⎠
que contienen 2 bolillas blancas y 2 negras y, por lo tanto la probabilidad pedida será:
⎛ 3 ⎞⎛ 7 ⎞
⎜⎜ ⎟⎟⎜⎜ ⎟⎟
3 ⋅ 21 3
P ( X = 2) = ⎝ ⎠⎝ ⎠ =
2 2
= .
⎛10 ⎞ 210 10
⎜⎜ ⎟⎟
⎝4⎠
Proposición: Si X ~ H (n,N,D),
⎛ D ⎞⎛ N − D ⎞
⎜⎜ ⎟⎟⎜⎜ ⎟
⎝ k ⎠⎝ n − k ⎟⎠
p X (k ) = max(0, n − ( N − D) ) ≤ k ≤ min (n, D )
⎛N⎞
⎜⎜ ⎟⎟
⎝n⎠
Proposición: Si X ~ H (n,N,D),
D ⎛ N −n⎞ D ⎛ D⎞
E( X ) = n V (X ) = ⎜ ⎟ n ⎜1 − ⎟
N ⎝ N −1 ⎠ N ⎝ N⎠
46
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
⎛ N −n⎞
Observaciones: 1) El factor ⎜ ⎟ que aparece en la expresión de la varianza se
⎝ N −1 ⎠
denomina factor de corrección por población finita.
⎛n⎞ e −λ λk
p X (k ) = ⎜⎜ ⎟⎟ p k (1 − p ) n.k ⎯
⎯→ ∀k ∈ N o = N ∪ {0}
⎝k ⎠ k!
Dem:
n−k
⎛n⎞ ⎛λ⎞ ⎛ λ⎞
k
n!
p X (k ) = ⎜⎜ ⎟⎟ p k (1 − p ) n − k = ⎜ ⎟ ⎜1 − ⎟
⎝ ⎠
k k ! (n − k )! ⎝n⎠ ⎝ n⎠
−k
n(n − 1)...(n − k + 1) ⎛ λ ⎞ ⎛ λ ⎞ λk
n
= ⎜1 − ⎟ ⎜1 − ⎟
nk ⎝ n⎠ ⎝ n⎠ k!
−k
⎡ n n − 1 n − k + 1⎤⎛ λ ⎞ ⎛ λ ⎞ λk
n
=⎢ .... ⎥ ⎜1 − n ⎟ ⎜1 − n ⎟ .
⎣n n n ⎦⎝ ⎠ ⎝ ⎠ k!
Observemos que:
n −1 n − k +1
1⋅ .... ⎯n⎯
⎯→1
→∞
n n
⎛ λ⎞
n
⎯→ e −λ
⎜1 − ⎟ ⎯n⎯
→∞
⎝ n⎠
−k
⎛ λ⎞
⎜1 − ⎟ ⎯n⎯
⎯→ 1
→∞
⎝ n⎠
e −λ λk
Entonces, p X (k ) ⎯
⎯→ , como queríamos demostrar.
k!
47
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Esta proposición sugiere que la función de probabilidad puntual podría ser aproximada por
la función de probabilidad límite, pero ¿cuándo se considera que n es grande y p es
pequeño para que la aproximación sea buena?
e −λ λk
p X (k ) = ∀ k ∈ N o = N ∪ {0}
k!
Es obvio que p X (k ) ≥ 0 ∀k .
∞ ∞
e −λ λk ∞
λk
∑ p X (k ) = ∑
k =0 k =0 k !
= e −λ ∑
k =0 k !
= e − λ e λ = 1,
∞
xk
ya que ∑
k =0 k !
es el desarrollo en serie de e x .
48
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
e −5 5 2
P ( X = 2) = = 0.084
2!
2
e −5 5 k ⎛ 52 ⎞
P ( X ≤ 2) = ∑ = e −5 ⎜⎜1 + 5 + ⎟⎟ =0.125
k =0 k! ⎝ 2 ⎠
E( X ) = λ y V (X ) = λ
Dem:
∞
e −λ λk ∞ e −λ λk ∞ e −λ λk ∞
e − λ λ k −1 ∞
e −λ λ j
E( X ) = ∑ k =∑ k =∑ =λ ∑ =λ ∑ = λ.
k =0 k! k =1 k! k =1 (k − 1)! k =1 (k − 1)! j =0 j!
∞
e −λ λk ∞ e −λ λk ∞ e −λ λk ∞
e −λ λk
E( X 2 ) = ∑ k 2 =∑ (k (k − 1) + k ) =∑ k (k − 1) + ∑k =
k =0 k! k =0 k! k =2 k! k =0 k!
∞
e −λ λk −2 e −λ λ j
= λ2 ∑ + E ( X ) = λ2 ∑ + λ = λ2 + λ.
k =2 (k − 2 )! j =0 j !
Entonces
V ( X ) = E ( X 2 ) − (E ( X ) ) = λ 2 + λ − λ 2 = λ .
2
49
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
0.6
0.8
lambda =0.5
0.3
0.6
0.4
0.2
p(x)
p(x)
p(x)
0.4
0.2
0.1
0.2
0.0
0.0
0.0
0 5 10 15 20 0 5 10 15 20 0 5 10 15 20
x x x
lambda =2 lambda =3 lambda =5
0.20
0.15
0.20
0.10
p(x)
p(x)
p(x)
0.10
0.10
0.05
0.0
0.0
0 5 10 15 20 0 5 10 15 20 0.0 0 5 10 15 20
x x x
lambda =10 lambda =15 lambda =20
0.12
0.08
0.06
0.08
p(x)
p(x)
p(x)
0.04
0.04
0.02
0.0
0.0
0.0
0 5 10 15 20 25 30 0 5 10 15 20 25 30 0 10 20 30 40
x x x
50
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
En particular, si todos los intervalos son de igual longitud t1/n, la v.a. X t1 : “número de
eventos que ocurren en el intervalo (0, t1 )” es “casi” binomial, siendo Éxito la ocurrencia
de un evento en cada uno de los subintervalos y p = P(Éxito)=probabilidad de que ocurra
un evento. Si el número de subintervalos es suficientemente grande y por lo tanto el p
suficientemente pequeño, por el resultado límite que hemos probado, la variable X t1 tiene
distribución de Poisson.
Ejercicio: Para cada uno de estos ejemplos, discutir en que situaciones se verifican las
tres condiciones enunciadas.
g ( h)
siendo o(h) una función g(h) tal que lim = 0.
h →0 h
51
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Xt ~ P(θ t)
Puede interpretarse como la tasa media a la cual ocurren los eventos en la unidad de
tiempo. Se la suele llamar tasa media de ocurrencia o intensidad del Proceso de Poisson.
La definición anterior, que en realidad es un teorema, da las condiciones bajo las cuáles
ciertos experimentos aleatorios que producen como resultados eventos en el tiempo (o en
longitud, área, volumen, etc) pueden ser modelados mediante la distribución de Poisson.
Consideremos los ejemplos 1) a 5). Sólo bajo ciertas condiciones, satisfacen las
propiedades de un Proceso de Poisson.
Ejemplo: Supongamos que el número de mensajes de correo electrónico que llegan a una
casilla de correos sigue un proceso de Poisson de intensidad θ = 2 mensajes / minuto.
c) ¿Cuál es la probabilidad de que no se reciba ningún mensaje entre las 13:30 hs y las
13:33 hs?
52
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Ejemplo: Con el fin de realizar un control de calidad en una fábrica de baterías, se mide el
tiempo de duración de baterías elegidas al azar y se define la v.a.
f : ℜ → ℜ + = [0, ∞)
P( X ∈ A) = ∫ f ( x)dx ∀ A⊆ℜ
A
53
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
b
P(a ≤ X ≤ b) = ∫ f ( x)dx
a
y P( X = a ) = P(a ≤ X ≤ a ) = 0 ∀a ∈ ℜ.
Propiedad: Para que una función f (x) sea una función de densidad, debe satisfacer
f ( x) ≥ 0 ∀ x ∈ ℜ
∞
∫ f ( x)dx = 1
−∞
Observación: Notar que f (x) no es una probabilidad, de hecho puede ser mayor que 1.
Es simplemente el valor de una función en un punto.
Ejemplo: Sea
⎧ a x2 si 1 ≤ x ≤ 3
f ( x) = ⎨
⎩0 en otro caso
⎧1 si x ∈ A
I A ( x) = ⎨
⎩0 si x ∉ A
∞ 3 3 3
x3 26 3
∫ = ⇔ ∫1 = ⇔ ∫1 = ⇔ =1⇔ a =1⇔ a = .
2 2
f ( x ) dx 1 a x dx 1 a x dx 1 a
−∞
3 1
3 26
∞ 3
27 − 8 19
3
3 2 3 x3
P ( X ≥ 2) = ∫ f ( x)dx = ∫ x dx = = = .
2 2
26 26 3 2
26 26
54
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
x
F ( x) = P( X ≤ x) = ∫ f (t )dt
−∞
x x
Si x < 1 , F ( x) = P ( X ≤ x) = ∫
−∞
f (t )dt = ∫ 0 dt = 0
−∞
x
x3 −1
x x
3 2 3 t3
Si 1 ≤ x ≤ 3 , F ( x) = ∫ f (t )dt = ∫ t dt = =
−∞ 1
26 26 3 1
26
x 3
3 2
Si x > 3, F ( x) = ∫
−∞
f (t )dt = ∫
1
26
t dt =1
Resumiendo,
⎧0 si x < 1
⎪ x3 − 1
F ( x) = ⎨ si 1 ≤ x ≤ 3
⎪ 26
⎩1 si x > 3
Observamos que se trata de una función continua, no decreciente que toma valores entre
0 y 1.
55
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
i) ∀x ∈ ℜ, FX ( x) ∈ [0,1] .
ii) FX (x) es monótona no decreciente, es decir que si x1 < x 2 ⇒ FX ( x1 ) ≤ FX ( x 2 ).
Observemos que las propiedades i), ii) y iv) ya las hemos demostrado en general al
considerar las v.a. discretas. Respecto a la propiedad iii), en el caso discreto probamos
que la función de distribución es continua a derecha en todo punto, mientras que en este
caso es continua en todo punto.
P(a ≤ X ≤ b) = P(a < X ≤ b) = P(a ≤ X < b) = P(a < X < b) = F (b) − F (a) .
∂F ( x)
F ' ( x) = = f ( x)
∂x
Distribución Uniforme:
1
f ( x) = I [ A, B ] ( x )
B−A
es decir, la densidad es constante sobre el intervalo [ A,B ] y 0 fuera de él. A y B son los
parámetros de la distribución.
Notación: X ~ U (A,B).
56
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
x x
Si x < A ⇒ F ( x) = ∫
−∞
f (t )dt = ∫ 0 dt = 0 .
−∞
x
x−A
x x
1 t
Si A ≤ x ≤ B ⇒ F ( x) = ∫ f (t ) dt = ∫ dt = = .
−∞ A
B−A B−A A B−A
B
B−A
x B
1 t
Si x > B ⇒ F ( x) = ∫ f (t )dt = ∫ dt = = = 1.
−∞ A
B−A B−A A B−A
Resumiendo,
⎧ 0 si x < A
⎪
⎪
⎪⎪ x − A si A ≤ x ≤ B
F ( x) = ⎨ B − A
⎪
⎪ 1 si x > B
⎪
⎪⎩
57
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Percentiles de una distribución continua: Sea X una v.a. continua con función de
densidad f (x) y función de distribución acumulada F (x) y sea 0 < p < 1. El percentil
(100 p)-ésimo de la distribución de X es el valor xp tal que
xp
F ( x p ) = P( X ≤ x p ) = ∫ f (t )dt = p
−∞
3 2
Ejemplos: 1) Sea X con función de densidad f ( x) = x I [1,3] ( x) . Su función de
26
distribución está dada por
⎧0 si x < 1
⎪ x3 − 1
F ( x) = ⎨ si 1 ≤ x ≤ 3
⎪ 26
⎩1 si x > 3
x 03.25 − 1
F ( x 0.25 ) = 0.25 ⇔ = 0.25 ⇔ x 0.25 = (0.25 ⋅ 26 + 1) = 1.96
1/ 3
26
58
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
⎧ 0 si x < A
⎪
⎪
⎪⎪ x − A si A ≤ x ≤ B
F ( x) = ⎨ B − A
⎪
⎪ 1 si x > B
⎪
⎪⎩
x 0.50 − A A+ B
F ( x 0.50 ) = 0.50 ⇔ = 0.50 ⇔ x 0.50 = 0.50( B − A) + A = .
B−A 2
Definición: Sea X una v.a. continua con función de densidad f ( x) , la esperanza o valor
esperado de X se define como
∞
E( X ) = μ X = ∫ x f ( x)dx
−∞
∞
siempre que ∫x
−∞
f ( x)dx < ∞ . Si esta integral es ∞, la esperanza no puede definirse y
∞ B
B 2 − A2 A + B
B
1 x2
E ( X ) = ∫ x f ( x)dx = ∫ x dx = = = .
−∞ A
B−A 2( B − A) A
2( B − A) 2
∞
E (h( X )) = ∫ h( x) f ( x)dx
−∞
59
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
∞
si ∫ h( x) f ( x)dx < ∞ .
−∞
∞ ∞ ∞ ∞
E (h( X )) = ∫ h( x) f ( x)dx =
−∞
∫ (ax + b) f ( x)dx = a ∫ x
−∞ −∞
f ( x)dx + b ∫ f ( x)dx = aE ( X ) + b .
−∞
Ejemplo: Dos especies compiten en una región para controlar una limitada cantidad de
cierto recurso. sea X: proporción del recurso controlada por la especie 1. Supongamos
que X ~ U (0,1), es decir
⎧1 si x ∈ [0,1]
f ( x) = ⎨
⎩0 si x ∉ [0,1]
Este modelo de asignación de recursos se denomina “broken stick” o “vara rota” ya que es
análogo a quebrar una vara en un punto aleatorio. La especie que controla la mayoría del
recurso, controla la cantidad.
⎧ 1
⎪1 − X si 0 ≤ X <
2
Sea h( X ) = max ( X ,1 − X ) = ⎨
1
⎪X si ≤ X ≤1
⎩ 2
El valor esperado para la cantidad controlada por la especie que más controla es:
∞ ∞ 1/ 2 1
E (h( X )) = ∫ h( x) f ( x)dx = ∫ max( x,1 − x) f ( x)dx = ∫ (1 − x) f ( x)dx + ∫ x f ( x)dx =
−∞ −∞ 0 1/ 2
1/ 2 1
1/ 2 1
⎛ x2 ⎞ x2 1 1 1 1 1 3
= ∫
0
(1 − x) dx + ∫ x dx = ⎜⎜ x −
1/ 2 ⎝
⎟⎟ +
2 ⎠0 2
= − + − =1− = .
2 8 2 8 4 4
1/ 2
Definición: Sea X una v.a. continua con esperanza μX y densidad f (x) , la varianza de X,
que se denotará V(X), σ X2 ó σ 2 , es
60
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
= E [( X − μ ) ] = ∫ ( x − μ
∞
V (X ) = σ 2 2
X X X ) 2 f ( x)dx
−∞
y el desvío standard de X, es σ X = + V ( X ) .
Proposición: V ( X ) = E ( X 2 ) − (E ( X ) ) .
2
Dem:
∞ ∞
V ( X ) = E (( X − μ X ) ) = ∫ ( x − μ X ) f ( x) dx = ∫ ( x 2 − 2 xμ X + μ X2 ) f ( x) dx =
2 2
−∞ −∞
∞ ∞ ∞
−∞ −∞ −∞
A+ B
Ejemplos: Sea X ~ U (A,B), hemos demostrado que E ( X ) = , es decir el punto
2
medio del intervalo. Hallemos la varianza de X. Como V ( X ) = E ( X 2 ) − (E ( X ) ) ,
2
necesitamos calcular E ( X 2 ).
∞ B
B 3 − A 3 ( B − A)( B 2 + AB + A 2 )
B
1 x3
E ( X ) = ∫ x f ( x)dx = ∫ x
2 2
dx = 2
= = =
−∞ A
B-A 3( B − A) A
3( B − A) 3( B − A)
( B 2 + AB + A 2 )
=
3
Entonces,
( B 2 + AB + A 2 ) ⎛ A + B ⎞
2
V ( X ) = E ( X 2 ) − (E ( X ) ) = −⎜ ⎟ =
2
3 ⎝ 2 ⎠
4( B 2 + AB + A 2 ) − 3( A 2 + 2 AB + B 2 ) B 2 − 2 AB + A 2 ( B − A) 2
= = = .
12 12 12
61
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
( B − A) 2
Por lo tanto, V ( X ) = .
12
Propiedad de la varianza y del desvío standard: Sea X una v.a. continua con densidad
f (x) ,
V (aX + b) = a 2V ( X ) y σ aX +b = a σ X .
∞
V (h( X )) = ∫ (h( x) − E (h( X ))
2
f ( x)dx
−∞
entonces, si h( x) = ax + b,
∞ ∞
V (aX + b) = ∫ [(ax + b) − E (aX + b)] f ( x)dx = ∫ [ax + b − aE ( X ) − b] f ( x)dx =
2 2
−∞ −∞
∞ ∞
= ∫ [ax − aE ( X )] f ( x)dx = a ∫ [x − E ( X )] f ( x)dx = a V ( X ),
2 2 2 2
−∞ −∞
Obviamente, σ aX + b = a σ X .
62
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
1
f ( x) = I [ A, B ] ( x )
B−A
Notación: X ~ U (A,B).
⎧ 0 si x < A
⎪x− A
F ( x) = ⎨ si A ≤ x ≤ B
⎪B − A
⎩ 1 si x > B
A+ B ( B − A) 2
E( X ) = y V (X ) = .
2 12
− 1 x−μ
2
( )
e 2σ
1 2
f ( x) = (1)
2π σ
El gráfico de la función de densidad normal tiene forma de campana con eje de simetría
en x = μ y puntos de inflexión en x = μ + σ y x = μ - σ.
63
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
μ-σ μ μ+σ
Densidades Normal
0.8
N(0,1)
N(0,1/4)
N(0,2)
0.6
N(0,4)
0.4
0.2
0.0
-4 -2 0 2 4
x
64
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Se puede verificar que en efecto la función (1) es una función de densidad, es decir que la
integral sobre toda la recta es 1. No lo haremos, pero sí verificaremos que su gráfico es
simétrico respecto de μ, punto en el cual alcanza su único máximo y que tiene puntos de
inflexión en x = μ + σ y x = μ - σ.
En efecto,
x2
− 1 ( μ − x − μ )2 −
f(μ − x)=
1
e 2σ 2 =
1
e 2σ 2
σ 2π σ 2π
x2
− 1 ( μ + x − μ )2 −
f(μ + x)=
1
e 2σ 2 =
1
e 2σ 2
σ 2π σ 2π
⎡ (x − μ )2 ⎤⎥ − 1 (x − μ )
1 2
⎢ −
∂f ( x ) ∂ 2
e 2σ
1
e 2σ
1 2 1
= ⎢ ⎥=0⇔− (x−μ)=0
∂x ∂x ⎢ 2π σ ⎥ 2π σ σ2
⎢⎣ ⎥⎦
⇔ ( x − μ ) = 0 ⇔ x = μ.
Ejercicio: Verificar que la derivada segunda en x = μ es menor que 0 y por lo tanto se trata
de un máximo y que la densidad tiene dos puntos de inflexión en x = μ + σ y x = μ - σ.
65
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
2
1 −z
f ( z) = e 2
2π
2
z 1 −t
Φ( z ) = F ( z ) = ∫ e 2 dt
−∞ 2π
Esta función está tabulada, ya que su integral no tiene una expresión analítica conocida.
Ejemplo: Z ~ N (0,1),
Percentiles de la distribución Normal Standard: Sea 0 < p < 1, el percentil (100 p)-
ésimo de la distribución normal standard es el valor z tal que
Φ ( z ) = p,
66
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
X −μ
1) Si X ~ N ( μ , σ 2 ) ⇒ Z = ~ N (0,1)
σ
Dem:
⎛X −μ ⎞
FZ ( z ) = P( Z ≤ z ) = P⎜ ≤ z ⎟ = P( X ≤ σ z + μ ) = FX (σ z + μ )
⎝ σ ⎠
− (σ z + μ − μ )
2
∂ ∂ 1 2σ 2
fZ ( z ) = FZ ( z ) = F ( σ z + μ ) = f X ( σ z + μ )σ = e σ=
∂z ∂z X 2π σ
2
1 −z
= e 2
2π
2) Si Z ~ N (0,1) y σ > 0 ⇒ X = σ Z + μ ~ N ( μ , σ 2 ) .
Dem: Ejercicio.
xp =σ zp + μ
⎛ X − μ xp − μ ⎞ ⎛x −μ⎞
F ( x p ) = p ⇔ P( X ≤ x p ) = p ⇔ P⎜⎜ ≤ ⎟ = p ⇔ Φ⎜ p
⎟
⎟
⎜ σ ⎟= p
⎝ σ σ ⎠ ⎝ ⎠
xp − μ
⇔ = zp ⇔ xp =σ zp + μ .
σ
67
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Dem:
∞ ∞ z2
1 −
E( Z ) = ∫ zf ( z )dz = ∫ z
−∞ −∞ 2π
e 2
dz = 0
∞ z2 ∞ z2
1 − 1 −
V ( Z ) = E( Z ) − ( E( Z )) = E( Z ) = ∫z dz = ∫z
2 2 2 2 2 2
e ze dz
−∞ 2π −∞ 2π
z2 z2
1 − 1 −
u=z dv = ze 2
dz du = dz v=− e 2
2π 2π
se obtiene
z2
∞
∞ z2 ⎛ z2
M
⎞
1 − 1 − ⎜ 1 − ⎟
V( Z ) = −
2π
ze 2
+ ∫
−∞ 2π
e 2
dz = lim ⎜ −
M →∞
⎜ 2π
ze 2 ⎟⎟ + 1 .
−∞ ⎝ −M ⎠
⎛ ⎞ ⎛ ⎞
⎜ 1 M ⎟ ⎜ 1 1
⎟
lim ⎜ − ⎟ = lim ⎜ − ⎟=0
M →∞⎜ 2π M 2 ⎟ M→∞⎜ 2π M 2 ⎟
⎜ ⎟ ⎜ ⎟
⎝ e 2 ⎠ ⎝ Me 2 ⎠
y
⎛ ⎞ ⎛ ⎞
⎜ 1 M ⎟ ⎜ 1 1
⎟
lim ⎜ ⎟ = lim ⎜ ⎟=0
M →− ∞⎜ 2π M 2 ⎟ M→− ∞⎜ 2π M2 ⎟
⎜ ⎟ ⎜ ⎟
⎝ e 2 ⎠ ⎝ Me 2 ⎠
68
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
X −μ
Dem: Recordemos que, si X ~ N(μ, σ2), entonces ~ N (0,1) .
σ
⎛X −μ⎞
Como E ( Z ) = E ⎜ ⎟ = 0 , por linealidad de la esperanza,
⎝ σ ⎠
1
(E ( X ) − μ ) = 0 ⇒ E ( X ) = μ .
σ
⎛X −μ⎞
Como V ( Z ) = V ⎜ ⎟ = 1 , por propiedades de la varianza,
⎝ σ ⎠
1
V (X ) =1⇒V (X ) = σ 2 .
σ 2
∞
Γ(α ) = ∫ x α −1 e − x dx
0
Propiedades:
2) Si α ∈ N, Γ(α ) = (α − 1)!
⎛1⎞
3) Γ⎜ ⎟ = π
⎝2⎠
69
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
∞ ∞
∞
Γ(α ) = ∫ x α −1 e − x dx = − x α −1 e − x + ∫ (α − 1) x α − 2 e − x dx =
0
0 0
∞
M α −1
= − lim + 0 + ( α − 1 )∫ x ( α −1 )−1 e − x dx = 0 + 0 + ( α − 1 )Γ( α − 1 ) = ( α − 1 )Γ( α − 1 ).
M →∞ e M
0
2) Ejercicio.
3)
∞ 1 ∞ 1
⎛1⎞ −1 −
Γ⎜ ⎟ = ∫ x 2 e − x dx = ∫ x 2 e − x dx
⎝2⎠ 0 0
2
Aplicaremos el siguiente cambio de variable: u = 2 x , con lo cual du = dx .
2x
Entonces,
∞ u2 ∞ u2 ∞ u2
⎛1⎞ − 1 − 1 −
Γ⎜ ⎟ = ∫ 2 e 2 du = ∫ 2 e 2 du = π ∫ e 2 du = π ,
⎝2⎠ 0 − ∞ 2π
2 −∞
e − λ x xα − 1 λα
f ( x) = I ( x)
Γ(α ) (0, ∞)
70
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Densidades Gamma
1.0
G(1,1)
G(2,3)
G(2,1/2)
0.8
G(2,1)
0.6
0.4
0.2
0.0
0 2 4 6 8 10
x
e − x xα −1
f ( x) = I (0,∞) ( x )
Γ(α )
71
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
G(1,1)
G(2,1)
0.8
G(5,1)
0.6
0.4
0.2
0.0
0 2 4 6 8 10
x
α α
Proposición: X ~ Γ (α , λ), entonces E ( X ) = y V (X ) = 2 .
λ λ
Dem:
∞ e − λx xα −1 λα ∞ e − λx xα λα ∞ e − λx x (α +1)−1 λα
E( X ) = ∫ x dx = ∫ dx = ∫ dx =
0 Γ(α ) 0 Γ(α ) 0 Γ(α )
Calculemos ahora E ( X 2 ).
72
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
2 ∞ 2 e − λ x x α −1 λα ∞ e − λ x x α +1 λα ∞ e − λ x x α + 2 −1 λα
E(X ) = ∫ x dx = ∫ dx = ∫ dx =
0 Γ (α ) 0 Γ (α ) 0 Γ (α )
(α + 1)α ⎛α ⎞ α α α α
2 2 2
Finalmente, V ( X ) = − ⎜ ⎟ = 2 + 2 − 2 = 2 , como queríamos demostrar.
λ2 ⎝λ⎠ λ λ λ λ
Dem: Ejercicio.
Nota: Esta última propiedad permite obtener probabilidades para una v. a. con
distribución Gamma a partir de una distribución Gamma standard. En efecto,
supongamos que X ~ Γ (α , λ), entonces λ X ~ Γ (α , 1) y, por ejemplo
−x
β α −1
e x
f ( x) = α I ( x)
β Γ(α ) (0,∞)
En este caso, E ( X ) = α β y V ( X ) = α β 2 .
Notación: X ~ ε(λ).
73
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
Densidades Exponencial
1.0
E(1)
E(2)
E(1/2)
0.8
0.6
0.4
0.2
0.0
0 2 4 6 8 10
x
⎧ 0 si x ≤ 0
⎪
F ( x) = ⎨
⎪1 − e −λx si x > 0
⎩
En efecto, si x > 0,
x x
F ( x ) = ∫ λ e −λt dt = − e −λt = −e −λx + 1,
0 0
1 1
Proposición: Si X ~ ε (λ), entonces E ( X ) = y V (X ) = .
λ λ2
Dem: Se deduce inmediatamente de la esperanza y la varianza de una v.a. Gamma con
parámetro α = 1.
74
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
⎛ − 10 ⎞
1
⎛ −
10
⎞ ⎛ − ⎞
5
Se puede demostrar que la v.a. T: “tiempo hasta la ocurrencia del primer evento” (o
equivalentemente, tiempo entre la ocurrencia de dos eventos sucesivos), tiene distribución
exponencial.
75
Probabilidades y Estadística (Computación)
Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires
Ana M. Bianco y Elena J. Martínez 2004
e −νt (νt ) 0
FT (t ) = 1 − P( X t = 0) = 1 − = 1 − e −ν t ,
0!
y por lo tanto
⎧ 0 si x ≤ 0
⎪
F ( x) = ⎨
⎪1 − e −ν x si x > 0
⎩
es decir, T~ ε (ν).
Ejercicio: Demostrar que el tiempo de espera hasta la segunda ocurrencia del evento
tiene distribución Γ(2, ν).
76