Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FACULTAD DE CIENCIA
DEPARTAMENTO DE MATEMÁTICA Y CIENCIAS DE LA COMPUTACIÓN
X R
x X
R
X CC 2 CC
0
X CS 1 CS
1
X SC 1
Se tiene que
SC
X SS 0 2
SS
Como vemos: una variable aleatoria transforma los resultados de un espacio
muestral en números reales. Veremos que este cambio simplificará el trabajo
con probabilidades, lo que permitirá un tratamiento matemático y sistemático
de la probabilidad de eventos, los que pueden ser más complejos que en este
ejemplo.
FRANCISCO VALENZUELA ROJAS 2
A los valores posibles que puede tomar una variable aleatoria X, le llamamos
su recorrido. Matemáticamente, se denota por Rec X
R
CC
0
CS
1 Rec X 0,1,2
SC
2
SS
condiciones:
x 0 1 2
p(x)=P(X=x) 1/4 1/2 1/4
P(C ) p4 P X 4
3
36
Puesto que i, j / i 1,...,6, j 1,...,6 # 62 36
X 2 3 4 5 6 7 8 9 10 11 12
p(x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
F x P X x p x i
xi RecX / xi x
Ejemplo: 1 Una tienda vende unidades de memoria flash, con 1 GB, 2GB, 4GB, 8GB
ó 16 GB de memoria. La siguiente tabla muestra la distribución de X = cantidad de
memoria de la unidad comprada:
x 1 2 4 8 16
p(x) 0,05 0,10 0,35 0,40 0,10
Ejemplo:
Quedando finalmente
0, x 1
0,05, 1 x 2
0,15, 2 x4
F x
0,50, 4 x8
0,90, 8 x 16
1, x 16
FRANCISCO VALENZUELA ROJAS 10
Gráfica de la función de distribución acumulada de F(x)
1)0 F x 1
2) Pa X b F b F a
3) Pa X b F b F a
4) Pa X b F b F a
5) Pa X b F b F a
6) P X a F a F a
Donde
F a lim F x P X a
x a
k 0,4x 1
f x
si x = {1,2,3,…}
, en otro caso
0
a) Calcular el valor de k, para que f(x) sea función de cuantía
b) Calcular P(X=3)
c) P(x>5), P(X>=5), P(X<4), P(X<=4)
d) P(3<=X<=5)
e) P(3<X<5)
f) P(X sea un número par)
Solución:
0,60,4x 1 si x 1,2,...
Finalmente: f x P X x
0 en otro caso
FRANCISCO VALENZUELA ROJAS 13
b) P X 3 f 3 0,60,4
31
0,096
c) P X 5 1 P X 5 1 F 5
5
1 f x
x 1
5
1 0,60,4
x 1
n 1
1 r n
x 1
pues r i
1 0,6 0,40 0,41 ... 0,4 4 i 0 1 r
1 0,45
1 0,6 0,45 0,01024
1 0,4
P X 5 1 P X 5 1 F 4
4
1 f x
x 1
4
1 0,60,4
x 1
x 1
1 0,6 0,40 0,41 0,4 2 0,43
1 0,4 4
1 0,6 0,4 4 0,0256
1 0,4
FRANCISCO VALENZUELA ROJAS 14
0,60,4
x 1
P( x sea n par)
x2 , 4 , 6 ,...
0,6 0,4 2 x 1
x 0
0,6 0,4 2 0,4
x
x 0
1
0,24
1 0,16
2
7
0,2857
Dada la naturaleza de una variable aleatoria, se pueden obtener dos valores que dan
una idea de cómo se comportan, en cuanto a su tendencia central y su dispersión.
X E X x f x
RecX
A su vez, la varianza de la variable aleatoria discreta X se define como:
Var X x X 2
f x E X X 2
RecX
Esta expresión es útil para obtener de una manera más directa la varianza de una
variable aleatoria X.
FRANCISCO VALENZUELA ROJAS 16
Esperanza matemática de una función de una variable aleatoria
Se define: E g X g x f x
RecX
Número de 1 2 3 4 5 6 7 8
ventas (xi)
Probabilidad 0,04 0,15 0,20 0,25 0,19 0,10 0,05 0,02
P(xi)
8
X E X xi pxi 1 0,04 ... 8 0,02 4
i 1
Si suponemos que el vendedor obtiene una comisión de $1.500 por venta, entonces
Podemos calcular sus ganancias por concepto de comisiones, a través de la fórmula
G(Xi)=1.500Xi, luego la ganancia esperada es:
x
8
pxi 12 0,04 ... 82 0,02 18,52
2 2
EX i
i 1
Por lo tanto:
Var X E X 2 E X 18,52 4 2 2,52
2
ventas2
f : IR IR
P x X x x
x f x lim
x 0 x
lim
F x x F x
x 0 x
F x x F x
lim
x 0 x
F x
FRANCISCO VALENZUELA ROJAS 20
Propiedades de una función de densidad de una variable aleatoria continua
1. f x 0, f x 0 si x RecX
2.
f x dx 1
RecX
o bien,
f x dx 1
3. P x A f x dx
x A
5. P X a a f x dx 0
a (área bajo f(x), entre a y b)
F x f x
P X a f x dx 0
a
valor específico. Esto, debido a que a
para cualquier valor “a” que asuma X. Más bien, el interés está puesto en la
Ensayos de Bernoulli
(supuesto de independencia)
.
.
.
x 1 x 1
d
p 1 p p 1 p
d x x
x 1 dp dp x 1
d 1 1 1
p p 2 p
dp p
1 p
Siguiendo un proceso similar, (o con funciones generatrices de momentos)
1 p
se desprende que Var X
p2
FRANCISCO VALENZUELA ROJAS 25
Ejemplo de aplicación de la distribución geométrica
a) P X 5 0,10,9
51
0,06561
b) P X 4 P X 1 P X 2 P X 3
0,10,9 0,10,9 0,10,9
11 2 1 31
0,271
c) Probabilidad de que la primera tapa marcada la obtenga después de la
tercera compra
c) P X 3 1 P X 3
1 P X 1 P X 2 P X 3
1 0,10,9 0,10,9
11 2 1
0,10,9
31
0,729
FRANCISCO VALENZUELA ROJAS 27
2. Distribución Binomial
Bajo los mismos supuestos de los experimentos de Bernoulli, determinaremos
este modelo matemático para calcular probabilidades, entendiendo en este caso
que la variable aleatoria X será definida así:
=
(puesto que tenemos N eventos mutuamente excluyentes)
(supuesto de independencia)
(N sumandos)
sumandos
(supuesto de independencia)
N x
p 1 p x 0,1,..., N
N x
p x P X x x
0
en otro caso
FRANCISCO VALENZUELA ROJAS 29
Media (esperanza) de una variable aleatoria binomial:
N
N x
E X x p 1 p
N x
x 0 x
N
p x 1 p
N!
x
N x
x 1 x x 1! N x !
N
N N 1!
p x 1 p Hacemos y=x-1
N x
x 1 x 1! N x !
M=N-1
M
p y 1 1 p
M!
N
M y
y 0 y!M y !
M
p y p1 p
M!
N
M y
y 0 y!M y !
M y
M
Np p 1 p
M y
y 0 y
f.d. de una distr.binomial, suma vale1
Np
FRANCISCO VALENZUELA ROJAS 30
Varianza de una variable aleatoria binomial:
Para calcular la varianza de una v.a. binomial, usamos un método similar al anterior,
con la precaución de escribir x2 como x2=x(x-1)+x, debiendo calcular
E X 2 EX X 1 E X
N
EX X 1 xx 1 p x 1 p
N! N x
x 0 N x ! x!
N N 1 p 2
de donde se tiene que
E X 2 EX X 1 E X N N 1 p 2 Np N 2 p 2 Np 2 Np
Finalmente:
Una compañía que produce cristal fino sabe por experiencia que el 10% de sus copas
de mesa tienen imperfecciones cosméticas y deben ser clasificadas como de
“segunda”
a) Entre seis copas seleccionadas al azar, ¿qué tan probable es que sólo una sea de
“segunda”?
b) Entre seis copas seleccionadas al azar, ¿qué tan probable es que por lo menos
dos sean de “segunda”?
Solución:
a) Definiendo como X = número de copas con imperfecciones cosméticas, entre 6
elegidas X ~ Bin 6;0,1 . En este caso, P(copa de segunda)= 0,1 . Luego:
6 1
P X 1 0,1 0,9 0,3543
5
1
b) La probabilidad pedida es
6 0 6 1
P X 2 1 P X 2 1 0,1 0,9 0,1 0,9 0,1143
6 5
0 1
FRANCISCO VALENZUELA ROJAS 32
3. Caso particular de la distribución binomial: la distribución Bernoulli
p x 1 p 1 x x 0,1
px P X x
0 en otro caso
E X 2 02 1 p 12 p p
x 1 r
p 1 p xr
si x r , r 1, r 2,...
P X x r 1
0
en otro caso
A la cual llamaremos distribución binomial negativa de probabilidades (o
Distribución de Pascal)
FRANCISCO VALENZUELA ROJAS 34
Media y varianza de una variable aleatoria binomial negativa
Y además
Var X E X 2 E X
2
r r p 1 r
2
2
p p
r 2 rp r r 2 (note la similitud
con la distribución
p2 geométrica).
r 1 p
p2
FRANCISCO VALENZUELA ROJAS 35
Ejemplo de aplicación de la distribución binomial negativa:
15 1
P X 10 0,7510 0,255 0,1101
10 1
Clase E Clase F
M elementos N – M elementos Note que:
x n-x
N
1. Podemos elegir la muestra de maneras diferentes, cada una con
n
N
1
probabilidad n . Todos los elementos tienen igual prob. de ser elegidos
en la muestra.
M
2. Los x elementos de la clase E se pueden elegir de x maneras distintas.
N M
pueden elegir de maneras distintas.
nx FRANCISCO VALENZUELA ROJAS 37
Teorema:
La probabilidad a calcular es
P X x
número de muestras con x elementos de E y (n - x) de F
número de muestras posibles
M N M
x n x
N
n
A la función anterior llamaremos distribución hipergeométrica de
probabilidades, de parámetros N, n y M.
M N M
n
x n x nM
EX x
x 0 N N
n
NM N M N n
Y además, Var X
N 2
N 1
Demostración: Ejercicio!
X ~ Hiper 2,18,10
10 calculadoras 8 calculadoras
buenas defectuosas 10 8
x 2-x
P X 2 2 0
0,2941
18
2
N=18 n=2
X ~ Hiper 2,18,6
6 calculadoras 12 calculadoras
buenas defectuosas
6 12
x 2-x
P X 2 2 0
0,098
18
2
N=18 n=2
x e Notación:
si x 0,1,2,...
p x P X x x!
X ~ Poisson
0
en otro caso
x e
x
px
RecX x 0 x!
e
x!
x 0
e e 1
x e
x e
y 1e
y e
EX x
x 0 x! x 1 ( x 1)! y 0 y! y 0 y!
x
E X 2
2
x e
y 1y 1e
x 0 x! y 0 y!
y y e
y e
y 0 y! y 0 y!
2
Var X E X 2 E X 2 2
2
Esto es, la media (valor esperado) y varianza de una variable aleatoria Poisson
son iguales a
FRANCISCO VALENZUELA ROJAS 45
Ejemplo: El número de fallas que ocurren en una red de agua potable entre las
las 20 y las 24 horas de un día se considera que es una variable aleatoria con
distribución de Poisson, con promedio de 24 fallas en ese periodo.
24 fallas
6
4 hora
6 x e 6
si x 0,1,2,...
p x P X x x!
0
en otro caso
69 e 6
p9 P X 9 0,0688
9!
FRANCISCO VALENZUELA ROJAS 46
Si quisiéramos calcular la probabilidad de que entre las 21:00 horas y las 21:15
horas ocurran exactamente dos fallas, se tiene que nuestra nueva variable aleatoria
queda definida como
6 fallas
De donde se tiene que 1,5
4 periodo de 1/4 hora
1,5y e 1,5
si y 0,1,2,...
Y el nuevo modelo es: p y PY y y!
0
en otro caso
2 w e 2
si w 0,1,2,...
Y el nuevo modelo queda: pW pW w w!
0
en otro caso
PW 1 1 PW 1
Por lo tanto, 1 PW 0
20 e 2
1 0,8647
0!
FRANCISCO VALENZUELA ROJAS 48