Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Descriptiva
y
Probabilidad
(Teorı́a y problemas)
3a Edición
Autores
I. Espejo Miranda
F. Fernández Palacı́n
M. A. López Sánchez
M. Muñoz Márquez
A. M. Rodrı́guez Chı́a
A. Sánchez Navas
C. Valero Franco
c
Copyright °2006 Universidad de Cádiz. Se concede permiso para copiar, distribuir y/o
modificar este documento bajo los términos de la Licencia de Documentación Libre de
GNU, Versión 1.2 o cualquier otra versión posterior publicada por la Free Software Foun-
dation. Una traducción de la licencia está incluida en la sección titulada “Licencia de
Documentación Libre de GNU”.
c
Copyright °2006 Universidad de Cádiz. Permission is granted to copy, distribute and/or
modify this document under the terms of the GNU Free Documentation License, Ver-
sion 1.2 or any later version published by the Free Software Foundation. A copy of the
license is included in the section entitled “GNU Free Documentation License”.
http://www.uca.es/publicaciones
ISBN: 978-84-9828-058-6
Depósito legal:
Estadı́stica Descriptiva y Probabilidad. Teorı́a y Pro-
blemas (Revisión: Febrero 2006)
I. Espejo Miranda, F. Fernández Palacı́n, M. A. López Sánchez,
M. Muñoz Márquez, A. M. Rodrı́guez Chı́a, A. Sánchez Navas,
C Valero Franco
c
°2006 Servicio de Publicaciones de la Universidad de Cádiz.
Documento bajo Licencia de Documentación Libre de GNU
(Versión 1.2 o posterior).
http://www.uca.es/teloydisren
Capı́tulo 6
Sea X una variable aleatoria uniforme discreta, que toma los va-
lores x1 , . . . , xn . La función de cuantı́a viene dada por la siguiente ex-
186 Capı́tulo 6. Algunos modelos probabilı́sticos
presión
1
P (X = xi ) = i = 1, . . . , n.
n
Suponiendo que x1 ≤ x2 ≤ . . . ≤ xn , su función de distribución viene
dada por
0 si x < x1
1
si x1 ≤ x < x2
n2
F (x) = n si x2 ≤ x < x3
...
..
.
1 si xn ≤ x.
n n
1X 1X 2
Por otro lado, se tiene que E[X] = xi y que, E[X 2 ] = xi .
n n
i=1 i=1
2. Experimento de Bernouilli
P (X = k) = pq k .
6.2 Experimento de Bernouilli 189
P (X = 5) = 00 65 · 00 4 = 00 36.
dientes con igual probabilidad, se dirá que sigue una distribución bino-
mial negativa. La distribución geométrica es un caso particular de bino-
mial negativa cuando r = 1. La v.a. X toma los valores k = 0, 1, 2, . . .,
con probabilidad:
µ ¶
k+r−1 r k
P (X = k) = p q .
k
Sus principales rasgos son:
rq rq
E[X] = , V [X] = .
p p2
3. Distribución hipergeométrica
4. Proceso de Poisson
6
0.3 r r
0.2 r
r
0.1 r
r
r r r r-
0 1 2 3 4 5 6 7 8 9
Figura 6.2: Poisson P (2)
Ejemplo 6.8 Con los datos del ejemplo 6.7 y suponiendo que
acaba de llegar un vehı́culo, calcule la probabilidad
de que transcurran más de 5 minutos hasta que
aparezca el siguiente.
El tiempo que transcurre desde que pasa un vehı́-
culo hasta el siguiente sigue una distribución ex-
ponencial de parámetro igual a 2. La probabilidad
pedida es:
P (X > 5) = 1 − P (X ≤ 5) = 1 − (1 − e−2·5 )
= 00 000045.
Observe que se llega al mismo resultado utilizan-
do la distribución de Poisson que la exponencial,
considerando que el suceso “transcurren más de 5
minutos en pasar algún vehı́culo” para la exponen-
cial es el suceso “no pasa ningún vehı́culo en cinco
minutos” para la Poisson.
0.9
0.6
0.3
-
1 2 5 9
Figura 6.3: Distribución exponencial
f(x) 6
1
b−a
-
a b X
Figura 6.4: Distribución uniforme.
6. Distribución normal
1 (x−µ)2
f (x) = √ e− 2σ2 − ∞ ≤ x ≤ +∞.
2πσ
f(x) 6
-
µ X
Figura 6.5: Distribución N (µ, σ)
198 Capı́tulo 6. Algunos modelos probabilı́sticos
4. Cortes con los ejes. Sólo tiene un punto de corte en (0, √12π ).
E[X] = 0, V [X] = 1, γ1 = 0, γ2 = 3.
√1
2π s6
−1 −1
(−1, e
√
2
2π
)s s(1, e√ 2 )
2π
¾ -
0
Figura 6.6: Distribución N (0, 1)
λ = np
Binomial - Poisson
n > 100, p ≤ 00 05
@ 0
¡
@ p≤05 ¡
@ np > 5 ¡µ = λ
µ = np @ λ>5 ¡ √
√ p > 00 5 ¡σ= λ
σ = npq @
@ nq > 5 ¡
@@
R ¡
¡
ª
Normal
Figura 6.7: Relación entre binomial, Poisson y normal.
9. Distribución gamma
- Γ(1) = 1.
- Γ(p) = (p − 1)Γ(p − 1) con p > 1.
¡ ¢ √
- Γ 12 = π.
ap −ax p−1
e x si x > 0
f (x) = Γ(p)
0 si x ≤ 0.
µ ¶−p
t p
Se verifica que MX (t) = 1 − , de donde se deduce que, E[X] = a
a
p(p + 1) p
y que E[X 2 ] = 2
, por tanto, V [X] = 2 .
a a
6.10 Distribución beta 203
³a ´
Propiedad 6.12 Sea X ∼ Γ(a, p) entonces cX ∼ Γ ,p .
c
Z x ¯x Z x
1 2 −2x −2x ¯
F (x) = 2 e x d x = −2xe ¯ + 2 e−2x d x
0 Γ(2) 0 0
= 1 − (1 + 2x)e−2x .
Γ(a + k)Γ(a + b)
de donde se deduce que E[X k ] = , por tanto se tiene
Γ(a)Γ(a + b + k)
a ab
que E[X] = , V [X] = .
a+b (a + b)2 (a + b + 1)
Ejemplo 6.12 Sea X una v.a. con distribución β(4, 2), el cálculo
de E[X], V [X] y P (0 < X ≤ 00 7) es:
4 2 8
E[X] = = y V [X] = .
6 3 62 ·7
Además,
Z 00 5
1 3
P (0 < X ≤ 00 7) = (x − x4 ) d x
0 20
1 x4 x5 ¯¯00 5
= ( − )¯
20 4 5 0
= 00 00132.
X −θ
La variable aleatoria Y = verifica que
µ
Y ∼ C(1, 0), es decir, Y tiene como función de densidad
1
f (y) = − ∞ < x < ∞.
π(1 + x2 )
Propiedad 6.13 Sea X ∼ C(µ, θ), se tiene que E[X k ] no existe para
k ≥ 1 y que existe para k < 1.
1
Propiedad 6.15 Se tiene que X ∼ C(1, 0) si y sólo si X ∼ C(1, 0).
σ2 2 2
Se tiene que E[Y ] = eµ+ 2 y V [Y ] = e2µ+σ (eσ − 1).
12.2. Distribución χ2
1 n x
f (x) = n
n
x 2 −1 e− 2 , x ≥ 0.
2 Γ( 2 )
2
¡ ¢
Se observa que la distribución χ2n es una distribución Γ 21 , n2 , de donde
se deduce que esta distribución es reproductiva en su parámetro y que
n
E[X] = n, V [X] = 2n y MX (t) = (1 − 2t)− 2 .
208 Capı́tulo 6. Algunos modelos probabilı́sticos
n
Se verifica que E[X] = 0 y V [X] = para n > 2.
n−2
³ n ´k Γ(k + m )Γ( n − k)
Se tiene que E[X k ] = 2 2
para n > 2k, por
m Γ( m
2 )Γ( n
2)
n n2 (2m + 2n − 4)
tanto, E[X] = con n > 2 y que V [X] = con
n−2 m(n − 2)2 (n − 4)
n > 4.
1
Propiedad 6.18 Si X ∼ Fn,m entonces X ∼ Fm,n .
De este modo,
µ 2 ¶ µ 2 ¶
SA 51 · 18 · SA 0
P 2 ≥ 2 = P 2 ≥ 0 48
SB 50 · 19 · SB
λ −λ|x−µ|
f (x) = e , −∞ < x < ∞, λ > 0 y − ∞ < µ < ∞.
2
La función generatriz de momentos de esta distribución tiene la expre-
sión
1
MX (t) = (1 − λ2 t2 )−1 eµt , con t < ,
λ
2
de donde se deduce que E[X] = µ y V [X] = 2 .
λ
be−(a+bx)
f (x) = ; −∞ < x < ∞, b > 0,
(1 + e−(a+bx) )2
αβ α2 β
Se tiene que E[X] = y que V [X] = .
β−1 (β − 2)(β − 1)2
= 1 − 00 81 = 00 19.
Ejemplo 6.19 Dos amigos se citan entre las nueve y las diez de la
noche, acordando no esperarse más de 10 minutos,
¿cuál es la probabilidad de que se encuentren?
Se sabe que el tiempo de espera para cada uno
se distribuye según una U (0, 60), por lo tanto la
distribución conjunta viene dado por:
(
1 si 0 ≤ x ≤ 60 y 0 ≤ y ≤ 60
f (x, y) = 60 · 60
0 en otro caso.
Ejemplo 6.20 Sea (X, Y ) una v.a. normal, cuya función de den-
sidad viene dada por:
1 −(y2 +2x2 −2xy)
f (x, y) = e 2 ∀(x, y) ∈ R2 .
2π
|M | = 1
−1 (X−µ̄)t 2 +2x2 −2xy
− (X−µ̄)M 2 = −y 2
Por lo tanto:
µ ¶
2 −1
µ̄ = (0, 0) M −1 =
−1 1
Con lo que:
µ ¶
1 1
M=
1 2
17. Ejercicios
Solución:
a) Usando la definición de función de distribución se obtiene
que
Z x
F (x) = f (x) d x = 0 si x < 0,
−∞
Z x Z x
x2
F (x) = f (x) d x = xdx = si 0 ≤ x < 1,
−∞ 0 2
Z x Z 1 Z x
2x + 1 1 x2 + x ¯¯x
F (x) = f (x) d x = xdx + = + ¯
−∞ 0 1 8 2 8 1
2
1 x +x−2
= + si 1 ≤ x < 2,
2 8
F (x) = 1 si x ≥ 2,
1 (10 5)2 + 10 5 − 2 00 52
P (00 5 ≤ X ≤ 10 5) = F (10 5)−F (00 5) = + − = 00 59.
2 8 2
c) Se tiene que la resistencia de una muestra de material
es ideal con probabilidad 00 59 y no ideal 00 41. Por tanto, el experimento
de observar si una muestra es ideal o no, es un experimento Bernouilli
con probabilidad de éxito (ser ideal) 00 59. Con lo cual, el experimento
de observar el número de muestras ideales (éxitos) en diez muestras
de materiales extraı́das aleatoriamente es una distribución binomial de
parámetro n = 10 y p = 00 59. Si se define la variable aleatoria
P (Y ≥ 7) = P (Y = 7) + P (Y = 8) + P (Y = 9) + P (Y = 10)
6.17 Ejercicios 217
µ ¶ µ ¶
10 10
= · 00 597 · 00 413 + · 00 598 · 00 412
7 8
µ ¶ µ ¶
10 0 9 0 1 10
+ · 0 59 · 0 41 + · 00 591 0 · 00 410
9 10
= 00 3575.
a) P (0 ≤ X ≤ a) = 00 28,
b) P (1 − a ≤ X < 1 + a) = 00 65.
6.14. De una tribu indı́gena se sabe que los hombres tienen una
estatura que se distribuye según una ley normal con media 1’70 y des-
viación tı́pica σ. Si a través de estudios realizados se conoce que la
probabilidad de que su estatura sea mayor a 1’80 es 0’12, calcule la
probabilidad de que un individuo elegido al azar mida entre 1’65 y 1’75.