U.N.A.

M Fenómenos Colectivos Facultad de Ciencias

1. Probabilidad
1.1. 02
Combinatoria:

! ! !
n+1 n n−1
= + (1)
k k k−1

Ejemplo:
Una persona tiene 6 amigos. Cada noche, durante 5 dı́as, invita a cenar a un grupo de 3 de ellos de modo
que el mismo grupo no es invitado 2 veces. ¿Cuantas maneras hay de hacer esto?
Para la primera noche se tiene:

!
6 6! 6! 6 · 5 · 4 · 3! 6 · 5 · 4
= = = = = 20 (2)
3 3!(6 − 3)! 3!3! 3!3! 3!

entonces para la primera noche se tienen 20 maneras diferentes de elegir a un grupo de 3 de los 6 amigos,
eso significa que si se toma una manera para la primera noche, para la segunda noche se tendrán 20-1=19
maneras de elegir a un nuevo grupo de 3 sin que este sea igual al primero, el análisis es análogo para las 3
noches restantes por lo que la solución seria

20 · 19 · 18 · 17 · 16 = 1, 860, 480 maneras (3)

Ejemplo:
6 cajas están numeradas del 1 al 6. ¿De cuantas maneras se pueden repartir pelotas idénticas entre las cajas
de tal manera que ninguna de ellas quede vacı́a?
Para las 6 cajas se tienen 5 separadores, si como mı́nimo se tienen 2 bolas por caja y se colocan otras 2 en
cualquiera de los separadores se tendrı́a

! !
14 + 5 19 19! 19! 19 · 18 · 17 · 16 · 15
= = = =
5 5 5!(19 − 5)! 5!14! 5·4·3·2·1

= 19 · 18 · 17 · 2 = 11, 628 maneras (4)

¿Que pasa si se pueden quedar vacı́as?

Como ahora se tiene la opción de dejar las 6 cajas vacı́as entonces conservando los 5 separadores

! !
(14 + 6) + 5 25 25! 25! 25 · 24 · 23 · 22 · 21
= = = =
5 5 5!(25 − 5)! 5!20! 5·4·3·2·1

= 5 · 6 · 23 · 11 · 7 = 53, 130 maneras (5)

¿El dominio es un álgebra de subconjuntos de Ω?

Ejemplo:
Se lanza sucesivamente una moneda regular hasta que ocurren 2 resultados iguales consecutivos
A: se requiere un numero par de lanzamientos

(
aa saa asaa ···
Ω= (6)
ss ass sass ···

(
aa asaa asasaa ···
A= (7)
ss sass sasass ···

Buscamos P(A).
An : Se requieren n lanzamientos.

1
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

A = A2 ∪ A4 ∪ A6 ∪ · · · = ∞
S
j=1 A2j es unión de ajenos
Extendiendo la propiedad de probabilidades de unión de ajenos a un conjunto numerable tenemos

 
[ ∞  X∞
P (A) = P  A2j  = P (A2j ) (8)
 
 
j=1 j=1

2 1
P (A2 ) = =
22 2

2 1
P (A4 ) = 4
= 3
2 2

2 1
P (A6 ) = =
26 25
entonces

∞
X 1
P (A) = (9)
j=1
22j−1

Nota:
Serie geométrica:

∞
X
2 3
a + ap + ap + ap + · · · = apn (10)
n=0

Suma parcial:

N
X
SN = a + ap + ap2 + ap3 + · · · + apN = apn (11)
n=0

entonces

pSN = ap + ap2 + ap3 + ap3 + · · · + apN +1

SN − pSN = (1 − p)SN = a − apN +1

a − apN +1
SN = (12)
1−p

∞ N a
a − apN +1
(
X
n
X
n 1−p si |p| < 1
ap = lı́m ap = lı́m = (13)
N →∞ N →∞ 1−p ∞ en otro caso
n=0 n=0

entonces

∞
1 1 1 1 1 1 0 1 1 1 1 1 2
X      
P (A) = = + 3 + 5 + ··· = + + + ···
22j−1 2 2 2 2 22 2 22 2 22
j=1

∞ 1 1 1
1 1 j 2
X  
2 2 2
P (A) = = = = = (14)
2 22 1 − 1
2 1 − 1
4
3
4
3
j=0 2

Necesitamos uniones numerables

Definición: Una colección A de subconjuntos de Ω es una σ -álgebra si cumple

2
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

i) Ω ∈ A
ii) Si A ∈ A entonces Ac ∈ A
S∞
iii) Si A1 , A2 , A3 , · · · ∈ A entonces j=1 Aj ∈A

El Dominio de la función probabilidad es una σ -álgebra.

Proposición. Si A es una σ -álgebra de subconjuntos de Ω, entonces

a) ∅ ∈ A
T∞
b) Si A1 , A2 , A3 , · · · ∈ A entonces j=1 Aj ∈A

c) Si A1 , A2 ∈ A entonces A1 − A2 ∈ A .

1.2. 03
Tema 2: Calculo de Probabilidades
2.1. Reglas básicas

Intersección de 2 eventos:

P (A ∩ B) = P (A)P (B|A) = P (B)P (A|B). (15)

Independencia de 2 eventos:

A y B son independientes ⇔ P (A ∩ B) = P (A)P (B). (16)

Intersección de n eventos

    
\ n  n−1
  \ 
P  Aj  = P (A1 )P (A2 |A1 )P (A3 |A1 ∩ A2 ) · · · P An  Aj  . (17)
    
    
j=1 j=1

Independencia de n eventos
A1 , A2 ,· · · , An son independientes si:

P (Ai ∩ Aj ) = P (Ai )P (Aj ), ∀i, j con i , j (18)

P (Ai ∩ Aj ∩ Ak ) = P (Ai )P (Aj )P (Ak ), ∀i, j, k con i , j , k (19)

•
 
\ n  Yn
P  Aj  = P (Aj ) (20)
 
 
j=1 j=1

Regla de Probabilidad Total

Si A1 , A2 , · · · , An cubren Ω y no se traslapan, decimos que forman una partición de Ω, es decir

n
[
Aj = Ω (21)
j=1

3
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

Ai ∩ Aj = ∅, i , j. (22)

Si A1 , A2 , · · · An forman una partición de Ω y B es cualquier evento, entonces

P (B) = P (B ∩ A1 ) + P (B ∩ A2 ) + · · · + P (B ∩ An )

= P (A1 )P (B|A1 ) + P (A2 )P (B|A2 ) + · · · + P (An )P (B|An ) (23)

Ejemplo: De una urna que contiene 5 bolas rojas, 6 blancas y 4 azules, se seleccionan 2 bolas al azar sin
remplazo. Calcular la probabilidad de que la segunda sea azul.
Ri : la i-ésima bola es roja
Bi : la i-ésima bola es blanca
Ai : la i-ésima bola es azul

Buscamos la probabilidad de A2

P (A2 ) = P (A2 ∩ R1 ) + P (A2 ∩ B1 ) + P (A2 ∩ A1 )

= P (R1 )P (A2 |R1 ) + P (B1 )P (A2 |B1 ) + P (A1 )P (A2 |A1 )

5 4 6 4 4 3
     
= + +
15 14 15 14 15 14

4(5 + 6 + 3) 4
= = (24)
15 · 14 15
Igual probabilidad de que la segunda sea azul en extracciones con remplazo.
En un modelo de urnas, las probabilidades totales son iguales con reemplazo que sin reemplazo.
Supongamos que se tienen n bolas tales que:
Se tienen n1 bolas de color 1
Se tienen n2 bolas de color 2
..
. Se tienen n bolas de color k
k

donde n = n1 + n2 + · · · + nk
Se hacen 2 extracciones y se busca la probabilidad de que la segunda tenga color 1

Con remplazo:
Como la configuración de la urna no cambia después de la primera extracción

n1 n
P (2a color1) = = 1 (25)
n1 + n2 + · · · + nk n

Sin remplazo:
j
Sea Ci : la i-ésima bola extraı́da de color j
Sea la partición C11 , C12 , · · · , C1k
Se busca la probabilidad P (C21 )

P (C21 ) = P (C21 ∩ C11 ) + P (C21 ∩ C12 ) + · · · + P (C21 ∩ C1k )

= P (C11 )P (C21 |C11 ) + P (C12 )P (C21 |C12 ) + · · · + P (C1k )P (C21 |C1k )

4
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

n1 n1 − 1 n n1 n n1
     
= + 2 + ··· + k
n n−1 n n−1 n n−1

n1 (n1 − 1 + n2 + · · · + nk )
=
n(n − 1)

n1 (n1 + n2 + · + nk − 1) n1 (n − 1)
= =
n(n − 1) n(n − 1)

n1
= (26)
n

Ejercicio: Una urna contiene 3 bolas numeradas del 1 al 3. Se extraen las bolas sin remplazo de 1 en 1 hasta
sacarlas todas.
j
Sea Ni : la i-ésima bola tiene el numero j
Calcular las probabilidades P (N11 ), P (N22 ), P (N33 )

1
P (N11 ) = (27)
3

P (N22 ) = P (N22 ∩ N11 ) + P (N22 ∩ N12 ) + P (N22 ∩ N13 )

= P (N11 )P (N22 |N11 ) + P (N13 )P (N22 |N13 )

1 1 1 1 1
   
= + = (28)
3 2 3 2 3

P (N33 ) = P (N33 ∩ N11 ∩ N22 ) + P (N33 ∩ N12 ∩ N21 )

= P (N11 ∩ N22 )P (N33 |N11 ∩ N22 ) + P (N12 ∩ N21 )P (N33 |N12 ∩ N22 )

= P (N11 )P (N22 |N11 )P (N33 |N11 ∩ N22 ) + P (N12 )P (N21 |N12 )P (N33 |N12 ∩ N22 )

1 1 1 1 1
   
= (1) + (1) = (29)
3 2 3 2 3

Regla de Probabilidad Total

Sea A1 , A2 , · · · , An una partición de Ω y B cualquier evento

n
X
P (B) = P (Aj )P (B|Aj ) (30)
j=1

En un modelo de urnas las probabilidades totales son iguales con reemplazo que sin reemplazo.
Ejemplo: Se tienen 3 muebles cada uno con 2 cajones y una moneda en cada cajón.
Se elige al azar un mueble y se abre un cajón después del otro.
Calcular la probabilidad de que en el segundo cajón haya una moneda de oro sabiendo que en el primero
hubo una de moneda de oro.
Se toma

5
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

Mueble Cajón 1 Cajón 2

1 Oro Oro
2 Plata Plata
3 Plata/Oro Oro/Plata

Mi : Se elige el mueble i.
O : j: en el j-ésimo cajón hay oro.
Entonces

P (O2 ∩ O1 ) P (M1 )
P (O2 |O1 ) = =
P (O1 ) P (O1 )

P (M1 )
=
P (M1 )P (O1 |M1 ) + P (M3 )P (O1 |M3 )

1 1 1
3 3 3 2
=  = 3
= 1
=
1
(1) + 1 1
6 2
3
3 3 2

Regla de Bayes:
Sea A1 , A2 , · · · , An una partición de Ω y B cualquier evento con P (B) > 0

P (Aj )P (B|Aj )
P (Aj |B) = Pn (31)
i=1 P (Ai )P (B|Ai )

Ejemplo: Se hacen 2 extracciones sin reemplazo de una urna que contiene 5 bolas rojas, 6 bolas blancas
y 4 bolas azules.
Si se sabe que la 2da bola extraı́da fue azul. ¿ Cual es la probabilidad de que la primera haya sido azul?
Sea
Ri : la i-ésima bola es roja
Bi : la i-ésima bola es blanca
Ai : la i-ésima bola es azul
Se toma la partición R1 , B1 , A1 .
El evento conocido es A2

P (A1 ∩ A2 )
P (A1 |A2 ) =
P (A2 )

P (A1 )P (A2 |A1 )

=
P (A1 )P (A2 |A1 ) + P (R1 )P (A2 |R1 ) + P (B1 )P (A2 |B1 )

 
4 3
15 14
=      
4 3 5 4 6 4
15 14 + 15 14 + 15 14

 
4 3
14 15
= h i
4 3 5 6
14 15 + 15 + 15

 
3 3
15 15 3
=h i= 14
= (32)
3 5
+ 15 6
+ 15 15
14
15

6
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

Ejemplo: Se le aplica un tratamiento preventivo al 60 % de una población de pacientes, de las personas

que recibieron el tratamiento, 5 % contrajo la enfermedad y de las que no recibieron el tratamiento 20 %
contrajo la enfermedad.
Se selecciona un paciente al azar y se observa que contrajo la enfermedad. Calcular la probabilidad de
que no haya recibido el tratamiento
Sea:
E: se enferma
T : recibe el tratamiento

P (T c )P (E|T c )
P (T c |E) =
P (T )P (E|T ) + P (T c )P (E|T c )

(0.4)(0.2)
=
(0.6)(0.05) + (0.4)(0.2)

0.8 0.8
= = ≈ 0.727 (33)
0.3 + 0.8 1.1

2.0 Calculo de. Probabilidades

2.1 Reglas básicas de la probabilidad.

2.2 Técnicas de Conteo.
De una población de tamaño N , se elige una muestra de tamaño m.
¿Cuántas muestras distintas se pueden elegir?
Nota: Depende de la forma de muestreo.

1) Muestreo con orden y con reemplazo.

Se reincorpora a la población cada elemento seleccionado antes de elegir el siguiente y es distinto
(1, 5, · · · ) que (5, 1, · · · )
Ejemplo:

N N N N
z}|{ z}|{ z}|{ z}|{
|·| |·| | · | ··· | · |
|{z} |{z} |{z} |{z}
1◦ 2◦ 3◦ m−ésimo

⇒ N m muestras distintas (34)

Ejemplo: Se eligen al azar 3 dı́gitos en orden del conjunto {1, 3, 4, 5, 7, 8} y se forma un numero d 3
dı́gitos.
a)¿Cuántos números distintos se pueden formar?

6 6 6
z}|{ z}|{ z}|{
|·| |·| |·|
|{z} |{z} |{z}
1◦ 2◦ 3◦

⇒ 63 = 216 N úmeros distintos. (35)

b)¿Cuántos números de ellos son pares?

7
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

6 6 2
z}|{ z}|{ z}|{
|·| |·| |·|
|{z} |{z} |{z}
1◦ 2◦ 3◦

⇒ 62 · 2 = 72 N úmeros pares distintos. (36)

c)¿Cuántos números son mayores que 599?

2 6 6
z}|{ z}|{ z}|{
|·| |·| |·|
|{z} |{z} |{z}
1◦ 2◦ 3◦

⇒ 2 · 62 = 72 N úmeros distintos > 599. (37)

2) Muestreo con orden y sin reemplazo.

No se reincorporan los elementos elegidos y se considera el orden
Ejemplo:

N N −1 N −2 N −(m−1)
z}|{ z}|{ z}|{ z}|{
|·| |·| | · | ··· | · |
|{z} |{z} |{z} | {z }
1◦ 2◦ 3◦ m−ésimo

⇒ N (N − 1)(N − 2) · · · [N − (m − 1)]

= N (N − 1)(N − 2) · · · (N − m + 1)

(N − m)!
= N (N − 1)(N − 2) · · · (N − m + 1)
(N − m)!

N!
= muestras distintas (38)
(N − m)!

Ejemplo: ¿De cuántas formas se pueden acomodar 7 personas y 7 sillas en hileras?

7 6 5 4 3 2 1
z}|{ z}|{ z}|{ z}|{ z}|{ z}|{ z}|{
|·| |·| |·| |·| |·| |·| |·|
|{z} |{z} |{z} |{z} |{z} |{z} |{z}
1◦ 2◦ 3◦ 4◦ 5◦ 6◦ 7◦

⇒ 7! = 5040 f ormas distintas (39)

¿De cuentas formas si las sillas están en circulo?

Nota: Si fueran 3 personas los siguientes arreglos serian los mismos vistos desde diferentes lados
los 3 arreglos anteriores corresponderı́an a

3!
= 2!
3
o lo que es lo mismo, se fija uno de los arreglos y se toma en cuenta los arreglos restantes.

8
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

regresando a nuestro problema con 7 personas y 7 sillas acomodadas en circulo, se tendrı́an

7!
= 6! = 720 f ormas distintas. (40)
7
El ejemplo anterior es un caso particular donde N = m, entonces el número de muestras distintas es

N!
= N! (41)
(N − m)!

Notación:
Para N , m

m
ON : Ordenaciones de N elementos
tomados de m en m
N Pm : T ecla en la calculadora
(m)N : N otaci ón en libros

Para N = m

PN = Pm : P ermutaciones de N elementos

3) Muestreo sin remplazo y sin orden.

Se eligen subconjuntos de tamaño m.
Ejemplo
N = 4, m = 3, Población = {a, b, c, d}

Con orden Sin orden

sin remplazo sin remplazo
(a,b,c)
(a,c,b)
(b,a,c)
(b,c,a) {a,b,c}
(c,a,b)
(c,b,a)
Todas las
permutaciones
3!

Número de subconjuntos

4!
= 4. (42)
3!1!
En general hay

N!
muestras sin orden y sin remplazo (43)
m!(N − m)!

Notación:

9
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

Con orden Sin orden

sin remplazo sin remplazo
(a,b,d)
(a,d,b)
(b,a,d)
(b,d,a) {a,b,d}
(d,a,b)
(d,b,a)
Todas las
permutaciones
3!

!
N N! m
= = CN (44)
m m!(N − m)!

m
CN : Combinaci ón de N elementos
tomados de m en m
N Cm : T ecla en la calculadora

Casos Particulares:
Subpoblaciones
La población esta subdividida en k poblaciones de tamaño N1 , N2 , N3 , · · · , Nk con

N1 + N2 + N3 + · · · + Nk = N (45)

Se elige una muestra que incluye:

m1 elementos de la subpoblación 1
m2 elementos de la subpoblación 2
m3 elementos de la subpoblación 3
..
.
mk elementos de la subpoblación k

con

m1 + m2 + m3 + · · · + mk = m (46)

entonces el numero de muestras distintas es

! ! ! !
N1 N2 N3 N
··· k (47)
m1 m2 m3 mk

Técnicas de Conteo

P oblaci ón → N

Muestra → m

1) Con orden y con reemplazo

N m muestras distintos. (48)

10
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

2) Con orden y sin reemplazo

m N!
(m)N = ON = N Pm = muestras distintas. (49)
(N − m)!

Caso particular: Permutaciones

N = m, PN = N !. (50)

3) Sin orden y sin reemplazo

!
N m N!
= CN = N Cm = muestras distintas. (51)
m m!(N − m)!

Caso particular 1: Subpoblaciones

Subpoblaci ón 1 → N1
Subpoblaci ón 2 → N2
Subpoblaci ón 3 → N3
..
.
Subpoblaci ón k → Nk

Muestra: mi de la subpoblación i ∈ {1, 2, 3, · · · , k}, con

m1 + m2 + m3 + · · · mk = m (52)

! ! ! !
N1 N2 N3 Nk
··· (53)
m1 m2 m3 mk

Ejemplo:
Se forma un comité de 5 personas elegidos de un grupo integrado por 7 hombres y 8 mujeres.

• ¿De cuántas formas se puede integrar el comité?

!
15 15! 15!
= = = 3003 f ormas distintas. (54)
5 5!(15 − 5)! 5! · 10!

• ¿Cuántos comités con 3 mujeres se pueden formar?

! ! " #" #
8 7 8! 7!
=
3 2 3!(8 − 3)! 2!(7 − 2)!

8! 7!
  
=
3! · 5! 2! · 5!

= [56] [21] = 1176 comit és dif erentes (54)

• ¿Cuántos comités que tengan al menos una mujer se pueden formar?

11
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

Se toman todos los comités posibles menos todos los comités formados por hombres

! !
15 7 15! 7!
− = −
5 5 5!(15 − 5)! 5!(7 − 5)!

15! 7!
= −
5! · 10! 5! · 2!

= 3003 − 21 = 2982 comit és dif erentes

Caso particular 2: Submuestras de una Población

Se elige una muestra formada por k submuestras elegidas una por una.
De los N elementos de la población se eligen m1 , de los N − m1 elementos se eligen m2 y ası́ sucesiva-
mente, donde:

m1 + m2 + m3 + · · · mk = N

entonces

! ! ! !
N N − m1 N − (m1 + m2 ) N − (m1 + m2 + m3 + · · · + mk−1 )
···
m1 m2 m3 mk

! ! ! !
N N − m1 N − (m1 + m2 ) mk
= ···
m1 m2 m3 mk

" #" #" # " #

N! (N − m1 )! (N − (m1 + m2 ))! mk !
= ···
m1 !(N − m1 )! m2 !(N − (m1 + m2 ))! m3 !(N − (m1 + m2 + m3 ))! mk !

N!
= (55)
m1 ! · m2 ! · m3 ! · · · mk !

Ejemplo: Se quieren formar 3 grupos de 5 niños, cada uno a partir de una población de 15 niños. ¿ De
cuántas formas se pueden hacer los grupos?

! ! !
15 15 − 5 15 − (5 + 5)
5 5 5

! ! !
15 10 5
=
5 5 5

15!
= (56)
5! · 5! · 5!

= 756, 756 f ormas dif erentes.

4) Con remplazo y sin orden

Ejemplo: Suponemos N = m = 3 y una población = {1, 2, 3}

• En los arreglos se tienen 5 lugares con 2 lineas

!
5 5! 5!
= = = 10 muestras distintas
2 2!(5 − 2)! 2! · 3!

12
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

Número Muestras 1 2 3 Arreglos

1 1 1 1 X X X X X X | |
2 1 1 2 X X X X X | X |
3 1 1 3 X X X X X | | X
4 1 2 2 X X X X | X X |
5 1 2 3 X X X X | X | X
6 1 3 3 X X X X | | X X
7 2 2 2 X X X | X X X |
8 2 2 3 X X X | X X | X
9 2 3 3 X X X | X | X X
10 3 3 3 X X X | | X X X

• En los arreglos se tienen 5 lugares con 3 flechas

!
5 5! 5!
= = = 10 muestras distintas
3 3!(5 − 3)! 3! · 2!

En general tomando

Lineas → N − 1

P alomas → m

se tienen

! !
(N − 1) + m N +m−1
= muestras distintas (55)
m m

Ejemplo: En una caja se colocan 4 tarjetas con los números 1, 14, 27 y 30.
Se eligen 3 tarjetas al azar con reemplazo y se suman los números obtenidos. ¿ Cuántas sumas distintas
se pueden tener?
Como N = 4 y m = 3, entonces

! ! !
N +m−1 4+3−1 6
= =
m 3 3

6! 6!
= =
3!(6 − 3)! 3! · 3!

= 20 sumas distintas. (56)

Muestras de una población ←→ Modelo de urnas:

N bolas numeradas y se extraen m.
Otro tipo de planteamiento: Colocar fichas al azar en cajas.

Muestreo Colocación
(Urnas) (Fichas)
¿De cuántas formas se puede ¿En cuántas cajas puede
elegir la i-ésima bola? caer la j-ésima ficha?

13
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

Ejemplo de colocación:
Un elevador lleva 2 personas y hace parada en 3 pisos.

i) ¿De cuántas formas distintas se pueden bajar los pasajeros?

Cada pasajero se puede bajar en cada uno de los pisos, lo que da 3 opciones por pasajero

3 · 3 = 32 = 9 f ormas distintas (57)

ii) ¿Cuántas formas hay de que bajen en pisos diferentes?

El primer pasajero tiene 3 opciones para bajar, pero el segundo solo dispone de 2, ya que no se
puede bajar en el mismo piso que el primero

3 · 2 = 6 f ormas distintas (58)

iii) ¿Cuántas formas hay de que bajen en pisos diferentes si además se sabe que uno baja en el primer
piso?
Si el primer pasajero baja en el primer piso entonces al segundo pasajero solo le quedan dos opciones
diferentes, mientras que si el segundo pasajero baja en el primer piso al primer pasajero solo le
quedan dos opciones diferentes, entonces

1 · 2 + 2 · 1 = 4 f ormas distintas (59)

Tema 3: Variables Aleatorias

La construcción de variables aleatorias (v.a. ’s) resuelven dos problemas

i) Concentrar la atención en un tipo de eventos, es decir, es una caracterı́stica de los resultados del experi-
mentos
ii) llevan Ω a R y permiten construir funciones de probabilidad de R en R

Ejemplo:

1.1) Se lanzan 2 dados regulares cúbicos con valores del 1 al 6. Sea x la v.a. que indica la suma de los números
obtenidos, es decir x : Ω → R dada por

x(a, b) = a + b (60)

Como x(a, b) = a + b, entonces x ∈ {2, 3, 4, · · · , 12}

Una función de probabilidad posible para x es f : R → R dada por

fX (x) = P [X = x] (61)

esta función toma los siguientes valores

x 2 3 4 5 6 7 8 9 10 11 12
(1, 6)
(1, 5) (2, 6)
(1, 4) (2, 5) (3, 6)
(1, 3) (2, 4) (3, 5) (4, 6)
Elementos (1, 2) (2, 3) (3, 4) (4, 5) (5, 6)
(1, 1) (2, 2) (3, 3) (4, 4) (5, 5) (6, 6)
de Ω (2, 1) (3, 2) (4, 3) (5, 4) (6, 5)
(3, 1) (4, 2) (5, 3) (6, 4)
(4, 1) (5, 2) (6, 3)
(5, 1) (6, 2)
(6, 1)
1 2 3 4 5 6 5 4 3 2 1
P [X = x]
36 36 36 36 36 36 36 36 36 36 36

14
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

1.2) Se lanzan 2 dados regulares cúbicos con valores del 1 al 6. Sea x la v.a. que indica la diferencia absoluta
de los números obtenidos, es decir y : Ω → R dada por

y(a, b) = |a − b| (62)

Como y(a, b) = a + b, entonces y ∈ {0, 1, 2, 3, 4, 5}

Una función de probabilidad posible para y es f : R → R dada por

fY (y) = P [Y = y] (63)

esta función toma los siguientes valores

y 0 1 2 3 4 5
(1, 2)
(2, 3) (1, 3)
(1, 1) (3, 4) (2, 4) (1, 4)
(2, 2) (4, 5) (3, 5) (2, 5) (1, 5)
Elementos (3, 3) (5, 6) (4, 6) (3, 6) (2, 6) (1, 6)
de Ω (4, 4) (6, 5) (6, 4) (6, 3) (6, 2) (6, 1)
(5, 5) (5, 4) (5, 3) (5, 2) (5, 1)
(6, 6) (4, 3) (4, 2) (4, 1)
(3, 2) (3, 1)
(2, 1)
6 10 8 6 4 2
P [Y = y]
36 36 36 36 36 36

1.3. 04
2) Se lanza un dardo sobre un blanco circular de 30 cm de radio. Supongamos que da en el blanco u obser-
vamos el punto de contacto
Entonces

n  o
Ω = (x, y)x2 + y 2 ≤ 302 (64)

Sea X la variable aleatoria que indica la distancia del punto al centro

X:Ω→R

p
X(x, y) = x2 + y 2
(65)
X ∈ (0, 30]

• Si tomamos la función de probabilidad f : R → R

fX (x) = P [X = x] (66)

ya que X = x genera circunferencias de radio x, se tienen regiones de área cero, entonces

fX (x) = 0

por lo que esta función no aporta ninguna información

15
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

• Tomando la función de probabilidad F : R → R

FX (x) = P [X ≤ x] (67)

ya que X ≤ x genera cı́rculos de radio x, se tienen regiones de área diferente de cero, entonces

FX (x) , 0

entonces la función de probabilidad es

0 si x<0



 !2
 x


FX (x) =  si 0 ≤ x ≤ 30 (68)



 30
1 si x ≥ 30


Esta función también funciona para el caso del ejemplo 1.2)

1.2) Se lanzan 2 dados regulares cúbicos con valores del 1 al 6. Sea y la v.a. que indica la diferencia
absoluta de los números obtenidos, es decir y : Ω → R dada por

y(a, b) = |a − b| (69)

Como y(a, b) = a + b, entonces y ∈ {0, 1, 2, 3, 4, 5}

Una función de probabilidad posible para y es f : R → R dada por

fY (y) = P [Y ≤ y] (70)

esta función toma los siguientes valores

y y≤0 0≤y≤1 1≤y≤2 2≤y≤3 3≤y≤4 4≤y≤5 y≥5

6 16 24 30 34
P [Y ≤ y] 0 1
36 36 36 36 36

Definición: Una función X : Ω → R es una variable aleatoria si cumple que

{ω ∈ Ω|X(ω) ≤ x} ∈ A ∀x ∈ R (71)

en teorı́a de la medida X se llama una función medible o A-medible

Notación:

{ω ∈ Ω|X(ω) ≤ x} = [X ≤ x] = X −1 (−∞, x]

Ejemplo:
Sea Ω = {1, 2, 3, 4, 5, 6}. Tomemos la σ -álgebra generada por

(
Ω, ∅, {1, 2}, {5, 6}
A= (72)
{3, 4, 5, 6} {1, 2, 3, 4} {3, 4} {1, 2, 5, 6}

definimos la función X : Ω → R

16
U.N.A.M Fenómenos Colectivos Facultad de Ciencias




−π si x ∈ (1, 2)
X(ω) =  0 si x ∈ (3, 4) (73)


π si x ∈ (5, 6)


¿Es X una v.a. en (Ω, A)?

Por demostrar que

{ω ∈ Ω|X(ω) ≤ x} ∈ A (74)

| | |
−π 0 π

• Si x ≤ −π

[X ≤ x] = {ω ∈ Ω|X(ω) ≤ x} = ∅ ∈ A

• Si −π ≤ x ≤ 0

[X ≤ x] = {ω ∈ Ω|X(ω) ≤ x} = {1, 2} ∈ A

• Si 0 ≤ x ≤ π

[X ≤ x] = {ω ∈ Ω|X(ω) ≤ x} = {1, 2, 3, 4} ∈ A

• Si x ≥ π

[X ≤ x] = {ω ∈ Ω|X(ω) ≤ x} = Ω ∈ A

por lo tanto X una v.a. en (Ω, A)

X : Ω → R es una variable aleatoria si

{ω ∈ Ω|X(ω) ≤ x} ∈ A ∀x ∈ R (75)

1) Ejemplo: Sean

Ω = {1, 2, 3, 4, 5, 6} (76)

(
Ω, ∅, {1, 2}, {5, 6}
A= (77)
{3, 4, 5, 6}, {1, 2, 3, 4}, {1, 2, 5, 6}, {3, 4}

a) Sea




 −3 si x ∈ {5, 6}
X(ω) =  −2 si x ∈ {3, 4} (78)


−1 si x ∈ {1, 2}


| | |
−3 −2 −1

17
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

• Si x < −3

[X ≤ x] = {ω ∈ Ω|X(ω) ≤ x} = ∅ ∈ A

• Si −3 ≤ x < −2

[X ≤ x] = {ω ∈ Ω|X(ω) ≤ x} = {5, 6} ∈ A

• Si −2 ≤ x < −1

[X ≤ x] = {ω ∈ Ω|X(ω) ≤ x} = {3, 4, 5, 6} ∈ A

• Si x ≥ −1

[X ≤ x] = {ω ∈ Ω|X(ω) ≤ x} = Ω ∈ A

∴ X(ω) es variable aleatoria en (Ω, A)

b) Sea




 −5 si y ∈ {1, 2}
Y (ω) =  0 si y ∈ {3} (79)


 5 si

y ∈ {4, 5, 6}

| | |
−5 0 5

• Si y < −5

[Y ≤ y] = {ω ∈ Ω|Y (ω) ≤ y} = ∅ ∈ A

• Si −5 ≤ x < 0

[Y ≤ y] = {ω ∈ Ω|Y (ω) ≤ y} = {1, 2} ∈ A

• Si 0 ≤ x < 5

[Y ≤ y] = {ω ∈ Ω|Y (ω) ≤ y} = {1, 2, 3} < A

• Si y ≥ 5

[Y ≤ y] = {ω ∈ Ω|Y (ω) ≤ y} = Ω ∈ A

∴ Y (ω) no es variable aleatoria en (Ω, A)

Ejercicio
Sean

Ω = {a, b, c, d, e}

A es el σ -álgebra generada por {c, d, e} y {b, c}

18
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

entonces




 Ω, ∅, {c, d, e}, {b, c}

 {c}, {a, b}, {a, d, e}, {a, b, d, e}
A=

{a, b, c},
 {a, c, d, e}, {a, c}, {b, d, e}

 {a}, {b}, {d, e}, {b, c, d, e}


a) Sea




 −1 si ω ∈ {b, c}
X(ω) =  0 si ω ∈ {a}


−1 si

ω ∈ {d, e}

| | |
−1 0 1

• Si x < −1 ⇒ [X < x] = ∅ ∈ A
• Si −1 ≤ x < 0 ⇒ [X < x] = {b, c} ∈ A
• Si 0 ≤ x < 1 ⇒ [X < x] = {a, b, c} ∈ A
• Si x ≥ 1 ⇒ [X < x] = Ω ∈ A

∴ X(ω) es variable aleatoria en (A, Ω)

a) Sea

(
30 si ω ∈ {e}
Z(ω) =
80 si ω ∈ {a, b, c, d}

| |
30 80

• Si z < 30 ⇒ [Z < z] = ∅ ∈ A
• Si 30 ≤ z < 80 ⇒ [X < x] = {e} < A

∴ Z(ω) no es variable aleatoria en (A, Ω)

Observación:
Si Ω es numerable, y 2Ω es el conjunto potencia, entonces la función X : Ω → R es una variable aleatoria
en (Ω, A)
Definición:
Sea (Ω, A) un espacio medible. Una variable aleatoria es una función X : Ω → R tal que ∀x ∈ R

[X ≤ x] = {ω ∈ Ω|X(ω) ≤ x} ∈ A (80)

[X ≤ x] = X −1 ((−∞, x]) (81)

Ejemplo:
Sea Ω = {a, b, c, d} y A la σ -álgebra generada por {a} y {a, d}, construir una función que sea variable alea-
toria y una que no sea
Se tiene que

(
Ω, ∅, {a}, {a, d}
A=
{b, c, d}, {b, c}, {a, b, c}, {d}

19
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

•



−2 si ω ∈ {a}
X(ω) =  −1 si ω ∈ {d}


 0 si

ω ∈ {b, c}

∴ X(ω) es variable aleatoria en (A, Ω)

•



−2 si ω ∈ {a}
Y (ω) = −1 si ω ∈ {d}


 0 si

ω ∈ {d, c}

∴ Y (ω) no es variable aleatoria en (A, Ω)

1) Suponemos que X es una variable aleatoria y c ∈ R, entonces cX es una variable aleatoria

Si x es v.a. se tiene que ∀x ∈ R

X −1 ((−∞, x]) ∈ A(σ − álgebra) (82)

Por demostrar

(cX −1 )((−∞, x]) ∈ A ⇔ [cX ≤ x] ∈ A

" #
x
• Si c > 0, [cX ≤ x] ∈ A ⇒ X ≤ ∈ A
c
" #  !c 
x  x 
• Si c < 0, [cX ≤ x] ∈ A ⇒ X ≥ =  X ≤  ∈ A
c c 
• Si c = 0, [cX ≤ x] = [0 ≤ x] ∈ A

∴ Una constante siempre es variable aleatoria

2) Si X es variable aleatoria ⇒ |X| es variable aleatoria .

Pero si |X| es variable aleatoria ; X sea variable aleatoria
Suponemos que X es variable aleatoria, sea x ∈ R
Por demostrar que

[|X| ≤ x] ∈ A (83)

• Si x ∈ (−∞, 0) ⇒ [|X| ≤ x] = ∅ ∈ A
• Si x ∈ [0, ∞) ⇒ [|X| ≤ x] = [−x ≤ X ≤ x] = [X ≥ −x] ∪ [X ≤ x]
donde

[X ≥ −x] = [(X ≤ −x)c ] ∈ A

[X ≤ x] ∈A

entonces

[|X| ≤ x] = [−x ≤ X ≤ x] = [X ≥ −x] ∪ [X ≤ x] ∈ A

∴ |X| es variable aleatoria

20
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

Función de distribución (acumulada)

FX : R → R (84)

dada por

FX (x) = P [X ≤ x] (85)

• Teorema Rezagado
a) Si A1 ⊆ A2 ⊆ Ae · · ·

 
[ ∞ 
lı́m P (An ) = P  Aj  (86)
 
n→∞  
j=1

b) Si A1 ⊇ A2 ⊇ Ae · · ·

 
\∞ 
lı́m P (An ) = P  Aj  (87)
 
n→∞  
j=1

Teorema:
Si FX es una función de distribución (acumulada) entonces

i) Fx es no decreciente y continua por la derecha

Demostración:
Sean x1 , x2 ∈ R, x1 < x2

FX (x1 ) = P [X ≤ x1 ] ≤ P [X ≤ x2 ] = FX (x2 ) (88)

porque

[X ≤ x1 ] ⊆ [X ≤ x2 ]

• Continua por la derecha

Sea x ∈ R y {xn } una sucesión decreciente de reales tal que

lı́m xn = x (89)
n→∞

[X ≤ x1 ] ⊇ [X ≤ x2 ] ⊇ [X ≤ x3 ] · · ·

∞
\
[X ≤ xj ] = [X ≤ x] (90)
j=1

del inciso b) del teorema rezagado

lı́m F(u) = lı́m F(xn ) = lı́m P [X ≤ xn ]

u→x+ n→∞ n→∞

 
\∞ 
= P  [X ≤ xn ] = P ([X ≤ x]) = FX (x) (91)
 
 
j=1

21
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

ii)

lı́m FX (x) = 0
x→−∞

Sea {xn } una sucesión decreciente de reales tal que

lı́m xn = −∞ (92)
n→∞

entonces

[X ≤ x1 ] ⊇ [X ≤ x2 ] ⊃ [X ≤ x3 ] · · ·

y además

∞
\
[X ≤ xj ] = ∅ (93)
j=1

usando el inciso b) del teorema rezagado

lı́m FX (x) = lı́m FX (xn ) = lı́m P [X ≤ xn ]

x→∞ n→∞ n→∞

 
\∞ 
= P  [X ≤ xj ] = P (∅) = 0 (94)
 
 
j=1

iii)

lı́m FX (x) = 1
x→∞

Sea {xn } una sucesión creciente de reales tal que

lı́m xn = ∞ (95)
n→∞

entonces

[X ≤ x1 ] ⊆ [X ≤ x2 ] ⊂ [X ≤ x3 ] · · ·

y además

∞
[
[X ≤ xj ] = Ω (96)
j=1

usando el inciso a) del teorema rezagado

lı́m FX (x) = lı́m FX (xn ) = lı́m P [X ≤ xn ]

x→∞ n→∞ n→∞

 
[ ∞ 
= P  [X ≤ xj ] = P (Ω) = 1 (97)
 
 
j=1

22
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

Sea la función

FX (x) = P [X ≤ x] (98)

Propiedades que la caracterizan

i) FX es no decreciente y continua por la derecha
ii)

lı́m FX (x) = 0 (99)

x→−∞

iii)

lı́m FX (x) = 1 (100)

x→∞

Otras propiedades
iv)

P [X < x] = lı́m− FX (u) (101)

u→x

v)

P [X = x] = FX (x) − lı́m− FX (u) (102)

u→x

FX condensa toda la información probabilı́stica de X

Clasificación de las variables aleatorias

1) Variables aleatorias discretas

Definimos X(y, FX ) es discreta si FX es escalonada.
Por ser FX no decreciente y con un rango en [0, 1] a lo más tiene un número numerable de puntos con
discontinuidades de salto

∴ X es discreta si ∃A = {x1 , x2 , x3 , · · · } numerable tal que P [X = xi ] > 0 ∀xi ∈ A y P [X ∈ A] = 1, en tal caso

decimos que X tomas valores en A

Si X es discreta se puede definir otra función de probabilidad:

fX : R → R dada por fX (x) = P [X = x]

fX : conocida como función de densidad de x o función de distribución de probabilidad de X o función

de masa de x
Propiedades que caracterizan a fX (x)

i) 0 ≤ fX (x) ≤ 1 ∀x ∈ R
Esto se cumple ya que fX (x) es una función de probabilidad
ii)
∞
X ∞
X
1 = P [X ∈ A] = P [X = xi ] = fX (xi ) (103)
i=1 i=1

Ejemplo:
Se seleccionan al azar y sin reemplazo 2 bolas de una urna que contiene N bolas numeradas del 1 al N .
X indica el máximo de los números obtenidos

23
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

a) Determinar fX (x)
X toma valores entre {2, 3, · · · , N }, entonces
o
x = 2 ⇒ Casos favorables: (1, 2), (2, 1) = 2(1)
)
(1, 3), (3, 1)
x = 3 ⇒ Casos favorables: = 2(2)
(2, 3), (3, 2)

(1, 4), (4, 1)

x = 4 ⇒ Casos favorables: (2, 4), (4, 2) = 2(3)


(3, 4), (4, 3)


..
.

acomodando los resultados anteriores en una tabla se obtiene

x 2 3 4 5 ··· N Otras x ∈ R
2(1) 2(2) 2(3) 2(4) 2(N − 1)
P [X = x] ··· 0
N (N − 1) N (N − 1) N (N − 1) N (N − 1) N (N − 1)

entonces la función de densidad se puede escribir como


 2(x − 1)
si x ∈ {2, 3, 4, · · · , N }


fX (x) =  (104)

 N (N − 1)
0 en otro caso



2) Calcular P [X > 2], P [X < N ] y FX (x) = P [X ≤ x] ∀x ∈ R

de la tabla del inciso anterior podemos escribir

x x<2 2≤x<3 3≤x<4 4≤x<5 ··· N −1 ≤ x ≤ N x≥N

2 6 12 2
P [X = x] 0 ··· 1+ 1
N (N − 1) N (N − 1) N (N − 1) N

a) Variables Aleatorias Discretas

X toma valores en un conjunto

A = {x1 , x2 , x3 , · · · , } (105)

tiene otra función de probabilidad

fX : R → R (106)

dada por

fX (x) = P [X = x] (107)

Propiedades que caracterizan a fX (x)

i)

0 ≤ fX (x) ≤ 1 (108)

24
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

ii)
X
fX (xi ) = 1 (109)
xi ∈A

Con

X
FX (x) = fX (xi ) (110)
xi ≤X

relación entre FX (x) y fX (x) para X discreta

Ejemplo:
Sea



 c


 2x
 si x ∈ {1, 2, 3, · · · , N }
fX (x) = 
 (111)


0

en otro caso

sabemos que

N
X c
1 = FX (x) = (112)
2x
i=1

Sea

N
X 1 1 1 1 1
SN = = + + + ··· + N
2x 2 22 23 2
i=1

entonces

N
1 1X 1 1 1 1 1
SN = x
= 2 + 3 + 4 + · · · + N +1
2 2 2 2 2 2 2
i=1

1 1 1
⇒ SN − SN = − N +1 (113)
2 2 2

1 1 1 1
− N +1 − N +1
SN = 2 2 = 2 2 (114)
1 1
1−
2 2

1
= 1− (115)
2N
entonces

2N − 1
! !
1
1 = c 1− =c
2N 2N

2N
!
∴c= (116)
2N − 1

25
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

Variables Aleatorias Continuas

FX (x) es debe ser continuas en todo R
X es absolutamente continua si FX es continua y existe fX integrable no negativa tal que

Z x
FX (x) = fX (u)du (117)
−∞

FX se puede escribir como la integral impropia de la derivada de su propia derivada, en tal caso fX es
densidad de X si

i)

fX (x) ≤ 1 (118)

ii)
Z ∞
fX (x)dx = 1 (119)
−∞

Si X es absolutamente continuas

Z b Z a Z b
P [a < x ≤ b] = fX (u)du − fX (u)du = fX (u)du (120)
−∞ −∞ a

Para un A ∈ R más general, por ejemplo en una unión de intervalos

Z
P [X ∈ A] = fX (x)dx (121)
A

Observaciones

1) Para X absolutamente continua, fX no es única porque hay una infinidad de f ’s que tienen la misma
integral
2) Una posible fX se obtiene por



 d
 dxFX (x) donde este def inida



fX (x) = 
 (122)


0 en otro caso



3) Si X solo tiene valores en un intervalo [a, b] ó (a, b) la existencia de fX la garantiza el teorema funda-
mental del calculo (T.F.C.)

Z x
FX (x) = fX (u)du (123)
a

1) Variables Aleatorias Discretas

• FX es escalonada
• X toma valores en un conjunto A numerable
• La función de densidad fX : R → R esta dada por

fX (x) = P [X = x] (124)

2) Variables Aleatorias Continuas

26
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

• FX es continua

• X es absolutamente continua si

Z ∞
FX (x) = fX (u)dy (125)
−∞

• La función de densidad fX : R → R esta dada por



 d
 dxFX (x) si esta def inida



fX (x) = 
 (126)


0 e.o.c.



Ejemplo:
Sea X variable aleatoria con función de densidad

(
λe−λx si x>0
fX (x) =
0 e.o.c.

a) Comprobar que fX (x) es función de densidad paraR λ > 0

∞
Como fX (x) es continua, basta con demostrar que −∞ fX (x)dx = 1 para que sea función de densidad,
entonces

Z ∞ Z ∞ ∞
f (x)dx = λe−λx dx = −e−λx  = −[0 − 1] = 1 (127)
−∞ 0 0

∴ fX (x) es función de densidad

b) Calcular las siguientes probabilidades
•
Z 5 5
P [1 ≤ x ≤ 5] = λe−λx dx = −e−λx  = −[e−5λ − e−λ ] = e−λ − e−5λ
1 1

•
Z 2 2
P [x ≥ 2] = 1 − P[ x ≤ 2] = 1 − λe−λx = 1 + e−λx 
0 −∞

= 1 + [e−2λ − 1] = e−2λ

P [x < 1 o x ≥ 7] = P [x < 1] + P [x ≥ 7] = P [x ≤ 1] + (1 − P [x ≤ 7])

Z 1 Z 7 !
−λx −λx
= λe dx + 1 − λe dx
0 0

1  7 
= −e−λx  + 1 + e−λx 
0 0

 
= −[e−λ − 1] + 1 + [e−7λx − 1]

1 − e−λ + e7λ

27
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

c) Determinar FX (x)

Z x x
FX (x) = λe−λx dx = −eλx  = −[e−λx − 1] = 1 − e−λx
0 0

entonces

(
1 − e−λx si x>0
FX (x) =
0 si x≤0

Ejemplo:
Sea X una variable aleatoria con función de distribución dada por

ex
FX (x) =
1 + ex
a) Determinar la función de densidad

d (1 + ex )ex − ex (ex ) ex
fX = FX = =
dx (1 + ex )2 (1 + ex )2

b Calcular P [1 ≤ x ≤ 3]

3 3 ex
Z Z
P [1 ≤ x ≤ 3] = fX (x)dx = dx
1 1 (1 + ex )2

" #
1 3 1 1
=−  =−
 −
1 + ex 1 1 + e 1 + e3

1 1
= −
1 + e3 1+e

3) Variables Aleatorias Mixtas

X es una variable aleatoria si no es discreta o continua

Sea X una variable aleatoria continua con función de densidad

(
2x si x ∈ (0, 1)
fX (x) = (128)
0 e.o.c.

calcular la función de densidad para

• Y = 3X + 1
Como X ∈ (0, 1) ⇒ Y ∈ (1, 4), entonces

# " !
y −1 y −1
FY (y) = P [Y ≤ y] = P [3X + 1 ≤ y] = P X ≤ = FX
3 3

usando la regla de la cadena se tiene

! ! !
d d y −1 y −1 1
fY (y) = Fy (y) = FX = fX
dy dy 3 3 3

28
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

!
1 y −1 2
= ·2 = (y − 1)
3 3 9

entonces


 2
 9(y − 1) si x ∈ (1, 4)




fY (y) = 
 (129)


 0

e.o.c.

• Z = e−X
Como X ∈ (0, 1) ⇒ Y ∈ (e−1 , 1), entonces

FZ (z) = P [Z ≤ z] = P [e−X ≤ z] = P [−X ≤ ln(z)] = P [X ≥ − ln(z)]

= 1 − P [x ≤ − ln(z)] = 1 − FX (− ln(z))

usando la regla de la cadena se tiene

d d d
fZ (z) = F (z) = [1 − FX (− ln(z))] = − FX (− ln(z))
dz Z dz dz

  1 2
1
= −fX (− ln(z)) − = 2(− ln(z)) = − ln(z)
z z z
entonces


 2
z ∈ (e−1 , 1)

− z ln(z) si



fZ (z) = 
 (130)


 0

e.o.c.
!2
1
• W = X−
2
!
1
Como X ∈ (0, 1) ⇒ W = 0, , entonces
4
 !2  "  #
 1   1  √
FW (w) = P [W ≤ w] = P  X − ≤ w = P X −  ≤ w
2  2

" # " #
√ 1 √ 1 √ 1 √
=P − w≤X− ≤ w =P − w≤X≤ + w
2 2 2

! !
1 √ 1 √
= FX + w − FX − w
2 2

usando la regla de la cadena se tiene

" ! !#
d d 1 √ 1 √
fW (w) = F (w) = F + w − FX − w
dw W dz X 2 2

! ! ! !
1 √ 1 1 √ 1
= fX + w √ − fX − w − √
2 2 w 2 2 w

29
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

" ! !#
1 1 √ 1 √
= √ fX + w + fX − w
2 w 2 2

" ! !#
1 1 √ 1 √
= √ 2 + w +2 − w
2 w 2 2

1 1
= √ [2] = √
2 w w

entonces

!
1 1


si w ∈ 0,


w 4


fW (w) = 
 (131)



0 e.o.c.

Formalizando
Sea g : R → R y X una variable aleatoria y sea Y = g(X) una nueva variable aleatoria, supongamos que
conocemos fX y buscamos fY ,

• Si g es invertible

FY (y) = P [Y ≤ y] = P [g(X) ≤ y] = P [X ≤ g −1 (y)] = FX (g −1 (y))

FY (y) = FX (g −1 (y)) (132)

entonces

d d d
fY (y) = F (y) = F (g −1 (y)) = fX (g −1 (y)) g −1 (y)
dy Y dy X dy

!
d −1
fY (y) = g (y) fX (g −1 (y)) (133)
dy

• Si g no es invertible
Se debe buscar una forma de escribir

FY (y) = P [Y ≤ y] = P [g(X) ≤ y] (134)

en termino de FX y luego derivar

Esperanza, varianza y momentos de una variable aleatoria

Supongamos X una v.a. que toma valores en

A = {x1 , x2 , x3 , · · · , xn } (135)

se repite n veces el experimento y se obtiene

n1 veces el valor de x1
n2 veces el valor de x2
n3 veces el valor de x3
..
.
nk veces el valor de xk

30
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

con

n1 + n2 + n3 + · · · + nk = n (136)

entonces el promedio de los resultados obtenidos es

n 1 x1 + n 2 x2 + n 3 x3 + · · · + n k xk
n1 + n2 + n3 + · · · + nk

n1 n n n
       
= x1 + 2 x2 + 3 x3 + · · · + k xk (137)
n n n n

la expresión anterior es la definición de frecuencia de probabilidad

Esperanza

E(x) : x1 P [X = x1 ] + x2 P [X = x2 ] + x3 P [X = x3 ] + · · · + xk P [X = xk ] (138)

Sea X una v.a. que toma valores en

{x1 , x2 , x3 , · · · , xk , · · · } (139)

entonces la esperanza de X esta dada por

∞
X ∞
X
E(x) = xi P [X = xi ] = xi fX (xi ) (140)
i=1 i=1

siempre y cuando

∞
X
|xi |fX (xi ) < ∞ (141)
i=1

Si X es absolutamente continua

Z ∞
E(x) = xfX (x)dx (142)
−∞

siempre y cuando

Z ∞
|x|fX (x)dx < ∞ (143)
−∞

Ejemplo:
Se lanzan 2 dados regulares, sea X la diferencia absoluta de los resultados que se obtiene, entonces

x 0 1 2 3 4 5 e.o.c.
6 10 8 6 4 2
P [X = x] 0
36 36 36 36 36 36

La esperanza de X es

31
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

! ! ! ! ! !
6 10 8 6 4 2
E(x) = 0 +1 +2 +3 +4 +5
36 36 36 36 36 36

1 70
= [0 + 10 + 16 + 18 + 16 + 10] =
36 36

35
E(x) = (144)
18

1.4. 05
Dispersión de los valores que toma una variable aleatoria respecto a

µ = E(x) (145)

Definición: Si X tiene esperanza finita definimos su varianza como

 P∞
(xi − E(x))2 fX (xi ) si X es discreta
 i



V ar(x) =  (146)
 ∞ (x − E(x))2 fX (x)dx
 R
si X es absolutamente continua

−∞

Es decir

h i
V ar(x) = E (x − E(x))2 (147)

Si ocurre que la función E[(x − u)2 ] alcanza su mı́nimo cuando u = E(x)

Problema:
Se cambia de la unidad u de la variable aleatoria a la unidad u 2
Para valores de la variable aleatoria muy lejanos a E(x), (x − E(x))2 es mucho mas grande que |x − E(x)|
Definición: La desviación estándar de X es

p
DE(x) = V ar(x) (148)

esta es una buena medida de la dispersión respecto a E(x)

Ejemplo:
1) Calcular la desviación estándar de la diferencia absoluta de los resultados de lanzar dos dedos regulares

x 0 1 2 3 4 5
6 10 8 6 4 2
P [X = x]
36 36 36 36 36 36

con

70
E(x) = (149)
36

entonces

32
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

!2 ! !2 ! !2 !
70 6 70 10 70 8
V ar(x) = 0 − + 1− + 2−
36 36 36 36 36 36

!2 ! !2 ! !2 !
70 6 70 4 70 2
+ 3− + 4− + 5−
36 36 36 36 36 36

∴ V ar(x) = 2.05 (150)

entonces

√
DE(x) = 2.05 = 1.43 (151)

2) Sea X la v.a. con densidad

(
2x si x ∈ (0, 1)
fX (x) = (152)
0 e.o.c.

entonces

Z ∞ Z 1 2
E(x) = xfX (x)dx = x(2x)dx = (153)
−∞ 0 3

1 !2 Z1 !
2 2 4 4
Z
V ar(x) = x− (2x)dx = x − x + (2x)dx
0 3 0 3 9

Z 1 8 2 8
!
2 8 4 1
3
= 2x − x + x dx = − + = (154)
0 3 9 4 9 9 18

r
1 1
DE(x) = < (155)
18 4

Notación

V ar(x) = σx2 ⇒ DE(x) = σx (156)

Proposición:
Si X tiene varianza finita, entonces

V ar(X) = E(X 2 ) − E 2 (X) (157)

Demostración:
Por definición

h i
V ar(X) = E (X − E(X))2

33
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

h i
= E X 2 − 2XE(X) + E 2 (X)

= E(X 2 ) − 2E(X)E(X) + E 2 (X)

= E(X 2 ) − E 2 (X)

∴ V ar(X) = E(X 2 ) − E 2 (X) (158)

Proposición:
La varianza de una constante es cero
Demostración:
Sea X tal que P [X = c] = 1. Sabemos que

E(X) = cP [X = c] = c (159)

entonces

V ar(X) = E(X 2 ) − E 2 (X) = c2 P [X = c] − c2

∴ V ar(X) = c2 − c2 = 0 (160)

Proposición:
La varianza saca constantes al cuadrado
Demostración:

V ar(cX) = E((cX)2 ) − E 2 (cX) = E(c2 X 2 ) − E 2 (cX)

h i
= c2 E(X 2 ) − c2 E 2 (x) = c2 E(X 2 ) − E 2 (X)

∴ V ar(cX) = c2 V ar(X) (161)

Proposición:
La varianza de la suma no es la suma de las varianzas amenos que las variables sean independientes
Proposición:

V ar(X + Y ) = E((X + Y )2 ) − E 2 (X + Y )
h i
= E(X 2 ) + 2E(XY ) + E(Y 2 ) − E 2 (X) + 2E(X)E(Y ) + E 2 (Y )

h i h i
= E(X 2 ) − E 2 (X) + E(Y 2 ) − E 2 (Y ) + 2 [E(XY ) − E(X)(Y )]

∴ V ar(X + Y ) = V ar(X) + V ar(Y ) + 2 [E(XY ) − E(X)(Y )] (162)

Si las variables son independientes

E(XY ) = E(X)E(Y ) (163)

∴ V ar(X + Y ) = V ar(X) + V ar(Y ) (164)

34
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

Ejercicio:
Sean

1
E(X) = −3, E(X 2 ) = 10, E(XY ) = (165)
2
E(Y ) = −1, E(Y 2 ) = 4

calcular
1) V ar (X − Y )
entonces

V ar(X − Y ) = V ar(X + (−Y ))

= V ar(X) + V ar(−Y ) + 2 [E(X(−Y )) − E(X)E(−Y )]

= V ar(X) + V ar(Y ) + 2 [−E(XY ) + E(X)E(Y )]

h i h i
= E(X 2 ) − E 2 (X) + E(Y 2 ) − E 2 (Y ) + 2 [−E(XY ) + E(X)E(Y )]

" #
h i h i 1
= 10 − (−3)2 + 4 − (−1)2 + 2 − + (−3)(−1)
2

" #
5
= 1+3+2
2

∴ V ar(X − Y ) = 9 (166)
!
1
2) V ar 3X −
4
entonces

! !!
1 1
V ar 3X − = V ar 3X + −
4 4

! " !! !#
1 1 1
= V ar(3X) + V ar − + 2 E 3X − − E(3X)E −
4 4 4

" ! ! #
1 3 3
= 9V ar(X) + V ar (1) + 2 − E (X) − − E(X)
16 4 4

h i
= 9V ar(X) = 9 E(X 2 ) − E 2 (X)

h i
= 9 10 − (−3)2

!
1
∴ V ar 3X − =9 (167)
4

35
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

!
1
3) V ar 2X + Y − 1
3
entonces

! !
1 1
V ar 2X + Y − 1 = V ar 2X + Y + (−1)
3 3

! " ! ! ! #
1 1 1
= V ar 2X + Y + V ar (−1) + 2 E 2X + Y (−1) − E 2X + Y E(−1)
3 3 3

! " ! !#
1 1 1
= V ar 2X + Y + V ar (−1) + 2 −E 2X + Y + E 2X + Y
3 3 3

!
1
= V ar 2X + Y
3

! " !! !#
1 1 1
= V ar(2X) + V ar Y + 2 E 2X Y − E(2X)E Y
3 3 3

" #
1 2 2
= 4V ar(X) + V ar (Y ) + 2 E (XY ) − E(x)E (Y )
9 3 3

" #
2 2 1 2 2 2 2
= 4[E(X ) − E (X)] + [E(Y ) − E (Y )] + 2 E (XY ) − E(X)E (Y )
9 3 3

" ! #
2 1 2 2 1 2
= 4[10 − (−3) ] + [4 − (−1) ] + 2 − (−3) (−1)
9 3 2 3

" #
1 1
= 4+ +2 −2
3 3

" #
13 1
= +2 −2
3 3

13 10
= −
3 3

!
1
∴ V ar 2X + Y − 1 = 1 (168)
3

Varianza

P 2
h i  i [xi − E(x)] fX (xi )
V ar(X) = E (x − E(x))2 = 

(169)

R ∞
[x − E(x)]2 f (x)dx


−∞ X

V ar(X) = E(X 2 ) − E 2 (X) (170)

36
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

Propiedades de la Varianza

i) V ar(C) = 0, C = cte
ii) V ar(CX) = C 2 V ar(X)
iii) V ar(X + Y ) = V ar(X) + V ar(Y ) + 2[E(XY ) − E(X)E(Y )]
iv) Si X y Y son independientes V ar(X + Y ) = V ar(X) + V ar(Y )

Desigualdades
Establece cotas para probabilidades que aplican para cualquier v.a. independientemente de su densidad
Desigualdad de Markov:
Sea g : R → R una función no negativa en todo R u sea K un real positivo
Si E(g(X)) es finita, entonces

E(g(X))
P [g(X) ≥ K] ≤ (171)
K

Observación:
Para X absolutamente continua

Z b
P [a ≤ X ≤ b] = fX (x)dx (172)
a

en general

Z
P [X ∈ A] = fX (x)dx (173)
A

Demostración:
Sea

Z ∞
E(g(X)) = g(x)fX (x)dx
−∞

Z Z
= g(X)fX (X)dx + g(X)fX (X)dx
{x∈R|g(X)≥K} {x∈R|g(X)<K}

Z
≥ g(X)fX (X)dx
{x∈R|g(X)≥K}

Z Z
≥ KfX (X)dx = K fX (X)dx
{x∈R|g(X)≥K} {x∈R|g(X)≥K}

= KP [g(X) ≥ K]

entonces

E(g(X)) ≥ KP [g(X) ≥ K] (174)

E(g(X))
∴ P [g(X) ≥ K] ≤ (175)
K

37
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

Ejemplo:
Sea X una v.a. discreta con densidad



 1
 2x , si x∈N



fX (x) = 
 (176)


 0

e.o.c.

entonces

∞ ∞
X X 1
E(x) = xfX (x) = x x
2
i=1 i=1

1 2 3 4 5
= + 2 + 3 + 4 + 5 + ···
2 2 2 2 2

1 1 1 1
= + + + + ···
2 22 23 24

1 1 1
+ + + + ···
22 23 24

1 1
+ + + ···
23 24
..
.

∞ ∞ ∞ ∞
X 1 X 1 X 1 X 1
= + + + + ···
2x 2x 2x 4x
i=1 i=2 i=3 i=1

1 1 1 1
= 2 + 22 + 23 4
+ 2 + ···
1 1 1 1
1− 1− 1− 1−
2 2 2 2

∞
1X 1
= ·
1 i=1 x
2
1−
2

1
1 2
= ·
1 1
1− 1−
2 2

∴ E(x) = 2 (177)

Por la desigualdad de Markov

E(X) 2 1
P [X ≥ 6] ≤ = = (178)
6 6 3

38
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

Desigualdad de Chebyshev
Si X tiene varianza σ 2 ≤ ∞ y r > 0, entonces

1
P [|X − E(X)| ≥ rσ ] ≤ (179)
r2

Demostración:

|X − E(X)| ≥ rσ ⇔ (X − E(X))2 ≥ r 2 σ 2

por la desigualdad de Markov

E[(X − E(X))2 ]
P [|X − E(X)| ≥ rσ ] = P [(X − E(X))2 ≥ r 2 σ 2 ] ≤
r 2σ 2

E(X)2 − E 2 (X) σ2
= =
r 2σ 2 r 2σ 2

1
∴ P [|X − E(X)| ≥ rσ ] ≤
r2

entonces

1
P [|X − E(X)| < rσ ] ≤ 1 − (180)
r2

Ejemplo:

• Para r = 1

1
P [|X − E(X)| < σ ] ≤ 1 − =0
1

No aporta información
• Para r = 2

1 3
P [|X − E(X)| < 2σ ] ≤ 1 − =
4 4
• Para r = 3

1 8
P [|X − E(X)| < 3σ ] ≤ 1 − =
9 9

Función Generadora de Momentos

Momentos centrados en el origen

E(xn ), n ∈ N (181)

39
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

Momentos centrados en la media

E[(x − E(x))n ] (182)

E[x − E(x)] = 0 (183)

E[(x − E(x))2 ] = V ar(x) (184)

Coeficiente de asimétrica

E[(x − E(x))3 ] (185)

Coeficiente de curtosis

E[(x − E(x))4 ] (186)

Si todos los momentos centrados en la media de 2 variables aleatorias son iguales, entonces las 2 variables
aleatorias tienen la misma función de distribución
Función Generadora de Momentos:
Sea X una variable aleatoria, su función generadora de momentos esta dada por

 
mX (t) = E etX (187)

siempre que E(etX ) sea finita para toda t ∈ (−a, a), a ∈ R

Ejemplo:
Sea

(
λe−λx , si x>0
fX (x) = (188)
0 e.0.c

entonces

Z ∞
mx (t) = E(ext ) = etx fX (x)dx
−∞

Z ∞ Z ∞
= etx λe−λx dx = λ e−(λ−t)x dx
0 0

λ −(λ−t)x ∞ λ
=− e  =−
0
(0 − 1)
λ−t λ−t

λ
∴ mx (t) = (189)
λ−t

por lo que

  
d d λ  λ  1

E(x) = m (t)  = =  = (190)
dt x t=0 dt λ − t t=0 (λ − t)2 t=0 λ
 

40
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

 !
d2

2  d λ  2λ  2
E(x ) = 2 mx (t) = 2 
=  = 2
3
(191)
dt 
t=0
dt (λ − t) t=0
(λ − t) t=0 λ

 2
2 1 1
V ar(x) = E(x2 ) − E 2 (x) = − = 2 (192)
λ2 λ λ

p 1
DE(x) = V ar(x) = (193)
λ

Tres Resultados Importantes

Proposición 1:
Sean X y Y v.a. con funciones generadoras de momentos mX (t) y mY (t) respectivamente

Si mX (t) = mY (t) ∀t ∈ (−a, a), a ∈ R

entonces

FX (x) = FY (y), ∀x ∈ R (194)

Proposición 2:
Sea X una v.a. con función generadora de momentos mX (t) definida ∀t ∈ (−a, a), a ∈ R, entonces

E(xn ) < ∞, ∀n ∈ N (195)

Proposición 3:
Sea X una v.a. con función generadora de momentos mX (t), entonces ∃a ∈ R+ tal que

∞
X tk
mX (t) = E(xt ) , ∀t ∈ (−a, a) (196)
k!
k=0

Principales Distribuciones

• Discretas:
1) Uniformemente Discretas
Se tiene una v.a. X que toma valores en

A = {x1 , x2 , x3 , · · · , xN } (197)

todos con la misma probabilidad, entonces su función de densidad es



 1

fX (xi ) = P [X = xi ] = 
 si xi ∈ A (198)
 N
0

e.o.c.

en particular



 1

fX (x) = 
 si N ∈N (199)
 N
0

e.o.c.

41
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

entonces

N ! N
X 1 1 X 1 N (N + 1) N + 1
E(x) = x = = = (200)
N N N 2 2
x=1 x=0

N N
1 1 X 2 1 N (N + 1)(2N + 1)
X  
E(x2 ) = x2 = x =
N N N 6
x=1 x=1

(N + 1)(2N + 1)
= (201)
6

(N + 1)(2N + 1) (N + 1)2
V ar(x) = E(x2 ) − E 2 (x) = −
6 4

(N + 1)[2(2N + 1) − 3(N + 1)]

=
12

(N + 1)[4N + 2 − 3N − 3] (N + 1)[N − 1]
= =
12 12

N2 − 1
=
12
2) Distribución Bernoulli
X es una v.a. dada por

(
0 si se obtiene un f racaso
X= (202)
1 si se obtiene un éxito

y se sabe que

P [éxito] = p (203)

la función de densidad X es




1−p si x=0
fX (x) = P [X = x] =  p si x=1 (204)


 0

e.o.c.

que también se puede escribir como

(
(1 − p)1−x px si x ∈ {0, 1}
fX (x) = P [X = x] =
0 e.o.c.

entonces

E(x) = 1(p) + 0(1 − p) = p (205)

E(x2 ) = 12 (p) + 02 (1 − p) (206)

V ar(x) = E(x2 ) − E 2 (x) = p − p2 = p(1 − p) = pq (207)

42
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

3) Distribución Binomial
Se realizan n pruebas tipo Bernoulli independientes, todas con

P [éxito] = p, (208)

tomando

X = el numero de éxitos en las n pruebas

X toma valores en {0, 1, 2, · · · , n}, entonces

P [X = 0] = (1 − p)n = qn (209)

!
n
P [X = 1] = pqn−1 (210)
1

!
n 2 n−2
P [X = 2] = p q (211)
2

en general

 !
 n x n−x
p q si x ∈ N ∪ {0}


fX (x) = P [X = x] =  x (212)


0 e.o.c.



Esperanza
Si X ∼ B(n, p), entonces

n (
X 1 si en la n − ésima prueba hay un éxito
x= xi , x i = (213)
0 e.o.c.
i=1

es decir xi ∼ Bernoulli(p) y son independientes

Por las propiedades de esperanza

n
X n
X
E(x) = E(xi ) = p = np (214)
i=1 i=1

 n  n n
X  X X
V ar(x) = V ar  xi  = V ar(xi ) = pq = npq (215)
i=1 i=1 i=1

otra forma de verlo es

n !
tx
X
tx n x
mx (t) = E(e ) = e p (1 − p)n−x
x
x=0

n !
X n
= (pet )x (1 − p)n−x (216)
x
x=0

43
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

por el teorema del binomio sabemos que

n !
n
X n i n−i
(a + b) = ab (217)
i
i=1

entonces

n !
X n
mx (t) = (pet )x (1 − p)n−x = [pet + (1 − p)]n (218)
x
x=0

 
d d 
E(x) = mx (t) = [pet + (1 − p)]n  = n[pet + (1 − p)]n−1 pet t=0
dt t=0 dt t=0

E(x) = n[p + (1 − p)]n−1 p = np (219)


d2

2 d
npet [pet + (1 − p)]n−1 

E(x ) = 2 mx (t) =
dt 
t=0
dt t=0

n o
= np et [pet + (1 − p)]n−1 + et (n − 1)[pet + (1 − p)]n−2 pet 
t=0

n o
= np [p + (1 − p)]n−1 + (n − 1)[p + (1 − p)]n−2 p

= np {1 + (n − 1)p}

E(x2 ) = np(1 − p + np) = np(q + np) (220)

V ar(x) = E(x2 ) − E 2 (x) = np(q + np) − (np)2 = npq (221)

Principales Distribuciones Discretas

1) Uniforme Discreta

X= el resultado obtenido en un experimento con N resultados iguales

Un numero seleccionado al azar en

A = {1, 2, 3, · · · , N } (222)

entonces



 1

fX (x) = P [X = x] = 
 si x∈A (223)
 N
0

e.o.c.

N +1
E(x) = (224)
2

44
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

2) Bernoulli

(
1 éxito
x= (225)
0 f racaso

P [éxito] = p (226)

(
px (1 − p)1 − x si x ∈ {0, 1}
fX (x) = P [X = x] = (227)
0 e.o.c.

E(x) = P [éxito] = p (228)

V ar(x) = pq (229)

3) Binomial

X = número de éxitos en n pruebas Bernoulli independientes, con

P [éxito] = p (230)

 !
 n x n−x
p q si x∈N


fX (x) = P [X = x] =  x (231)


0 e.o.c.



E(x) = np (232)

V ar(x) = npq (233)

4) Geométrica
Se realizan pruebas Bernoulli independientes sucesivamente, todas con

P [éxito] = p (234)

X= número de fracasos antes del primer éxito

P [X = 0] = p (235)

P [X = 1] = (1 − p)p (236)

P [X = 2] = (1 − p)2 p (237)

En general

45
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

P [X = x] = p(1 − p)x (238)

entonces

(
p(1 − p)x si x ∈ N ∪ {0}
fX (x) = P [X = x] = (239)
0 e.o.c.

con

∞ ∞
X X 1
p(1 − p)x = p (1 − p)x = p =1 (240)
1 − (1 − p)
x=0 x=0

Principales Distribuciones Discretas

3) Binomial

X= número de éxitos en n pruebas Bernoulli independientes

 !
 n x n−x
p q si x ∈ N ∪ {0}


fX (x) =  x (241)


0 e.o.c.



E(X) = np (242)

V ar(X) = npq (243)

4) Geométrica

X= número de fracasos antes del éxito

( x
pq si x ∈ N ∪ {0}
fX (x) = PX (x) = (244)
0 e.o.c.

p
E(X) = (245)
q

Y = número de pruebas necesarias para obtener el primer éxito

Y = X +1 (246)

(
pqy−1 si y∈N
fY (y) = P [Y = y] = (247)
0 e.o.c.

1
E(y) = (248)
p

la distribución exponencial es desmemoriada

P [X = n + k|n ≥ k] = P [X = k] (249)

46
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

5) Binomial Negativa

X= número de fracasos antes del r-ésimo éxito en pruebas Bernoulli independientes, todas con

P [éxito] = p (250)

además

P [X = 0] = pr (251)

!
r r
P [X = 1] = p q (252)
1

!
r +1 r 2
P [X = 2] = p q (253)
2

En general

!
r +x−1 r x
P [X = x] = p q (254)
x

 !
 r +x−1 r x

 p q si x ∈ R ∪ {0}

 x
fX (x) = P [X = x] =  (255)





 0 e.o.c.

Teorema del Binomio

∞ !
X
n n x n−x
(a + b) = a b (256)
x
x=0

Binomial Negativa

∞ !
−n
X −n x n−x
(a + b) = a b (257)
x
x=0

donde

! !
−n x n+x−1
= (−1) (258)
x x

con

 a 
  = 1 (259)
b

Sea el binomio

1 q 1−q
− = =1 (260)
p p p

47
U.N.A.M Fenómenos Colectivos Facultad de Ciencias

eso implica que para r ∈ N se tiene que

!−r !−r ∞ ! !x !−r−x

1 q q 1 X −r q 1
1= − = − + = −
p p p p x p p
x=0

∞ ! !x !−r−x
X −r
x q 1
= (−1)
x p p
x=0

∞ ! !x !−r−x X∞ ! !x
X r +x−1 q 1 r +x−1 q
= = (p)r+x
x p p x p
x=0 x=0

∞ !
X r +x−1 x r
= q p (261)
x
x=0

48