Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Notas Probabilidad
Notas Probabilidad
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
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
! !
(14 + 6) + 5 25 25! 25! 25 · 24 · 23 · 22 · 21
= = = =
5 5 5!(25 − 5)! 5!20! 5·4·3·2·1
(
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
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
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
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:
Independencia de 2 eventos:
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:
•
\ n Yn
P Aj = P (Aj ) (20)
j=1 j=1
n
[
Aj = Ω (21)
j=1
3
U.N.A.M Fenómenos Colectivos Facultad de Ciencias
Ai ∩ Aj = ∅, i , j. (22)
P (B) = P (B ∩ A1 ) + P (B ∩ A2 ) + · · · + P (B ∩ An )
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
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 )
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
1 1 1 1 1
= + = (28)
3 2 3 2 3
= 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
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
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 )
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
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
N N N N
z}|{ z}|{ z}|{ z}|{
|·| |·| | · | ··· | · |
|{z} |{z} |{z} |{z}
1◦ 2◦ 3◦ m−ésimo
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◦
7
U.N.A.M Fenómenos Colectivos Facultad de Ciencias
6 6 2
z}|{ z}|{ z}|{
|·| |·| |·|
|{z} |{z} |{z}
1◦ 2◦ 3◦
2 6 6
z}|{ z}|{ z}|{
|·| |·| |·|
|{z} |{z} |{z}
1◦ 2◦ 3◦
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)!
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◦
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
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
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
!
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)
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)
! ! ! !
N1 N2 N3 N
··· k (47)
m1 m2 m3 mk
Técnicas de Conteo
P oblaci ón → N
Muestra → m
10
U.N.A.M Fenómenos Colectivos Facultad de Ciencias
m N!
(m)N = ON = N Pm = muestras distintas. (49)
(N − m)!
N = m, PN = N !. (50)
!
N m N!
= CN = N Cm = muestras distintas. (51)
m m!(N − m)!
Subpoblaci ón 1 → N1
Subpoblaci ón 2 → N2
Subpoblaci ón 3 → N3
..
.
Subpoblaci ón k → Nk
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.
!
15 15! 15!
= = = 3003 f ormas distintas. (54)
5 5!(15 − 5)! 5! · 10!
! ! " #" #
8 7 8! 7!
=
3 2 3!(8 − 3)! 2!(7 − 2)!
8! 7!
=
3! · 5! 2! · 5!
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!
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!
= (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!
!
5 5! 5!
= = = 10 muestras distintas
2 2!(5 − 2)! 2! · 3!
12
U.N.A.M Fenómenos Colectivos Facultad de Ciencias
!
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!
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.
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
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)
fX (x) = P [X = x] (61)
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)
fY (y) = P [Y = y] (63)
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)
X:Ω→R
p
X(x, y) = x2 + y 2
(65)
X ∈ (0, 30]
fX (x) = P [X = x] (66)
fX (x) = 0
15
U.N.A.M Fenómenos Colectivos Facultad de Ciencias
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
0 si x<0
!2
x
FX (x) = si 0 ≤ x ≤ 30 (68)
30
1 si x ≥ 30
y(a, b) = |a − b| (69)
fY (y) = P [Y ≤ y] (70)
{ω ∈ Ω|X(ω) ≤ x} ∈ A ∀x ∈ R (71)
{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)
{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
{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
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
• Si 0 ≤ x < 5
• Si y ≥ 5
[Y ≤ y] = {ω ∈ Ω|Y (ω) ≤ y} = Ω ∈ A
Ejercicio
Sean
Ω = {a, b, c, d, e}
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
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
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)
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}
•
−2 si ω ∈ {a}
Y (ω) = −1 si ω ∈ {d}
0 si
ω ∈ {d, c}
Por demostrar
[|X| ≤ x] ∈ A (83)
• Si x ∈ (−∞, 0) ⇒ [|X| ≤ x] = ∅ ∈ A
• Si x ∈ [0, ∞) ⇒ [|X| ≤ x] = [−x ≤ X ≤ x] = [X ≥ −x] ∪ [X ≤ x]
donde
entonces
20
U.N.A.M Fenómenos Colectivos Facultad de Ciencias
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
porque
[X ≤ x1 ] ⊆ [X ≤ x2 ]
lı́m xn = x (89)
n→∞
[X ≤ x1 ] ⊇ [X ≤ x2 ] ⊇ [X ≤ x3 ] · · ·
∞
\
[X ≤ xj ] = [X ≤ x] (90)
j=1
\∞
= 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→−∞
lı́m xn = −∞ (92)
n→∞
entonces
[X ≤ x1 ] ⊇ [X ≤ x2 ] ⊃ [X ≤ x3 ] · · ·
y además
∞
\
[X ≤ xj ] = ∅ (93)
j=1
\∞
= P [X ≤ xj ] = P (∅) = 0 (94)
j=1
iii)
lı́m FX (x) = 1
x→∞
lı́m xn = ∞ (95)
n→∞
entonces
[X ≤ x1 ] ⊆ [X ≤ x2 ] ⊂ [X ≤ x3 ] · · ·
y además
∞
[
[X ≤ xj ] = Ω (96)
j=1
[ ∞
= 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)
iii)
Otras propiedades
iv)
v)
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)
..
.
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)
2(x − 1)
si x ∈ {2, 3, 4, · · · , N }
fX (x) = (104)
N (N − 1)
0 en otro caso
A = {x1 , x2 , x3 , · · · , } (105)
fX : R → R (106)
dada por
fX (x) = P [X = x] (107)
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
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
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
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
• 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)
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)
−∞
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.
Z ∞ Z ∞ ∞
f (x)dx = λe−λx dx = −e−λx = −[0 − 1] = 1 (127)
−∞ 0 0
•
Z 2 2
P [x ≥ 2] = 1 − P[ x ≤ 2] = 1 − λe−λx = 1 + e−λx
0 −∞
= 1 + [e−2λ − 1] = e−2λ
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
(
2x si x ∈ (0, 1)
fX (x) = (128)
0 e.o.c.
• 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
! ! !
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
= 1 − P [x ≤ − ln(z)] = 1 − FX (− ln(z))
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
" ! !#
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
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
A = {x1 , x2 , x3 , · · · , xn } (135)
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)
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
E(x) : x1 P [X = x1 ] + x2 P [X = x2 ] + x3 P [X = x3 ] + · · · + xk P [X = xk ] (138)
{x1 , x2 , x3 , · · · , xk , · · · } (139)
∞
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)
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)
p
DE(x) = V ar(x) (148)
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
entonces
√
DE(x) = 2.05 = 1.43 (151)
(
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
Proposición:
Si X tiene varianza finita, entonces
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 ) − E 2 (X)
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) = c2 − c2 = 0 (160)
Proposición:
La varianza saca constantes al cuadrado
Demostración:
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 )]
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
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
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))
∴ 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)
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
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
E(xn ), n ∈ N (181)
39
U.N.A.M Fenómenos Colectivos Facultad de Ciencias
Coeficiente de asimétrica
Coeficiente de curtosis
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)
(
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
entonces
Proposición 2:
Sea X una v.a. con función generadora de momentos mX (t) definida ∀t ∈ (−a, a), a ∈ R, entonces
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)
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)[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.
(
(1 − p)1−x px si x ∈ {0, 1}
fX (x) = P [X = x] =
0 e.o.c.
entonces
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
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
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
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
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
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}
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.
V ar(x) = pq (229)
3) Binomial
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)
4) Geométrica
Se realizan pruebas Bernoulli independientes sucesivamente, todas con
P [éxito] = p (234)
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
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
!
n x n−x
p q si x ∈ N ∪ {0}
fX (x) = x (241)
0 e.o.c.
E(X) = np (242)
4) Geométrica
( x
pq si x ∈ N ∪ {0}
fX (x) = PX (x) = (244)
0 e.o.c.
p
E(X) = (245)
q
Y = X +1 (246)
(
pqy−1 si y∈N
fY (y) = P [Y = y] = (247)
0 e.o.c.
1
E(y) = (248)
p
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.
∞ !
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
∞ ! !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