UNPA UARG / 2012

Profesorado en Matemtica
Probabilidad y Estadstica
Material de ctedra

Introduccin e historia
La Estadstica es una rama de la matemtica que sirve como metodologa de investigacin para
diversas ciencias y disciplinas tales como la medicina, la psicologa, la meteorologa, la sociologa,
las ingenieras, la geografa, etc. Se basa en la toma de muestras y en el anlisis de sus datos con
mtodos y procedimientos standarizados universalmente.
La Teora de probabilidades es la fundamentacin o teora matemtica de la Estadstica, se basa en
otras ramas de la matemtica como por ejemplo el anlisis matemtico, la teora de la medida, la
teora de conjuntos, la geometra, el clculo combinatorio, la teora de cardinales y ordinales, etc.,
y termin de ser axiomatizada y formalizada matemticamente hacia 1933-1936 por los rusos
Nikolai Alexander Kolmogorov (25 / IV / 1903 20 / X / 1987), Aleksander Mijilovich Lyapounov (
6 / VI /1857 3 / XI /1918), Alexandre Khintchine ( 19 / VII / 1894 18 / XI / 1959) , el francs
Paul Pierre Levy (15 / IX / 1886 15 / XII /1971) , el norteamericano Henry Scheff (11 / IV / 1907
5 / VII / 1977) y otros muchos probabilistas.

Algunos momentos destacados de la historia de la teora de probabilidad fueron los
siguientes :
En 1560 el matemtico italiano Girolamo Cardano (Pava 24/IX/1501 ; Roma 21/IX/ 1576) escribe
el primer libro de probabilidades sobre los juegos de azar, el Liber de ludo aleae, publicado
recin en 1663.
El filsofo, fsico y matemtico francs Blaise Pascal Begon (Clermont Ferrand 19/VI/1623 Pars
19/VIII/1662) publica en 1654 en Pars su Trait du triangle arithmetique en el que desarrolla los
coeficientes binomiales con su famosa formacin triangular, y otra obra titulada Combinaisons
en la que analiza probabilidades de jugadas de dados que le fueran propuestas por su amigo el
escritor y matemtico aficionado Antoine Gombaud, Caballero de Mr (Poitou 1607
29/XII/1684). El problema ms famoso que de Mr quien en realidad no era noble pero se haca
llamar chevallier- le plante a Pascal ya era conocido en la Edad Media y fue el siguiente :
Supngase que dos jugadores acuerdan jugar un determinado nmero de partidas de dados,
digamos, jugar al mejor de siete, y se les interrumpe antes de que puedan terminar la tanda.
Cmo debera repartirse el dinero apostado si, por ejemplo, uno ha ganado tres partidas y el otro
una? Pascal comparti el desafo de resolverlo con otro pionero de las probabilidades, el abogado,
eximio matemtico aficionado (diletante) y juez de Toulouse, Pierre de Fermat Cazeneuve
(Beaumont de Lomagne 17/VIII/1601 Castres 12/I/1665), a quienes conectaba otro matemtico
aficionado, el Rvdo. Padre jesuita Marin Mersenne (Sarthe 8/IX/1588 Paris 1/IX/1648), quien
adems de desarrollar varios resultados en nmeros primos mantena una red de contactos con
los mencionados matemticos y con muchos otros como Galileo, Huygens, Roverbal o Descartes,
de quien fue compaero de convento.
En 1713 aparece publicado en Basilea el primer libro tcnico sobre teora de probabilidades, el
Ars Conjectandi (Arte de conjeturar), del matemtico suizo de origen francs Jacques Bernoulli
(Basilea 27/XII/1654 Basilea 16/VIII/1705), hermano de Johann Bernoulli (Basilea 27/VII/1667
Basilea 11/I/1748) cuyo hijo el holands Daniel Bernoulli (Groningen 8/II/1700 Basilea
17/III/1782) edit la obra de su to despus de su muerte.
Abraham De Moivre
En 1812 el fsico matemtico Pierre Simon, conde (en 1806) y marqus (en 1817) de Laplace
(Beaumont en Auge, Normanda 28/III/1749 Pars 5/III/1827) publica en Pars la Theorie
analytique des probabilits (Teora analtica de las probabilidades), dedicado a Napolen y en
1814 el Essai philosophique sur les probabilits (Ensayo filosfico de las probabilidades), dos
obras fundamentales para el avance de esta rama de la matemtica. Laplace fue alumno en la
Universidad de Caen de otro gran matemtico francs, Jean Le Rond dAlembert (Pars, 17/XI/1717
Pars 29/X/1783), quien fue uno de sus directores de tesis, y fue profesor del probabilista Simon
Denis Poisson (Pithiviers 21/VI/1781 Sceaux, Haute Seine, 25/IV/1840), quien en 1837 introdujo
su distribucin de probabilidades de gran uso an hoy en da.




C. 1935 Nikolai Kolmogorov : axiomatiz las probabilidades.

El objetivo mnimo de este curso es introducir al alumno en la forma tan particular y caracterstica
del pensamiento probabilstico y en el planteo y uso de los modelos probabilsticos.

Nociones preliminares y definiciones bsicas
Experimento aleatorio : es toda experiencia no determinstica. Los experimentos determinsticos
son aquellos cuyo resultado se puede predecir mediante una frmula como por ejemplo en la
Fsica, en la banca, o en la Qumica. Veamos en qu consiste un experimento aleatorio .
Caractersticas de un experimento aleatorio
i) No se conoce el resultado de a priori, pero s todos sus posibles resultados .
ii) Se puede iterar (repetir) indefinidamente, se supone que idealmente siempre bajo
las mismas condiciones.
iii) Con el transcurso de muchas repeticiones (n), el resultado de tiende a estabilizarse y
no a comportarse errticamente.
Resultados elementales: en el punto i) anterior, al conjunto de todos los posibles resultados
individuales y puntuales de un , lo llamaremos conjunto de resultados elementales, denotado
{ } O e = O e
Ejemplos:
1) No son experimentos aleatorios si no determinsticos la cada libre de un cuerpo (la
velocidad final, distancia, etc. se pueden calcular previamente), arrojar una copa de cristal
contra una pared, encender una hornalla, los intereses bancarios de un depsito, etc.
2) Un experimento aleatorio bsico es lanzar una moneda () y todos sus posibles resultados
son
{ } { }
2 1
; , e e = = O T H ; o de otra forma tambin { } 1 ; 0 = O

Observemos que la representacin matemtica de no es necesariamente nica.
3) Otro experimento aleatorio muy simple es : Arrojar un dado regular
El conjunto de todos los posibles resultados es, en este caso,
{ } 6 ; 5 ; 4 ; 3 ; 2 ; 1 = O

Notemos que algunos son conjuntos numricos mientras que otros no son
conjuntos formados por elementos de naturaleza matemtica.

4) Un nuevo puede ser el siguiente, : Una mquina fabrica tornillos y se clasifican en
buenos (b) y defectuosos (d). Entonces tenemos que
{ } d b, = O
5) Otro ejemplo, : Encender una lmpara y anotar el tiempo que tarda en quemarse. En
esta oportunidad
{ } { }
+
9 e = + = O t t / ) , 0 [ ) , 0 [
En este ejemplo notamos que O es continuo, i.e. # c = O

, mientras que en los
ejemplos 2, 3 y 4 vemos que # n = O (finito).
6) : Se fabrican microchips hasta obtener 20 chips buenos, descartando los defectuosos, y
se cuenta el total de chips fabricados.
{ } . ;......... 24 ; 23 ; 22 ; 21 , 20 = O
#
0
= O (Aleph cero, el cardinal de los Naturales)
Entonces, siempre es importante analizar el cardinal # (la cantidad de elementos) del conjunto ,
esto es, tener en cuenta # para clasificar .
Eventos o sucesos :
Dado un experimento aleatorio , y sus elementales (o resultados posibles) { } O e = O e ,
podemos formar la - lgebra (el prefijo significa hasta en cantidad numerable) S de
los sucesos o eventos a partir de los elementales O
Esta - lgebra se compone de todas las operaciones usuales entre conjuntos que sean
subconjuntos posibles de O, es decir que S es cerrada con las operaciones conjuntistas
habituales de , hasta en cantidades numerables de estas operaciones. Las
posibilidades para construir la lgebra de eventos S son solamente las 3 siguientes,
de acuerdo al cardinal de :

S = ( O ), si # = O n , si #
0
= O
y S = B ( O ), si # c = O

donde ( O ) es partes de , i.e. todos los posibles subconjuntos de , y B() son los
borelianos de , una estructura de conjuntos similar a la anterior, que lleva ese nombre
en recuerdo del matemtico francs Emile Borel (7/I/1871 3/II/1956), uno de los
creadores de la teora de la medida junto con sus compatriotas Henri Lebesgue
(28/VI/1875 26/VII/1941), Marie Ennemond Camille Jordan (5/I/1838 22/I/1922) y
Rene Louis Baire (21/I/1874 5/VII/1932).

Borelianos : son todas las operaciones conjuntistas de etc, hasta en cantidad
numerable que se pueden hacer con los intervalos abiertos de una recta o de un segmento
de recta o de una semirrecta o semiplano, etc., como los siguientes intervalos reales :


0 a b c d e f R

Los borelianos B(R) son los eventos cuando el conjunto de todos los posibles resultados
del es = R, la recta real. En el Ejemplo 5, tenemos que

| | 00 , 0 + = O
y S = B ([0;+00)]

Notemos que los borelianos de R, i.e. B(R), son ms en cantidad que los intervalos
abiertos, cerrados o semiabiertos de R.

Ejemplos (de eventos)

1) : Arrojar una moneda regular
{ } T H, = O
S = ( ( ) T H P ; ) = O


Recordemos que si un conjunto B tiene n elementos, es decir, si # B = n ; entonces, por
aplicacin del Teorema del Binomio de Newton se tiene que # (B) =
n
2 .
En este caso # ( { } ( ) 4 2 , # # )
2
= = = = O T H P S
Evento nulo o imposible : lo notamos con y significa que el experimento aleatorio abort y
no obtuvimos ningn resultado elemental .
Evento cierto o seguro : lo notamos con y significa que el experimento aleatorio se
concret y obtuvimos algn resultado elemental .
2) : Arrojar un dado regular
{ } 6 , 5 , 4 , 3 , 2 , 1 = O
# 6 = O
S = ( ) { } ( ) 6 , 5 , 4 , 3 , 2 , 1 P = O
# ( ) 64 2
6
= = O
lo que nos dice que tenemos un total de 64 eventos asociados a y , disponibles;
S = { } { } { } { } { } { } { } .... ; 6 ; 5 ; 4 ; 3 ; 2 ; 1 ; ;O |
Es inmediato que utilizamos la teora de conjuntos, porque los eventos o sucesos son
conjuntos. En este sentido conviene observar que si A, B , E,

son eventos
asociados a un , i.e. son elementos de S, entonces tambin son eventos:
i) A U B ( ocurre A B, inclusiva)
ii) A B ( ocurren A y B simultneamente)
iii)
c
A ( no ocurre A)
iv) Si
3 2 1
; ; A A A ,

k
k
A
(ocurre al menos uno de ellos)

v) Si repito dos veces, =
2
S SxS representa los eventos de repetir dos
veces.
vi) Si repito n veces , =
n
S SxSxSx xS representa sus eventos.
Eventos mutuamente excluyentes o disjuntos:
Dos eventos A y B de S son mutuamente excluyentes (como conjuntos son disjuntos)
si la ocurrencia de uno impide automticamente la ocurrencia del otro. Formalmente,
A y B mutuamente excluyentes si A B =
Espacio Muestral :
Dado un experimento aleatorio , diremos que la terna ( , O , S) es un espacio
muestral para , y lo notaremos EM ( , O , S). Este espacio ambiente fue llamado as
por el matemtico alemn Richard Edler Von Mises (Lemberg 19/IV/1883 Boston
USA 14/VII/1953) , probabilista que lider la corriente frecuencialista en el s. XX
aunque luego prevaleci la corriente formalista terica. El frecuencialismo intent
definir el concepto de probabilidad de manera a posteriori, empricamente, es decir
replicando n veces y calculando su frecuencia relativa de ocurrencia.
Frecuencias: Dado un EM ( ; O; S ) y un evento o suceso A S, las frecuencias posibles asociadas
al suceso A son las siguientes :
Frecuencia Absoluta :

, la cantidad de veces que ocurri A en n repeticiones de .

Frecuencia Relativa :
n
n
A

, la proporcin de ocurrencias de A en las n interaciones del
experimento aleatorio .
Llamando
n
n
f
A
A
= , se tiene que:
i)

, y

si A no ocurre nunca en las n repeticiones de ;

mientras que

, cuando A ocurre siempre, i.e. A ocurre en todas las

iteraciones de .
ii) Si B es otro evento, con A y B mutuamente excluyentes, entonces

, donde

es la proporcin de veces que ocurre A o B (o

ambos) en las n repeticiones de .
iii) Cuando n (i.e. se repiti muchas veces ), se observa que

tiende a
estabilizarse alrededor de un valor numrico k, constante.

Probabilidad (P)
Definicin axiomtica de probabilidad:
Sea (, O,S) un E.M. Una funcin P : S [O;1] que cumple los siguientes axiomas :
i) A es, 0 () , llamado axioma de normalizacin
ii) P ( ) 1 = O y P ( ) = O , i.e. el evento cierto tiene probabilidad total
mientras que el evento nulo tiene probabilidad nula, son los casos extremos.
iii) Si S A A A
n
e ... ; ;
2 1
son eventos mutuamente excluyentes, es decir que
ij es | =
j i
A A =O, entonces P (

) = ( )

=
n
k
k
A P
1
. Este axioma,
llamado de aditividad de P, es la clave del funcionamiento de una ley de
probabilidad P.
Observacin : Del axioma iii) de aditividad finita se deduce la -actividad de P :
si S A A A A
k
e ... ; ; ... ; ; ;
3 2 1

son mutuamente excluyentes, i.e. i es
=
j i
A A , entonces se cumple que:
P ( )
k
k
k
k
A P A U

=
=
|
.
|

\
|
1
1


Espacio probabilstico (EP)
Es un espacio ambiente EP(, O, S, P) para algn y un EM (, O, S) suyo, donde P
es una funcin o ley de probabilidad que cumple los axiomas anteriores.
Teorema 1 : Si tenemos un EP (, O, S, P), entonces P () = O
Demostracin:
Como A , o sea A y son mutuamente excluyentes, por el axioma iii) es
P (AU ) = P(A) + P () P (A) + P () =P (A) P ()= O. Pero por otro lado
P (AU) = P(A), de donde sigue el resultado.

Teorema 2 : Si en un EP(, O,S, P) tenemos un evento A, entonces :
P (
c
A ) = 1 P (A)
Demostracin :
Como
c
AUA = O

y A
c
A

= (un conjunto y su complemento son disjuntos)
tenemos que P ( ) O

= P ( A U
c
A ) y entonces 1 = P (A) + P(
c
A ), de donde sigue
inmediatamente el teorema.

Teorema 3 : Ley de inclusin exclusin
Este resultado, como tantos otros, se debe a Laplace.
Nos preguntamos ahora como calcular la probabilidad de que ocurra al menos
un evento de entre dos eventos conocidos A y B ( i.e. P (A U B ) ) de los que no
se sabe si son mutuamente excluyentes (i.e. disjuntos) o no lo son. Ya no se
puede aplicar el axioma de aditividad de P y debemos encontrar una frmula
adecuada.

Sea un EP ( S B A eventos B A P S e O , , , ; ) , , , c
) ( ) (
, 0 ) ( , ) ( ) ( ) ( )
, ) (
:
) (
) ( ) (
. . ; ; ) , , , ( : 5
) ( . ) 1 ( .....
) ( ) ( ) ( ) ( ) (
:
.... , , , , ; ) , , , (
: 4
) ( ) ( ) ( ) (
) ( ) ( ) ( ) ( ) ( ) (
: tan Re
) ( ) ( ) (
) ( ) ( ) (
) ( ) (
) (
:
) ( ) ( ) ( ) (
1
1
1
1
2
A P B P luego
A B P con A B P A P B P iii axioma por
disyunta unin A B A B
n Demostraci
inclusin la a respecto con P de d continuida
B P A P B C A si
Entonces S B y A P S EP Teorema
A P
A A A Ai A A Ai P A A P A A U P
entonces
S A A A P S EP
exclusin inclusin de ley la de cin generaliza Teorema
B A P B P A P B A P
A B P B A P A B P A P B P B A P
do s
A B P B A B P
A B P A P B A P
s excluyente mutuamente son uniones ambas
A B B A B
A B A B A
que observemos n Demostraci
B A P B P A P B A P Entonces
C C
C
k
n
k
n
m e j
n
j i
n
e j i
n
m e j i
e j J i
n
k
k k
n
K
n
C C
C
C
C
C
>
> + =
=
s
e O
+ +
+ =
e O

+ =
= =
+ =
+ =

)

=
=
+ =
=

= = = = = = =
=

c
c
Ejercicios:

1) Se arroja una moneda regular hasta que aparece una cara (H). Describir un
adecuado,sus eventos S y exhibir un par de eventos; definir una ley de
probabilidades P y calcular las probabilidades de los eventos exhibidos.
2) Se arroja un dado n veces. Idem al anterior.
3) Un punto gira libremente sobre la circunferencia o borde de un crculo de radio r
hasta que se detiene. Idem al anterior.
4) Se arroja una moneda irregular. Mostrar una ley P (probabilidad) que no sea la
equiprobable.

Distribucin uniforme
P es una distribucin de probabilidades uniforme sobre un recinto
{ }
%) 25 ( 4 / 1
2
2 /
) (
0
2
0
2
) (
) (
0
2
0
) (
:
}
2
; 0 {
} ; {
} , 2 {
, ] . [ ) 2 ; 0 [
: 3 ,
) , ( int sin
) , ( ], , [ ) , ( , ] , ].[ , [ , C b] [a,
1
2
2 1 2 1
= =
= = =
= =
(

=
e =
e =
= = O

= c c

=
r
r
C P
r r
T P
B P
r
A P
son ades probabilid Sus
r C
N n
n
r
B
N k r k A
eventos los os considerem b a r en
anterior Ejercicio el en ejemplo Por
d c sea ervalo de tipo qu importar
a b
c d
d c P b a d c si R b b a a R
n
n
t
t
t t
t
t
t
t
t


Probabilidades geomtricas
Idea conceptual : son modelos de probabilidades continuas, i.e. cuando () c ; en este caso
la idea de probabilidad es medir, o sea comparar longitudes , reas, volmenes, tiempos o
cualquier otra magnitud continua en

.
A travs de una modelizacin geomtrica de un problema se puede analizarlo y calcular
probabilidades de eventos, que en este caso son los borelianos reales de dimensin n, (

) .
Dos ejemplos clsicos de probabilidades geomtricas :
1) La aguja de Buffon: (Georges Louis Leclerc, conde de Buffon a partir de 1725, cientfico
naturalista francs, Montbard 7/IX/1707 ; Pars 17/IV/1788) El experimento aleatorio
consiste en
: arrojar una aguja de longitud sobre una hoja rayada con lneas paralelas
equidistantes a una distancia 2 , y anotar si la aguja corta o toca alguna de las paralelas

Analicemos geomtricamente . Sea r la distancia entre el punto medio de la aguja (M) y la
paralela mas cercana a la aguja, sea u el ngulo entre la aguja y la direccin de las paralelas y
sea d la distancia entre esa paralela y el punto medio de la aguja (M). Cualquier posicin en la
que caiga la aguja puede ser descripta en trminos de las variables r y u
.
Entonces podemos plantear un EP ( , , S ) adecuado para el anlisis del problema, que
consiste en responder la siguiente pregunta : Cul es la probabilidad de que al arrojar la aguja,
esta corte a una paralela?

~ ~
~ =
~ =
= + = = =
O
=
=
s
= =
=
= O =
= O < s s s = O
}
}
) (
1
) (
100
) 0 ( ) 1 (
tan ) 100 (
) ( , ,
) (
1 1
) (
1
] 1 1 [
2
1
.
2 .
2
) (
) (
) (
.
) (
) (
. .
2
.
} {
: int
]) , 0 [ . ] , 0 ([ ) (
# ; } ; : ) , ( , {
0
0
2 2
2
A P
Luego
A P
n
f
A y A
do no alumno cada s iteracione Frecuencia
A P de lismo f recuencia con nte empricame clculo un Hacemos
A P
A P
d sen
d sen
A
A P
A
A P
cercana ms paralela la a corta aguja la entonces sen r Si
sen d r
d
r
sen que Tenemos
paralela una a corta aguja la A
ers de Evento
B B S
C R c o r o r r
A
A
t
t
t
t t
u u
t t
u u

u
u u
t
t u u
t
t

Observemos la curiosa consecuencia de esta experiencia : arrojando una aguja sobre un
papel rayado con lneas paralelas, podemos aproximarnos al valor de . Este
descubrimiento del conde de Buffon en 1777 llev posteriormente a la idea de
estereologa como mtodo de estimacin geomtrica, que tiene muchas aplicaciones
modernas, por ejemplo a la biologa y la medicina, como la tomografa computada. Uno de
sus pioneros fue el matemtico hispano argentino Luis Alberto Santal (Gerona, Espaa,
9/X/1911 ; Buenos Aires 23/XI/2001).

2 ) La paradoja de Bertrand (1889)
Joseph Louis Francois Betrand, matemtico, fsico y economista francs (Pars 11/III/1822 ; Pars
5/IV/1900)
A travs de este ejemplo paradjico de probabilidades geomtricas se pone en evidencia que, de
acuerdo al espacio muestral EM(,,S) que elijamos para , podemos definir varias
probabilidades para un mismo evento, lo que en principio suena contradictorio. Analicemos el
experimento aleatorio siguiente :
: se traza una cuerda aleatoria (al azar) en un crculo unitario de centro 0 y radio 1.

Recordemos que dados dos puntos sobre la circunferencia , determinan una cuerda. El problema
consiste en calcular la probabilidad de que ocurra el evento A, que es el siguiente

A = { la longitud de la cuerda es mayor que el lado del tringulo equiltero inscripto
(cuyo lado mide ) +
Observemos que el lado del tringulo equiltero inscripto en el crculo unitario vale porque
por el teorema del coseno,
3
. . 3 1 2
2
1
. 2 2 120 cos . 1 . 1 . 2 1 1
2 2 2
=
= + =
|
.
|

\
|
= + =

e i

Veamos ahora que se puede encontrar ms de una solucin para la pregunta inicial,sin caer en
contradicciones.
1 solucin : Sea L

la longitud de la cuerda aleatoria que arrojamos sobre el crculo unitario.
Observar que esa longitud L depende del punto medio o centro (C) de la cuerda . Entonces se
puede redefinir as
: { elegir un punto aleatorio C dentro del crculo unitario, trazar el radio r que pasa por C y
finalmente trazar la cuerda perpendicular a r que pase por C }
Es inmediato que : ocurre A )
2
1
; 0 ( 3 Circ C L e >
Sea ahora h = radio del crculo inscripto en el tringulo equiltero que a su vez estaba inscripto
en el crculo unitario. Entonces se puede observar que h = sen 30 = , lo que justifica la
ltima parte de la triple equivalencia anterior.
Luego, si tomamos este espacio muestral : = Crc ( 0 ; 1) , S = () tenemos que el evento A
que nos interesa -esto es que la cuerda aleatoria sea mayor que el lado del tringulo equiltero
inscripto, se puede escribir sintticamente como A = { (

)}, y entonces, por

comparacin de reas, es P(A) = 4 / 1
4 /
) 1 .(
) 2 / 1 .(
) (
) (
2
2
1
= = =
O t
t
t
t

A

Notemos que estamos tomando
1
= C (0,1) , S= B ) 2 / 1 ; 0 ( ); (
1
2
C A = O
2 solucin : Fijemos ahora uno de los vrtices del tringulo equiltero inscripto y llammoslo P.
Fijaremos en P uno de los extremos de la cuerda aleatoria. Elegimos otro punto Q al azar
(aleatorio) sobre la circunferencia como el segundo extremo de la cuerda aleatoria . Vemos que el
tringulo equiltero divide a la circunferencia unitaria en 3 partes iguales, cada una de longitud
2/3 t
.

Luego, es inmediato que : ocurre A )
3
4
,
3
2
( 3 t t e > Q L
Calculamos P(A) por comparacin de longitudes (recordar que en la 1 solucin antes eran reas):
P(A)=
t
t t

2
)
3
4
:
3
2
(
) (
) (
2
=
O
A
=
t
t
2
3
2
=
3
1

En este caso hemos tomado | | t 2 ; 0
2
= O

y S = B ( ) )
3
1
,
3
2
( ;
2
t t = O A
Este segundo valor para la probabilidad de que la cuerda sea mayor que el lado del tringulo
contradice el primer valor obtenido. Qu sucedi? La aparente paradoja tiene una rpida
aclaracin : P(A) da distintos resultados de acuerdo al EM y al EP que adoptemos o elegimos para
un mismo y un mismo evento A.
Otro ejemplo de probabilidades geomtricas :
: elegir o sortear dos puntos aleatorios (al azar), x e y en el intervalo real = O (0;1)

0
2
1
1 R
Tomamos S= B (0;1) y un evento particular A = { los tres segmentos que determinan x e y en el
segmento (0;1), forman un tringulo }. Podemos reescribir A as :
A={ (x;y) : (0
2
1
)
2
1
V ( 0
2
1
)
2
1
}
A1 A2
Consideremos tener 2 segmentos ( 0 ; 1 ) y sorteamos un punto en cada segmento (as estamos
tomando otro espacio muestral
2
O , ahora en el plano):
A=
1
A
2
A

,
2 1
; A A

son disjuntos

P(A) = P( ) ( )
2 1
A P A +
donde

P( ( )
( )
( )
( )
( )
1
1
2
1
1
1
A
A A
A

= =
O
= y P( )
( )
( )
( )
( )
2
2
2
2
2
1
A
A A
A

= =
O
= , entonces
P(A) = ( ) ( )
4
1
8
1
8
1
2 1
= + = + A A (25%)

Espacios muestrales finitos: (nos ayudamos con la combinatoria)
Recordemos que es muy importante observar siempre el cardinal del espacio muestral,
que en definitiva es # y que solo puede ser uno de estos tres casos :
#O finito (i.e. # = n ) (aqu se aplica la combinatoria)
Espacios muestrales: #O numerable (# =

, infinito numerable)
#O continuo (# = c)
Frmula de Laplace (1812)
En un EP( ; ; S; P) , cuando es finito y P es la equiprobable, entonces vale la frmula de
Laplace para calcular probabilidades de eventos. Esta frmula nos dice que si A es un evento ,
A S , se puede calcular su probabilidad as :
P (A) =
posibles Casos
A para favorables Casos

En general, # = n, luego solo necesitamos contar los casos favorables para A, i.e. # A , y los
casos posibles (n) y es all donde aparecen las tcnicas de combinatoria para el conteo de estos
dos valores con los que la frmula de Laplace tambin se puede escribir de la siguiente manera :
()

Ejemplos:
1) Colocar r bolas en n celdas (problema de los bosones). Esto equivale a elegir una celda
para cada bola. En este caso:
= { ( )
i i
C C C : , ... ,
1
es el nmero de la celda de la i-sima bola con 1

}
2) : arrojar r veces una moneda.
( ) { } r i T H a a a a
i r
, ... , 1 ; : ...; ; ;
2 1
= v = = O
# 2 = O ; S = () ; # S =
2
2
Sea A S el siguiente suceso :
A = { no aparece ninguna cara (H) en los r intentos)
Sea P equiprobable; i.e. vale la frmula de Laplace, entonces:
; P()=
r
2
1

por lo que P(A) =
r
CP
CF
2
1
=

0

Observaciones : a) Dados objetos se quieren extraer (uno por uno) hasta obtener una muestra
aleatoria de tamao r. Este procedimiento puede hacerse con sustitucin, i.e. devolviendo cada
objeto extrado a la poblacin, con lo que este objeto puede volver a ser elegido; o puede hacerse
sin sustitucin, i.e. dejando cada objeto extrado fuera de la poblacin con lo que un objeto no
puede ser elegido dos veces.
b) Una muestra aleatoria es una seleccin de objetos al azar obtenida de una poblacin, de
manera que todas las muestras posibles de un mismo tamao tengan la misma probabilidad de ser
tomadas.
c) La combinatoria nos asegura que habr un total de

muestras con sustitucin y puede ser

r , es decir que puede suponerse que la poblacin es infinita aunque de hecho no lo sea.
Habr un total de
)! (
!
r n
n
V
n
r

= = n muestras sin sustitucin y ordenadas, con r .

Habr en total |
.
|

\
|
=

=
r
n
r n r
n
C
n
r
)! ( !
!
muestras sin sustitucin y no ordenadas , con r .
Ejemplo clsico (Problema de los cumpleaos)
Cuntas personas deberamos reunir como mnimo en una habitacin para suponer con certeza
que hay dos de ellas que cumplen aos el mismo mes y dia, sin importar el ao de nacimiento ?
: {Anotar la fecha (solo el mes y el da del ao) de cada persona i-sima; i = 1;;r }
( ) { }
i r
C C C C : ...; ; ;
2 1
= O Es el cumpleaos (mes y da o nmero de orden del dia del ao) de la
persona i-sima ; i = 1;; r . Entonces, la combinatoria nos dice que # = 36

. Supongamos P
equiprobable, o sea que no hay ninguna preferencia en los das del ao con respecto al nacimiento
de las personas. El evento que nos interesa analizar es :
A = {Hay dos personas (al menos) que cumplen aos el mismo mes y dia del ao}
Usaremos la propiedad del evento complementario : P(A) = 1 - P(

A) ; donde

A es el evento
en el que no ocurre A :
} { dia mismo el aos cumplen que personas dos hay no A =

? A P

Observamos que es ms sencillo calcular la probabilidad de que no ocurra A, utilizando la frmula
de Laplace :
CF 365 364 363 362 . . . . . 365-(r-2) 365-(r-1)
Persona 1 2 3 4 . . . . . r - 1 R
CP 365 365 365 365 . . . . . 365 365

Multiplicando los CF por un lado y los CP por otro en base a la independencia intuitiva de los das
en los que nacen las personas, podemos aplicar la frmula de Laplace :
(

)
,()-,()-

Luego,
P(A) = 1 - (

) = 1 -

Por ejemplo, en una habitacin con 5 personas ( r = 5 ) la probabilidad de que al menos dos de
esas personas cumplan aos el mismo da del ao es
P(A) = 1 -

= 1 - 0,9717 = 0,028 < 3 %

A partir de qu cantidad de personas tendremos una probabilidad mayor del 50% de encontrar al
menos dos personas que cumplan aos el mismo da y mes del ao?

Otro ejemplo clsico (Problema de la secretara sin memoria)
Una secretaria tiene que enviar n mails a n personas distintas, pero perdi las direcciones
electrnicas y entonces al olvidarse de la direccin de cada uno, las pone al azar. Cul es la
probabilidad de que ningn e-mail llegue a destino?
Direccin D1 D2 D3 . . . . . Dn
Sobre 1 2 3 . . . . . n

Para resolver este problema recordemos el concepto de
Permutaciones : es otro mtodo de conteo combinatorio. Un experimento aleatorio puede ser :

} ) , ..... , , ( : {
} { :
2 1 n
a a a
objetos n permutar
e
c
= O

# = n! ; S = ( ) ; # S =

; P equiprobable, i.e., ()

Definamos , para cada i = 1,2, . , n , el evento

+
Es decir que el evento A
i
se interpreta como que el i-simo e-mail llega a su destino.
Analizaremos este problema combinatoriamente aplicando en particular el concepto de
permutaciones simples de n objetos diferentes, los que en este caso son los n e-mails que debe
enviar la secretaria a sus n destinatarios distintos.
Observemos que en esta clase de situaciones podemos considerar indistintamente como objetos y
como lugares a los e-mails o a sus destinatarios, segn nos conviene para que el anlisis sea ms
claro y simple.
Vemos que entonces, por la Frmula de Laplace : (

()

, y para que dos

mails lleguen a sus destinos correctamente se tiene que, si , aplicando Laplace :
(

=
()

, y generalizando estos eventos, la probabilidad de que

e-mails lleguen al destinatario deseado es, por recurrencia de la expresin anterior :
(

()

, sin perder de vista que en general es

.
Entonces, resumiendo,
ker int 960 . 598 . 2 ) (
600 . 559 . 013 . 635 ) (
) ( ker
). (
1
)
1
1 ( 1 ) ( 1 ) ( :
) (
!
1
....
! 5
1
! 4
1
! 3
1
! 2
1
1
!
1
......
!
)! 3 (
.
! ) 3 .( ! 3
!
!
)! 2 (
.
)! 2 ( ! 2
!
1
)
)! 2 ( ! 2
!
( ,
!
1
.....
!
! ) 3 (
.
!
! ) 2 (
.
!
! ) 1 (
.
) ( ) 1 ( .. .......... ) ( ) (
) ( ) (
) ( ,
) ( ) ( ) ( ) (
!
! ) (
) (
. ) (
:
!
! ) 2 (
) (
,....,.... 1 ; ; , : ) (
!
! ) 1 (
) (
} . . ; {
52
5
52
13
1
2
3 2
1 ,
1 , ,
1
1
1
1
1
1
po de posibles as dist manos hay y
bridge de dif erentes manos Hay
f rancesa baraja po y bridge de Manos
ejemplo Otro
n cuando
e e
A P A P lmite el en que vemos Y
A P
n
n n
n
n
n
n
n
n
n
n
n
C
ejemplo por que recordando
n n
n
C
n
n
C
n
n
n
A P A A A P A A P
A P A P
es as electrnic s direccione conjuntos n a do generaliza que
B A P B P A P B A P
exclusin inclusin Teorema el ahora Aplicamos
A A general en siendo
n
k n
A P
destino a llegan mails e k que e i A P
n k si general en
n
n
A A P
n j i j i con destino su a llegan sima j y sima i mails los A A P
Cp
Cf
n
n
A P
correcta es direccin sima i la e i lugar su en est a A
i
n
i
n
n n
n
j i
n
e j i
e j i
i
n
i
n
e j i j i
n
i
i i
n
i
j i
k
i
i
k
i
i
j i
j i
i
i i
=
=
= =
= + + + =
+

=
+

=
+ +
=
+ =

=

=
= =
=

=
=
=
=
= =
=
=

=
=
=
=

Probabilidad condicional
Dado un E.P (,,S,P) , supongamos que ocurre un evento cualquiera A S con P ( A ) > 0.
Ya sabemos que P ( ) = 1 .




Sea B otro evento cualquiera, B S. Nos hacen saber que ya ocurri A.
Una vez que sabemos que ya ocurri A , queremos conocer la probabilidad de que ocurra B, pero
ahora teniendo en cuenta la nueva informacin de que ya ha ocurrido A, i.e. el espacio muestral
se reproduce al evento A (pues no puede ocurrir ), y entonces, a partir de ahora debemos
considerar A = .
Luego, ocurrir B solamente si ocurre AB en A = .





Entonces, la probabilidad de que ocurra B, dado que ya sabemos que ocurri A, es la siguiente:
P(B/A) =
) (
) (
A P
B A P

donde A se denomina evento condicionante y B evento condicionado. La expresin anterior es la
definicin formal de probabilidad condicional y la utilizaremos de aqu en ms.
Independencia de Eventos
Una consecuencia inmediata de la definicin de probabilidad condicional es que si tenemos dos
eventos A y B que no influyen o inciden cada uno en la ocurrencia del otro, esto es tales que
P (A / B ) = P(A) y P ( B / A ) = P(B)
A B
A= ` B
Pero entonces, si reemplazamos por ejemplo la segunda de estas igualdades en la definicin de
probabilidad condicional, concluimos que si dos eventos A y B son independientes, entonces
( ) ( ) ( )
que es la condicin de independencia de eventos y juega un papel importante en la Teora de
Probabilidades.
Otra consecuencia de la definicin de probabilidad condicional que hemos dado y que en
apariencia es trivial pero que aportar interesantes efectos, es que
( ) (

) ( ) , indistintamente, ( ) ( ) ( )
Con estas dos consecuencias encontraremos una frmula y un teorema bsicos en la probabilidad
condicional :

Frmula de la Probabilidad Total
Sea un E.P( ,,S,P)




Tomemos en ese E.P. una coleccin de eventos { } S A
n
k k
_
=1

que formen una particin de , i.e.
| = = = = = O

=
=
j
n
k
i k k
n
k
A A es n j i e i disjunta unin A A
1
1
,.... 1 , . , (
Sea B otro evento cualquiera , B S




Luego, tenemos que
A
j i
A A i
A
n
A
2

A
j i
A A i

A
n
A
2


B
}
) ( ). / ( ) (
) ( . ) / ( ) (
,
...... 3 , 2 , 1 , , {
. , ) 2
0 ) (
, " " ) 0 ) ( (
) (
) (
) / (
) 1
:
) ( ) ( ). / ( ) ( ) (
: (*)
(*) ) ( ). / ( ) (
) (
) (
) / (
,
0 ) ( ) ( ( ) ( , ,
. } ,.... 1 { lg . , min lg
) ( ) ( ) (
!
1
1
1 1
1 1
1
1
n n n
n
n n
I
j i n n n
n
k
k k
m
k
k
n
k
n
k
k k
i
n
k
k
n
k
k
A P A B P B A P
es N n que ya A P A B P B P
vale S B si
y A A es j i con j i y A con S A si
e i numerable ser puede total ad probabilid la de f rmula la para de particin La
A P con
nulos eventos nunca y A P positiva ad probabilid tenga que evento un solamente tomar podemos
A P
B A P
A B P
l condiciona ad probabilid una en A evento Como
nes Observacio
total ad probabilid la de f rmula A P A B P A B P B P
queda B en aplicando y
A P A B P A B P
A P
A B P
A B P
que sigue l condiciona ad probabilid la de f rmula la de Pero
A B P A B P B P P de f inita aditividad la por Entonces
A B ser puede n i unos a para e i vacos ser pueden os tr unos a
disjunta unin A B A B B
=
e =
e
= = = O = _
O
=
>

=
= =
=

=
= = =
= e
= =

=
= =
= =
=
=
|
|

Teorema 6 ( de Bayes )
(Rvdo. Thomas Bayes Carpenter, Londres 1701 Tunbridge Wells, Kent, 17/IV/ 1761)
Este famoso teorema fue publicado post mortem en 1764, en un artculo titulado Essay towards
solving a problem in the doctrine of chances de la revista cientfica Philosophical Transactions of
the Royal Society of London, a la que fue enviado por un amigo de Bayes llamado Richard Price.
Tambin se lo conoce como teorema de las causas, y su enunciado es el siguiente :
{ }
3 / 1 ) ( , 6 / 1 ) ( ; 2 / 1 6 / 3 ) (
). ( ) ( , , 3
: ) (
) ( ). / (
) ( ). / (
) / (
: ); 1 ) 3 ) 2 Re
) 3 ( ) ( ). / ( ) ( ). / ( ) (
: ) ( ,
) 2 ( ) ( ). / ( ) (
) (
) (
) / ( , ,
) 1 (
) (
) (
) / (
,
:
) (
) (
) (
) ( ). / (
) ( ). / (
) / (
: ". " min
.
. , 0 ) (
: , ) , , , (
1
1
1
1
1
1
= = = =
=
= =
=

= =
e e > = O = = _
O O

=
W P V P U P
tiene se dado un a base En N negras y B blancas bolas con W V U cajas Tenemos
Bayes de T del Ejemplo
H P H B P
H P H B P
B H P
resultado al llegamos en y emplazando
H P H B P H P H B P B P
da generaliza total ad probabilid la de f rmula la por Adems
H P H B P B H P
H P
H B P
H B P vez su a Pero
B P
B H P
B H P
l condiciona ad probabilid de def inicin por que Sabemos
n Demostraci
l condiciona ad probabilid de f rmula
B P
B H P
H P Hi B P
H P H B P
B H P
Entonces causas aremos deno los H eventos los A
arbitrario suceso
un S B Sea N n H P con H y j i si H H con S H
numerable o f inita de particin una sea y P S EP un Sea
n
j j
j j
j
N
j j J j
n
j j j
j
j
j
j
j
j
i
i
j j
j
n
n
n n j i n n
|
c



U V W
Sea : se arroja un dado y si sale 1,2 o 3 se extrae una bola de la caja U, si sale un 4 de la caja V
y si sale 5 o 6 de la caja W ; y se anota el color de la bola extrada. Sea el evento A S,
A = { la bola extrada es blanca (B) }
P(A)?
B N N N B B
N N N
B B B
A = A ) ( ) ( ) ( W A V A U A + + = O
P(A)=P(A ) ( ) ( ) W A P V A P U + +

% 44
9
4
18
8
18
3 2 3
6
1
9
2
6
1
) ( ~ = =
+ +
= + + = A P Luego

Calculamos, aplicando el T de Bayes, las probabilidades de las causas.
En esta situacin, podemos considerar a las urnas como las causas.
Una vez calculada la probabilidad total, i.e. el denominador del T de Bayes, podemos evaluar las
probabilidades condicionales de cada causa.
Una posible utilidad de este teorema es comparar las probabilidades de cada causa, para
establecer una pauta de adjudicacin de responsabilidad a la causa cuya probabilidad sea
mayor.
Ahora calcularemos la probabilidad de que si la bola extraida es blanca, haya provenido de la urna
V. Queda como ejercicio el clculo de las probabilidades anlogas de las otras urnas y de su
comparacin- establecer cul es la urna ms probable de la que provenga una bola blanca.
6 / 1 3 / 1 . 6 / 3 ) ( ). / ( ) (
9 / 1 6 / 1 . 3 / 2 ) ( ). / ( ) (
6 / 1 2 / 1 . 3 / 1 ) ( ). / ( ) (
= = =
= = =
= = =
W P W A P W A P
V P V A P V A P
U P U A P U A P Pero
| |
0 ) ( 0 ) ( ) (
0 ) ( 0 ) ( ; , , ) , , , (
:
) ( ). ( )) ( 1 ).( (
) ( ). ( ) ( ) ( ). ( ) ( 1 ) (
)) ( 1 ).( ( ) ( ) ( ). ( ) ( ) ( ) ( ) ( ) ( ) (
) ( 1 ) ( )
) ( ). ( )) ( 1 ).( ( ) ( ). ( ) ( ) ( ) ( )) ( ( ) ( )
) ( ). ( )) ( 1 ).(( ( ) ( ). ( ) ( ) ( ) ( )) ( ( ) ( )
:
)
)
)
: ) , (
) , , , (
: 7
. ,
). (
) (
) ( ). (
.
) (
) (
) / ( : . ) (
) (
) ( ). (
) (
) (
) / ( , ,
) (
) (
) / ( :
) ( ). ( ) (
.
, ) ( , ,
) , , ( :
) (
% 25 4 / 1
9 / 4
9 / 1
6 / 1 9 / 1 6 / 1
9 / 1
3 / 1 . 2 / 1 6 / 1 . 3 / 2 2 / 1 . 3 / 1
6 / 1 . 3 / 2
/ ( ) ( ). / ( ) ( /). / (
) ( ). / ( (
) / (
> > =
> > e O

= =
= =
+ = + = + =
= =

= = = = =
= = = = =
e
O
=

= =
=

=
=
e
O
~ = =
+ +
=
+ +
=
+ +
=
B P y A P s excluyente mutuamente B y A B A si Entonces
B P y A P S B A P S EP
n Observaci
ntes independie son B y A
B P A P B P A P
A P B P A P A P B P A P B A P
A P B P A P B P A P B P A P B A P B P A P B A P
B A P B A P B A P iii
ntes independie son B y A
B P A P B P A P B P A P A P B A P A P A B A P B A P i
A P B P A P B P B P A P B P B A P B P B A B P A B P ii
n Demostraci
B y A iii
A y B ii
B y A i
ntes independie son tambin entonces S B A ntes independie eventos son B y A Si
P S EP un Sea
Teorema
es dependient sucesos son entonces ntes independie
son no B y A Si B P
A P
B P A P
A P
B A P
A B P manera misma la De A P
B P
B P A P
B P
B A P
B A P ntes independie son B y A si
B P
B A P
B A P como n Observaci
B P A P B A P
si e i
f actorizar puede se simultnea ocurrencia su de ad probabilid la si ntes independie son eventos S B A
que recordemos P S EP Def inicin
es dependient Eventos
A P
W A P V P V A P U P U A P
V P V A P
A V P
c C
C C C
C C C C
c C C
C
C C
C C
c c
C
c
|
c
c
{ }
{ } { }
{ } { }
{ }
{ }
{ }
ntes independie son F y E F E P F P E P
F E P
F P E P
M V V V M V V V M F E
F y E ntes independie Son
M M V M V V V M V VM M V M M V V M F
V V V M V V V M V V V M E
antes que igual F y E le equiprobab P
P S S
i M o V h h h h
o an el con hijos con parejas Tomemos
ntes independie son no F y E
F E P F P E P
yF E ntes independie Son
F P F E P F F E
F P E P
m v v m sexo cada de hijo un F
m v v m v v mujer una sumo lo a E
S F E Sean
P S S
V V M V V M M M
nte ordenadama hijos los de sexos los obser y hijos dos con pareja una azar al elegir
Ejemplo
B A s excluyente mutuamente son no sea o disjuntos son no
entonces y B A P B P A P B A P si e i ntes independie son si Viceversa
es dependient e f uertement son e i B ocurre no que sabemos A ocurre Si
ntes independie ser
pueden no s excluyente mutuamente eventos dos e i entes indenpendi son no B y A Luego
i
= = =
=
= = = =
=
=
=
O = = = O
)
`

= =
= O

= = = =
= = =
= =
= =
= =
e
O = = = = O
= O
=
= =
) (
8
3
4
3
.
2
1
) ( ). (
8 / 3 ) (
4 / 3 8 / 6 ) ( ; 2 / 1 8 / 4 ) (
) , , ( ), , , ( ); , , (
?
) , , ( ), , , ( ), , , ( ), , ( ), , , ( ), , , , (
) , , ( ), , , ( ), , , ( ); , , (
, ,
) ( , 2 # ; 8 # ;
3 , 2 , 1 ; : ) , , (
log 3
) (
2
1
8
3
2
1
.
4
3
) ( ). (
?
2 / 1 ) ( ) (
2 / 1 ) ( ; 4 / 3 ) (
) , ( ); , (
) , ( ); , ( ); , (
: ,
) ( , 16 2 # , 4 #
; ) ; ( ); ; ( ); ; ) , (
. var :
:
. , ,
0 ) ( ) ( ). ( ) ( . , ,
) . . ( ,
.
. .
8 3 2 1
4
c
c
|
{ }
|
c
c
el por
toman se no unitarios os subconjunt de cantidad la n
eventos elementos n con conjunto un de os subconjunt de cantidad
donde ecuaciones n son A A A eventos n para general En
D P B P A P D C B A P D P C P D C P
D P C P B P A P D C B A P
C P B P A P C B A P B P A P B A P
D P C P B P D C B P D P B P D B P C P A P C A P
D P C P A P D C A P C P B P C B P D P A P D A P
ecuaciones o s condicione son eventos Para
C P B P A P C B A P
C P B P C B P
C P A P C A P
B P A P B A P
s condicione son C B A eventos Para
B P A P B A P
condicin sola una cumplirse debe ntes independie sean B A eventos dos que Para cordar
nte independie e simplement llamaremos la as n subcolecci una A
A P A P cumple se
si N n o si n con y n k con A A A f inita
n subcolecci si nte independie totalmente es S Sea P S EP
ntes independie totalmente ntes independie mutuamente Eventos
B P A P B A P que cumple se B A
si pares a de ntes independie Son eventos de cualquiera coleccin una S Sea
p s EP pares a de ntes independie Eventos
eventos dos de mas a cia independen de idea la mos Generaliza
n
n
n
k
i
i i
k
i
k
=
=
=

= =
=
= =
= = =
= = =
=
=
=
=
=
=
> e < s = _
_ O
= e
_
O
[
=
=
1
) (
) ( 2
, 1 2 ,.... , ,
) ( ). ( ). ( ) ( ); ( ). ( ) (
) ( ). ( ). ( ). ( ) (
); ( ). ( ). ( ) ( ); ( ). ( ) (
) ( ). ( ). ( ) ( ); ( ). ( ) ( ); ( ). ( ) (
) ( ). ( ). ( ) ( ); ( ). ( ) ( ); ( ). ( ) (
: 11 4
) ( ). ( ). ( ) (
) ( ). ( ) (
) ( ). ( ) (
) ( ). ( ) (
: 4 , , 3
) ( ). ( ) (
. , , : Re
". " ,
). ( ) ( :
# , # , # ; ,..., , 4 , 3 , 2 , ,...., ,
; . ) , , , (
: ) (
) ( ). ( ) ( ,
.
) , , , ( :
:
2 1
1
1
0 2 1

Variable aleatoria
Introduciremos ahora unas funciones de suma importancia en la Teora de Probabilidades que se
aplican a los eventos y toman valores en R, a las que les asignaremos las probabilidades
correspondientes. Este concepto de variable aleatoria, al que abreviaremos r.v. (random variable)
nos evitar el problema de los que no estaban compuestos por objetos matemticos.
Esto lo haremos tambin para cuantificar los posibles resultados y eventos, y as unificar los
espacios muestrales numricamente, quedndonos solo con un nico que ser R.
Definicin : Sea un EP (,,S,P). Una funcin real
{ }
" " . ) , , , ( . . ) ), ( , , ( . :
). ( ) ( , ) ( : ) ( ,
, ) " var " , . ( var :
1
R P E nico este a P S P E otro cualquier remitimos y P R R f ijo P E R
R de eventos borelianos los son R donde S w X w B X B
que cumple se si iable random v r aleatoria iable una es R X
O
= e e = e
O

c | c
| | | |

Otra definicin ms operativa de variable aleatoria r.v. es esta : basta con exigir que las imgenes
inversas de las semirrectas de R a travs de la funcin X sean eventos de S, ya que los borelianos
de R ( | (R)), pueden generarse a partir de las semirrectas mediante operaciones a lo sumo
numerables de . , , , , , etc
c
A
Luego, { } . ) ( : ]) , (( , : . . :
1
S x w X w x X R x si v r una es R X e s O = = e O


Da lo mismo tomar otras semirrectas, tales como (- ; x ) ; [ x , + ) ; ( x ; + ) para definir
una r.v. X. Resumiendo lo expuesto, podemos decir que
si .) . ( var , ] , ( ,
1
v r aleatoria iable una es X entonces S x X x e 9 e



Teorema 8 :
( Las operaciones racionales entre r.v., son r.v. )
Este teorema nos garantiza que la clase de funciones reales que constituyen las r.v. es muy amplia
e incluye a la mayora de las funciones matemticas ya estudiadas en el Anlisis Matemtico o en
los cursos de Algebra, lo que en cierto modo nos da la seguridad de no caer fuera de este
importante conjunto de funciones.
{ }
{ } { }
{ } { }
{ } { }
S
x si
x si
x si A
x si A
x si
x X
X Sea
A w si
A w si
w
v r una es Entonces S A Sea
v r una es tica caracters o indicatriz f uncin La
Ejemplo
QED S en eventos son como Tanto
x si x si x w X w x Y
X Y Sea ii
v r es X pues S en eventos son como Tanto
b x si b X si b x w X a w x Y
a
v r es X porque S
a
b x
w X w S
a
b x
w X w x Y
a
v r es X porque S
a
b x
w X w x Y
a
des posibilida tomemos Ahora
b x w X a w x b w X a w x Y i
n Demostraci
v r son tambin
w X w si
X
Y iii
X Y ii
b X a Y i
Entonces R b a sean y P S EP un en v r X Sea
C
C
A
A
A
A
c
e

> O
= O
< s
=
<
=
=

e
e
=
e
O
< > O = s O e =
=
O
< > O = s O e =
=
e
)
`

< O e =
)
`

> O e =
<
)
`

s O e =
>
s O e = s + O e =
= = =
=
+ =
e O

1
1
1 0
0
0
] , (
0
, 1
) (
. .
) . , (
1
.
0 , 0 ) ( : ] ; (
)
. . ,
0 , 0 , ) ( : ] ; (
0 ) 3
. ) ( : : ) ( : ] ; (
0 ) 2
. . ) ( : ] ; (
0 ) 1
: 3
) ( : ) ( : ] , ( )
:
. .
0 ) ( : (
1
)
)
)
: . , , ) , , , ( . .
1
2 1
2
1
1
1
1
2
|
_
_
_
_
|
|
|
|
|
c

{ }
e e
c
en H caras de nmero el X
as v r X una Def inimos
S Card P S TT TH HT HH
regulares monedas dos lanzar
Ejemplo
) ( ) (
: . .
16 2 ); ( ; , , ,
:
: 2
4
=
= = O = = O

e X ( e )

9 e = } 2 , 1 , 0 {
HH 2
HT 1
TH 1
TT 0

. .
2
2 1 } , , {
1
0
] ; (
1
v r es X S
x si
x si HH TH HT
x si TT
x si
x X e

> O
< s
< s
<
=

|


Distribucin de probabilidades de una r.v. X
Si X es una r.v. sobre un EP (,,S,P), induce otro EP (,,(R),Q) por medio de la siguiente
relacin entre eventos y la preimgen de X :

{ } B X P B X P B Q R B e O e = = e

) ( : )) ( ( ) ( , ) (
1
e e |
Llamaremos a esta nueva probabilidad Q = ) (
1
X P , la distribucn de probabilidades de la r.v.
X en su nuevo EM que ahora es R .
Funcin de Distribucin Acumulada (o simplemente Distribucin) de una r.v. X
Sea X una r.v. sobre un EP (,,S,P). La funcin de distribucin acumulada o simplemente
Distribucin de la r.v. X es una funcin real F : R R , tal que cumple los siguientes axiomas:
i) F es no decreciente
ii) F es semicontinua a derecha
iii) F ()= 0
iv) F (+)
Tambin se la denomina Funcin de Distribucin Acumulada. Nosotros la llamaremos
distribucin.

Cmo se define una distribucin F ?
{ }
{ }
{ } x X P
x X P
x w X w P x F
R x Si
s =
=
s O e =
e

] ; (
) ( : ) (
,
1


Observacin
Existe una correspondencia biunvoca entre las r.v. y las distribuciones
X F

En el ejemplo 2 anterior se tiene:
- Probabilidades de X (suponemos que en (,,S,P), P es equiprobable

P()
HH
HT
TH
TT

Ejemplo 3
: se arrojan dos dados distinguibles, por ejemplo uno azul y otro rojo
X() F(x)
0
1
2
{ } { }
conjuntas ades probabilid sus Veamos
y x Z
aleatoria iable una Def inimos
S S
y x y x
+ =
= O =
= O
e = O
var
2 # ; ) (
36 #
6 ; 5 ; 4 ; 3 ; 2 ; 1 , : ) ; (
36

z Q(z)
2 1/36
3 2/36
4 3/36
5 4/36
6 5/36
7 6/36
8 5/36
9 4/36
10 3/36
11 2/36
12 1/36

Veamos la distribucin de Z (acumulada)
Cunto vale F(x) ?

=
= = + + + + =
= s = s =
8
2
18 / 13 36 / 26 ) 8 ( .... ) 4 ( ) 3 ( ) 2 ( ) (
36 / 36 ) 8 ( ) ( ) (
k
Q Q Q Q k Q
Z P x Z P x F

Por ejemplo:
Q ( 6 ) = F(6) F(5) = 15/36 -10 /36 = 5/36
e.g : En qu punto (valor de Z) se alcanza la mitad (0,5) de la distribucin total ?
Observamos quien es F
1
(0,5) y vemos que en Z = 7 se sobrepasa por primera vez ese valor .
Este valor recibe el nombre de cuantil central o Mediana, y es una medida importante de la
tendencia central o de la posicin de la r.v. Z
Y cul es el primer cuantil? F
1
(1/4) = 5
Recordemos siempre que una distribucin F de una r.v. X, es SCD (semicontinua a derecha) , i.e.
x t
x t x t
t F t f x F x
>

= = 9 e
+
0 0
0 0
) ( lim ) ( lim ) ( ,

Observacin : la buena definicin de una distribucin F depende del orden usual que consideramos
habitualmente en R, ya que si queremos obtener un cuantil cualquiera F
1
(y) , con y [0,1] es
el orden real lo que nos provee de un nico resultado.
Al no existir un orden como el real , i.e un orden total, en R
n

con n >2, se dificulta mucho
definir una distribucin all. Este problema se estudia en una especialidad de la teora de
Probabilidades denominada cpulas ptimas.
Variables aleatorias discretas
Una r.v. X sobre un E.P (,,S,P) es discreta si
0
# , s c - E R E , i.e E un conjunto
numerable a cuyos elementos

llamaremos tomos o valores admisibles por la r.v. X, tal

que P { X E } = 1, i.e. si X toma una cantidad a lo sumo numerable de valores

, con
en el caso finito, y con en el caso infinito numerable, (notemos que cada

E e

es un
boreliano porque

=
= =
= = = O e
= =
e + s < =
1
1
1
. 1 ) ( . .
, 1 . } ) ( : {
, , ) ( . ;
) ) ( )
1 1
( } {
i
i
i
i i
i i i i
i i i
n
i
x X P e i
pi que cumplir debe se Entonces p x X P
si sea o p x X P e i p ad probabilid una con x valor cada toma X si y
R E que tiene se entonces y
n
x x
n
x x
e e
|

Al conjunto de todas las probabilidades

=1
} {
i i
p se lo llama masas probabilsticas o pesos de
los tomos *

+ , cargas, o simplemente distribucin de probabilidades de la r.v. X.

Cmo funciona la distribucin (acumulada) en una r.v. discreta?
Si F es la distribucin de la r.v. discreta X
: . . :
) ( ) ( ) (
:
) ( } { ) (
as escribir puede se tambin discreta v r una es X si Truncacin
x F x F x X P
atmicas ades probabilid calcular pueden se
x X P P x X P x F
i i i
x xi
N i x xi
i i
= =
= = = s =

s
e s

X de ades probabilid las son R P
n Observaci
x x si x x si x x P x F entonces
x si
x si
x
truncacin la def inimos si Adems
w X x w X es x X A xon S A
N k k
i i
i
i i
i
A i i
+
e

=
_
< = > = =

< >
>
=
= = e

0
1
1
} {
:
) 0 ; 1 ( ) ( . ) (
0
0 0
) (
: .
) ( . ) ( } { ,
c
c
c

Variable aleatoria continua (segundo tipo de r.v.)
Una r.v. X sobre un
? . .
) , ( ) ( . ) ( ) ( ) (
?
1 ) ( : ,
, 0 ) ( ) ( , ) ; ; ; ( . .
continua X v r la de n distribuci la comporta se Cmo
A sobre f f uncin la bajo rea dx x X x f dx x f A P
X con ades probabilid calculan se Cmo
dx x f R R f R x
x f que tal f dp densidad llamada f f uncin una si continua es P S P E
A R
A
R
} }
}
= =
= e
> - O c
SI f es la distribucin de la r.v. continua X , se tiene que
} }


= =
x
R
x
dx x X x f dt t f x F
] ; (
) ( . ) ( ) ( ) (
(Para ello, F debe ser absolutamente continua)
Se pueden calcular probabilidades con la distribucin F:
}
= = < < = e
b
f
dx x f a f b f b x a P b a X P ) ( ) ( ) ( } { ) ) , ( (
Observacin: puede darse que la densidad f no sea una funcin continua , en cuyo caso la
distribucin tampoco lo es, aunque si es SCD
Cmo obtener (recuperar) la densidad f de una r.v. continua conociendo la distribucin F?
Si F es la distribucin de la r.v. continua X que tiene densidad f, y si F es absolutamente continua y f
es continua en un punto x eR , entonces:

{ }
{ }
{ } { }
{ } { } { } { } { }
0 ) ( 0 ) ( ,
), ( ) ( ) (
{
00 100
) (
: ,
}, { , , ......
lim } { :
? " " . .
. .
1 ) (
0 ) ( , :
:
, log
) ( '
) (
) (
1
00
!
3 2 1
= = > =
= = = = s < = s <

= = =
s < = < < < <
<

s < = =
-
=
> e

= =
<

=
=
+

}
a X P si a en continua es F y a X P si A en a discontinu es F Luego
t F Lim a F a P a X P a x t P Lim t F a F a x t P
X de on distribuci la es F si Entonces
n n
a P An P Lim a An A Lim
luego S en e decrecient es A
que tenemos a X t A y a t con reales a t t t
tomamos si porque hacer puede se Esto
a t
a t
a x t P a X P escribir puede Se
a punto solo un en X continua v r una f unciona Cmo
X de densidad la es f que tal X continua v r una entonces
dx x f
x f R que tal
R R f
f uncin una tenemos si discreto caso al amente An
x F
dx
x F d
x f
a t
a t
n
n
n n
n n
n
n

Ejemplo 4 (una r.v. continua)
X r.v. con densidad
F(x) =

s s
s <
parte otra en
x si x
x si x
0
2 1 2
1 0

1 ) ( 2 2
1
2
2 ) ( 2 1
2
) ( 1 0
0 ) ( 0
:
2 1
2
1 2
2
1
2
2 2 2 1 ) 2 (
1 ' 0
2
0 0
) ( ) (
1
2
1
2 2 4
2
1
2 2
2
) 2 ( ) ( ) (
:
2
2
00 2
0
2
1
2 2
0
2
00
0
2
1
1
0
2
1
2
1
2
2
= >
= s s
= s s
= s

>
= + + s s +
s < =
s
= =
=
+ + =
+ = + = =
}
} }
}
} } } } } }
}

+
+ +
x F x si
x
x x F x si
x
x F x si
x F x si
n Distribuci
x si
x
x
x
x x si t dt t
x si
x
dt t
x si
dt t f x F
x
x
x
dx x dx x dx x f dx x f
densidad es f
x
x
R

Variable aleatoria binomial
(,,S,P) ={A, A }
c

: Repetir n (fijo) veces un experimento aleatorio , bajo las mismas condiciones y observar la
ocurrencia o no de un suceso fijo A eS , cuya probabilidad p= P(A) es constante.
Las repeticiones de deben ser totalmente independientes.
Definimos la variable aleatoria binomial X del siguiente modo:
X: la cantidad de veces que ocurre A en las repeticiones de .
Valores asumibles por X: 0,1,2,3,5,,n (n+1 valores)
X r.v. discreta finita
Las probabilidades con las que la r.v. X toma cada valor posible k e{0,1,2,.,n} son las siguientes
(el modelo binomial)
entos n los en xitos k los obtener de cantidad la indica
n k p p k X P
k n k
n
k
int
,..., 2 , 1 , 0 ) 1 .( ) ( ) ( = = =


Ejemplo1:
Un bateador de bisbol tiene un promedio de bateo de 0,352 . En un partido se lanzan 10 bolas.
Cul es la probabilidad de que batee 6 bolas?
n= 10
k=0,1,2,3, . ,10
A= {el bateador impacta la bola}
Notacin: ) , ( p n X | ~
(X sigue una distribucin binomial en parmetros de n y p)
Si p= la forma tiende a ser simtrica y el mximo se ubica en los valores medios de k
En efecto si p=P(A) = 1- p = y P(X=k)= (
k n k n
k
q p

. ) =
Pascal de tringulo
n n
k
k n k n
k
)
2
1
).( ( )
2
1
.( )
2
1
).( ( =

P marca la distancia de los escalones
Supongamos que el promedio de bateo es 0,5. Cul es la probabilidades mxima y a qu
cantidad de impactos corresponde? (Tringulo de Pascal)

Variable aleatoria uniforme
Una r.v. X continua sobre un E.P (,,S,P) es uniforme en un intervalo (a;b) si su densidad es
} } } }

= =
e =
e

=
x
a
x
a
x
a
x
a
a b
a x
a x
a b
t
a b
dt
a b
dt
a b
dt t f x f
n distribuci Su
b a x si x f
b a x si te cons
a b
x f
) .(
1
) (
1 1 1
) ( ) (
:
) ; ( 0 ) (
) , ( ) tan (
1
) (



Variable aleatoria de Poisson
(Denise Simeon Poisson (1781-1840)
Si tenemos un intercalo en R , o una regin (recinto) en R
2
a un volumen en R
3
,etc, y en l
tenemos colocados (arrojados) al azar un gran nmero de objetos que nos interesan:
- rboles en el mapa de un bosque o plantas en una plantancin (R
2
)
- Llamadas telefnicas en un intervalo de tiempo (R)
- Bacterias en un recipiente de lquido (cartn de leche) (R
3
)
- Gotas de lluvia que caen en un patio (piso) (R
2
)
Sea > el nmero de puntos distinguidos (en promedio) en una unidad de longitud, rea, volumen ,
etc. del recinto en cuestin.
Entonces definimos la r.v. (discreta) de Poisson , X como la cantidad de puntos o elementos
notables ( distinguidos) que puedo encontrar al tomar la unidad (de longitud , superficie, volumen,
etc) al azar. Los valores discretos que puede tomar X son
k = 0,1,2,3, .,, (discreto numerable)
las probabilidades con las que una r.v. de Poisson X, toma sus valores admisibles son:
,... 3 , 2 , 1 , 0
!
.
) ( = = =

k
K
J e
k X P
k A

Observemos que : 0 >= J
Notacin: si X r.v. sigue una distribucin poisscriana, notaremos X . ) (> ~ D Recordemos que si X
) , ( p n | ~ tiene dos parmetros. En cambio, si X ) (> ~ P tiene un solo parmetro.
Un parmetro de una distribucin o r.v. , es un nmero fijo que caracteriza a esa r.v.
Ejemplo : supongamos tener una poblacin de tomates tal que el promedio de plantas por metro
cuadrado es 4,5. Si se toma un metro de cuadrado al azar y se cuentan las plantas. Cul es la
probabilidad de encontrar 8 plantas? Y de no encontrar ninguna planta?
) (
. ; ) ( 0 ) ( ,
!
) 5 . 4 ( .
) (
: 5 . 4 ?
5 . 4
J P X de n Distribuci
origen al aleja se mx el decrece J si aleja se crece mximo el entonces crece J Si
N k
k
e
k X P
s encontrada plantas de cantidad X J
k
~

e =
=

1 . ) . (
!
.
!
) .(
, 1
!
) .(
) (
1 ,
8247 . 0
!
) 5 . 4 (
.
!
) 5 . 4 .(
) ( ) 6 ( ) 5 ( ) 4 ( ) 3 ( ) 2 ( ) 8 ( ) 0 (
) ( ) 7 . 6 ( ) ( ) (
0 0 0 0 0
6
0
5 . 4
6
0
6
0
5 . 4
7 . 6
= = = = = =
= =
= = = = + = + = + = + = + + = =
= = = =

=

=
=

= =

e s

j j
k k
k
k
j
k J
k
k J
k
k
k
K k
k
x k k
e e k x P
k
J
e
k
J e
pero
k
J e
k x
dar debe ades probabilid las de serie la vlida es n distribuci esta que comprobar Para
k
e
k
e
k x P X P X P X P X P P X P X P
k x P f ejemplo por k x P x f

Funcin de una variable aleatoria
Sea X r.v. y f: R R una funcin real Cundo f(x) = f. X = y es otra r.v. ?. y Cul ser su
distribucin?
Definicin: funcin medible Borel. Sea Q : R R una funcin real. Diremos que es medible Borel o
B- medible si ) (R | | e se cumple que ) ( ) (
1
R B | e

(es boreliano) , i.e. es B- medible si

las imgenes inversas de borelianos son bordianos
Teorema 9:
Sea X r.v. es un E.P (,,S,P) con distribucin F, y : R R es B- medible, entonces :
y= o X = (X)
es una r.v. y su distribucin G(y) es conocido
Demostracin:
. . ) ( .
]} ; ( : { } ) ( : { ] ; (
] ; (
, ] ; ( . .
1 1
1
v r es X y Luego S A con
A y y x R x y x R x y y
y y
boreliano un ser debe inversa imagen su R y a semidirect q p D

= e
= e e = s e =

Adems , si G es la distribucin de Y:
{ } { } { } ] ; ( ) ( ) (
1
y x P y x y P y y P y G e = s = s =


Ejemplo 1:
Sea X r.v. una distribucin F
Entonces f(x) =(X) es otra r.v. Porque y= f(x)= |x| es B- mediable. Su distribucin G(y) es por
definicin
) ( ) ( ) 2 ( } { } | {| } ) ( { ) 1 ( } { ) ( y F y F y x y P y x P y x f P y y P y G = s s = s = e = e =
Puedo calcular la distribucin acumulada de la nueva r.v. (y) usando la distribucin acumulada de
la vieja r.v. X (f)
El evento (1) en y equivale al evento (2) en X, i.e la imagen inversa por f de una semirrecta (1) es
un segmento (boreliano) (2) en X, luego f es B- medible y as y es r.v.
Ejemplo 2:
3 ) (
,..... 2 , 1 , 0 ,
!
.
) (
: . . , ) (
2
+ = =
= = =
~

x x y f uncin la Sea
k con
k
J e
k X P
a poissonian X e i J P X Sea
k j

Es y r.v.? ; Cul ser du distribucin si es r.v.?
La transformacin de los valores que asume X r.v. es: ke {0,1,2,3,4,5 .} {3,4,7,12,19,28,}
X Y
Nuevamente y siempre voy a poder escribir la distribucin acumulada de la vieja r.v. (X).
Teorema 10: Densidad de una funcin de una r.v.
Sea X una r.v continua con densidad conocida f, y sea y=g (x) con g: R R , diferenciable R xe y
montona creciente (i.e. con g (x) > 0, R xe ) o decreciente (i.e. con g (x) < 0, R xe ).
Entonces y= g(x) es r.v. continua y su densidad es
:
) ( . 0
) (
) ( , . 0 ) ( ' , . ; ) ( :
, ,
)) ( ; ( max(
)) ( ; ( ( min
:
)
) (
)].( ( [ ) (
1
1
1
1
1
H llamaremos que la a y de n distribuci la usando
def inicin por calcular de posible es x g y de densidad la Entonces
dy
y dg
dy
dx
ademas y y g existe Luego x g R e i creciente y x g sea n Demostraci
ser pueden Incluso
g g b
g g
siendo b y donde
dy
y dg
y g f y h
y

= < = -
= > - e =
+ =
+ =
+ =
< <
=
o
| o
o
o

| o
o
| o
o
< < = =
= =
= + =
< = = =
=
s = s = s = s =
< - =
+ = =
< < = = =
= = s = s = s =
=
s = s = s =

y con y g x
dx
x dg
x f
y h
que dice nos T el entonces y g x
x dg dy
d
que tiene se como n Observaci
X v r la de n distribuci la es f Aclaracin Teorema el sigue resultados ambos Unif icando
e decrecient es g porque g b y g
donde c y con
dy
d
y g f
dy
d
x f
dy
dx
dx
dh
dy
y h d
y h
es x g y v r la de y h densidad la Deerivando
y g x P y g x P y x g P y y P y H
o an desarrollo un tenemos x g e i e decrecient es y x g contrario el por Si
g b g a con
b y
dy
d
y g f
dy
dx
x f
dy
dx
dx
df
y g F
dy
d
y g F
dy
d
g x P
dy
d
y x g P
dy
d
y y P
dy
d
y h y H
x g y v r la de y h densidad la obtenemos y H Derivando
e decrecient
es x g porque mantiene se d desigualda la y g x P y x g P y y P y H
a
y g
y g y g
y g
, ) (
) (
) (
) (
, 10 ) (
) (
1
: 1
) . . : ( ,
) ( ) ( ) (
, , )]. ( [ . ) ( .
) (
) (
: ) ( . . ) (
) ( { 1 ) ( { } ) ( { } { ) (
log 0 ) ( ' . . ; ) (
) ( ; ) (
; )]. ( [ . ) ( .
) ).( ( )) ( ( } { } ) ( { } { ) ( ) ( '
: ) ( . . ) ( , ) (
)
) ( ( ) ( { } ) ( { } { ) (
1
1
) (
) (
1
) (
1 1
) (
1
1 1 1
1
1
1 1
1
Observacin 2: en el caso y= g(x) no sea una funcin montona (ya sea creciente o decreciente) ,
siempre queda el recurso de calcular la distribucin H(y) por definicin y luego derivarla, para
encontrar la densidad h(y) .
Teorema 11:
Sea X r.v. continua , con densidad conocida f(x). Sea y = g(x) una funcin de r.v. tal que ) ( ' x g - y
g(x) es continua y se anula en una cantidad finita de puntos. Entonces , R ye se tiene uno de
los siguientes resultados:
0 ) ( 0 ; 0 ) ( ' ; )
)] ( [
)] ( ) [(
, 0 ) ( ( ' , )) ( (
0 )) ( ( ' )) ( ( ) ( ; .... ); ( ); ( ); ( , ) ( )
1
1
3 2 1
= = = e e
= = =
= = - e = -

=

y h y n caso cuyo en x g R x b
y x g
dx
d
y x f
hy y y x g entonces y y x g
y x g entonces y y y x g que tales y x y x y x y x y N y h n a
n
k
k
k
k
k k
k k n

i
e
y y n l x x
x
a
x x x y x valores dos son y y sen y g x
x sen x g y Sea
x con
x
x f densiada con continua v r X
Ejemplo
dar tieneque dy
y
densidad una es h que Verif icar e y con
y
y h Luego
e g g
g g
donde
b y
y e e
dx
x dg
x f
y h Teorema
X X x f
X v r la de Densidad
y de Densidad
e x g y
U X
T aplicamos creciente montona g Ejemplo
n
= = = =
= =
< < =
< < =
= = + =
= = =
< < = = = =
=
= =
~

=
t
t
t
|
o
o
2 2 1
1 1
2
ln
) 1 , 0 (
) ( cos ) (
) (
0 ,
2
) ( . .
: 2
1
1
. 1 :
1
) ( :
) 1 ( ) (
1 ) 0 ( ) (
:
1 1 1
) (
) (
) ( : 10
) ( . 1 ) (
. .
?
) (
) 1 , 0 (
| ) 10 ( : 1

Variable Aleatoria geomtrica

Sea E.P (,,S,P) . Repetimos hasta observar la ocurrencia de un evento A S , de manera que las
repeticiones son ensayos de Bernoulli.
Ensayos de Bernoulli : Iteramos un , observando solamente si ocurre un evento fijo A, o no ocurre
( A ) ,siendo las repeticiones independientes entre s, y siendo la probabilidad de que ocurra A,
P(A) = p constante, (en cada iteracin vale siempre la misma) , con p > 0
En otras palabras, un ensayo de Bernoulii es una r.v. X ( )
Definimos una r.v. geomtrica X como el nmero de repeticiones (ensayos de Bernoulli) necesarios
hasta la primera ocurrencia de A:
q q
p p p
A A A
p q X P X g e
k X
) 1 ( ) 1 (
) 3 ( 3 . .
} ..., 4 , 3 , 2 , 1 {
2

= = =
=

En general X= k cuando :
k k k
A A A A A A A
1 2 4 3 2 1
...


N K con p q p p k X P
p q si son ientes correspond s geomtrica ades probabilid Las
k k
e = =
=

, . . ) 1 ( ) ( ) 1
1 ,
1 1

Observar que, a diferencia del modelo Binomial (cantidad de repeticiones fija (n) y cantidad de
xitos (A) variable) , el modelo geomtrico tiene la cantidad de xitos (A) fija (1) y la cantidad de
repeticiones (k) variable
Notacin: X geomtrica (p)
La r.v. geomtrica tiene un solo parmetro p : discreta numerable.
Por qu se llama geomtrica?
Veririfquemos que 1) es efectivamente una distribucin de probabilidades:
1
1
.
1 1
1
.
1
1
.
) 1
(
....) ( . . ) 1 (
. . ) 1 ( ) (
!
3 2 1 0
1
1
1
1 1
1
= =
+
=

s s
+ + + + = =
= = =




=

p
p
p
p
q
p
q b razn de
geomtrica serie
q q q q p q p p
p p p k X P
k
k
k
k
k k
k

Variables Aleatorias N- Dimensionales ) vectores aleatorios
Vector aleatorio (de dimensin n ) : es cualquier funcin real multivariada X=
{ }
.
int , 1 , : ) ,.... ; ( ,
)) ( ;.....; ) ( ), ( ( ) , , , ( : ) ;.... ; (
2 1
2 1 2 1
das generaliza
s semirrecta o dos generaliza ervalos n i R a x X X X I que Tal
reales uplas n son valores sus w X w X w X R P S X X X
i i n
n
n
n
= e s < =
O e c

Se debe cumplir que :
{ } R a evento un ser debe S n i a w X R w I X
i I
e e = s e =

) ( ;....; 1 , ) ( : ) (
1

Nos dedicaremos , sin perder por eso generalidad, al caso bidimensional (n=2)
{ } S a w x a w x w I w X w I X e < < . < < O e = e O e =

2 2 1 1
1
) ( ) ( : { } ) ( : ) (
(semirrecta generalizada para n=2 ) (- ] ; ( ]
2 1
a x

Distribucin (acumulada ) de un vector aleatorio: caso bidimensional
Sea X = (X ) ,
2 1
X un vector aleatorio en R
2
. Definimos su distribucin (acumulada) F (x ; y)
{ } : ) ; ( ; ) ; (
2
2 1
cumple que tal R y x y x x X P y x F e s s =
1) F (x;y) es no decreciente y semicontinua a derecho (SCO) tanto en x como en y
2) F (+ )
R y y F
R x x F
e =
e =
.
.
, 0 ) ; (
, 0 ) ; (

Cmo se calculan probabilidades en R
2
con la distancia F?
Sea A un recinto (evento) en R
2

) , ( ) , ( ) , ( ) ; ( ) (
) ( . . ) ; (
1 1 2 1 1 2 2 2
2
y x F y x F y x F y x f A P
R vector randon v r y X
+ =
e

Variables aleatorias bidimensionales discretas
Un vector aleatorio ( x; y ) bidimensional es discreto si
{ }
} : { )} , ( } , {
: . 1 } ) , {( ) # ) ( # ( ) ; (
0 ,
j i j i ij
N j i j i
y Y x X P y x y x P p
Notaremos A y x P que tal X A finito n A ser puede y x A
= = = = =
= e = = = -
e

y llamaremos a los valores (cargas o pesos) { }
N j i
ij
p
e ,
, la distribucin conjunta de probabilidades
de la r.v. bidimensionales (x;y)
Debe cumplirse que


= =

=
= =
1 1 , 1
1
j j i
ij
i
pij p
Si f es la distribucin de (x,y) , entonces

s s
=
x x i y j y j
ij
i
P y x F
: :
) , (
Observacin: que tales R p coleccin
N j i ij
+
e
_
0 ,
} {


= =

=
= =
1 1 , 1
1
j j i
ij
i
pij p
} { ) , ( . .
ij
p es ades probabilid de n distribuci su que tal y X v r -
Variables aleatorias bidimensionales continuas
Un vector aleatorio (x,y) bidimensional es continuo si
}
+
- ) (sup
0
2
erficie R R llamda densidad
conjunta tal que,
} }

= e
x x
dud u f y x f R y x u u) , ( ) , ( , ) , (
2

Donde f es la distribucin (acumulada) de la r.v. (x , y) . Se debe cumplir que :
1 ) , ( ) , ( ) , ( ) , (
2
= + = = =
} } }} } }
+

+

+
+

+
+

F d du u f Lim Lim dxdy y x f dxdy y x f
y
R
x
u u

Adems , anlogamente al caso de una variable aleatoria unidimensional, se puede recuperar la
densidad a partir de la distribucin derivando parcialmente: siempre que f sea continua y
derivable.