Escolar Documentos
Profissional Documentos
Cultura Documentos
Retamal
Def. 1: Una variable aleatoria es una función que asocia a cada w ∈ Ω un número real. Son
denotadas por mayúsculas.
1
Variables Aleatorias Discretas y Distribuciones de Probabilidades H. Alvarado y L. Retamal
Def. 3: Sea X una variable aleatoria discreta (v.a.d.) con recorrido R X . Sea p una función
que asigna a cada x ∈ R X un número p( x ) = P ( X = x ) llamado probabilidad de x.
P : RX IR
x p( x ) = P ( X = x )
a) p(x) > 0 , ∀ x ∈ R X , ∀ x ∈ IR
b) ∑ p(x) =1
x∈Rx
2
Variables Aleatorias Discretas y Distribuciones de Probabilidades H. Alvarado y L. Retamal
P (a< X ≤ b) = FX (b) - FX (a )
P(a ≤ X≤ b) = FX (b) - FX (a ) + P( X = a )
P(a ≤ X< b) = FX (b) - FX (a ) + P( X = a ) - P( X = b )
P(a < X < b) = FX (b) - FX (a ) - P( X = b )
P ( X = a) = FX (a + ) - FX (a − )
[2] El dominio de definición para FX (x) es toda la recta real. Además, como por definición
FX (x) es una probabilidad, debemos tener 0 ≤ FX (t ) ≤ 1, ∀ t ∈ R
E( X ) = µ = ∑ x ⋅ p( x)
x∈R X
En términos generales, considere la variable aleatoria H(x) que es una función de la v.a. X ,
entonces el valor esperado de H(x) es definida por:
E ( H ( X )) = ∑ H ( x) ⋅ p X ( x)
x∈R X
Además, la varianza de una distribución de probabilidad es conceptualmente la
misma que la varianza que se calculó en estadística descriptiva. Es el promedio de las
desviaciones al cuadrado con respecto de la media, y se escribe como:
3
Variables Aleatorias Discretas y Distribuciones de Probabilidades H. Alvarado y L. Retamal
V(x) = σ2 = E[(x-µ)2] = 2
∑ ( x − µ ) ⋅ p( x) = E (X 2 ) − µ 2
x∈R X
Teorema 1.
Sea H(X) una función no negativa de la v.a. X. Si existe E(H(X) ) entonces,
E (H ( x ) )
P(H ( x ) ≥ c ) ≤ ; ∀c > 0
c
Observación:
( ) E(εX2 ) ( )
2
E X2
P X2 ≥ ε2 ≤ ⇒ P( X ≥ ε ) ≤
ε2
2. Si H ( X ) = (X − µ )2 y c = ε 2 ⋅ σ 2 , ε > 0
P ( X − µ ≥ εσ ) ≤ ⇔ 1 − P( X − µ < εσ ) ≤ P( X − µ < εσ ) ≥ 1 −
1 1 1
⇔
ε2 ε2 ε2
Ejemplo 2. Sea X una variable aleatoria con media 11 y varianza 9. Utilice el teorema de
la desigualdad de Chebyshev para encontrar:
a) Un límite inferior para P(6 < X < 16)
b) El valor de C tal que P ( X − 11 ≥ C ) ≤ 0.09
4
Variables Aleatorias Discretas y Distribuciones de Probabilidades H. Alvarado y L. Retamal
Teorema 2.
Supongamos que X es una v.a.d. con función de probabilidad p(x) y recorrido R X . Sea
Y = H(X) una función de X, entonces Y es también una v.a. discreta con recorrido R Y dado
por R Y = {y : y = H( x ), x ∈R X }. Ahora, la función de probabilidad de Y, p Y ( y) se
obtiene simplemente igualando probabilidades de eventos equivalentes, esto es,
pY(y)= P (Y = y) = ∑ p X ( x ) donde, B Y = {x ∈ R X : H( x ) = y}.
x∈By
Ejemplo 3. Sea X el número de fallas que proceden al primer éxito y supongamos que X se
puede representar como una variable aleatoria con función de probabilidad dada por:
p X (x )= 0,6 x ⋅ 0,4 x = 1, 2, 3, ….
µ k = E X k k =1, 2, 3, …
Mx(t) = E[e tx ] = ∑ et x ⋅ p X ( x)
x
5
Variables Aleatorias Discretas y Distribuciones de Probabilidades H. Alvarado y L. Retamal
tk
Sabemos que el coeficiente de en el desarrollo de la serie de Mc Laurin es la k-ésima
k!
derivada evaluada en cero, es decir: E [Xk] = µ k = M X (0) =
k d
Mx(t) | t=0
dy
' d d '
Si k = 1, M X ( t )= E (e tx )= E ( e tx )= E(X e tx ) = M X ( 0 )= E(X) = µ 1
dt dt
'' 2 ''
d
Si k = 2, M X ( t )= 2 M X ( t ) = E (X2 e tx ) →M X ( 0 )= E(X2) = µ 2
dt
Si se deriva k veces:
dk dk
k M X ( t ) = E [X k e tx ] → k M X (0)= E(X k ) = µ k
dt dt
Ejemplo 5. Se sabe que el número de artículos buenos producidos por una máquina es una
8
1 3et
variable aleatoria X con función generadora de momentos dada por: M X (t ) = +
4 4
6
Variables Aleatorias Discretas y Distribuciones de Probabilidades H. Alvarado y L. Retamal
Def. 7: Un ensayo Bernoulli es un experimento con dos resultados posibles, éxito o fracaso.
Su espacio muestral es Ω = {E , F}
P( X = x) = p x (1 − p )1− x ; x = 0,1
La función generadora de momentos de una v. a. X ~ B(p) es:
Mx(t) = q + p et ;∀ t
a) Sólo debe haber dos posibles resultados, uno es éxito y el otro fracaso. Un éxito no
implica necesariamente un resultado deseable;
b) La probabilidad de un éxito, p, sigue constante de un ensayo al siguiente, al igual que lo
hace la probabilidad de fracaso, 1 - p;
c) La probabilidad de un éxito en un ensayo es totalmente independiente de cualquier otro
ensayo;
d) El experimento puede repetirse muchas veces.
7
Variables Aleatorias Discretas y Distribuciones de Probabilidades H. Alvarado y L. Retamal
Cada ensayo en una distribución binomial termina en sólo uno de dos resultados
mutuamente excluyentes, uno de los cuales se identifica como un éxito y el otro como un
fracaso. La probabilidad de cada resultado permanece constante de un ensayo al siguiente.
Se dice que una v.a. discreta X tiene distribución binomial si ella es el resultado de
n repeticiones de un experimento Bernoulli. Si se conoce la probabilidad de que un ensayo
determinado producirá un éxito, es posible estimar cuántos éxitos habrá en un número dado
de ensayos. Por ejemplo, si se conoce la probabilidad de que un solo trabajador esté
interesado en unirse al sindicato, entonces puede estimarse la probabilidad de que un
número determinado de trabajadores de la fuerza laboral estaría interesado en unirse.
La formulación es la siguiente:
La probabilidad de obtener x éxitos en un número determinado de n ensayos es:
n
P( X = x) = p x (1 − p) n − x , x = 0,1,2,3,...., n
x
En efecto:
El espacio muestral natural para un experimento binomial es el es el producto cartesiano de
los espacios muestrales de los ensayos Bernoulli consigo mismo n veces, Ω = Ω1 × Ω2 × Ω3
× .....Ωn ; donde Ωi = {E, F} i =1,n
Cada evento elemental es una n-upla que contiene (0,0,0,1,0....,1,0) con x-éxito y n-x
fracasos y la probabilidad del evento elemental es : E,E,..,E,F,F....,F → p x (1 − p ) n − x
n
Pero el número de n-uplas que contienen x éxitos es
x
n
Si una n-upla tiene la probabilidad p x (1 − p ) n − x de ocurrir entonces n – uplas tiene la
x
n
probabilidad de p x (1 − p ) n − x de ocurrir. Luego, p( x ) = p x (1 − p) n − x ; x = 0,1,2,3,....., n
n
x x
Claramente,
n n
n
a) p( x) > 0 ; b) ∑
x =0
p ( x) = ∑ x p (1 − p )
x =0
x n−x
= ( p + (1 − p ) ) = 1
n
8
Variables Aleatorias Discretas y Distribuciones de Probabilidades H. Alvarado y L. Retamal
Ejemplo 6. El personal de ventas de una empresa, hace una venta al 15% de los clientes a
los que visitan. Si un miembro del personal de ventas llama a 15 clientes hoy ¿Cuál es la
probabilidad de que venda exactamente dos aparatos? Solución: Existe un 28,56% de
oportunidad de que se hagan exactamente dos ventas de las 15 llamadas.
Ejemplo 7. Una revista publica que el 40% de todos los bachilleres trabajan durante el
verano para ganar dinero para la educación universitaria. Si siete bachilleres se seleccionan
de manera aleatoria ¿cuál es la probabilidad de que a) 5 tengan trabajos en el verano, b)
ninguno trabaje, c) todos trabajen? Solución: a) 0,0774, b) 0,0280, c) 0,0016.
∑ x (e p ) (1 − p ) ( pe )
n
n x n− x n
M X (t ) = E (etx ) = t
= t
+ (1 − p ) ; ∀t ∈ ℜ
x =0
Derivando: M ' X (t ) = n ( pe t
+ (1 − p ) )
n −1
⋅ pet
Así, M ' X (0) = np y M ' ' X (0) = n 2 p 2 − np 2 + np . Por lo tanto, E ( X ) = np y V ( X ) = npq
n
x
La función de distribución de X es: F ( X ) = P ( X ≤ x ) = ∑ t p (1 − p )
t= 0
t n −t
Ejemplo 8. El 10% de los discos de computador producidos por un nuevo proceso salen
defectuosos. Si hay 20 discos en una caja:
a) ¿Cuántos esperaría usted que salieran defectuosos?
b) ¿Cuál es la probabilidad de que el número de discos defectuosos sea igual al número
esperado que usted determinó en su respuesta a la parte a).
c) ¿Cuál variación se encontraría en los discos defectuosos de una caja a otra?
9
Variables Aleatorias Discretas y Distribuciones de Probabilidades H. Alvarado y L. Retamal
p ⋅ et 1 q
Si X ~ geom (p) entonces: M X ( t ) = ; E(X)= ; V(X)= 2
t
1− q ⋅e p p
Ejemplo 9. Se supone que el 40% de los aspirantes para cierto trabajo industrial tiene un
entrenamiento avanzado en programación computacional. Los aspirantes son entrevistados,
uno tras otro, y son seleccionados al azar del conjunto de aspirantes.
a) ¿Cuál es la probabilidad de que se encuentre al primer aspirante con un entrenamiento
avanzado en programación en al menos en la quinta entrevista ?
b) El Costo de entrevistar a los aspirantes para cierto trabajo industrial está dado por
C ( x) = 2 x + 3 (en dólares). Determine la función generadora de momentos de la variable
Costo de entrevista.
c) Encuentre la varianza del costo de entrevista de la parte b).
(p ⋅ e t ) r r r (1 − p )
Si X ~ bineg (r,p) entonces : M X ( t ) = ; E(X) = ; V(X)=
t r p2
(1 − q ⋅ e ) p
10
Variables Aleatorias Discretas y Distribuciones de Probabilidades H. Alvarado y L. Retamal
m N − m
⋅
x n − x
P( X = x) = , x = 0,1,2,3,...., min{n, m}
N
n
11
Variables Aleatorias Discretas y Distribuciones de Probabilidades H. Alvarado y L. Retamal
µ x ⋅ e −µ
P( X = x) = , x = 0,1,2,3,...
x!
En efecto:
Bajo los supuestos en la forma que ocurren los eventos:
a) En intervalos de longitud suficientemente cortos ∆t, sólo 0 ó 1 evento puede ocurrir
(2 o más ocurrencias simultáneas son imposibles).
b) La probabilidad que exactamente 1 evento ocurra en este intervalo de longitud pequeño
∆t es proporcional a la longitud del intervalo λ ∆t, λ>0.
c) Intervalos de tiempos disjuntos cualquiera de longitud ∆t son ensayos Bernoulli
independientes.
Con estos supuestos se puede subdividir nuestro intervalo de longitud n = t
∆t
subintervalos disjuntos de igual longitud. Estos intervalos de tiempos pequeños son ensayos
Bernoulli independientes cada uno con probabilidad de éxito igual a λ ∆t = p.
12
Variables Aleatorias Discretas y Distribuciones de Probabilidades H. Alvarado y L. Retamal
∞ µ xe −µ ∞ µx
Notar que: ∑ = e−µ ∑ = e − µ e µ = 1, representa una función de probabilidad.
x =0 x! x =0 x!
Ejemplo 13. Parece que la llegada de los estudiantes a la oficina del tutor se ajusta a una
distribución de Poisson, con un promedio de 5,2 estudiantes cada 20 minutos. El profesor
está preocupado porque si muchos estudiantes necesitan los servicios del tutor, puede
resultar un problema de congestión.
a) El tutor debe determinar la probabilidad de que cuatro estudiantes lleguen durante
cualquier intervalo de 20 minutos, lo cual podría causar el problema de congestión que
teme el profesor. Si la probabilidad excede el 20%, se contratará un segundo tutor.
b) El tutor debe calcular la probabilidad de uqe más de cuatro estudiantes lleguen durante
algún periodo de 20 minutos. Si es mayor que el 50%, las horas de oficina del tutor se
aumentarán, permitiendo a los estudiantes extender el horario en las que vienen a ver al
tutor.
c) Si la probabilidad de que más de siete estudiantes lleguen durante un período cualquiera
de 30 minutos excede 50%, el mismo profesor ofrecerá tutoría adicional.
Ejemplo 14. Hasta el momento, han llegado camiones a un muelle de carga y descarga en
forma aleatoria a una tasa de uno por hora. ¿Cuál es la probabilidad de que no lleguen
camiones en la hora próxima hora?
Observaciones
[1] Aproximación binomial de la distribución hipergeométrica. Si el tamaño muestral n es
muy pequeño en relación al número total de elementos, N-m y m, las probabilidades
hipergeométricas son muy parecidas a las binomiales, y puede usarse la distribución
binomial en lugar de la hipergeométrica. En este caso (N – n) / (N – 1) está muy próximo a
1, por lo que la varianza de la distribución hipergeométrica está próxima a np(1-p), la
varianza de la distribución binomial. Es buena la aproximación si n ≤ min {0.2m , 0.2(N-m}
13
Variables Aleatorias Discretas y Distribuciones de Probabilidades H. Alvarado y L. Retamal
(np ) x ⋅ e −np
P( X = x) = , para x = 0,1,2,3,...
x!
Ejercicios Propuestos:
2. Se sabe que el número de artículos buenos producidos por una máquina es una variable
aleatoria con distribución binomial con una media de 12 artículos buenos y una desviación
estándar de 2 artículos buenos.
a) Determine la probabilidad que un día la máquina produzca por lo menos dos artículos
buenos.
b) ¿Cuántos artículos habría que inspeccionar en promedio, hasta detectar el tercero
defectuoso.
c) Si de una caja que contiene 20 artículos se eligen cinco al azar, ¿cuál es la probabilidad
de que se detecten cuatro artículos buenos.
d) Si se inspeccionan 40 artículos producidos por esta máquina, ¿cuál es la probabilidad
aproximada de detectar a lo sumo seis artículos defectuosos?
14