APUNTE22 V 1

Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Fgm********************
3.5.3.- Ejemplo
La distribucin geomtrica se puede asociar al experimento (con
devolucin) de obtener el primer xito en la n-sima repeticin.
Suponga una mquina que produce un 7% de artculos defectuosos. Y
la lnea de produccin de esta mquina se revisa si los artculos son no
defectuosos (B) o defectuosos (D); el experimento concluye una vez que
se ha encontrado el primer artculo defectuoso.
Los casos posibles son :
D
BD
BBD
BBBD
BBBBD
...
BBB...BBBBD
Definamos nuestra v.a.d. X = {x
i
/ "El artculo i es defectuoso"}.
Debido a que ser bueno o defectuoso son sucesos independientes,
cada uno con probabilidades O.93 y O.O7 respectivamente, la funcin
de cuanta queda definida por:
p(x
i
x x
i i
) . .

q p
1 1
093 007
Por lo tanto se puede decir que X se distribuye como una geomtrica,
esto se anota como:
XGEO (0.07)
3.6.- Distribucin Pascal (o Binomial Negativa)
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
118
____________________________________________________________________________________________
Para una distribucin de Pascal, se tiene en general:
P(x) = P(X=x) =
x-1
C
r-1
p
r
q
x-r
; x = r, r+1,r+2, r+3,
Donde:
p es la probabilidad de que ocurra un suceso A
q es (1-p)
X = x s y slo s A ocurre en la x-sima repeticin y precisamente A
ocurri (r -1) veces en las (x-1) repeticiones previas.
Es posible obtener una generalizacin obvia de la distribucin geomtrica.
Supongamos que un proceso se contina hasta que un evento A ocurre por
r-sima vez, en la n-sima vez que se realiza el experimento. Si definimos:
P(A) = p , P(A
c
) = q = 1-p
en cada una de las repeticiones, definimos la variable aleatoria X como
sigue:
X es el nmero de repeticiones necesarias para que A ocurra por
r-sima vez en la n-sima vez que se realiza el experimento. Buscamos la
distribucin de probabilidades de X.
Ahora X=k s y slo s A ocurre en la k-sima repeticin y precisamente A
ocurri (r-1) veces en las (k-1) repeticiones previas. La probabilidad de este
evento es simplemente:
k-1
r-1
r-1 k-r
_
,
p q
ya que lo que sucede en las primeras (k-1) repeticiones son independientes
de lo que sucede en la k-sima repeticin, se obtiene
____________________________________________________________________________________________
119
____________________________________________________________________________________________
( )

_
,
k
k-1
r-1
, k=r, r+1, ...
r k-r
p q
Es muy sencillo ver que para r=1, lo anterior se reduce a la distribucin
geomtrica. Una variable aleatoria que tenga una distribucin dada por la
ecuacin anterior, se conoce como Distribucin de Pascal.
Si X tiene una Distribucin de Pascal entonces,
3.6.1.- La Esperanza es
E(X)=r/p.
3.6.2.- La Varianza es
V(X)=rq/p
2.
*********************************************************
3.7.- Distribucin de Poisson.
Esta distribucin es un caso lmite de la binomial. Suponemos p pequeo y
n grande, de modo que el producto np tienda a un valor finito.
Usualmente se asocia a una Distribucin de Poisson cuando se conoce un
promedio por unidad de tiempo.
De la binomial se tiene:
( )
i i
x - n x
i
i i
- 1
x
n
= ) x = P(X = ) p(x p p
,
_
Sustituyendo p= /n, tomando el lmite cuando n se obtiene

____________________________________________________________________________________________
120
____________________________________________________________________________________________
Se dice que la v.a.d. X se distribuye como una Poisson su funcin de
cuanta es :
*********************************
Veremos si cumple con la condicin de ser una funcin de cuanta.
1) f(x) 0 0 (por simple inspeccin)
? 1 =
! x
e
2)
- = x
0 = x
x

pues

! x
e
= x
0 = x
x

(desarrollo de serie de MacLaurin de e
)
3.7.1.- La Esperanza es
[ ] n = p
____________________________________________________________________________________________
( )
! x
e
= ) - 1
x
n
p( m i l
i
- x
n
x - n x
i
i
i i

,
_
p p
) ( I
! x
e
= ) p(x
n} .., {0,1,2,3,.
i
- x
i
i
i
x
0 > , 1 = e e =
! x
e
-
= x
0 = x
x
-
121
____________________________________________________________________________________________
3.7.2.- La Varianza es
( ) V
3.7.3.- Funcin generatriz de momentos
) 1 (
) (

t
e
x
e t

3.7.4.- Ejemplos
1.-El nmero promedio de partculas radiactivas que pasan a travs de un
contador durante un milisegundo en un experimento de laboratorio es 4.
Cul es la probabilidad de que entren 6 partculas al contador en un
milisegundo determinado?
Solucin: Utilizando la distribucin de Poisson con x=6 y =4, se tiene:

6
0 x
5
0 x
6 4
1042 , 0 7851 , 0 8893 , 0 ) 4 ; x ( p ) 4 ; x ( p
! 6
4 e
) 4 ; 6 ( p
2.- Se sabe que 10 es el nmero promedio de camiones-tanque de aceite
que llegan por da a una cierta ciudad portuaria. Las instalaciones del
puerto pueden atender cuando mucho a 15 camiones tanque en un da.
Cul es la probabilidad de que en un determinado da se tengan que
regresar los camiones-tanque?
Solucin: Sea X : el nmero de camiones-tanques que llegan por da.
P(x>15) =
) 15 x ( P 1

15
0 x i
x 10
! x
10 e
1
i
0487 , 0
9513 , 0 1

3.-Despus de una prueba de laboratorio muy rigurosa con cierto
componente elctrico, el fabricante determina que en promedio, slo
fallarn dos componentes antes de tener 1000 horas de operacin. Cul
es la probabilidad que fallen cinco componentes en 1000 horas de
operacin ?
____________________________________________________________________________________________
122
____________________________________________________________________________________________
Solucin: X p(5;2) IP(pedida) 0361 , 0
! 5
2 e
5 2

FUNCIN GENERADORA DE MOMENTOS

Debido a la importancia de obtener rpidamente los valores
caractersticos de una distribucin, se utiliza la funcin generadora de
momentos. Se define la funcin generadora de momentos ( f.g.m.)
X
(t)
como:
Sea X v.a.d. y
X
: D IR IR
t
X
( t ) = E [ e
tX
]= e
tx
i
f
x
(x
i
)
i
nota:
1. t D :
d (t)
dt
k
X
k
2.
X
( t=0 )=1
3. Vemos que la f.g.m.
X
cumple con:
r
= E [ X
r
] =
d (t)
dt
r
X
r
t=0
de all el nombre de funcin generadora de momentos.(Algunas f.g.m.

fueron conocidas mientras se estudiaban las distribuciones discretas).
3.8.- Ejercicios Propuestos
1. Supngase que la mquina 1 produce en forma diaria el doble de
artculos que la mquina 2. Sin embargo, cerca del 4% de los
artculos de la mquina 1 tienden a ser defectuosos, mientras que la
mquina 2 produce slo un 2% de defectuosos. Supongamos que se
combina la produccin diaria de ambas mquinas, y se toma una
____________________________________________________________________________________________
123
____________________________________________________________________________________________
muestra aleatoria de tamao 10 de ella. Cual es la probabilidad de
que esta muestra contenga 2 artculos defectuosos?.
2. Un artculo es producido por operaciones independientes de una
mquina. La probabilidad de encontrar un artculo defectuoso es de
0.2.
a) Si se eligen al azar 8 de estos artculos, encontrar :
i) La probabilidad de obtener exactamente un artculo
defectuoso. (Sol : 0.3355)
ii) La probabilidad de que ningn artculo sea defectuoso.
(Sol : 0.167772)
iii) La probabilidad de obtener no ms de dos artculos
defectuosos. (Sol: 0.7969)
iv) La probabilidad de obtener no menos de dos artculos
defectuosos. (Sol: 0.5033)
b) Si se elige la variable aleatoria X = Nmero de artculos
defectuosos elegidos entre 8, encontrar :
i) E[X], Var(X). (Sol : E[X]=1.6;Var(X)=1.28)
ii) La probabilidad de que la mayora sean defectuosos.
(Sol : 0.0104)
c) Si la utilidad esperada al vender 8 artculos es tal que por cada
artculo no defectuoso que se venda se gana $120.-, y por cada
defectuoso se pierde $90.-. Cul es la utilidad esperada?.
(Sol : 624)
d) Si se va extrayendo uno por uno los artculos, entonces :
i) Cul es la probabilidad de obtener un artculo defectuoso
slo en la cuarta extraccin?. (Sol : 0.1024)
ii) Cul es la probabilidad de obtener un artculo defectuoso
precedido de 3 no defectuosos?. (Sol : 0.1024)
____________________________________________________________________________________________
124
____________________________________________________________________________________________
iii) Calcular la esperanza y varianza al extraer un artculo
defectuoso slo en la r-sima extraccin.
(Sol : E[X]=5;V(X)=20)
e) Si se hacen extracciones hasta obtener 3 artculos defectuosos,
entonces :
i) Cul es la probabilidad de que sean necesarios 6
extracciones?. (Sol : 0.04096)
ii) Cul es la probabilidad de que sean necesarias menos
de 6 extracciones?. (Sol : 0.0572)
iii) Cul es la probabilidad de que ocurran 3 extracciones
consecutivas exitosas ( obtener 3 artculos defectuosos ) y
ningn fracaso?. (Sol : 0.008)
iv) Cul es el nmero esperado de repeticiones
necesarias?. (Sol : 15)
v) Supngase que el costo de cada una de las extracciones
es $200.-. Adems, por cada extraccin que se fracase
( se obtiene artculo defectuoso ) se produce un costo
adicional de $30.-. Cul es el costo esperado del
procedimiento completo?. (Sol : 3360)
3. Un lote de produccin de 80 unidades tiene 8 artculos defectuosos.
Se extrae una muestra aleatoria de 10 unidades y se quiere saber :
a) La probabilidad de que la muestra contenga 1 artculo
defectuoso. (Sol : 0.4135)
b) La probabilidad de que la muestra contenga a lo menos 3
artculos defectuosos. (Sol : 0.)
c) La probabilidad de que la muestra contenga no ms de 2
artculos defectuosos. (Sol : 0.9428)
d) E[X] y Var(X). (Sol : E[X]=1;Var(X)=0.7975)
4. Una caja contiene 3 artculos defectuosos, dos regulares y cuatro
buenos. Encontrar la probabilidad de que, en una muestra aleatoria
de 5 artculos sin reposicion, se seleccionan dos regulares y al menos
uno bueno. (Sol : 0.2698)
____________________________________________________________________________________________
125
____________________________________________________________________________________________
5. Idem a problema 4, pero la extraccin es con reposicin.
(Sol : 0.2141)
6. Se supone que un promedio de 4 automviles llegan para ser
reparados a un taller durante las 8 horas diarias de trabajo. Cul es
la probabilidad de que lleguen uno o ms automviles durante el
periodo de una hora?. (Sol : 0.3935)
7. En promedio, 12 personas por hora consultan a un especialista en
decoracin en un almacn de telas. Calcular la probabilidad de que
tres o ms personas se acercasen al especialista durante un periodo
de 10 minutos. (Sol : 0.3232)
8. Si el 3% de los platillos para ensalada fabricadas por una empresa de
lozas son defectuosos, hallar la probabilidad de que en una muestra
de 100 platillos se encuentren :
a) 0 defectuosos. (Sol : 0.04979)
b) 1 defectuoso. (Sol : 0.1494)
c) 2 defectuosos. (Sol : 0.2241)
d) 3 defectuosos. (Sol : 0.2241)
e) 4 defectuosos. (Sol : 0.1680)
f) 5 defectuosos. (Sol : 0.1008)
g) Ms de 5 defectuosos. (Sol : 0.0838)
h) Entre 1 y 3 defectuosos. (Sol : 0.5976)
i) 2 platillos o menos sean defectuosos. (Sol : 0.4232)
9. Entre las 2 y las 4 de la tarde el promedio de colectivos que van de
Via del Mar al Cerro Placeres por minuto es de 2.5. Hallar la
probabilidad de que en un determinado minuto haya :
a) 0 colectivos. (Sol : 0.08208)
b) 1 colectivo. (Sol : 0.2052)
c) 2 colectivos. (Sol :0.2565)
d) 3 colectivos (Sol : 0.2138)
e) 4 o menos colectivos. (Sol : 0.8911)
f) Ms de 6 colectivos. (Sol : 0.0142)
____________________________________________________________________________________________
126
____________________________________________________________________________________________
10. Un bal contiene un gran nmero de cajetillas de cigarrillos Kent,
Lucky, Belmont y Hilton, en la proporcin 4:3:2:1 respectivamente.
Hallar la probabilidad de que en 10 extracciones se extraigan :
a) 4 Kent, 3 Lucky, 2 Belmont y 1 Hilton. (Sol : 0.0348)
b) 8 Kent y 2 Hilton. (Sol : 0.000295)
4.- Ejercicios Desarrollados
1.- OTRA VEZ: LA MONEDA.
Se lanza una moneda insesgada, determinar la probabilidad de que en el
12 lanzamiento aparezca cara por 5
ta
vez.
Solucin:
p(cara) = p(sello) = 0,5
P(X=12) = (
11
C
4
) x 0,5
5
x 0,5
7
P(X=12) = 330 x 0,0313 x 0,0078 = 0,0806
2.- TPICO: UN DADO.
Se lanza un dado insesgado, determine la probabilidad de que en el 15
lanzamiento aparezca el nmero 4 por 3 vez.
Solucin:
p(4) = 1/6 = 0,1667 q = 1- p = 1- 0,1667 = 0,8333
P(X=15) = (
14
C
2
) x 0,1667
3
x 0,8333
12
= 91 x 0,0046 x 0,1121 = 0,0469
3.- CALCETINES (LIMPIOS).
Se tiene un cajn con 20 calcetines 5 rojos, 3 verdes, 6 amarillos y 6
azules, determine la probabilidad de que en el 10 calcetn extrado (con
devolucin) aparezca por 5 vez un calcetn amarillo.
Solucin:
____________________________________________________________________________________________
127
____________________________________________________________________________________________
p(amarillo) = 6/20 = 0,3 q = 1- p = 1- 0,3 = 0,7
P(X=10) = (
9
C
4
) x 0,3
5
x 0,7
5
= 126 x 0,0024 x 0,1681= 0,0508
4.- ACCIONES UNIKAK.
La probabilidad de que las acciones de la Empresa de Servicios
Computacionales Unikak LTDA. aumenten en un da es de 0,45. Se
observa el comportamiento de las acciones durante 17 das. Cul es la
probabilidad de que en el 15 da hayan aumentado por 6 vez ?.
Solucin:
p(aumento) = 0,45 q = 1- p = 1- 0,45 = 0,55
P(X=15) = (
14
C
5
) x 0,45
6
x 0,55
9
= 2002 x 0,0083 x 0,0046= 0,0764
5.- PROYECTO FONDEF.
En un proyecto de investigacin FONDEF de alta importancia, se investiga
acerca de la inmortalidad del cangrejo, para ello los investigadores han
acudido a biblioteca y encontraron una memoria a cerca del tema. El
investigador abre al azar la memoria de 400 pginas para ver su contenido,
Cul es la probabilidad que en la 6 apertura de la memoria se abra por 4
vez sobre la pgina 325?
Solucin:
p(sobre la pgina 325) = (1/400) =0.0025
q = 1- p = 1- 0,0025 = 0,9975
P(X=6) = (
5
C
3
) x 0,0025
4
x 0,9975
2
= 3.8867*E-10
6.- OVNI DESPACHURRADO.
Se sabe que las naves extraterrestres (OVNI) son extremadamente
resistentes a los choques, ya que despus de atravesar el hiperespacio se
____________________________________________________________________________________________
128
____________________________________________________________________________________________
encuentran repentinamente con acumulaciones de meteoritos. Si la
probabilidad de colisionar con un meteorito al salir del hiperespacio es de
0,97, determine la probabilidad de que al cruzar el hiperespacio por 2.255
vez colisionen con un meteorito por 2200 vez.
Solucin:
p(colisionar) = 0,97 q = 1- p = 1- 0,97 = 0,03
P(X=2.255) = (
2.254
C
2.199
) x 0,97
2.200
x 0,03
55
P(X=2.255) = 1,1E
111
x 7,9034E
-30
x 1,7444E
-84
= 0,0148084
7.- ...Y DALE CON EL PELUCHE.
Un enamorado regala todos los meses el da que celebra el inicio de su
pololeo un osito de peluche a su polola, lo que este enamorado no sabe es
que su polola es alrgica al peluche, la probabilidad de que se lo lance a la
cara o lo bote a la basura es de 0,2. Determine la probabilidad de que al 18
mes la polola se lo tire por la cabeza habiendo ya botado a la basura 14 de
ellos.
Solucin:
p(tirar por la cabeza) = 0,2 q = 1- p = 1- 0,2 = 0,8
P(X=18) = (
17
C
14
) x 0,2
15
x 0,8
3
= 680 x 3,2768E
-11
x 0,512 = 1,1409E
-08
8.- MUCHO LOVECRAFT.
Hace mucho milenios, antes de la presencia de la raza humana sobre la
tierra, se adoraba a los dioses primordiales, Nugganoth, dios primordial del
viento. El tiene una probabilidad de escuchar un ruego de 0,001 de sus
adoradores, ellos le piden que calme la terrible ventolera de la milenaria y
____________________________________________________________________________________________
129
____________________________________________________________________________________________
hoy extinta ciudad de Rlyeh (hoy en da Playa Ancha). Determine la
probabilidad de que en el 37 ruego haya aplacado el viento por 3 vez.
Solucin:
p(escuchar ruego) = 0,001 q = 1- p = 1- 0,001 = 0,999
P(X= 37) = (
36
C
2
) x 0,001
3
x 0,999
34
= 630 x 1E
-09
x 0,9666= 6,0896E
-07
9.- EL SANSANO.
Un lachito (entindase como piropero o halagador) tiene una probabilidad
de xito con las mujeres de 0,1. El sbado pasado un amigo lo invito a su
fiesta de cumpleaos, en ella haban 93 mujeres todas muy buenas mozas,
lachn alcanz a cortejar durante la noche a 23 de ellas, obteniendo buenos
resultados con sta ltima y otra anterior. Calcule la probabilidad de la
historia de lachito.
Solucin:
p(xito) = 0,1 q = 1- p = 1- 0,1 = 0,9
P(X= 23) = (
22
C
1
) x 0,1
2
x 0,9
21
= 22 x 0,01 x 0,1094 = 0,0241
10.- A L I E N
4
.
Los tripulantes de la nave Nostromo han abordado una nave extraterrestre
infestada de huevos de Aliens, rpidamente la teniente Ripley orden
destruirlos organizando un equipo de asalto dirigido por la sargento
Vzquez de 6 soldados, se sabe gracias a ancestrales escrituras
encontradas en la nave que la probabilidad de encontrar una cra macho en
____________________________________________________________________________________________
130
____________________________________________________________________________________________
un huevo es de 0,76, determinar la probabilidad de que al destruir el 150
huevo se encuentre la 5 hembra.
Solucin:
p(hembra) = 1 - 0,76 = 0,24 q(macho) = 0,76
P(X= 150) = (
149
C
4
) x 0,24
5
x 0,76
145
= 19720001 x 7,9626E
-04
x 5,2236E
-18
P(X= 150) = 8,2022E
-14

____________________________________________________________________________________________
131
____________________________________________________________________________________________
5.- Ejercicios Propuestos
1.- ACCIDENTES CARRETEROS.
Las estadsticas de accidentes de este ao indican que la probabilidad de
quedar un auto con prdida total (totalmente inservible e irrecuperable) es
de 0,35. Calcule la probabilidad de que en el 126 accidente el auto quede
inservible junto con otros 13 autos chocados anteriormente. (R: 7,05E-11)
2.- FIN DE SEMANA EN VIA.
Al viajar desde Santiago a Via un automovilista se encuentra con el
semforo que se ubica en el cruce de las calles Agua Santa con Alvarez. La
probabilidad de encontrar una luz verde es de 0,38 y la de amarilla es de
0,12. Calcule la probabilidad de que en el 7 viaje se encuentre por 5 vez
con luz roja. (R : 0,117188)
3.- VOLEYBALL DUPLAS.
En la final del Campeonato de Duplas de Voleyball en las playas de Brasil.
se enfrentan representando a Chile los hermanos Grimaldi con el equipo de
Argentina representado por la Dupla Mortenson-Ponce. Segn las
estadsticas la probabilidad de hacer un punto por parte de cualquiera de
los equipos es de 0,7. El nmero total de lanzamientos correspondiente
ambas partes fue de 630 y se sabe que el 60% de ellos fue de nuestros
compatriotas, determinar la probabilidad de que el partido haya terminado
favorable para Chile 11-0. (R : 3,6E-175)
4.- SUEO POR UN DA.
____________________________________________________________________________________________
132
____________________________________________________________________________________________
En el laboratorio de informtica de la Universidad Santa Mara existen 100
computadores disponibles para los alumnos de 4 y 5 ao, de ellos:
15 son estaciones Risk 6000
25 son Pcs 486DX4
15 son Pcs 386 DLC
20 son Pcs 486DX2
15 son Pcs 80286
10 son Pcs 8088
Determine la probabilidad de que en la 8 sesin de trabajo le sea asignada
por 3 vez una estacin Risk 6000 o por 2 vez un 486 DX4. (R:
0,10931321).
5.- LADRONES SAPIENTES.
Un equipo de ladrones muy instruido sabe que la probabilidad de activacin
de una alarma de automvil es de 0,7, determinar la probabilidad de que al
robar el 15 automvil la alarma no suene, al igual que en otros 3 casos
anteriores. (R: 0,0583)
6.- JUANITO DE PASEO.
El pap de Juanito, de slo 4 aos, lo ha sacado a pasear a la calle
Valparaso en Via del Mar, Juanito insiste en que quiere comer un helado
de barquillo doble de chocolate con naranja, el pap dice Si lo botas esta
vez, ser la ltima vez que te compro un helado porque ya has botado 4 de
stos, el pap sabe que es muy probable que a Juanito se le caiga, ya que,
en los ltimos 10 paseos se le han cado 4 veces con una probabilidad de
0,7, pero como Juanito es un hijo regaln y siempre le dan en el gusto le
compran esta vez otro helado. Cul es la probabilidad de que a Juanito no
le compren nunca ms un helado?. (R: 0,05146)
7.- CAMPAMENTO SCOUT.
En un campamento Scout en el Cerro la Campana, la probabilidad de ser
picado por un zancudo es de 0,75. Este es el 8 campamento que se realiza
____________________________________________________________________________________________
133
____________________________________________________________________________________________
en dicho lugar y Jos ya ha sido picado en dos campamentos anteriores, se
ha prometido a s mismo que si es picado esta vez no saldr nunca ms de
campamento. Cual es la Probabilidad de que no vuelva a ir a acampar?.
(R: 0,008652)
8.- MARADONA HA VUELTO A LAS CANCHAS.
Aunque nadie lo sabe, este jugador es muy asiduo a los resfros y como le
gusta autorecetarse, siempre toma Nastizol, la FIFA lo sabe pero prefiere
hacer vista gorda a esta falta que tiene una probabilidad de 0,9. Sin
embargo se le ha dicho que si en el prximo partido (el nmero 12)
nuevamente es sorprendido al igual que las otras 7 veces anteriores ser
multado. Cual es la probabilidad de que sea multado?. (R: 0,014205)
Variable aleatoria continua (v.a.c.):
Comencemos por definir el concepto de variable aleatoria continua:
____________________________________________________________________________________________
134
____________________________________________________________________________________________
DEFINICIN:
Sea M un espacio muestral continuo, se dice que X es variable
aleatoria continua a la funcin:
X : M IR
tal que X
-1
( ]- ,x]) = AM xIR
.
DEFINICIN :
Sea X un v.a.c. se define la funcin de densidad probabilstica
(f.d.p.) denotada por
X
f
a
[ , 0 [ : IR R D f
X X
x
X
f
satisfaciendo las siguientes condiciones:
1)
0
X
f
x D
2) 1 ) ( ) (

dx x I x f
D X
DEFINICIN:
Se define la funcin de Distribucin como la funcin

X
F : IR [0, 1******************
que satisface las siguientes condiciones:
i .-
0 ) ( X F
ii.-
1 ) ( X F
iii.- F
x
(x) es una funcin no decreciente x IR
iv .- F
x
(x) es una funcin continua por la derecha.
____________________________________________________________________________________________
135
____________________________________________________________________________________________
Teorema:
Sea X una v.a.c. con f.d.p. f
x
(x) y sea F
x
la funcin dada por
F
x
(x) =

x
D X
dx x I x f ) ( ) (
entonces F
x
es una funcin de Distribucin.
Teorema:
x
(x) y sea F
x
la funcin dada por
F
x
(x) = IP (X x) entonces F
x
es una funcin de Distribucin
Corolario:
x
(x) entonces:
F
x
(x) = IP (X x) =

x
D X
dx x I x f ) ( ) (
IP (X b) =

b
D X
dx x I x f ) ( ) (

IP (X a) =
+
a
D X
dx x I x f ) ( ) (
IP (a X b) = IP (a < X b) = IP (a X < b)
IP (a X b) = IP (a < X < b) =
b
a
D X
dx x I x f ) ( ) (
IP ( X = b) =
b
b
D X
dx x I x f ) ( ) (
=0 b IR
MOMENTOS POBLACIONALES
Los momentos sirven para caracterizar una Distribucin, ya que por
medio de estos se obtienen valores representativos de ella, se destacan la
Esperanza y la Varianza.
DEFINICIN:
Se define el momento de orden r ( r ) como el nmero dado por:
r
= IE[X
r
]=
+

dx x I x f x
D X
r
) ( ) (
<
____________________________________________________________________________________________
136
____________________________________________________________________________________________
DEFINICIN:
El momento de orden uno se conoce como la Esperanza
Matemtica (o simplemente Esperanza) de la variable aleatoria continua
X, al valor definido como: IE[X] =
1

Nota: la Esperanza es un promedio que se espera que suceda.
DEFINICIN:
Se define momento centrado en la Esperanza de orden r ( r )
como el nmero dado por:
r
=IE[(X- IE[X] )
r
]=
+

dx x I x f X IE x
D X
r
) ( ) ( )) ( (
<
DEFINICIN:
Se define la Varianza de la variable aleatoria continua X como el
nmero positivo:
2
=Var [X] =
2
= E[X
2
] - (E[X])
2
=
2
- (
1
)
2

Nota:
se conoce como la desviacin tpica o estndar e indica el grado

de dispersin que tendra la v.a.c. X
DEFINICIN:
Se define el coeficiente de variacin como:
) ( X C
V
Obs.:
Tambin se puede definir la Esperanza de una funcin g(x) de la
siguiente forma: sea X un v.a.c. con funcin de densidad probabilstica
X
f

y sea
____________________________________________________________________________________________
137
____________________________________________________________________________________________
g : D IR IR, una funcin continua tal que
) (M X
D ,
entonces s
dx x I x f x g
D X
) ( ) ( ) (

<,
se define la Esperanza de g(x) como el nmero dado por:
[ ] dx x I x f x g x g IE
D X
) ( ) ( ) ( ) (

(**)
Nota:
1. Si g(x)=X
(**) da la Esperanza de X :
[ ] X IE

2. Si g(x)=X
2

(**) da la Esperanza de X
2
: [ ]
2
X IE
3. Si g(x)=(X -IE
[ ] X
)
2

(**) da la varianza de X :
[ ] X V
PROPIEDADES
1. IE[kX] = kIE[X]
k
constante.
2. IE[k] = k
k
constante.
3. IE[X+Y] = IE[X]+IE[Y] X e Y v.a.
4. IE[aX+bY] = aIE[X]+bIE[Y] X e Y v.a. y a,b
constantes.
5. IE[XY] = IE[X]IE[Y] si X e Y son v.a. independientes.
6. V[kX] = k
2
V[X]
k
constante.
7. V[k] = 0
k
constante.
8. V[X+Y] = V[X]+V[Y]+2COV(X,Y) X e Y v.a.
9. V[X+Y] = V[X]+V[Y] si X e Y son v.a. independientes.
10. V[aX+bY] =a
2
V[X]+b
2
V[Y]+2abCov(X,Y) X e Y v.a. y
a,b ctes.
11. ( )
i
n
i
i i
n
i
i
X IE X IE

1
]
1
1 1

X
i
v.a. y
i
con i=1,2......n
constantes.
12. ( ) ) , ( 2
1 1
j i j
j i
i i
n
i
i i
n
i
i
X X Cov X V X V

<
+
1
]
1
****************
____________________________________________________________________________________________
138
____________________________________________________________________________________________
FUNCIN GENERADORA DE MOMENTOS
Debido a la importancia de obtener rpidamente los valores
caractersticos de una distribucin, se utiliza la funcin generadora de
momentos. Se define la funcin generadora de momentos ( f.g.m.)
X
(t)
como:
Sea X v.a.c. y
X
: D IR IR
t
X
( t ) = IE [ e
tX
]=
+

< dx x I x f e
D X
tX
) ( ) (
nota:
1. t D :
d (t)
dt
k
X
k
1.
X
( t=0)=1
2. Vemos que la f.g.m.
X
cumple con:
0 = t
r
X
r
dt
(t) d
) (

r
r
X IE
de all el nombre de funcin generadora de momentos.
LA DISTRIBUCIN NORMAL
Se dice que una variable aleatoria X se distribuye normalmente si su
funcin de densidad de probabilidad est dada por:
) (
2
1
) (
2
2
2
) (
x I e x f
IR
x
X

donde ( IR ) y ( IR
+
) son constantes.
Los parmetros de la distribucin normal son y , que pertenecen a
la media y la desviacin estndar de la v.a.c. X. La distribucin normal es
____________________________________________________________________________________________
139
____________________________________________________________________________________________
simtrica con respecto a , y tiene forma de campana para cualquier valor
de y . Para que f
X
(x) sea una funcin de densidad de probabilidad,
debe cumplir lo siguiente:

1 ) ( dx x f
X
La Esperanza y la Varianza de la distribucin normal se definen
como:

,
_
dx e
x
x IE
x
2
2
1
2
) (

( )
2 2 2 2 2 2
) ( ) ( ) ( + X IE X IE x V
Para denotar que una variable aleatoria X se distribuye normalmente con
parmetros y , se anota : X N( ;
2
). La probabilidad de que una
variable aleatoria continua distribuida normalmente sea menor o igual a un
valor especifico x
0
, sta determinado por la funcin de Distribucin
acumulada:
,
_

0
2
2
1
0 0
2
1
) ( ) (
x t
X
dt e x F x X IP

Este valor sera imposible de calcular, ya que existen infinitos valores
para el par y , para ello se recurre a la transformacin Z=( x - )/,
donde Z es una variable aleatoria estandarizada con = 0 y = 1; con lo
cual queda:
) 1 , 0 (
2
1
) ( ) (
2
2
1
0

x
z
dz e
x
Z IP x X IP
Pero esta variable aleatoria estandarizada con = 0 y = 1, no
permite calcular la IProbabilidad directamente pues la antiderivada no
____________________________________________________________________________________________
140
____________________________________________________________________________________________
existe, pero existen tablas que permiten calcularla (ver la tabla Normal en el
apndice).

EJERCICIOS RESUELTOS DE LA DISTRIBUCIN NORMAL
1. En el proceso de elaboracin supngase que el dimetro externo de
cierto tipo de cojinetes se encuentra aproximadamente distribuido
normal con = 3,5 cm. y = 0,02 cm. Si el dimetro de estos cojinetes
no debe ser menor de 3,47 cm. ni mayor de 3,53 cm. Cul es el
porcentaje de cojinetes que debe desecharse durante el proceso de
manufactura?
Solucin:
Sea X la v.a.c. asociada al dimetro, donde XN (3,5;0,0004)
La probabilidad de que no se rechasen los cojinetes es cuando x est entre
3,47 y 3,53.
IP (3,47 x 3,53) = IP( X 3,53) IP(X 3,47)
Estandarizando y usando la tabla se obtiene que
IP (3,47 x 3,53) = ( 1,5) - ( -1,5) = 0,9332 0,0668 = 0,8664
Resp.: Un 86,64% de los cojinetes cumple con las indicaciones, entonces,
el 13,36% debe desecharse.
2. Suponga que un instrumento tiene una duracin T (en unidades de
tiempo) que puede asociarse a una v.a.c. que tiene funcin:
) (
2 4
) (
2
4
4
2
1
t I e
k
t f
IR
t
T
+
,
_
Se sabe que el costo de fabricacin por artculo es $2.000 y el

fabricante lo vende en $5.000, pero garantiza su reemplazo total si su
tiempo de duracin es menor o igual a 0,9.
a) Determinar la funcin de utilidad por artculo.
b) Cul es la utilidad esperada por artculo?
____________________________________________________________________________________________
141
____________________________________________________________________________________________
c) Para qu valor mximo del tiempo c, el fabricante podra
garantizar un reemplazo total (para el primer artculo) de
modo que hubiese una utilidad esperada de $1.000 por
artculo?
Solucin:
En este ejercicio la v.a.c parece que est distribuida normalmente,
pero su dominio est cortado, pues no son todos los reales, ya que el
tiempo slo puede ser mayor que 0. Tenemos que encontrar la constante k,
para que la funcin dada sea una funcin de densidad de probabilidad.
dt e
k
t
2
2
1
0
2 4
1

,
_
,
_

,
_
4
4 0
1
2 4
1
1
2
2
1
0
1
dt e k
t
( ) 8413 , 0 1 1 1
1

k
1886 , 1 k
A) La funcin de utilidad es la siguiente:
U(t)= 3.000 s t 0,9
U(t)= -2.000 s t < 0,9 donde t
T
N (4,16)
B) E [ U ] = 3.000*IP[ t 0,9] - 2.000*IP[ t 0,9 ]
E [ U ] = 3.000 ( 1- IP[ t 0,9 ]) - 2.000 IP[ t 0,9 ]
E [ U ] = 3.000 5.000*P[ t 0,9 ]
E [ U ] = 3.000 5.000* k*( ( -0,775) - (-1) )
E [ U ] = 3.000 5.000*k* (0,21917 0,1587)
E [ U ]= 3.000 5.000 *1.1886 * (0,06051)=2.640,39.
E [ U ] 2.641 $/artculo
C) 1.000 = 3.000 5.000 *k *( ( c-4 / 4 ) - (-1) )
5.000 *k*( ( c-4/ 4) - (-1)) =2.000
( c-4/ 4) - (-1)= 2/(5 k)

____________________________________________________________________________________________
142
____________________________________________________________________________________________
( c-4/ 4)= 0,33653 + 0,15866 =0.49519
(c-4) / 4 =
-1
(0,49519) -0,01057
c = 3,952.
3 Supngase que X es la resistencia a la ruptura de un cable en Kg. Se
tiene que XN (100;16). Cada 100 m. De cable producen una utilidad
de $100 si x > 95 y si X 95 el cable puede usarse para otros fines y
produce utilidad de $20 cada 100 m. Encuentre la utilidad esperada
por cada metro de cable.
Solucin:
La funcin de utilidad por cada 100 metros de cable es:
U (x) = 100 S x > 95
U (x) = 20 S x 95
En este ejercicio, el dominio de la funcin de densidad no son todos
los reales, pues la variable X es mayor que 0, se tiene que encontrar
una constante k para que se cumpla la condicin de ser una funcin
de densidad.
1
4
100 0
1
2 4
1
1
2
4
100
2
1
0
1
,
_

,
_
dt e k
t
1 k

Por lo tanto, la funcin de utilidad por cada metro es:
u (x) = 1 s X > 95
u (x) = 0,2 s X 95.
La utilidad esperada por metro de cable es:
____________________________________________________________________________________________
143
____________________________________________________________________________________________
E [ u] = 1 IP [ x 95] + 0,2 *IP[ x 95]
= 1 - k (-5/4) + 0,2 k (-5/4)
= 1 0,8 * (0,10565)
= 1 0,08452 = 0, 91548.
4 Se tienen 3 cajas C
1
, C
2
, C
3
, con bolitas blancas y negras.
C
1
: 30 bolitas blancas y 10 bolitas negras.
C
2
: 15 bolitas blancas y 25 bolitas negras.
C
3
: 12 bolitas blancas y 28 negras.
El mtodo de eleccin de las cajas se puede aproximar a una
v.a.c. normalmente distribuida N (6,25) ; este mtodo se detalla a
continuacin:
- Se saca una bolita de C
1
con IP ( x <3 )
2
con IP ( 3< x <6)
3
con IP ( x 6).
Determinar la probabilidad de extraer una bolita blanca.
Solucin:
X es la variable asociada al mtodo de eleccin de las cajas,
entonces X N (6, 25) , se procede a estandarizar para N (0,1).

Para la C1, la IP ( x < 3) = ( -3/ 5) = 0,2743.
Para la C2, la IP ( 3 < x <6 ) = (0) - (-3/ 5) = 0,5 0,2743 = 0,2257.
Para la C3, la IP ( x 6) = 1 - ( 0) = 0,5.
Las probabilidades de sacar una bolita blanca de cada caja, son las
siguientes:
De la C1 es : 3/4.
De la C2 es :3/8.
De la C3 es :3/10.
Por lo tanto, la probabilidad de sacar una bolita blanca est sujeta la
condicionalidad de la eleccin de las cajas:
IP (blanca) = P (B/C1)*IP( C1) + IP(B/C2)*P(C2) + IP(B/C3)*P(C3)
= (0,2743 * 3/4) + (0,2257 * 3/ 8) + (0,5 * 3/10)
____________________________________________________________________________________________
144
____________________________________________________________________________________________
= 0,4403625
Resp.: la Iprobabilidad de extraer una bolita blanca es de un 44,04%
5 Una universidad espera recibir para el prximo ao 16.000 solicitudes
de ingreso al primer ao de licenciatura. Se supone que las
calificaciones obtenidas por los aspirantes de la prueba SAT se
pueden calcular de manera adecuada por una distribucin normal
con = 950 y = 100. Si la universidad decide admitir al 25% de
todos los aspirantes que obtengan la calificacin ms alta en la
prueba SAT Cul es la mnima calificacin que es necesario obtener
en sta prueba, para ser admitida por la universidad?.
Solucin:
Sea X la variable asociada a las calificaciones, por lo que XN(950;10000) .
Si slo el 25% ser admitido, existe un 75% que no lo ser y en donde se
encuentra la nota mxima de no aprobacin, por lo tanto:
P (X x) = 1 P (X x) = 1 0,75 = 0,25.
,
_
100
950
75 . 0
x

( ) 67449 . 0
100
950
75 . 0
1
x= 1017.449

Por lo tanto, la mnima calificacin con la que puede ser admitido un
estudiante es 1018 puntos.
6 La demanda mensual de cierto producto A tiene una distribucin
normal con = 200 y =40 unidades, la demanda de otro producto B
tiene una distribucin normal de = 500 y = 80.Un comerciante que
vende estos productos tiene 280 unidades de A y 650 unidades de B
al comienzo del mes. Cul es la probabilidad de que al trmino del
mes venda todos los productos? Puede suponer independencia.
Solucin:
____________________________________________________________________________________________
145
____________________________________________________________________________________________
Sea A la variable aleatoria asociada a la demanda del producto A,
entonces AN (200,1600).
Sea B la variable aleatoria asociada a la demanda del producto B,
entonces BN (500,6400) .
IP (A 280 ) = 1 IP (A 280 )
= 1 - ( (280 200)/40) = 1 - ( 2 )
= 1 0,97725 = 0,02275.
IP (B 650) = 1 IP(B 650)
= 1 - ((650500)/80) = 1 - (1,875)
= 1 0,969604 = 0,030396.
Por lo tanto como son hechos independientes, entonces la
IP( A B) = P(A)*P(B) = 0,02275 * 0,030396 = 0,00069.
LA DISTRIBUCIN EXPONENCIAL
Si una variable aleatoria X se distribuye como una exponencial, su funcin
de densidad de probabilidad est dada por:
) (
1
) ( x I e x f
IR
x
X
+
donde 0
El parmetro indica un lapso de tiempo entre dos eventos
independientes de Poisson (Distribucin discreta), recibe el nombre de
promedio de falla y 1/ es la frecuencia de falla.
Si una variable X se distribuye exponencialmente, se anota X exp()
La funcin de distribucin acumulada de la distribucin exponencial, es la
siguiente:

x
x
x x x
X
e e dx e x F x X IP

,
_
1
1
) ( ) (
0
0
____________________________________________________________________________________________
146
____________________________________________________________________________________________
La Esperanza : Es el primer momento y est determinada por:
dx e
x
X IE
x
0
) (
Para calcular sta integral se puede ocupar la funcin Gamma.

) 2 (
1
) (
2
0
dx e
x
X IE
x
La Varianza : Est definida como la diferencia entre el segundo momento y
el cuadrado del primer momento, cifra que siempre es positiva. Para
calcularla debemos sacar el momento segundo orden:
2 3
0
2
2
2 ) 3 (
1
) (

dx e
x
X IE
x
por lo tanto, la Varianza queda
( )
2 2 2 2 2
2 ) ( ) ( ) ( X IE X IE X V
La funcin Generadora de momentos:
dx e e e IE
x
tX tX

0
1
) (
( )

t
dx e e IE
t
x
tX
1
1 1
) (
1
0
Por lo tanto:
( )

,
_
0 2 0
1 1
1
) (
t t
t t dt
d
X IE
( )
( )
2
0 4
2
0 2
2
2
2
1
1 2
1
1
) (
,
_
t t
t
t
t dt
d
X IE
____________________________________________________________________________________________
147
____________________________________________________________________________________________
2 2 2 2 2
2 )) ( ( ) ( ) ( X IE X IE X V
LA DISTRIBUCIN EXPONENCIAL NEGATIVA
Si una variable tiene una Distribucin exponencial negativa, su funcin de
densidad est dada por:
( )
( )
) (
[ , [
1
x I e x f
b
b x
X

donde b, > 0 (constantes)

La cual tiene Esperanza igual a: E[x] =b + y una Varianza
V(x) =
2
EJERCICIOS RESUELTOS PARA DISTRIBUCIN EXPONENCIAL
1 El tiempo que se demoran en atender a una persona en una
cafetera es una variable aleatoria que tiene una Distribucin
exponencial con media de 4 min.
Cul es la probabilidad de que una persona sea servida en
menos de 3 minutos al menos en 4 das de un total de 6?
Solucin:
Sea t la variable asociada al tiempo, por lo tanto t e (=0.25)
) (
4
1
) (
[ , 0 [
4
t I e t f
t
T
,
_
Este ejercicio es una combinacin de distribucin exponencial

con binomial. Para encontrar la probabilidad de que la persona sea
____________________________________________________________________________________________
148
____________________________________________________________________________________________
atendida en menos de 3 minutos, se calcula con la distribucin
exponencial.
52763 . 0 1
4
1
) 3 (
4
3
4
3
0
<

,
_
e dt e T IP
t
Esta probabilidad se considera para encontrar la probabilidad pedida,
que est relacionada con el nmero de das, variable distribuida
binomialmente, D B( 6; 0,52763).
,
_

6
4
6
6
) 52763 . 0 1 ( 52763 . 0 ) 4 (
k
k k
k
D IP
3969 . 0 021576 . 0 115899 . 0 25940 . 0 ) 4 ( + + D IP
3 El tiempo necesario para reparar una pieza de equipo, en un
proceso de manufactura, es una variable aleatoria cuya funcin
de densidad de probabilidad es:
) (
5
1
) (
[ , 0 [
5
t I e t f
t
T
Si la prdida de dinero es igual al cuadrado del nmero

necesario de horas para llevar a cabo la reparacin, se debe
determinar el valor esperado de las prdidas por reparacin.
Solucin:
En este caso es necesario calcular el valor esperado de una funcin
que se encuentra relacionada con la variable tiempo, esta funcin es:
P( t ) = t
2
Por lo tanto el valor esperado de las prdidas es:
dt e t t IE t P IE
t

0
5
2 2
5
1
) ( )) ( (
____________________________________________________________________________________________
149
____________________________________________________________________________________________
Para calcular esta integral, usaremos la funcin ()
dx e x
x
+
0
) 1 (

Por lo tanto
50 ) 3 ( 5
5
1
) (
3 2
t IE
Luego el valor esperado de las prdidas es de $50.
EJERCICIOS PROPUESTO PARA LA DISTRIBUCIN EXPONENCIAL
1 Sea X la variable aleatoria que representa el intervalo de tiempo
entre dos llegadas consecutivas a una tienda, con funcin de densidad
dada por:
a) Encontrar la funcin de distribucin acumulativa.
b) Determinar la probabilidad de que ocurran menos de 8 minutos
entre dos llegadas.
c) Calcule la probabilidad de que a lo ms 3 das en el mes (30), el
tiempo entre dos llegadas este entre los 4 y los 8 minutos.
Solucin:
a) La funcin de distribucin esta representada por:
b b) Esta probabilidad se obtiene:
____________________________________________________________________________________________
150
____________________________________________________________________________________________
c c) Esta probabilidad se calcula mediante dos distribuciones:
exponencial y binomial.
X: variable asociada al tiempo, X e (1/2 )
D: variable asociada a los das, D B (30;p = P(4 x 8) )
P (4 x 8) = F (8) F (4)
= 1 e (-4 ) 1 + e (-2)
= e (-2) e (-4) = 0,117.
La probabilidad pedida es:
2 Sea X una variable aleatoria distribuida exponencialmente.
a) Cul es la probabilidad de que X tiene valor mayor que la
media ?
b) Cul es la probabilidad de que X tome un valor que se
encuentre en un intervalo igual a una desviacin estndar?
Solucin:
a) p ( x >E [x] ) = 1 P ( x E[x] )
= 1 P ( x )
= 1 1 + e (- / )
____________________________________________________________________________________________
151
____________________________________________________________________________________________
= 0,3678.
b) P ( x 2 ) = 1 e (-2 / )
= 1 e (-2) = 0,865.
Distribucin Gamma

Funcin Gamma (n) =

0
x
n-1
e
-x
dx
Propiedad:
1.- (n) = (n-1)*(n-1) n N - 1
2.- (2) = (1) = 1
3.- Si n N (n) = (n-1)!
Se dice que la v.a.c. X se distribuye como una Gamma ssi su f.d.p.
es:
x
(x) =
n
x
-1
e
-x
I
+
(x) donde ,
+
()
esto se anota X (,)
____________________________________________________________________________________________
152
____________________________________________________________________________________________
luego, obtenemos la esperanza y varianza de Gamma:
E[x] = / V[x] = /
2
Aproximacin de cualquier distribucin a una normal
1.- Suponiendo X Bin (n,p) en la cual queremos calcular el caso
para n = 400 , p = 0,1 y se quiere calcular P(x=45)
Como n >>> p se aproxima a una Normal, de la siguiente manera:
P(X
p
=x
0
) P(x
0
-1/2 X x
0
+1/2) donde X
p
N (E[X
D
],V[X
D
])
E[X
D
] = n*p V[X
D
] = n*p*q
En el problema tenemos:
E[X] = 400*0,1 = 40 V[X] = 400*0,1*0,9 = 36
X N (40,36)
____________________________________________________________________________________________
153
____________________________________________________________________________________________
P(X
p
= 15) = (x
0
+1/2)- - (x
0
-1/2)-

=
(45+1/2)-40 -(45-1/2)-40
6 6

= (0,917) - (0,75) = 0,8204 - 0,7734 = 0,047 4,7%
Nota: Lo anterior es vlido para cualquier v.a.discreta en que se conozca
su dispersin y su varianza.
2.- Suponiendo X como una v.a. continua y se conoce su E[X] y
su V[X]. X
c
es tal que E[X
c
] y V[X
c
] se conocen:
P ( a < X
c
< b ) P (a < X
d
< b ) donde X
d
N (E[X
c
], V[X
c
])
luego P (a < X
c
< b ) = b - E[X
c
] - a - E[X
c
]
V[Xc]
1/2
V[Xc]
1/2
____________________________________________________________________________________________
154
____________________________________________________________________________________________
Vectores aleatorios bidimensionales continuos ( . . . . c b a v
):
Comencemos por definir el concepto de vector aleatorio bidimensional
continuo:
DEFINICIN:
Sea M un espacio muestral continuo, se dice que
X es un vector
aleatorio bidimensional ( bivariado) continuo a la funcin:
X
: M IRxIR
tal que
X
-1
( ]- ,x] x ]- , y] ) = AM (x,y)IRxIR.
El vector aleatorio
X puede representarse como:
X
:=(X,Y) : M IRxIR , es decir
X (m) = ( X(m) , Y(m) ) mM

Obs.:
X
. . . . c b a v
ss X e Y son v.a.c. unidimensionales.

DEFINICIN:
Sea
X un
. . . . c b a v
se define la funcin de densidad probabilstica

conjunta (f.d.p.c.) denotada por
f
X
a

[ , 0 [ : RxR R D f
X X

(x,y)
X
f

1)
0
X
f

(x, y) D
2)
1 ) , ( ) , (

dydx y x I y x f
D X
Una vez definida la funcin de densidad conjunta del . . . . c b a v

X
podemos definir otras funciones importantes.
____________________________________________________________________________________________
155
____________________________________________________________________________________________
DEFINICIN:
Sea
X un . . . . c b a v
, con funcin de densidad probabilstica conjunta

f
X
,
se definen las funciones de densidad marginales como:
1) la de X como
dy y I y x f x f
Y D X X
) ( ) , ( ) (

X
D x
2) la de Y como
dx x I y x f y f
X D X Y
) ( ) , ( ) (

Y
D y
Estas funciones deben cumplir las siguientes condiciones:
i )
1 ) ( ) (

dx x I x f
X
D X
ii)
1 ) ( ) (

dy y I y f
Y D Y
DEFINICIN:
Sea
X un . . . . c b a v

f
X
,
se define la funcin de distribucin conjunta como:
X
F
: IRxIR [0, [
(x,y)
F
X
=
dydx y x I y x f
D
x y
X
) , ( ) , (

DEFINICIN:
Sea
X un . . . . c b a v
, con
f
X
,
) (x f
X y ) ( y f
Y
funciones
de densidad probabilstica conjunta y de densidad marginal de X y de Y
respectivamente, se definen las funciones de distribucin marginal:
1) de X como X
F
: IR [0, [
____________________________________________________________________________________________
156
____________________________________________________________________________________________
x
X
F
=
dx x I x f
X D
X
x
) ( ) (

2) de X como
Y
F
: IR
[0,
[
y Y
F
=
dy y I y f
Y
D
Y
y
) ( ) (

DEFINICIN:
Sea
X
un
. . . . c b a v
, con
f
X
, ) (x f
X
y
) ( y f
Y
funciones de densidad probabilstica conjunta y de
densidad marginal de X y de Y respectivamente. Se define la funcin de
densidad condicional de X dado Y= y a:
( )
) (
) , (
/
y f
y x f
x f
Y
X
y Y X
si
0 ) ( > y f
Y
anlogamente se define la funcin de densidad condicional de Y dado X= x
como:
) (
) , (
) (
/
x f
y x f
y f
X
X
x X Y
si
0 ) ( > x f
X
TEOREMA:
Sea
X
un . . . . c b a v
, con
f
X
,
) (x f
X
y
) ( y f
Y
funciones de densidad
probabilstica conjunta y de densidad marginal de X y de Y
respectivamente.
Entonces las v.a.c. X e Y son independientes ssi
f x y f x f y
X
X Y
( , ) ( ) ( )
D y x ) , (
____________________________________________________________________________________________
157
____________________________________________________________________________________________
COROLARIO:
Si X e Y son v.a.c. independientes

) ( ) / ( x f y Y X f
X

) ( ) / ( y f x X Y f
Y

Obs: todas las definiciones y teoremas dados para el caso bidimensional
pueden generalizarse a ms dimensiones en forma natural.
Esperanza de vectores aleatorios bivariados continuos y sus
propiedades.
DEFINICIN:
Sea
X un . . . . c b a v

f x y
X
( , )
y
sea g : D IR
2
IR, una funcin continua tal que
) (M X
D ,
entonces si
____________________________________________________________________________________________
158
____________________________________________________________________________________________

dydx y x I y x f y x g
D X
) , ( ) , ( ) , (

<
,
se define la esperanza de g(x,y) como nmero dado por:
[ ] dydx y x I y x f y x g y x g E
D X
) , ( ) , ( ) , ( ) , (

(**)
Nota:
Si g(x,y)=X
(**) da la esperanza de X :
[ ] X E
Si g(x,y)=Y
(**) da la esperanza de Y :
[ ] Y E
Si g(x,y)=X
2
(**) da la esperanza de X
2
:
[ ]
2
X E
Si g(x,y)=Y
2

(**) da la esperanza de Y
2
:
[ ]
2
Y E

Si g(x,y)=(X - E
[ ] X
)
2
(**) da la varianza de X :
[ ] X V
Si g(x,y)=(Y- E
[] Y
)
2
(**) da la varianza de Y :
[ ] Y V
Si g(x,y)=XY
(**) da la
esperanza de XY :
[ ] XY E
DEFINICIN:
Sea
X
un
. . . . c b a v
, con funcin de
densidad probabilstica conjunta
f x y
X
( , )
.Sea X e Y variables aleatorias
____________________________________________________________________________________________
159
____________________________________________________________________________________________
continuas tal que existe la esperanza de cada una de ellas, se llama
covarianza de X e Y al nmero denotado por:
Cov(X,Y) =
[ ] ( ) ( ) ( ) [ ] Y E Y X E X E
E[XY] - E[X]E[Y]
PROPIEDADES
E[kX] = kE[X] k constante.
E[k] = k
k
constante.
E[X+Y] = E[X]+E[Y]
X e Y v.a.
E[aX+bY] = aE[X]+bE[Y] X, Y v.a. y
a,b constantes.
E[XY] = E[X]E[Y] si X,Y son v.a independientes.
V[kX] = k
2
V[X]
k
constante.
V[k] = 0
k
constante.
V[X+Y] = V[X]+V[Y]+2COV(X,Y)
X,Y v.a.
V[X+Y] = V[X]+V[Y] si X e Y son v.a. independientes.
V[aX+bY] =a
2
V[X]+b
2
V[Y]+2abCov(X,Y)
X,Y v.a. y ,b
constantes.
Cov(X
1
,X
2
) = Cov(X
2
,X
1
)
Cov(X,X) = V[X]
Si X
1
, X
2
son independientes, entonces Cov(X
1
,X
2
) = 0
( )
i
n
i
i i
n
i
i
X E X E

1
]
1
1 1

X
i
v.a. y
con i=1,2......n constantes.
( ) ) , ( 2
1 1
j i j
j i
i i
n
i
i i
n
i
i
X X Cov X V X V

<
+
1
]
1
DEFINICIN:
____________________________________________________________________________________________
160
____________________________________________________________________________________________
Sea
X
un
. . . . c b a v
, con funcin de
densidad probabilstica conjunta
f x y
X
( , )
y covarianza
de X e Y. Se define el coeficiente de correlacin al nmero:
[ ] [ ] ( ) Y V X V
Y X Cov
XY
)(
) , (

Nota:
1. El coeficiente de correlacin mide el grado de asociacin que
tienen las variables aleatorias X e Y.
2. Si X e Y son independientes entonces la correlacin es cero.
3. Una propiedad es que su valor est en el intervalo [-1,1].
4. Si Z=aX+b y W=cY+d donde a,b,c,d son constantes
entonces
XY ZW
ac
ac

Esperanzas Condicionales
DEFINICIN:
____________________________________________________________________________________________
161
____________________________________________________________________________________________
Sea
X
=(X,Y)
. . . . c b a v
con f.d.p.c.
f x y
X
( , ) y sea
y Y X
f
/
(x) la funcin de densidad
condicional de X dado Y = y, se define la esperanza condicional de X dado
Y = y como el nmero:
<
1
]
1

dx x I x xf
y Y
X
E
D y Y X
) ( ) (
/
DEFINICIN:
Sea
X =(X,Y) . . . . c b a v
con f.d.p.c.
f x y
X
( , )

y sea x X Y
f
/ (y) la funcin de densidad condicional de Y dado X = x, se
define la esperanza condicional de Y dado X =x como el nmero:
[ ] <

dy y I y yf
x X
Y
E
D x X Y
) ( ) (
/
____________________________________________________________________________________________
162
____________________________________________________________________________________________
DEFINICIN:
Sea
X =(X,Y) . . . . c b a v
con f.d.p.c.
f x y
X
( , )
y sea y Y X
f
/ (x) la
funcin de densidad condicional de X dado Y = y, se define la varianza
condicional de X dado Y = y como el nmero positivo:
2
2
,
_
1
]
1
1
]
1
1
]
1
y Y
X
E
y Y
X
E
y Y
X
V
en que
<
1
]
1

dx x I x f x
y Y
X
E
D y Y X
) ( ) (
/
2
2
DEFINICIN:
Sea
X =(X,Y) . . . . c b a v
con f.d.p.c.
f x y
X
( , )
y sea x X Y
f
/ (y) la
funcin de densidad condicional de Y dado X = x, se define la varianza
condicional de Y dado X =x como el nmero positivo:
2
2
,
_
1
]
1
1
]
1
1
]
1
x X
Y
E
x X
Y
E
x X
Y
V
en que
<
1
]
1

dy y I y f y
x X
Y
E
D x X Y
) ( ) (
/
2
2
Distribucin Multinormal. (Normal K-variada)
____________________________________________________________________________________________
163
____________________________________________________________________________________________
Anteriormente se estudi la distribucin normal de una variable
aleatoria. El concepto de distribucin normal puede extenderse para incluir
variables aleatorias y en particular la distribucin normal k-variada se
emplea de manera extensa para describir el comportamiento probabilstico
de dos o ms variables.
Definicin:
Se dice que el vector x
(x
1
,x
2
,x
3
,.....x
k
) se distribuye como una normal k-
variante ssi su f.d.p.c. se distribuye de la siguiente forma:
( )
( ) ( )
T
x x
k x
e x x x f

1
2
1
2 1
2
1
,... ,
donde
[ ]
k 2 1
x ,........ x , x x

[ ]
k 2 1
,......, ,

( ) ( ) [ ]

x x IE
/
____________________________________________________________________________________________
164
____________________________________________________________________________________________
=
( ) ( ) ( )
( ) ( )
k * k
2
k
k 2 3 2
2
2
k 1 3 1 2 1
2
1
x , x cov ....... x , x cov
x , x cov ........ x , x cov x , x cov
1
1
1
1
1
]
1
Esta ltima matriz se conoce como matriz de varianzas y covarianzas, ella

resulta simtrica pues la Cov( X
i
, X
j
)= Cov( X
j
, X
i
).
Observacin:
Todas las f.d.p. marginales son normales de dimensiones menores.
Lo interesante de esta distribucin es el poder encontrar las distintas
marginales de la distribucin normal k-variada .
Ejemplo:
1.1.-Encontrar las f.d.p. marginales
( )
4 3 1
, ,
1
x x x f
x
,
( )
6 5 2
, ,
2
x x x f
x

provenientes de una normal k-variada con k=6 con vector de medias
( ) 6 , 4 , 1 , 2 , 3 , 1
y cuya matriz de varianzas y covarianzas es:

____________________________________________________________________________________________
165
____________________________________________________________________________________________
1
1
1
1
1
1
1
1
]
1

2
2 4
0 2 3
1 3 0 2
0 1 4 1 5
2 0 3 6 0 1
Para encontrar estas marginales cabe recordar que como estas
tambin se distribuyen en forma normal, solo se debe buscar en los
subndices pedidos en el vector de medias y dejar las filas y columnas
relacionadas de la matriz de varianzas y covarianzas de acuerdo a las
marginales pedidas.
Entonces tenemos que la distribucin para el primer caso ser:
( ) ( )
1 1 4 3 1
, , ,
1

N x x x f
x
donde
[ ] 1 , 2 , 1
1

y
1
1
1
]
1

3
0 2
3 6 1
y para el segundo
____________________________________________________________________________________________
166
____________________________________________________________________________________________
( ) ( )
2 2 6 5 2
, , ,
2

N x x x f
x
donde
[ ] 6 , 4 , 3
2

y
1
1
1
]
1

2
2 4
2 0 1
Un caso particular en normales k-variadas es la normal bivariada la cual se
representa de la siguiente forma:
( ) ( )

, N x , x f
2 2 1 y

donde [ ]
2 1
,
( )
1
1
]
1
2
2
2 1
2
1
x , x cov
o bien
( )
( )

'
1
1
]
1
,
_
,
_
,
_
,
_
2
2
2
2
1 2
1
2
1 2
1
,
y
y
y
y
x
x
x
x
x x
x x
xy
y x
Y
e y x f

donde
____________________________________________________________________________________________
167
____________________________________________________________________________________________
( ) X
x

,
y
=E(Y) ,
x
2
=Var(X) ,
y
2
=Var(Y) y es el
coeficiente de correlacin entre las variables X e Y definido con anterioridad
(
1 <
).
Ahora bien, si hacemos =0 logramos obtener las condiciones necesarias
de independencia entre las variables X e Y en la distribucin normal
bivariada, sta adems de ser necesaria, es una condicin suficiente por lo
siguiente:
( )
1
1
1
]
1
,
_
,
_
2 2
2
1
2
1
2
1
,
y
y
x
x
x x
y x
X
e y x f

=
1
1
1
]
1
,
_
1
1
]
1
,
_
2
2
2
1
2
1
2
1
2
1 y
y
x
x
x
y
x
x
e e

f
X
(x,y)=f
x
*f
y
en donde f
x
y f
y
son las densidades normales univariadas de X
e Y respectivamente.
Propiedades.
1.-
( ) X
x

,
y
=E(Y) Esperanzas marginales
2.-
( )
2
,
x x
N X

( )
2
,
y y
N Y
3.-
( ) ( )
,
_
,
_
2 2
1
1 ;
x y
y
x
x
y N
y Y
X
f

;

( ) ( ) ( )

,
_
2 2
1
1 ;
y x
x
y
y
x N
x X
Y
f

4.-
( ) [ ] ( )
x
x
y
y y
y
x
x
x
x X
Y
E y
y Y
X
E
+
1
]
1
1 1
,
5.-
( ) ( ) ( )
2 2 2 2
1 , 1
y x
x X
Y
V
y Y
X
V
,
_
____________________________________________________________________________________________
168
____________________________________________________________________________________________
Observacin:
Si sabemos que X se distribuye en forma Normal con parmetros
N(
1
,
1
2
) y la variable Y tambin se distribuye Normal con parmetros
N(
2
,
2
2
) entonces la variable Z= X+Y tambin se distribuir normal con
parmetros Z
( ) ( ) Y , X cov 2 ; N
2
2
2
1 y x
+ + +
.
Un caso especial es cuando las variables son independientes lo que
implicara que la covarianza es 0 por lo tanto Z
( )
2
2
2
1 y x
; N + +
.
Ejercicio Resueltos.
1.-Sea
( ) ( ) , N x , x , x , x f
4 3 2 1 x

con
( ) 1 , 3 , 2 , 1
y
1
1
1
1
]
1

4
7 16
4 3 9
2 1 0 4
Encontrar la distribucin de Z=3x
1
+x
2
+x
3
-2x
4
.
Desarrollo.-
i)Mtodo 1.-
( )
2
, N Z
E[Z]= = 3E[x
1
]+E[x
2
]+E[x
3
]-2 E[x
4
] = 3*1+2-3-2*1 =0
V[Z]= 9V(X
1
)+ V(X
2
)+ V(X
3
)+4V(X
4
)+2[cov(3X
1
,X
2
) + 3cov(X
1
,X
3
) + cov(3X
1
,-
2X
4
) + cov(X
2
,X
3
) + cov(X
2
,-2X
4
) + cov(X
3
,-2X
4
)]
____________________________________________________________________________________________
169
____________________________________________________________________________________________
V[Z]= 9*4+9+16+4*4+2( 3*0+3*(-1)-6*2+3-2*4-2*(-7))= 65
( ) 65 , 0 N Z
ii) Mtodo 2. En forma matricial.
Z=
[ ]
4 3
, , , x x x x
2 1
1
1
1
1
]
1
2
1
1
3
[ ] [ ]
4 3 2 1
x , x , x , x Z
1
1
1
1
]
1
2
1
1
3
[ ] [ ] 1 , 3 , 2 , 1 Z E
1
1
1
1
]
1
2
1
1
3
=3+2-3-2=0
V[Z]= E[(Z-E[Z])(Z-E[Z])]= E[(XA-
A)(XA-
A)]= E[A(X-
)(X-
)A]
= A E[(X-
)(X-
)]A =A
A
____________________________________________________________________________________________
170
____________________________________________________________________________________________
[ ] [ ] 1 , 3 , 2 , 1 Z V
1
1
1
1
]
1
4 7 4 2
7 16 3 1
4 3 9 0
2 1 0 4
1
1
1
1
]
1
2
1
1
3
[ ] [ ] 2 , 1 , 1 , 3 Z V
1
1
1
1
1
]
1
5
30
4
7
V[Z]=21+4+30+10=65
2.-Durante aos en un test de conocimiento se efectan dos evaluaciones
con 3 preguntas cada una. Los rendimientos en las 6 preguntas se pueden
asociar a un
( ) , N X . c . a . v
6

donde
[ ]
6 5 4 3 2 1
x , x , x , x , x , x X
en que x
i
se
asocia al resultado de la pregunta i con i=1,2,...,6
La evaluacin 1 corresponde a la suma de las preguntas impares y la
evaluacin 2 corresponde a la suma de las preguntas pares.
Datos:
[ ] 11 , 13 , 14 , 9 , 12 , 10
1
1
1
1
1
1
1
1
]
1

6
2 5
0 0 6
2 4 0 4
1 0 2 1 5
0 3 2 0 1 4
____________________________________________________________________________________________
171
____________________________________________________________________________________________
a) Determinar la probabilidad que la evaluacin 2 sea mayor que 32.
b) Determinar la probabilidad que la evaluacin 2 sea mayor que la
evaluacin 1.
c) Si 30 alumnos rinden las 2 evaluaciones, Cul es la probabilidad que al
menos 6 alumnos tengan una evaluacin 1 menor que la 2?.
Desarrollo.-
a) Se sabe que la evaluacin 2 est compuesta por la suma de las
respuestas pares, por lo tanto, si definimos W y S como:
W = la evaluacin 1 y S = la evaluacin 2
Pregunta2
( ) ( )
2
2 2 2
,
2
N x f
x

Pregunta4
( ) ( )
2
4 4 4
,
4
N x f
x

Pregunta6
( ) ( )
2
6 6 6
,
6
N x f
x

Por lo que E[X

2
+X
4
+X
6
]=
2
+
4
+
6
=12+14+11 = 37
V[X
2
+X
4
+X
6
]= V(X
2
)+V(X
4
)+V(X
6
)+2 [cov(X
2
,X
4
)+cov(X
2
,X
6
)+ cov(X
4
,X
6
)]
=5+6+6+2*2+2*1+2*0 =23
( ) 23 , 37 N S
entonces para el clculo de la probabilidad tenemos lo
siguiente:
( ) ( ) 043 . 1 1
23
37 32
23
37
32 <
,
_

>
> Z P
S
P S P
= 1-(-1.0426) = 0.8515
____________________________________________________________________________________________
172
____________________________________________________________________________________________
b)Si hacemos R = S-W entonces tenemos que encontrar la probabilidad de
que R>0 y como sabemos que R se distribuye en forma Normal slo falta
encontrar sus parmetros.
( ) 23 , 37 N S
y
( ) 15 , 32 N W
R
( ) ( ) W S V V N
w s w s
, cov 2 ; +
Para el clculo de la varianza de S con W tenemos lo siguiente:
Cov[X
2
+X
4
+X
6
, X
1
+X
3
+X
5
]= [cov(X
2
,X
1
) + cov(X
2
,X
3
) + cov(X
2
,X
5
) +
cov(X
4
,X
1
) + cov(X
4
,X
3
) + cov(X
4
,X
5
) + cov(X
6
,X
1
) +cov(X
6
,X
3
) + cov(X
6
,X
5
)]
Cov[S ,W ]= (1-1+0-2+0+0+0+2-2)= -2
V(R)=42
( ) 42 , 5 N R
( ) ( ) 772 . 0 1
42
5 0
42
5
0 <
,
_

>
> Z P
R
P R P = 1-(-0.772) = 0.7799
c)Debido a que en general una persona no puede dar dos veces la misma
evaluacin es que el mtodo para resolverlo sera una hipergeomtrica,por
ello sta probabilidad se puede aproximar a una distribucin binomial con
los siguientes parmetros:
( ) 7799 , 0 ; 30 Bin B
IP[x6] =
[ ] 6 x P 1 <
____________________________________________________________________________________________
173
____________________________________________________________________________________________
=
x x
x
x

,
_
30
5
0
) 2201 . 0 ( ) 7799 . 0 (
30
1
= 1
3.- Sea X = (X
1
, X
2
) un vector aleatorio bidimensional distribudo como una
normal bivariada tal que X
1
y X
2
estn correlacionados positivamente y tal
que verifican las siguientes condiciones:
1. IP[X
1
<1] = 0,8413 X~N (u , ) y >0
2. IP[X
2
>6] = 0,0228
3. V[X
1
]=1 y V[X
2
]=2
4. V[X
1
/X
2
=x
2
] = 0,75
a) Calcule IP[0 < X
2
< 4 / X
1
= 2].
b) Encuentre la matriz de varianzas y covarianzas.
Desarrollo.-
a) V[X
1
]=
1
2
=1 V[X
2
]=
2
2
=2
V[X
1
/X
2
=x
2
] =
1
2
(1-
2
)=0,75
=0.5

IP[0 < X
2
< 4 / X
1
= 2] = IP[ X
2
< 4 / X
1
= 2] IP [X
2
< 0 / X
1
= 2].
____________________________________________________________________________________________
174
____________________________________________________________________________________________

( ) ( )

,
_
,
_
2
2
2
1 1
1
2
2
1 1
2
1 ;
x x
x
x
x
x N
x x
x
f

= N(u
2
+ 2 /2

(2 u
1
) ; 1.5 )
Para calcular
1
y
2
:
[ ]
0
841 , 0
1
1
1
1
1
1
1 1
1

1
]
1

<
<
x
P x P
[ ]
1716 , 3 2 2 6
023 , 0
6
1 6
2
21
21
2
2 2
1

1
]
1

<
>
u
u u x
P x P

IP [X
2
<4 / X
1
= 2 ] = 0.3163
IP [X
2
< 0 / X
1
= 2] = 0
0,3163 0 - 0.3163 2] X / 4 X P[0
1 2
< <

b)

1
2

2
1
1 2 /2
= =

2
2
2
4.-Ciertas vigas tienen secciones rectangulares cuyas dimensiones, largo y
ancho se pueden representar mediante una distribucin normal bivariada
con vector de media
( ) 15 , 10
en [cm] y matriz de varianzas y covarianzas

____________________________________________________________________________________________
175
____________________________________________________________________________________________
1
]
1

1
0 5 . 0
Los limites de tolerancia para el largo de la viga son (9.3; 10.7) y para
el ancho son (14,16). Una viga se considera defectuosa si el largo o el
ancho est fuera de los lmites de tolerancia. Se tomo una muestra de
tamao n=15. cul es la IP de que 11 de estas vigas no sean
defectuosas?.
Desarrollo.-
Se aprecia claramente que existe independencia entre el largo y el ancho
por lo que la probabilidad de que las vigas no cumplan los
requerimientos ser la multiplicacin de las marginales las cuales
tambin se distribuyen en forma normal.
Sea X=Largo y Y=ancho f(x,y)=f
x
*f
y
Si son defectuosas tenemos
( ) 5 . 0 , 10 N X

( ) ( )

,
_

< <
< < < >

5 . 0
10 7 . 10
Z
5 . 0
10 3 . 9
P 1 7 . 10 X 3 . 9 P 1 3 . 9 X 7 , 10 X P
=
( ) ( ) ( ) ( ) 32266 . 0 989 . 0 989 . 0 1 989 . 0 Z 989 . 0 P 1 < <
( ) 1 , 15 N Y

____________________________________________________________________________________________
176
____________________________________________________________________________________________
( ) ( )
,
_

< <
< < < >

1
15 16
Z
1
15 14
P 1 16 Y 14 P 1 14 Y 16 Y P
=
( ) ( ) ( ) ( ) 68268 . 0 1 1 1 1 Z 1 P 1 < <
( ) 2202735 . 0 68268 . 0 32266 . 0 s defectuosa P
( ) 7797265 . 0 2202735 . 0 1 s defectuosa sean no P
Como las vigas son reemplazadas, la probabilidad pedida sigue una
distribucin hipergeomtrica pero esta es factible aproximarla a una
distribucin binomial.
( ) 779 , 0 ; 30 Bin B
IP[x=11] =
20874 . 0 ) 221 . 0 ( ) 779 . 0 (
11
15
11 15 11
,
_

5.- Sea (X,Y) V
.a.n.b. con
( ) 10 , 5
y
1
2
=1,
2
2
=25 y >0. Si la
IP(4<Y<16/X=5)=0.954, encuentre la matriz de varianzas y covarianzas.
____________________________________________________________________________________________
177
____________________________________________________________________________________________
( ) ( )
( ) ( )
( ) ( ) 25 1 ; 10 N
25 1 ; 5 5
1
5
5 N
1 ; x N
5 x
y
f
2
2
2
y
2
x
x
y
y

,
_
,
_
,
_
5
4
2
1 5
6
954 . 1
1 5
6
2
954 . 0
1 5
6
1 5
6
954 . 0
1 5
10 16
Z
1 5
10 4
P
2 2
2 2 2 2

,
_
,
_
,
_
,
_
< <

Luego
1
]
1

25
4 1
____________________________________________________________________________________________
178
____________________________________________________________________________________________
6.-Sea
[ ]
3 2 1
x , x , x X
.a.3-normal con vector de medias

( ) 2 , 2 , 1
y matriz
de varianzas y covarianzas
=diag(1,9,4). Si Y
1
= 3X
1
+2X
2
-X
3
e
Y
2
=2X
1
-X
2
. Encuentre E[Y
1
/Y
2
] y V[Y
1
/Y
2
]
Desarrollo.-
Si Y
1
= 3X
1
+2X
2
-X
3

y1
=E[Y
1
] = E[3X
1
] + E[2X
2
] - E[X
3
] =5
Y si Y
2
= 2X
1
-X
2

y2
= E[Y
2
] = E[2X
1
] - E[X
2
]] =0
V[Y
1
]= 9V(X
1
)+ 4V(X
2
)+ V(X
3
) = 9+36+4=49
V[Y
2
]= 4V(X
1
)+ V(X
2
) = 4+9=13
( )
( ) 0
13
7
5
2
2 2
2
1
2 1 1
2 2
1
+
+
1
]
1
y
y
y Y
Y
y
y
y
y y y

( )
2 1
2 1
2 1
, cov
y y
y y
y y

cov(y
1
,y
2
)=cov(3X
1
,2X
1
)+cov(3X
1
,-X
2
)+cov(2X
2
,2X
1
)+cov(2X
2
,-X
2
)+
cov(-X
3
,2X
1
) + cov(-X
3
,-X
2
) = 6cov(X
1
,X
1
) 2(X
2
,X
2
)= 6-18 = -12
( )
475 . 0
13 7
12 , cov
2 1
2 1
2 1

y y
y y
y y

( )
2
2 2
1
13
12
5 y
y Y
Y

1
]
1
( )
13
493
49
13 49
144
1 1
2 2
2 2
1
1 2 1

,
_

1
]
1
y y y
y Y
Y
V
____________________________________________________________________________________________
179
____________________________________________________________________________________________
4 0 -6 0 0
4 0 2 0
7.- Sea
( ) ,
5

N X
donde
( ) 1 , 2 , 3 , 4 , 1
y = 9 0 0
4 -1
9
Sean
5 4 3 1 3
1
3
2
4
2
1
X X X 2 X 3 Y e
2 X
X
Y ;
2 X
X
Y + +
a) Encuentre la distribucin de Y
1
, Y
2
, Y
3
respectivamente.
b) Y
1
e Y
2
son independientes?.
c) Determine la IP (Y
1
> 2Y
2
).
Desarrollo.-
a) i)Para desarrollar estos ejercicios lo primero que hay que hacer es
calcular las marginales respectivas y luego usar las propiedades de la
normal bivariada.

( ) ( )
( ) ( )
,
_
+ +
,
_
,
_
4 1 ; 2 2
2
2
4 N
1 ; x N
2 x
x
f
2
24 24
2
2 x
2
24 4 x 4
4 x
2 x
24 2 x
4
2
( )
2
1
2 2
2 x , x cov
4 x 2 x
4 2
24

( ) ( ) 3 , 2 N 4
4
1
1 ; 2 2
2
2
2
1
4 N
2 x
x
f
4
2

,
_
,
_
+ +
,
_

____________________________________________________________________________________________
180
____________________________________________________________________________________________
ii)
( ) ( )
( ) ( )
,
_
,
_
,
_
9 1 ; 1 2
2
3
3 N
1 ; x N
2 x
x
f
2
31 31
2
3 x
2
31 1 x 1
1 x
3 x
31 3 x
1
3
( )
1
2 3
6 x , x cov
1 x 3 x
1 3
31

( ) ( )
,
_

,
_
,
_
0 ,
2
3
N 4 1 1 ; 1 2
2
3
1 3 N
2 x
x
f
1
3

iii) [ ] ( )
2
3 3 5 4 3 1 3
, N X X X 2 X 3 Y + +
y3
=E[Y
3
] = E[3X
1
] - E[2X
3
] + E[X
4
] + E[X
5
]=3-6-2+1 = -4
V[Y
3
]= 9V(X
1
)+ 4V(X
3
)+ V(X
4
)+ V(X
5
)+ 2[cov(3X
1
,-2X
3
) + cov(3X
1
,X
4
) +
cov(3X
1
,X
5
) + cov(-2X
3
,X
4
) + cov(-2X
3
,X
5
) + cov(X
4
,X
5
)]=
= 36+36+4+9+2(36-1) = 155
( ) 155 , 4 N Y
3

b) Y
1
e Y
2
son independientes ya que se aprecia claramente en la matriz de
varianzas y covarianzas que X
2
no est relacionado ni con X
3
ni con X
1
y
lo mismo pasa con X
4
.
c) IP(Y
1
>2Y
2
) = IP(R>0) con R =Y
1
2Y
2
Y
1
N (-2,3) Y
2
N (3/2,0) y como de la pregunta b) sabemos que son
independientes, tenemos que:
( ) 3 , 5 N R
( ) ( ) 88675 . 2 Z P 1
3
5 0
3
5 R
P 0 R P <
,
_
+
>
+
>
= 1-(2.88675) = 0.0019462
Ejercicios Propuestos.-
____________________________________________________________________________________________
181
____________________________________________________________________________________________
1.-Sean X e Y las desviaciones horizontal y vertical (sobre un plano)
respectivamente, de un vehculo espacial tripulado, con respecto al
aterrizaje de ste en el mar. Supngase que X e Y son 2 variables
aleatorias que se distribuyen en forma normal e independientes con medias
x
=
y
=0 y varianzas iguales. Cul es la mxima desviacin estndar
permitible de X e Y, que cumplira con los requerimientos de la Nasa de
tener una probabilidad de 0.99, de que el vehculo aterrice a no ms de 500
ft del punto elegido, tanto en direccin vertical como horizontal?.
Respuesta:
x
=
y
<178 pies.
2.-Sea
( ) Y , X X
vector normal bivariado. Se conoce:

a)P(X<5)=0.5
b)P(X<6) = 0,8413= P(Y<15)
c)P(Y<5) = 0.1587 = 1-P(X<6)
d)P[4 < Y

< 16 / X = 2]
e)Si X aumenta entonces Y aumenta
Calcule la IP(3<X<3.6/Y=5).
Respuesta:0.13
3.-Sea
( ) Y , X X
.a. n. bivariado tal que :

i) [ ] 2
2
3

x
x X
Y
____________________________________________________________________________________________
182
____________________________________________________________________________________________
ii) 3 y
5
3
y Y
X

1
]
1
a) Demuestre que [ ] [ ] [ ] Y
x X
Y

b) Calcule E[X], E[Y], xy
.
Respuesta.-
x
=

-18
y
= 25
xy
= -0.95
Vectores Aleatorios bivariados discretos
Introduccin:
La necesidad de estudiar este tipo de vectores se debe a que son
muchas las situaciones en que el resultado de un suceso aleatorio puede
clasificarse en ms de una forma, generalmente nuestro inters est
enfocado a analizar ms de una categora, por ejemplo si X(t) es la potencia
consumida por un determinado circuito en un tiempo t, la cual es una
variable aleatoria unidimensional, pero si necesitamos analizar la potencia
____________________________________________________________________________________________
183
____________________________________________________________________________________________
consumida en 2 tiempos especficos, estudiaremos la distribucin del vector
(X
1
(t), X
2
(t)).
Vectores aleatorios bidimensionales discretos ( . v
a.b.d):
Comencemos por definir el concepto de vector aleatorio bidimensional
discreto: Se dice que
X es un vector aleatorio bidimensional ( bivariado)

discreto a la funcin:

X
: M IRxIR
tal que
X
-1
( ]- ,x
i
] x ]- , y
j
] ) = AM (x
i
,y
j
)IRxIR
siendo M un espacio muestral, finito infinito contable
1
.
El vector aleatorio
X puede representarse por:
X :=(X,Y) : M IRxIR , es decir,
X (m) = ( X(m) , Y(m) ) mM.

DEFINICIN :
Sea
X un . . . . d b a v
, se define la funcin de cuanta conjunta (f.c.c.)

denotada por
f
X
(x
i,
y
j
) a

[ ] 1 , 0 : RxR R D f
X X

(x
i
,y
j
)
X
f

1) 0
f
X
(x
i,
y
j
) 1 (x
i,
y
j
) D
2)
1 ) , ( ) , (

j i D j i
x y
X
y x I y x f
i j
Obs.: usualmente se usa la notacin

p
ij para anotar el valor de
f
X
(x
i,
y
j
) en que
p
ij = P(X(M) = x
i
Y(M) = y
j
) = P(X=x
i
; Y=y
j
) y por
lo tanto las condiciones quedan:
1
Un conjunto C es infinito contable ssi podemos encontrar una funcin biyectiva entre C y los
naturales.
____________________________________________________________________________________________
184
____________________________________________________________________________________________
1) 0
p
ij 1 i,j
2)

x
ij
y
i j
p 1
Una vez definida la funcin de cuanta conjunta del vector
X
podemos definir otras funciones importantes:
Sea
X vector aleatorio bivariado discreto, con funcin de cuanta

conjunta
) , (
j i
X
y x f

=
p
ij , se definen las funciones de cuanta marginales
como siguen:
1) la de X como

j
ij i i X
p p x f ) (

2) la de Y como

i
ij j j Y
p p y f ) (
Estas funciones deben cumplir las siguientes condiciones:
i )
) ( 1
i
x
X
i
i
x f p
i

ii)
) ( 1
j
y
Y
j
j
y f p
j

Sea
X vector aleatorio bivariado discreto con funcin de cuanta

conjunta
) , (
j i
X
y x f

=
p
ij , se define la funcin de distribucin conjunta la
relacin:

F
X
: IRxIR [0,1]
(x,y)
F
X
(x,y )= P( X x; Y y)

y y
ij
x x
j i
p
____________________________________________________________________________________________
185
____________________________________________________________________________________________
Sea
X =(X,Y) v.a.b.d. con funcin de cuanta conjunta

p
ij y funcin
de cuanta marginal
p
i &
p
j respectivamente. Se define la funcin de
distribucin marginal de X e Y como sigue:
[ ]
F R
X X
: , 0 1
x
( )

x x
i X
i
p x X P x F ) (
[ ]
F R
Y Y
: , 0 1
y
( ) ( )

y y
j Y
j
p y Y P y F
con
( ) ( )
F x F x p
X
X
ij
y
j

,
y
( ) ( )
F y F y p
Y
X
ij
x
i

,
Sea
X =(X,Y) v.a.b.d. y sean

f
X
,
f
X ,
f
Y funciones de cuanta
conjunta y marginales respectivamente. Se llama funcin de cuanta
condicional de X dado Y= y a:
( )
) (
) , (
j Y
j i
X
j
y f
y x f
y Y X f

si
0 ) ( >
j Y
y f
Se llama funcin de cuanta condicional de Y dado X= x como:
____________________________________________________________________________________________
186
____________________________________________________________________________________________
( )
) (
) , (
i X
j i
X
i
x f
y x f
x X Y f

si
0 ) ( >
i X
x f
Teorema:
Sea
X =(X,Y) v.a.b.d., consideremos

f
X
: C
1
xC
2
IR la funcin
de cuanta conjunta de
X , y
f
X
: C
1
IR y
f
Y
: C
2
IR
funciones de cuanta marginales de X e Y respectivamente. Entonces X e
Y son independientes ssi
) ( ) ( ) , (
j Y i X j i X
y f x f y x f
j i
y x
Esperanza de vectores aleatorios bivariados discretos y sus
propiedades.
Sea
X =(X,Y) v.a.b.d., con funcin de cuanta conjunta

) , (
j i X
y x f

y
sea g: DIR
2
IR, funcin continua y tal que X(M) D , entonces se
define como esperanza de g(x,y) y se denota por E[g(x,y)] al nmero dado
por:
[ ]

j i
j i
y
j i X j i
x
y x
j i X j i
y x f y x g
y x f y x g y x g E
) , ( ) , (
) , ( ) , ( ) , (
) , (

Sea X
1
, X
2
variables aleatorias cualesquiera tal que existe la
esperanza de cada una de ellas, se llama covarianza de X
1
y X
2
al nmero
denotado por:
COV(X
1
,X
2
) = E[X
1
X
2
]-E[X
1
]E[X
2
]
Propiedades:
1) V[X
1
+X
2
] = V[X
1
]+V[X
2
]+2COV(X
1
,X
2
)
2) COV(X
1
,X
2
) = COV(X
2
,X
1
)
3) Si X
1
, X
2
son independientes, entonces COV(X
1
,X
2
) = 0
____________________________________________________________________________________________
187
____________________________________________________________________________________________
Se define el coeficiente de correlacin al nmero:
[ ] [ ] { }
X X
COV X X
V X V X
1 2
1 2
1 2
1
2
( , )
el cual mide el grado de asociacin entre X
1
y X
2
. Si X
1
y X
2
son
independientes este coeficiente es cero. Una propiedad es que su valor
est en el intervalo [-1,1].
Esperanzas condicionales
Sea

f x y
X
( , )
y
sea
( )
j
y Y X f
la funcin de cuanta condicional de X dado Y = y
j
.
Entonces se define la esperanza condicional de X dado Y = y
j
al nmero:
,
_

1
]
1
i
x
j
i
j
y Y
X
f x
y Y
X
E
anlogamente para Y dado X = x
i
se define:
,
_

1
]
1
j
y
i
j
i
x X
Y
f Y
x X
Y
E
Por otro lado se define la varianza condicional de X dado Y = y como:
2
2
,
_
1
]
1
1
]
1
1
]
1
j j j
y Y
X
E
y Y
X
E
y Y
X
V
donde la
,
_

1
]
1
i
x
j
i
j
y Y
X
f x
y Y
X
E
2
2
anlogamente se define la varianza condicional de Y dado X = x como:
____________________________________________________________________________________________
188
____________________________________________________________________________________________
2
2
,
_
1
]
1
1
]
1
1
]
1
i i i
x X
Y
E
x X
Y
E
x X
Y
V
donde la
,
_

1
]
1
j
y
i
j
i
x X
Y
f y
x X
Y
E
2
2
Ejemplos:
1) Sea (X,Y) vector aleatorio discreto con funcin de probabilidad conjunta
dada por:
{ }
{ }
'

e.t.o.c.
0,1,2 y si
0,1,2,3 x si
10
3
4
) 3 (
2 4

0
) , (
C
C C C
y x f
y x y x
a) Encuentre las distribuciones marginales.
b) Calcule P( 1 X 3 / Y=2).
c) Calcule E[Y / X=1].
Solucin:
a)
f x
X
( )
y
f y
Y
( )
haciendo una tabla de valores tendremos
f x y
X Y ,
( , )
X 0 1 2 3
) (
j Y
y f
____________________________________________________________________________________________
189
____________________________________________________________________________________________
y
0
4
120
24
120
24
120
4
120
56
120
1
12
120
32
120
12
120
0
56
120
2
4
120
4
120
0 0
8
120
) (
i X
x f 20
120
60
120
36
120
4
120
1
) (
i X
x f
y
) (
j Y
y f
pueden escribirse como:
i )
3 = x si
2 = x si
1 = x si
0 = x si

120
4
120
36
120
60
120
20
) ( ) (
'

i i X
x X P x f
ii )
2 = y si
1 = y si
0 = y si

120
8
120
56
120
56
) ( ) (
'

j j Y
y Y P y f
b) ( ) ( )
P
X
Y
f
X
Y
1 3
2 2
1
3

fX,Y=2
4 si x = 1,2,3
y f (x/y=2) = fY(2) = 8
____________________________________________________________________________________________
190
____________________________________________________________________________________________
0
e.t.o.c.
realizando la suma se obtiene:
( )
P
X
Y
1 3
2
1
2

c)se sabe que la esperanza condicional est dada por:
[ ] ( ) ( ) ( )
E
Y
X
y f
Y
X
f
Y
X
f
Y
X

1 1
1
1
1
2
2
1
0
2
pero
( )
'
60
4
60
32
60
24
) 1 (
1
, 1
X
Y X
f
f
X
Y
f
y reemplazando estos valores en la sumatoria se tiene:
[ ]
[ ]
E
Y
X
E
Y
X

1
1
32
60
2
4
60
1
2
3
2) Un fabricante de circuitos integrados utilizados para controlar la
temperatura en contenedores frigorficos, determina a partir de numerosas
revisiones, que el 3,5% de una remesa de estos circuitos no funcionan al
ser instalados; el vende los circuitos en paquetes de 40 unidades,
garantizando el correcto funcionamiento del 90% de ellos.
Cul es la probabilidad de un paquete no cumpla la garanta ?
Cul es la probabilidad de que funcionen al menos 15 ?
Solucin:
Sea X: nmero de circuitos que funcionan incorrectamente
en un paquete determinado.
F: el paquete no cumple la garanta.
____________________________________________________________________________________________
si y = 0
si y = 1
si y = 2
191
____________________________________________________________________________________________
entonces la probabilidad de que el paquete no cumpla la garanta est
dada por:
P(F)= P(X>4) = 1-P(X 4)
del enunciado se deduce que si n = 40 y p = 0.035 tendremos que
X B(n=40,p=0.035)
luego ( )( ) P X k
k
k
n k
( ) . .
_
,

40
0 035 1 0 035
por lo que la probabilidad de que un paquete no cumpla la garanta es:
( ) ( ) P F
k
k
k n k
( ) . .
. . .

_
,
1
40
0 035 1 0 035
1 0 9875 0 0125 125%
0
4
La probabilidad de que funcionen al menos 18 est dada por:
( ) ( ) P X
k
k
k n k
( ) . .
. .
<

_
,
3
40
0 035 1 0 035
08361 8361%
0
2
Ejercicios propuestos.
1) Dado que la distribucin binomial corresponde a un vector aleatorio
discreto bivariado, demuestre que:
a) La Esperanza de la binomial es np n(1-q)
b) La Varianza es npq.
2) Sea

f x y
X
( , )
dada por:
{ } { } f x y
x y
x y
X
( , ) ( , ) , , , ,
+

2 2
32
0 1 2 3 0 1
Calcular:
____________________________________________________________________________________________
192
____________________________________________________________________________________________
f
X
F , E[X] , E[X Y]
Y
,
.
Resp:
f
y
X
=
2x
32

F 7
y < 0
0 y 1
y 1

E[X] =
78
32
E[X Y] = 3
(6 + y
2
Y
2
+
'
+
1
0
16
1
7 2
2
)
( )
____________________________________________________________________________________________
193

APUNTE22 V 1

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

APUNTE22 V 1

Uploaded by

Copyright:

Available Formats

Universidad Tcnica Federico Santa Mara versin 1 Pg.

Sustituyendo p= /n, tomando el lmite cuando n se obtiene

(desarrollo de serie de MacLaurin de e

FUNCIN GENERADORA DE MOMENTOS

de all el nombre de funcin generadora de momentos.(Algunas f.g.m.

se conoce como la desviacin tpica o estndar e indica el grado

Se sabe que el costo de fabricacin por artculo es $2.000 y el

( c-4/ 4) - (-1)= 2/(5 k)

donde b, > 0 (constantes)

Este ejercicio es una combinacin de distribucin exponencial

Si la prdida de dinero es igual al cuadrado del nmero

Funcin Gamma (n) =

X puede representarse como:

X (m) = ( X(m) , Y(m) ) mM

ss X e Y son v.a.c. unidimensionales.

se define la funcin de densidad probabilstica

Una vez definida la funcin de densidad conjunta del . . . . c b a v

, con funcin de densidad probabilstica conjunta

, con funcin de densidad probabilstica conjunta

, con funcin de densidad probabilstica conjunta

con i=1,2......n constantes.

Esta ltima matriz se conoce como matriz de varianzas y covarianzas, ella

y cuya matriz de varianzas y covarianzas es:

Por lo que E[X

en [cm] y matriz de varianzas y covarianzas

< < < >

< < < >

.a.3-normal con vector de medias

vector normal bivariado. Se conoce:

.a. n. bivariado tal que :

X es un vector aleatorio bidimensional ( bivariado)

X puede representarse por:

X :=(X,Y) : M IRxIR , es decir,

X (m) = ( X(m) , Y(m) ) mM.

, se define la funcin de cuanta conjunta (f.c.c.)

Obs.: usualmente se usa la notacin

X vector aleatorio bivariado discreto, con funcin de cuanta

X vector aleatorio bivariado discreto con funcin de cuanta

X =(X,Y) v.a.b.d. con funcin de cuanta conjunta

X =(X,Y) v.a.b.d. y sean

X =(X,Y) v.a.b.d., consideremos

X =(X,Y) v.a.b.d., con funcin de cuanta conjunta

X =(X,Y) v.a.b.d., con funcin de cuanta conjunta

X =(X,Y) v.a.b.d., con funcin de cuanta conjunta

You might also like