Professional Documents
Culture Documents
____________________________________________________________________________________________
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
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
119
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
( )
_
,
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
,
_
pues
! x
e
= x
0 = x
x
)
3.7.1.- La Esperanza es
[ ] n = p
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
( )
! 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
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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 ?
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
122
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Solucin: X p(5;2) IP(pedida) 0361 , 0
! 5
2 e
5 2
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
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.
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
135
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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:
Sea X una v.a.c. con f.d.p. f
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:
Sea X una v.a.c. con f.d.p. f
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
) ( ) (
<
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
136
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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:
) ( 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
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
137
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
****************
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
138
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
139
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
140
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
+
,
_
,
_
,
_
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
(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:
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
143
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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 )
- Se saca una bolita de C
2
con IP ( 3< x <6)
- Se saca una bolita de C
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)
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
144
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
= 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:
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
145
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
146
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
147
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
,
_
,
_
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
0
5
2 2
5
1
) ( )) ( (
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
149
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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:
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
150
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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 (- / )
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
151
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
= 0,3678.
b) P ( x 2 ) = 1 e (-2 / )
= 1 e (-2) = 0,865.
Distribucin Gamma
x
(x) =
n
x
-1
e
-x
I
+
(x) donde ,
+
()
esto se anota X (,)
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
152
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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)
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
153
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
154
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
:=(X,Y) : M IRxIR , es decir
X
. . . . c b a v
X un
. . . . c b a v
a
[ , 0 [ : RxR R D f
X X
(x,y)
X
f
satisfaciendo las siguientes condiciones:
1)
0
X
f
(x, y) D
2)
1 ) , ( ) , (
dydx y x I y x f
D X
X
podemos definir otras funciones importantes.
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
155
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
DEFINICIN:
Sea
X un . . . . c b a v
,
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
,
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, [
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
156
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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 ) , (
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
157
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
( , )
y
sea g : D IR
2
IR, una funcin continua tal que
) (M X
D ,
entonces si
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
158
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
159
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
( ) ) , ( 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:
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
160
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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:
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
161
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
) ( ) (
/
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
162
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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)
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
163
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
/
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
164
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
=
( ) ( ) ( )
( ) ( )
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
,
( )
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
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
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
166
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
( ) ( )
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
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
167
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
( ) 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
,
_
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
168
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
)]
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
169
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
170
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
[ ] [ ] 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
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
171
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
,
_
>
> Z P
S
P S P
= 1-(-1.0426) = 0.8515
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
172
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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 <
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
173
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
=
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].
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
174
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
( ) ( )
,
_
,
_
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
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.- 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.
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
177
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
( ) ( )
( ) ( )
( ) ( ) 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
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
178
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
6.-Sea
[ ]
3 2 1
x , x , x X
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
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
179
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
,
_
,
_
+ +
,
_
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
180
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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.-
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
181
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
x
x X
Y
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
182
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
183
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
-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 un . . . . d b a v
(x
i,
y
j
) a
[ ] 1 , 0 : RxR R D f
X X
(x
i
,y
j
)
X
f
satisfaciendo las siguientes condiciones:
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
(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.
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
184
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
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
: IRxIR [0,1]
(x,y)
F
X
(x,y )= P( X x; Y y)
y y
ij
x x
j i
p
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
185
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
Sea
,
y
( ) ( )
F y F y p
Y
X
ij
x
i
,
Sea
,
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:
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
186
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
( )
) (
) , (
i X
j i
X
i
x f
y x f
x X Y f
si
0 ) ( >
i X
x f
Teorema:
Sea
: 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
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
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
187
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
( , )
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:
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
188
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
189
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
190
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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.
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
si y = 0
si y = 1
si y = 2
191
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
( , )
dada por:
{ } { } f x y
x y
x y
X
( , ) ( , ) , , , ,
+
2 2
32
0 1 2 3 0 1
Calcular:
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
192
Universidad Tcnica Federico Santa Mara versin 1 Pg.
____________________________________________________________________________________________
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
)
( )
____________________________________________________________________________________________
Departamento de Matemticas Profesor Alejandro Fernndez
193