1

UNIVERSIDAD DE LOS ANDES

Facultad de Ingeniera
Departamento de Ingeniera Industrial
Probabilidad y Estadstica I
Sesiones #9 y 10
Variables Aleatorias
Valor Esperado, Varianza y Funcin Generatriz de Momentos
Distribuciones Discretas de Mayor Aplicacin:
Bernoulli, Geomtrica, Binomial y Poisson
Mario Castillo (Coordinador General del Curso)
2
Valor Esperado de una Variable Aleatoria
Ejemplo 1: VA X definida por nmero de bolas rojas
Cul es el nmero de bolas rojas esperado?
Ejemplo 2: VA X definida por nmero de cajeros de la competencia para un cajero
seleccionado al azar, tiene rango R(X) ={0,1,2,3} y se distribuye como sigue:
{ } 3 , 2 , 1 , 0 ) ( = X R
30
1

30
9

30
15

30
5
(.) g
3 2 1 0
x
Rojas Bolas 2 . 1 ) (
2 . 1
30
36


30
1
* 3
30
9
* 2
30
15
* 1
30
5
* 0 ) (
=
= =
+ + + =
X E
X E
X 0 1 2 3
g
x
(x) = P(X = x) 0.10 0.20 0.40 0.30
F
X
(x) = P(X x) 0.10 0.30 0.70 1.00
Valor Esperado de X
E(X) =0 * 0.1 +1 * 0.20 +2 * 0.40 +3 * 0.30 =1.9 =>E(X) =1.9 cajeros
Ejemplo 3: VA X definida por el resultado que se obtiene al lanzar un dado. R(X) ={1,2,3, 4, 5, 6}
E(X) =(1+2+3+4+5+6)/6 =21/6 =3.5 =>E(X) =3.5
3
Valor Esperado de Una Variable Aleatori a
Definicin
- Caso discreto
Sea X una V.A. discreta con rango R(X).
El valor esperado de la V.A. X se define por:
- Caso continuo
Sea X una V.A. continua con rango R(X)
El valor esperado de la V.A. X se define por:
De las definiciones anteriores se infiere que E(K) =K

=
) (
). ( ) (
x R x
i X i
i
x g x X E

=
) (
) ( ) (
X R
X
dx x f x X E
4
Valor Esperado Ejemplo Caso Discreto Infinito
Distribucin Geomtrica
Si la VA X representa el nmero de veces que se lanza un dado hasta obtener el
nmero 1, por ejemplo, entonces:
R(X) ={1, 2, 3, ,n,}=N
=> E(X) =1/(1/6) =6
{ }
p
X E
p p
p
p
p
p n p p p n X E
p p n g n X R X
n
n
n
n
n
x
1
) (
1

)] 1 ( 1 [

) 1 ( ) 1 ( ) (
) 1 ( ) ( ; ,... ,..., 2 , 1 ) ( con
2 2
1
1
1
1
1
=
= =

=
= =
= =


=

2
1
1
0
) 1 (
1
1
1
, 1 x si que Recordemos
x
nx
y
x
x
n
n
n
n

=
<

=
6
1
*
6
5
) (
1
|
.
|

\
|
=
n
X
n g
5
Valor Esperado Ejemplo Caso Continuo

3
4
6
8
3 2
1

2
1
2
E(X)
2
0
3
2
0
2
2
0
= = =
= =

x
dx x dx
x
x
2, x 0 ,
2
) ( =
x
x f
X
Para la VA X con FDP
1
1
2
f
X
(x)
x
6
Valor Esperado de una Funcin de la VA X
Sea X una V.A. y u(.) una funcin real. Entonces, Y=u(X) es, a su
turno, una V.A.
Se puede demostrar que
Propiedades del Valor Esperado
De la definicin anterior se obtiene que:
E(kX) =kE(X)

=
= =
) ( ) ( ) (
continuo Caso ) ( ) ( )) ( ( ) (
) (
i X i
x R
X
x g x u Y E
dx x f x u x u E Y E
7
Varianza de una Variable Aleatoria
( ) ( )
X
X E X E X VAR
x
x
var
2
2
=
= =

Sea X una V.A. discreta o continua. La varianza y la desviacin estndar de la V.A. X
se definen por:
De acuerdo con la definicin, la varianza la podemos calcular a travs de la expresin:
Var(X) = para X V.A. discreta y
Var(X) = para X V.A. continua.
La varianza
2
es una medida acerca de la dispersin de una variable aleatoria
alrededor de su media
La varianza de X tambin se puede expresar como: Var(X) = E(X
2
) [E(X)]
2

=

n
i
x i i X
x x g
1
2
) ( * ) (

) (
2
) ( * ) (
X R
x X
dx x x f
8
Ejemplo: VE y Varianza de una VA X
Condicin del
Mercado
Retorno
Accin1 Accin2 Accin3
Bueno (1/3) 15 16 1
Promedio (1/3) 9 10 10
Malo (1/3) 3 4 19
Media 9 10 10
Varianza 24 24 54
Desviacin 4.9 4.9 7.35
Var(R
1
) = [(15 9)
2
+(9 9)
2
+(3 9)
2
]/3
=
24
Desv(R
1
) =
24
9
Ejemplo
Caso Continuo
( )
47 . 0 222 . 0
0.222
9
2
36
8
) (
18
64
9
64
4
16
2
1

18
16
9
8
4 2
1

9
16
3
8
2
1

9
16
3
8
2
1

3
4
X E que puesto ,
2 3
4

) ) (( ) (
2
0
2 3 4
2
0
2
3
2
0
2
2
2
0
2
= =
= = =
(

+ =
(

+ =
(

+ =
(

+ =
=
|
.
|

\
|
=
=

Estndar Desviacin
X Var
x x x
dx
x x
x
xdx
x
x
dx
x
x
x E X Var
la varianza de X estar dada por:
2, x 0 ,
2
) ( =
x
x f
X
Para el ejemplo ya presentado en el que la VA X tiene FDP
10
Funcin Generatriz de Momentos
i) Si X es una VA discreta con FDP g
x
(.),
se define la funcin generatriz de momentos (FGM) de X por :

x
(t) =E (e
tX
)

=
=
1 i
i x
tx
) x ( g e
i
, donde R(X) ={x
1
, x
2
, ..., x
i
, ...}

ii) Si X es una VA continua con FDP f
x
(.), se define la funcin generatriz de momentos (FGM)
de X por :

x
(t) =E (e
tX
)
dx ) x ( f e
R(X)
x
tx

= , siempre que dicha integral exista.

Propiedad Fundamental
Sea X una VA con FGM
x
(.). Entonces,


x
(n)
(0) =E(X
n
) (Momento de orden n de X).

Es decir, si conocemos la FGM de una VA X, podemos obtener los momentos de orden n de X
para cualquier n.
En particular, los momentos de orden n=1 y n=2, a partir de los cuales se pueden calcular la media
y la varianza de la VA X.



11
Funcin Generatriz de Momentos - Ejemplos
Ejemplo 1: (Distribucin de Bernoulli - X VA discreta, finita)

Sea X
b
una VA de rango R(X) ={0,1}y con FDP g
Xb
(x ; p) =
x - 1 x
p) - (1 p ,
x {0,1,}; p, 0 <p <1, representa la probabilidad de xito en un experimento de Bernoulli.

La FGM de la VA X
b
est dada por :
t
t
t
x
x x tx tX
X
pe q
pe p
p p e p p e
p p e e E p t
b
+ =
+ =
+ =
= =

=

) 1 (
) 1 ( ) 1 (
) 1 ( ) ( ) ; (
0 1 1 0 0
1
0
1

Por tanto,
t
b
X
pe p t = ) ; (
y
t
b
X
pe p t = ) ; ( , de donde,

) ( ) 0 (
) ( ) 0 (
2
X E p
X E p
B
X
B
X
= =
= =


Luego Var(X) =E(X
2
) [E(X)]
2
=p p
2
=p(1-p) =pq

12
Funcin Generatriz de Momentos - Ejemplos
Sea X
E
una VA continua con FDP


; 0 , 0 , ) ( > > =



x e x f
x
E
X entonces su FGM de la VA X
E
est dada por :

t
t
dx e dx e e t
t x x tx
X
E

=
<

= = =

t si e ) ; (
0
) - x(t
0
) (
0

) (
2
) ; 0 (
) (
2
) ; (
) (
1
) ; 0 (
) (
) ; (
2
2
3
2
X E
t
t
X E
t
t
E
X
E
X
E
X
E
X
= =

=
= =

Por tanto:
2 2 2
2
1 1 2
) ( ) 0 ( ) (

= = =
E X E
X E X V
E

13
Distribucin de Bernoulli
Se dice que un EA es un experimento aleatorio de Bernoulli si su espacio muestral asociado
constanicamentede dos elementos, es decir, ={E, F }
X
b
es la VAasociada al EAde Bernoulli, y est definida por:
X
b
(E) =1 y X
b
(F) =0
Caracterizacin: FDP, FGM, media y varianza.
Rango (X
b
) ={0, 1}
P(X
b
=1) = p y P (X
b
= 0) =1 - p
Por tanto, suFDP es: g
X
(x) =p
x
(1 p)
1-x
, para x =0, 1.
Se acaba de demostrar (diapositiva 11) que suFGMest dada por:
y que sumedia y suvarianza estndadas, respectivamente, por:
E(X) =p y Var(X) =p (1-p) =pq
) t (
b
X
=E (
b
tX
e ) =pe
t
+(1 p) =pe
t
+q
14
Distribucin Geomtrica
Geomtri ca
0,00
0,05
0,10
0,15
0,20
1 3 5 7 9 11 13 15 17 19
Si se realizan sucesivamente experimentos independientes de Bernoulli de parmetro p, a la
VARIABLE ALEATORIA X
G
: nmero de ensayos hasta obtener el primer XITOse le conoce
comouna VAconDISTRIBUCINGEOMTRICA de parmetro p.
Enuna sesinanterior ya se demostrque:
- R(X) ={1, 2, 3, ,n, , }
-
- E(X) =1/p
Adicionalmentese puede demostrar, que
i)
) p ; t (
G
X

=
1
1
) 1 (
n
n nt
p e p
t
t
t
t
qe
pe
e p
pe

=

=
1 ) 1 ( 1
para t R tal que qe
t
<1; y que
ii) Var(X
G
; p) =
2 2
) 1 (
p
q
p
p
=

p p n g
n
X
1
) 1 ( ) (

=
x
x
x
x
x
n
n
n
n

=
1
1
1
1
0
Recuerde que:
15
Distribucin Binomial
Ejemplo Introductorio
La tarjeta de crdito VIVAGRATIS conoce que el 30%de sus clientes quedanconsobrecupo
en los cortes mensuales. Si se elige una muestra aleatoria (MA) de 10 clientes de dicha
tarjeta:
a. Cul es la probabilidadde que exactamente cuatro tengan sobrecupo?
b. Cuntos clientes esperara ustedque tengansobrecupo?
c. Cul es la probabilidadde que ocho o ms de ellos tengansobrecupo?
Sea p =0.3la probabilidadde XITO, i.e., que el cliente quede consobrecupo.
X: la VAasociada al nmero de XITOS en los n =10 ensayos.
R(X) ={0,1,2, , n}
16
Nos preguntan P(X =4); observemos que:
representara el EM del experimento, en donde en c/u de las 10
posiciones slo puede aparecer E F.
El resultado siguiente es favorable al evento:
y la probabilidad de que este evento particular se produzca es:
De cuntas formas posibles
se pueden presentar 4 xitos?
En general:
10
...
2 1
F E F F E
7 . 0 7 . 0 7 . 0 3 . 0 3 . 0 7 . 0 7 . 0 3 . 0 7 . 0 3 . 0
F F F E E F F E F E
( ) ( )
( ) n k p p
k n
k


, 1
7 . 0 3 . 0
6 4
( ) ( ) ( )
( ) ( ) ( ) n k p p
k
n
k X P
X P
k
n
k n k
,..., 1 , 0 1
7 . 0 3 . 0
4
10
4 por tanto, ;
4
10
6 4
=
|
|
.
|

\
|
= =
|
|
.
|

\
|
= =
|
|
.
|

\
|
=
|
|
.
|

\
|

17
DEFINICIN: Si se hacen N experimentos independientes cuyo resultado en cada ensayo puede
ser nicamente XITO (con probabilidad p) o FRACASO (con probabilidad 1-p ), a la VA X: nmero
de xitos en los N ensayos, se le conoce como la VA BINOMIAL y su FUNCION DE
PROBABILIDADes conocida como la DISTRIBUCIONBINOMIAL de parmetros N, p.
Caracterizacin
Rango: R(x) ={0, 1, 2, ,N}
Funcin de Probabilidad:
Funcin Generatriz de Momentos:
Valor Esperado y Varianza: Con base en la FGM se puede demostrar que:
E(X
B
; N, p) =Np y Var (X
B
; N, p) =Npq
Distribucin Binomial Definicin y Propiedades
( )
N ..., 2, 1, k , ) p 1 ( ) p (
k
N
p) N, (k; g
X P p) N, (k; g
k - N k
X
B X
=
|
|
.
|

\
|
=
= =
B
B
k
) p , N ; t (
B
X
=(pe
t
+q)
N
, t R, q = 1 - p
18
b. Nos preguntan
( ) 3 . 0 , 10 ;
B
X E
( ) 3 3 . 0 * 10 = =
B
X E
c. Nos preguntan
( ) 8 X P
( ) ( ) ( ) ( ) 10 9 8 8 = + = + = = X P X P X P X P
Ahora podemos contestar las preguntas que nos faltaba responder:
19
E(X
p
; r,p) =
p
r

Distribucin Binomial Negativa
Definicin
Consideremos el mismo tipo de experimento que se utiliz en la definicin de la VA X
G
con
distribucin geomtrica, y definamos la VA X
p
como el nmero de ensayos hasta obtener el r-
simo xito. Se dice que dicha VA tiene una distribucin de Pascal (tambin es llamada
Binomial Negativa) de parmetro r, r 1. Es claro que la VA as definida es una
generalizacinnatural de la VAgeomtrica.
n r
, ) 1 (
1
1
) , ; (
r r n
X
p p
r
n
p r n g
p

|
|
.
|

\
|

=
Var (X
p
; r,p) =
2
p
) p 1 ( r

20
En cierta ciudad se quiere analizar el experimento aleatorio que consiste en observar cmo se
comportan los nacimientos de bebs con respecto al tiempo, en el sentido de ver el nacimiento de
un beb como un evento puntual (el instante en que nace el beb) que tiene lugar a lo largo de
tiempo. El nacimiento de un beb en la ciudad lo podemos interpretar como una llegada del
proceso que tiene lugar en el tiempo.
El tiempo lo podemos representar a travs de la recta real y las llegadas como puntos de dicha
recta, as:
Respecto a dicho proceso (experimento aleatorio) podemos definir la VA X
P
para un intervalo de
tiempode longitudt por:
X
P
(t) ="nmero de nacimientos (llegadas) en el intervalo de tiempo de longitudt"
El Proceso de Poisson
21
Consideremos un EA en el cual cierto "evento puntual" (nacimiento de un beb, llegada de
un avin a un aeropuerto, un imperfecto en la produccin de una tira plstica) tiene lugar en
uncontinuo (tiempo, volumen, longitud) de manera aleatoria.
Suponemos que dicho experimento tiene las siguientes caractersticas:
i) El continuo, que representamos por la variable real "t", puede ser dividido en
partes que llamaremos t suficientemente pequeas como para que a lo sumo
uno de los sucesos puntuales tenga lugar en dicho intervalo de tiempo.
ii) Para dos intervalos disyuntos ( t)
1
y ( t)
2
el hecho de que haya una llegada
en(t)
1
, es independiente de que haya o no una llegada del proceso en(t)
2
.
iii) La probabilidad de que el suceso puntual (llegada) tenga lugar en un intervalo
t depende nicamente de la longitud del intervalo y de una constante que
caracteriza el proceso, i.e.,
P (haya una llegada enel intervalo t) = . t
Ntese, por tanto, que dicha probabilidad no depende de la ubicacin del intervalo t en el
continuo t. En ese sentido, podemos decir que las llegadas estn uniformemente
distribuidas en el tiempo.
El Proceso de Poisson - Descripcin y Supuestos del Modelo
22
Sea t un intervalo de tiempo dado, arbitrario pero fijo. Queremos examinar la VAX
P
definida por,
X
P
(t) ="nmero de llegadas en el intervalo de tiempo t",
ydeducir sudistribucin,
=P (X
P
=n; , t)
=P (haya exactamente n llegadas del proceso en el intervalo
de tiempot).
Dividamos el intervalo de magnitud t en N intervalos de magnitud t/N, de tal manera que t/N sea
tanpequeo como sea necesario para que se cumplanlos supuestos del modelo.
El evento B " que haya exactamente n llegadas del proceso en el intervalo de tiempo t" es
equivalente al evento "obtener exactamente n xitos en los N experimentos independientes de
Bernoulli que consisten en observar si ha habido o no una llegada del proceso en el intervalo de
tiempode longitudt/N".
El Proceso de Poisson - Deduccin y Caracterizacin de la Distribucin
) t , ; n ( g
P
X

23
La probabilidad de obtener xito (que haya una llegada) en cada uno de estos experimentos de
Bernoulli es p = (t/N) (supuesto iii).
Es decir, tenemos N experimentos independientes de Bernoulli de parmetro p= (t/N).
La probabilidaddel evento B est dada por:
P(B) =P( haya exactamente nllegadas del proceso enel intervalo de tiempot)
=P( obtener exactamente n xitos en los N experimentos independientes
de Bernoulli de parmetro p = (t/N))
=P(X
B
=n; N, .(t/N)) (*)
Para poder obtener un modelo completamente general que represente a cualquier tipo de proceso
que cumple con los supuestos i, ii y iii antes descritos, se debe tomar el lmite de la expresin (*)
cuando N tiende a infinito, es decir, cuando los intervalos t/N sontanpequeos como se quiera.
El Proceso de Poisson - Deduccin y Caracterizacin de la Distribucin
n N n
N
t
1
N
t
n
N

|
.
|

\
|

|
.
|

\
|

|
|
.
|

\
|
=
24
( )
( )
( )
N
n
N
N
N
n
N
n
N
n
N
n
N
n n
n
N
n N n
N
N
t
N
t
N
N
N
n N
N
n N
n
t
N
t
N
t
N n N
N
n
t
N
t
N
t
N
t
n n N
N
N
t
N
t
n
N
|
.
|

\
|

|
.
|

\
|

(

+ +
=
(
(
(
(
(

|
.
|

\
|

|
.
|

\
|

(

=
(
(
(
(
(

|
.
|

\
|

|
.
|

\
|

=
(
(

|
.
|

\
|
|
.
|

\
|
|
|
.
|

\
|

1 lim
1 lim
* * ... *
) 2 (
*
) 1 (
lim *
!
exista. lmites estos de uno cada que siempre ,
1
1
lim *
)! (
!
lim *
!
1
1
! )! (
!
lim 1 lim
a
n
n
e
n
a

= |
.
|

\
|
1 lim
: que sabemos clculo Del
( ) ( )
t
e
n
t
t
e
n
t
n n

= = *
! 1
* 1 *
!
( )
.. . 2, 1, 0, n ,
!
) , ; ( = =
t
n
p
x
e
n
t
t n g

Distribucin de POISSON de parmetros , t.

Interpretacin de : Nmero de llegadas por unidad de tiempo.
Si t =1, entonces la funcin de probabilidad se expresar por:
,... 2 , 1 , 0 ,
!
) ; ( = =

n e
n
n g
n
x
p

25
Ejercicios
) 1 (
) ; (

= =
s
e
P
X
e s


Ejercicio1
Demostrar que la FGM, el valor esperado y la varianza de la VA X
P
de parmetro
(para t =1) estndados por:
= = )) ( ( ar y )) ( (
P P
X V X E
26
Ejercicios
Ejercicio2
ABC Petroleumva a iniciar la perforacin de varios pozos petroleros en un nuevo campo. En el proceso de perforacin de cada
pozo, la compaa puede alcanzar dos tipos de formaciones geolgicas que se encuentran a un nivel de profundidad diferente:
Mirador o Barco. El nivel de reservas de petrleo de cada pozo, depende de la formacin que se alcance en el proceso de
perforacin. Si ABC alcanza la formacin Mirador, el nivel de reservas obtenido ser alto con probabilidad 0.2, medio con
probabilidad 0.3 y bajo con probabilidad 0.5. Cuando se alcanza la formacin Barco, se estima que el nivel de reservas es alto
enel 40%de los casos, medio enel 50%de los casos y bajo enel 10%de los casos.
Con base en estudios geolgicos, ABC estima que la probabilidad de que la perforacin llegue hasta la formacin Mirador en
cualquiera de los pozos es 0.7, mientras que la probabilidad de llegar a la formacin Barco es 0.3. Asumiendo independencia
enlos resultados del proceso de perforacinde cada pozo, responda las siguientes preguntas:
a. Calcule la probabilidad de que, en un pozo cualquiera, ABC obtenga un nivel de reservas alto, medio y bajo,
respectivamente.
b. Cul es la probabilidad de que ABC deba perforar 10 pozos para encontrar el primero con un nivel medio alto de
reservas?
c. Cul es la probabilidadde que ms de 2 de los primeros 5pozos perforados presentenunnivel bajo de reservas?
d. Si de los primeros 10 pozos perforados 4 presentaron un nivel alto de reservas, cul es la probabilidad de que el
decimoquintopozo perforadosea el quintoconun nivel alto de reservas?
e. Calcule el valor esperado del nmero de pozos con reservas bajas o medias que se perforarn hasta obtener el quinto pozo
conreservas altas.
.
27
Ejercicios
Ejercicio3
El nmero de llamadas que entran a una central telefnica durante un viernes en la noche se puede representar por medio
de un proceso de Poisson. De acuerdo con los datos del ltimo mes, se ha estimado el nmero de llamadas entre las 8 PM
y las 9 PMes una variable Poisson con una tasa de 70 llamadas por hora, entre las 9 PMy la 1 AMes una variable Poisson
con una tasa de 50 llamadas por hora, mientras que entre la 1 AM y las 3 AM es una variable Poisson con una tasa de 40
llamadas por hora.
a. Cul es la probabilidadde que entre las 8PMy las 9 PMentren70llamadas?
b. Cul es la probabilidadde que entre las 9PMy las 11 PMentrenms de 80 llamadas?
c. Cul es el nmero esperadode llamadas que entranentre las 2AMy las 2:30AM?
d. Cul es la probabilidad de que entre las 8:30 PMy las 9 PM entren 30 llamadas y que entre las 2 AMy las 3 AMentren
60llamadas?
e. Se sabe que entre las 9 PMy las 10 PMentraron 50 llamadas, cul es la probabilidad de que entre las 9 PMy las 11:30
PMentrenms de 120llamadas?