Notas de clase

Este material est sujeto a correcciones,

comentarios y demostraciones adicionales
durante el dictado de las clases, no se
recomienda su uso a aquellos alumnos que no
concurran a las mismas
Prof. Nora Arnesi
 Variables aleatorias
unidimensionales
En muchas situaciones experimentales deseamos asignar un
nmero real x a cada uno de los elementos s del espacio
muestral S. Esto es x=X(s) es el valor de una funcin X
del espacio muestral S a los nmeros reales.

Definicin: Sea un experimento y S el espacio muestral

asociado con el experimento. Una funcin X que asigna
a cada uno de los elementos sS, un nmero real X(s),
se llama variable aleatoria
Recordar!!
Se arroja la moneda dos veces y se
observa el lado visible
S={CC, CX, XC, XX}
Se define la variable aleatoria
X: nmero de caras obtenidas en los dos
lanzamientos
X(CC)=2, X(CX)=X(XC)=1 y X(XX)=0
 Importante!!
La exigencia bsica de una funcin univariada
es que a cada elemento s S le corresponde
exactamente un valor X(s).
Valores diferentes de s pueden dar el mismo
valor de X(s).
Por ejemplo X(CX)=X(XC)=1

Variable aleatoria (imprenta mayscula)

 Ms definiciones.
El espacio Rx es el conjunto de todos los valores posibles de X y
se lo suele denominar recorrido.
Si R(s)=s se tiene que S=Rx
Definicin:
Sea un experimento y S el espacio muestral asociado con el
experimento.
Sea X una variable aleatoria definida en S y sea Rx su recorrido.
Sea B un suceso respecto a Rx, esto es B Rx .

Supongamos que A se define como:

A={s S/ X(s) B} A consta de todos los resultados S para los

cuales X(s) B. En este caso se dice que A y B son sucesos

equivalentes
 Sucesos equivalentes

Rx
S
A B
X(s)
s

Siempre que A ocurre, B ocurre y viceversa

 Cul es la Probabilidad de B?

Sea B un suceso en el Rx. Se define P(B) como:

P(B)=P(A), en donde A={s S/ X(s) B}

Es decir se define la P(B) igual a la

probabilidad del suceso A S, que es
equivalente a B
 Variable aleatoria discreta
Sea X una variable aleatoria. Si el nmero de valores
posibles de X (esto es Rx) es finito o infinito numerable,
llamamos a X una variable aleatoria discreta .

El Rx consta de un nmero de valores x1,x2, , en el

caso finito termina con xn y en el caso infinito numerable
la lista contina indefinidamente.

Sea X una variable aleatoria discreta, Rx consta a lo

sumo de un nmero de valores infinito numerable,
x1,x2, Con cada resultado posible xi asociamos
p(xi)=P(X=xi)
Los nmeros p(xi) i=1,2,. deben satisfacer las
condiciones
 Condiciones.
(a) p(xi) 0 i

(b) p(x ) =1
i =1
i

La funcin p definida se denomina

funcin de probabilidad puntual de la variable aleatoria X.
La coleccin de pares (xi,p(xi)), i=1,2,., generalmente se
denomina
distribucin de probabilidad de X.
 Observaciones
p(xi)=P(s/X(s)=xi).. Sin embargo en general
slo vamos a estar interesados en los valores de
X, es decir RX, y en sus probabilidades asociadas.

Si X slo toma un nmero finito de valores,

x1,x2,xN entonces p(xi)=0 i > N

La interpretacin geomtrica resulta til:

p(x)

x1 x2...xn
X

Sea B un suceso asociado con la variable aleatoria X. Esto

es B Rx. Especficamente, supongamos que B={xi1, xi2,}

P(B)=P [s/X(s) B] =P[s/X(s)=xij, j=1,2,..]= p( x )

j =1
ij
 En palabras..
La probabilidad de un suceso B es igual a
la suma de las probabilidades

Ejemplo:
Considere el experimento de arrojar dos dados y
defina la variable aleatoria
X: la suma de los valores de las dos caras visibles
 A trabajar!!!
a. Detalle el espacio muestral correspondiente al
experimento de arrojar dos dados y anotar los nmeros
que salen.
b. Escriba la distribucin de frecuencias de X, es decir las lista
de valores posibles de X y sus respectivas probabilidades.
c. Represente dicha distribucin a travs de un grfico de
bastones
d. Cul es la probabilidad de obtener 7 u 11 en la prxima
tirada?
e. Cul es la probabilidad de obtener una suma de al menos
3 en la prxima tirada?
f. Cul es la probabilidad de obtener una suma de a lo sumo
5 en la prxima tirada?
 Observaciones

Supongamos que la variable aleatoria discreta X toma
slo un nmero finito de valores, por ejemplo x1,x2,,xN
Si cada resultado es igualmente probable, se tiene:
p(x1 )=p(x2 )==p(xN)=1/N

Si X toma un nmero infinito numerable de valores,
entonces es imposible tener todos los resultados
igualmente probables

En todo intervalo finito habr a lo sumo un nmero
finito de valores posibles de X. si uno de tales intervalos
no contiene ninguno de los valores posibles se le asigna
probabilidad cero.
 Valores caractersticos
Con cada distribucin de probabilidades se
puede asociar ciertos parmetros que dan
informacin valiosa acerca de la
distribucin.
Definicin:
Si X es una variable aleatoria discreta con
posibles valores x1,x2,xn ,..
Sea p(xi)=P(X=xi), i=1,2,n,
 Esperanza matemtica
El valor esperado de X (esperanza matemtica
de X), denotada por E(X) se define como :

E ( X ) = xi p( xi )
i =1

Si X toma un nmero finito de valores, la expresin E(X), se

puede considerar como un promedio ponderado de los
valores de X. Si todos los valores son igualmente probables,
E(X) representa el promedio ordinario o media aritmtica
de los n valores posibles.
 Propiedades
Si X=C donde C es una constante, entonces
E(X)=C
Si C es una constante y X es una variable
aleatoria, entonces
E(CX)=CE(X)
Sean X e Y dos variables aleatorias
cualesquiera, entonces
E(X+Y)=E(X)+E(Y)
 A pensar!!
Si se lanza un dado regular y la variable
aleatoria X designa el nmero que sale, cul es
la esperanza matemtica de la dicha variable?

!!E(X) no es el resultado que esperamos obtener!!!,
ni siquiera es un valor posible!!!
y la Esperanza matemtica de la variable
X: suma de los valores de dos dados?
 Variancia de una variable aleatoria

Sea X una variable aleatoria. Definimos la

2
variancia de X, denotada con V(X) o x ,
como sigue:
V(X)=E[X E(X)] 2

La raz cuadrada positiva de V(X) se llama

desviacin estndar de X y se simboliza x

Ms simple: V(X)=E(X2)-E(X)2
 A pensar!!
Cul es la variancia de la variable aleatoria
X: suma de los valores de dos dados?
 Propiedades
Si C es una constante,
V(X+C)=V(X)
V(CX)=C2 V(X)
Sean X1,X2, .Xn n variables aleatorias
independientes. Entonces
V(X1+X2+.+Xn)= V(X1)+V(X2)+.+V(Xn)
 Distribucin Binomial
Sea un experimento y A un suceso asociado con .
Supongamos que
P(A)=p P( A )=1- p = q
Consideremos n repeticiones independientes de
El espacio muestral consiste en todas las
sucesiones posibles {a1,a2,.,an}
donde cada ai es A o A segn que A o A
ocurra en la i-sima repeticin de
 Distribucin binomial
Supongamos que P(A)=p es la misma para todas
las repeticiones.
Se define la variable aleatoria X como:
X: nmero de veces que ocurri el suceso A
en la n repeticiones del experimento
X una variable aleatoria Binomial con parmetro n y p
X ~ B(n,p)
Las repeticiones individuales de se llamarn
ensayos Bernoulli
 Distribucin binomial
Si X es una variable binomial basada en n
repeticiones
n k n k
P( X = k ) = p (1 p ) k = 0,1,..., n
k
Ejemplo:
Supongamos que el prximo examen de Prob y Est consiste
de 4 preguntas de eleccin mltiple. Cada pregunta tiene tres
posibles respuestas.
Supongamos que un estudiante va a adivinar cada una de las
preguntas independientemente.
 Estudio o adivino???
La probabilidad de contestar correctamente la primer
pregunta es 1/3. La probabilidad de contestar
correctamente la segunda pregunta tambin es 1/3 y..
la tercera y la cuarta!
X: nmero de respuestas correctas entre 4
X ~ Bi (n=4, p=1/3)

P(X=0)=(2/3)4 P(X=2)= .?
P(X=4)= (1/3)4 P(X=3)= .?
P(X=1)= .?
 Valores caractersticos de una variable aleatoria
con distribucin Binomial

Sea X una v.a. distribuida binomialmente

con parmetro p, basada en n
repeticiones de un experimento.
Entonces
E(X)=np
Var(X)=np(1-p)
Propuesta: verifique el resultado anterior
 La distribucin de Poisson

Sea X una v.a. que toma los valores posibles

0,1,.n,.. Si
e k
P( X = k ) = k = 0,1,...., n,.....
k!

Decimos que X tiene una distribucin de Poisson con

parmetro > 0.

Propuesta: verifique que si X es una v.a. con

distribucin de Poisson E(X)= y Var(X)=
 La distribucin de Poisson como
aproximacin de la distribucin binomial
Sea X una v.a. distribuida binomialmente
con parmetro p, basada en n
repeticiones del experimento. Suponga
que n , np (constante),
o equivalentemente n , p 0 tal que
np . Bajo estas condiciones se tiene:

e k
lim P ( X = k ) =
n k!
La distribucin de Poisson con parmetro
 En palabras.
Podemos aproximar las probabilidades binominales con
probabilidades de la distribucin de Poisson siempre que
el n sea grande y p pequeo.

Ejercicio: en una interseccin de dos calles la

probabilidad que un automvil tenga un
accidente es muy escasa, p=0.0001. Sin
embargo, en cierta parte del da (entre las 10 y
12 de la maana) un gran nmero de autos
pasan por esa interseccin, se calcula que
aproximadamente circulan 1000 autos. Cul es
la probabilidad de que dos o ms accidentes
ocurran durante ese perodo? Rta:0.0045
 La distribucin Geomtrica

X: el nmero de repeticiones necesarias

hasta incluir la primera ocurrencia de A
X toma valores 1,2,..
k 1
P( X = k ) = q p, k = 1, 2,....

Propuesta: verificar que si X tiene una distribucin

geomtrica 1 q
E( X ) = y V (X ) =
p p2
 A pensar!!!......

Si la probabilidad de que cierto examen

d una reaccin positiva es igual a 0.4,
cul es la probabilidad de que ocurran
menos de 5 reacciones negativas antes
de la primera positiva?

P( X = k ) = (0.6) k 1 (0.4) k = 1, 2,....

5
P( X < 5) = (0.6) k 1 (0.4)
k =1
 Distribucin de Pascal

Supongamos que un experimento se

contina hasta que un suceso particular A
ocurre por r-sima vez.
Si P ( A) = p y P ( A) = 1 p = q
Se define Y: nmero de repeticiones necesarias a
fin de que A ocurra exactamente r veces

k 1 r k r
P (Y = k ) = p q k = r , r + 1,..... *
r 1
 A pensar!!..
A qu se reduce la expresin * si r=1?
Compruebe que * verifica las condiciones necesarias
para ser considerada una distribucin de probabilidad
Sean
Z1: nmero de repeticiones necesarias hasta incluir la primera ocurrencia de A
Z2: nmero de repeticiones necesarias entre la primera ocurrencia de A hasta
incluir la segunda ocurrencia de A
Zr: nmero de repeticiones necesarias entre la r-1 ocurrencia hasta incluir la
r-sima primera ocurrencia de A
Zi son variables aleatorias independientes, cada una con una distribucin
geomtrica. Adems Y=Z1+Z2+.+Zr
Verifique que
E (Y ) = r V (Y ) = rq 2
p p
 A pensar!!

La probabilidad de un lanzamiento
exitoso es igual a 0.8. Supongamos que se
hacen ensayos de lanzamientos hasta que
han ocurrido tres exitosos. Cul es la
probabilidad que sean necesarios 6
intentos?. Cul es la probabilidad que
sean necesarios menos de 6 lanzamientos?
 Relacin entre las distribuciones
binomial y de Pascal

Sea X una distribucin binomial con

parmetros n y p. (X: nmero de xitos en n
ensayos Bernoulli, con P(xito)=p).
Sea Y una distribucin de Pascal con
parmetros r y p. (Y: nmero de ensayos Bernoulli
necesarios para obtener r xitos con P(xito)=p)

a) P (Y n) = P ( X r )
b) P(Y > n) = P( X < r )
 Ejemplo!
Deseamos calcular la probabilidad de que
ms de 10 repeticiones sean necesarias
para obtener el tercer xito cuando p=0.2

2
10 k 10 k
P (Y > 10) = P ( X < 3) = 0.2 0.8 = 0.678
k =0 k
 La distribucin Hipergeomtrica
Tenemos un lote de N artculos, de los cuales r
son defectuosos y (N-r) no son defectuosos. Se
escogen al azar n artculos del lote (n N ) , sin
sustitucin.
Sea X el nmero de artculos defectuosos
encontrados.
X=k s y slo s se obtienen exactamente k
defectuosos de los r defectuosos del lote y
exactamente (n-k) no defectuosos de los (N-r) no
defectuosos del lote
 Entonces???
Se dice que una v.a. discreta X tiene una
distribucin hipergeomtrica si :

r N r


P( X = k ) = ,
k n k
k = 0,1, 2,......
N

n
 Ejemplo
Se embarcan motores elctricos pequeos en lotes
de 50. Antes de que tal cargamento sea
aceptado, un inspector elige 5 motores y los
inspecciona. Si ninguno de los motores probados
es defectuoso, el lote es aceptado. Si se encuentra
que uno o ms son defectuosos, se inspecciona el
cargamento completo. Supongamos que hay 3
motores defectuosos en el lote. Cul es la
probabilidad de que sea necesaria una
inspeccin del 100% del cargamento?
 solucin
X: nmero de motores defectuosos encontrados
Se necesitar una inspeccin completa si y slo si
X 1 . Luego:
3 47

0 5
P ( X 1) = 1 P( X = 0) = 1 = 0.28
50

5
 Valores caractersticos de la
distribucin hipergeomtrica
X v.a. con distribucin hipergeomtrica,
p=r/N, q=1-p
E ( X ) = np
N n
V ( X ) = npq
N 1
n k
P ( X = k )
p (1 p) n k , para N grande
K
 La distribucin multinomial

Consideremos un experimento , su
espacio muestra S, y una particin de S
en k sucesos mutuamente excluyentes
A1, A2, ..,Ak . Considrese n repeticiones
independientes de . Sea pi=P(Ai) y
supngase que pi permanece constante
durante todas las repeticiones.
k
Evidentemente pi = 1
i =1
 La distribucin multinomial

Xi: nmero de veces que Ai ocurre en las n

repeticiones de , i=1,2,,k
Las Xi no son variables aleatorias independientes
k

ya que X = n i=
i

n!
P( X 1 = n1 , X 2 = n2 ,...., X k = nk ) = p1n1 ...... pknk
k
n1 !n2 !.....nk !
donde n
i =1
i =n

E ( X i ) = npi V ( X i ) = npi (1 pi ) i = 1,..., k

 A pensar!!
Los artculos que produce una mquina
se pueden clasificar en cuatro grados:
A, B, C y D. Se sabe que estos artculos se
producen en las siguientes proporciones:
Grado A: 0.3 Grado B: 0.4
Grado C: 0.2 Grado D: 0.1
Cul es la probabilidad de que haya
exactamente un artculo de cada grado en una
muestra de 4 artculos seleccionados al azar de
un lote de producido de la mquina?
 El proceso de Poisson
Ejemplo:
Considerar una fuente radioactiva que emite
partculas .
Xt: nmero de partculas emitidas durante un
perodo especificado de tiempo [0,t).
Nos interesa elaborar un modelo probabilstico
para la emisin de partculas de una fuente
radioactiva
Xt: 0,1,2,.. Sea pn(t)=P[Xt=n] n=0,1,2.
 Cinco hiptesis fundamentales

A1: el nmero de partculas emitidas durante intervalos

de tiempo no sobrepuestos son variables aleatorias
independientes
A2: si Xt se define como antes y si Yt es el nmero de
partculas emitidas [t1, t1+t] para cualquier t1>0, las
variables aleatorias Xt y Yt tienen la misma distribucin
de probabilidades. Es decir, la distribucin del nmero
de partculas emitidas durante cualquier intervalo
depende slo de la longitud del intervalo y no de los
puntos extremos
 continuamos con las hiptesis

A3: p1(t) es aproximadamente igual a t,

si t es suficientemente pequeo, donde es una
constante positiva. Esto se escribe:
p1(t)~ t.
Esta hiptesis expresa que si el intervalo es
suficientemente pequeo, la probabilidad de
obtener exactamente una emisin durante ese
intervalo es directamente proporcional a la
longitud del intervalo.
 continuamos con las hiptesis

A4: pk (t ) 0 esto implica que pk (t ) 0, k 2
k =2

Esto significa que la probabilidad de obtener dos

o ms emisiones en un intervalo suficientemente
pequeo es despreciable.
A5:
Xo=0, o equivalentemente, po(0)=1.
Esto equivale a una condicin inicial para el
modelo
 Conclusiones de las hiptesis

Las hiptesis A1 y A2 juntas implican que

la variable aleatoria Xt y [X t+t Xt] son
variables aleatorias independientes con la
misma distribucin de probabilidades.
De las hiptesis A3 y A4 se puede concluir
que:

p0 ( t ) = 1 p1 ( t ) pk ( t ) 1 t [1]
k =2
 Conclusiones (cont.)
p0 ( t + t ) = P [ X t + t = 0 ]
= P X t = 0 y ( X t + t X t ) = 0
= p0 ( t ) p0 ( t )
p0 ( t ) [1 t ] por [1]

p0 ( t + t ) p0 ( t )
p0 ( t )
t

haciendo t 0 , se observa que el lado izquierdo es

el cociente incremental de la funcin p0 , por lo tanto
tiende a derivada por derecha ( p0 ) porque t >0
 Proceso Poisson
p0
p0 = p0 ( t ) o equivalentemente
p0 ( t )
=

Integrando en ambos miembros con respecto a t,

ln p0 (t ) = t + C , C :constante de integracin
De A5 al hacer t=0 , que C=0. Luego:

p0 ( t ) = e t

As queda la expresin para P [ X t = 0]

 Proceso Poisson
Ahora determinar pn, ( t ) n 1

pn ( t + t ) = P [ X t +t = n ]

Ahora X t +t = n s y solo s Xt = x y [ X t +t X t ] = n x, x = 0,1, 2......n

Utilizando hiptesis A1 y A2
n
pn ( t + t ) = px ( t ) pn x ( t )
x =0
n 2
= px ( t ) pn x ( t ) + pn 1 ( t ) p1 ( t ) + pn ( t ) p0 ( t )
x =0
 Proceso Poisson

Utilizando A3 y A4
pn ( t + t ) pn 1 ( t ) t + pn ( t ) [1 t ]

pn ( t + t ) pn ( t )
pn 1 ( t ) pn ( t )
t

Haciendo t 0
Cociente diferencial de la funcin pn
pn ( t ) = pn ( t ) + pn 1 ( t ) , n = 1, 2,....[*]
 Proceso Poisson

Se define qn ( t ) = et pn ( t )

Entonces [*] se transforma en

qn ( t ) = qn 1 ( t ) , n = 1,2,.....
Dado que p0 ( t ) = e t , encontramos q0 ( t ) = 1
qn ( 0 ) = 0, para n > 0 recursivamente
q1 ( t ) = , q1 ( t ) = t ;
2

q2 ( t ) = q1 ( t ) = 2t q2 ( t ) =
( t )
2
 Proceso Poisson

En general:
n
( t )
qn ( t ) = qn 1 ( t ) qn ( t ) =
n!

Finalmente:
t n

pn ( t ) =
e ( t ) n = 0,1, 2,......
n!