Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
medio de una serie de barras, de cualquier anchura, discontinuas, la función de distribución se dibuja
a partir de una gráfica escalonada.
F.X
0 K <0
0<K<1 0.6 - -
Una variable aleatoria X es continua cuando toma valores en un intervalo (a, b) donde a y b
pueden tender a -oc y +oc respectivamente.
X:Q <R
W > k
Ejemplo 7
Q = J i = P (Q) partes de Q
{X e S ) = {X > 10} e
1. g x es continua
50
2. gx(x)>0
3. £ gx(k)dk = l
4. g x (x).F^(x)=^0
8. P (a < X < b) = P (a < X <b) = P(a < X < b) = P(a < X < b)
Así mismo, para la Función de Distribución es posible verificar los siguientes teoremas:
TEOREMAS (PROPIEDADES)
3. LimFx (x) = 0
x—>-a
4. LimFx (x) = 1
x—> a
Ejemplo 8
51
H
fb H dh=l=>H=-—=>g x ( x )" a<b
Ja
b-a ri-a
0 k<a
k-a
Fx(*) = f ' g,(*)dx b-a
a<k<b
1 k>b
Ejemplo 9
a. gY(y)
b. F Y (y) 0.1
Solución
52
k-35
35<k<41
60
en otro caso
0 k < 35
j 35 < k < 41
35 60
b-
4 y
Fy(y)= Í gy(k)dk = f f 41<k<55
J J
35 60 41
140
55<k
c. P ( Y < 3 7 ) = {33; ^ p d y = 0 0 3 3
El 3.3% de las unidades de acero ensayadas tienen resistencia a la tensión no mayor a 37 kg./pulg 2
55 - y + 55
d. P ( Y > 45) = £45 dy = 0.357
140
La probabilidad de que una unidad de acero presente resistencia a la tensión al menos de 45 kg. /pulg2
es de 0.357
e. P(37 < Y < 52) = F y (52) - FY (37) = FY (52) = 0.9678 - 0.033 = 0.9348
El 93.48% de las unidades de acero alcanzan resistencias a la tensión que oscilan entre 37 y
52 kg./pulg 2 .
53
3. VARIABLES ALEATORIAS MIXTAS
La variable aleatoria puede ser a la vez discreta y continua, es decir asume valores puntuales con
una probabilidad diferente de cero, al igual que valores por intervalos. Este es el caso de ensayo de
equipos, donde X es el tiempo de funcionamiento del equipo, existe una probabilidad de que el artículo
no funcione del todo, falla en el tiempo X = 0; ó también cuando Y es la variable aleatoria que
representa la demora de un motorista al hacer un pare obligatorio, existe una probabilidad de que no
haya tráfico y el motorista no tenga demora X = 0, sí tiene que esperar, lo debe hacer por un tiempo
continuo.
Vxe[a,b]
Fy (y) = Pi F, (Y) + p 2 F 2 ( Y ) :
54
10 Y<o
F
i(y)= F2(y)=Je"ydy y>0
11 Y>O O
F Y ( y ) = l / 4 F ^ y ) + 3 / 4 F 2 (y)
Sea X una variable aleatoria definida sobre un espacio de probabilidad, H una función
real tal que:
H: Rx > Y
X > H(X)=Y
X(w) > H(X(w))
La descripción de la función de una variable aleatoria puede hacerse por intermedio de las
funciones de probabilidad, densidad y distribución. Estas pueden ser obtenidas conociendo las funciones
equivalentes de la variable aleatoria original, como sigue:
4.1 Sí X es una variable aleatoria discreta con función de probabilidad f x (x), y H(X) = Y una
variable aleatoria definida sobre el recorrido de X. Entonces la función de probabilidad de H(X) es:
Ejemplo 7 7
Sea una variable aleatoria X que toma valores enteros en [-5, 6] con igual probabilidad. Obtener
f Y ( y ) s í H ( X ) = |X|
55
H «v R [o, i]
-5 5 2/12 x = -5,-4,-3,-2,-l
12
2/12
-4 4
fx(x) = 0,1, 2, 3, 4, 5,6
-3 3 2/12
-2 2 2/12 0 en otro caso
-1 1 2/12
0 0 1/12
1 1
7 y = 1,2,3,4,5
2 2 6
3 3
4 4 f Y (y)= 12 y=o,6
5 5
6 6 1/12 0 en otro caso
Ejemplo 12
Una persona gana determinada cantidad de dinero (Y) según el número de puntos obtenidos al
lanzar un dado (X). H (X) = Y = 3 x - 10
- x = l , 2, 3, 4, 5, 6
K fx(x) 6
1 H(l) = -7 0 en otro caso
2 -4
3 -1
4 2
5 5 } y = 7, -4, -1, 2, 5, x
f Y (y) : 6
6
0 en otro caso
P(Y = y) = P(3X - 1 0 = y) = — Vy
6
= P ( X = Y ± ^ ) = P(X = H-1(y))
4.2 Dada la variable aleatoria X absolutamente continua con función de densidad g x (x), la
función Y -= H(X) puede ser una variable aleatoria:
56
TEOREMA 1
lea X una variable aleatoria continua con función de densidad g x (x), Y = H(x) una función
estrictamente creciente o decreciente y derivable para todo x en los reales. Entonces
3(H - 1 (y))
g Y (y) = g x (H- 1 (y)) y s K
Ejemplo 13
Sea I la corriente variable distribuida igualmente en el intervalo (9, 11). Sí esta corriente fluye a
través de una resistencia de 2 ohmios. Encontrar la función de densidad de la potencia, siendo ésta P = 212
1 1 i-9 i-9
gi(i) = Ft(i)-
11-9 2 11-9 :
F p ( P ) = P ( P < p ) = P ( 2 1 <p) = P
v
í vzr\
=P , I?)* i'' p í5
< =
V2 V2 V
V2 / ' i l
/ ( \
IF) 1
-9
= F,
)k \l l
II
V \ /
/ f l—A\ / i—\
I |P 1 f ÍP|
(P) =
A, F, 81
K'2 1 dp
9<J— <11
8p > 2 \ 2
V v /y V J
-1/2
1 * 9 r
,i.n
í i 162 < p < 242
11-9 , 2 ,2) 2, 8 VP
57
b. Discreta. La función de probabilidad f v (y), se puede calcular así:
Ejemplo 14
El porcentaje de material de cierto componente se puede considerar como una variable aleatoria
con la función de densidad
El precio de venta del compuesto depende del contenido de material y se vende a US$3 el galón
sí está entre 1/3 y 2/3, de otro modo se vende a US$ 2. El costo de producción es de US$ 1.6. Encuentre
la función de probabilidad de la utilidad (U).
Solución:
3 - 1 . 6 = 1.4
U= 3 3
2 - 1 . 6 = 0.4 en otro caso
en otro caso
TEOREMA 2
Sea X una variable aleatoria continua con función de densidad no monótona g x (x) y H(X)=Y
una función aleatoria de X. Entonces la función de densidad de la función Y se puede obtener como:
(-H-(y))
gY(y) = [gx (H-'íyfl + gxC-H-'íy))] y e R
Ejemplo 15
Sea X una variable aleatoria con función de densidad g x (x) = 0.5 -1 < x < 1. Y sea la función
aleatoria H(X) = x2. Entonces:
58
F Y (y) = P ( Y < y ) = P ( X 2 < y ) = p(-Vy < x < V y ) = F x ( V y ) - F x ( - V y )
• Sea H(X) una función de la variable aleatoria X. Se define valor esperado de H(X):
El valor esperado también conocido como esperanza matemática es considerado como un promedio
antmético a la larga.
59
1. E(K) = K K es una constante H(X)=K
Ejemplo 16
Ejemplo 17
60
E(X) = {B -2L-DX=I±*
Ja
b-a 2
2
V(X) = A2=JAB ( X - E ( X ) ) 2 GX(X)DX = ^
Ejemplo 18
= 40800.8-(200.67) 2
= 532.35 =>o = 23.07
= 40800.8 = J * 2 p 2 g p (p) d p
Ejemplo 19
• CUANTILES
Se define cuantil, al valor bajo el cual se encuentra una determinada proporción de los valores de
la variable.
Los cuantiles pueden ser:
• Pereentiles, cuando la serie de valores se divide en cien partes, cada una equivalente a un
uno por ciento.
• Cuartiles, sí la serie de valores se clasifica en cuatro partes, cada una relacionada con un
veinticinco por ciento.
• Deciles, cuando el conjunto de valores se reparte en diez partes, cada una relativa a un diez
por ciento.
El cuantil de orden R de una variable aleatoria X, es denotado por x R y definida como el valor de
X que es máximo para R% de los valores de la variable y a la vez el mínimo para los restantes (1-R)%
de valores, se calcula de la siguiente manera:
• Sí X es continua.
Se resuelve la ecuación F x (XR) = R.
Cuando R = 0.5 entonces Xq 5 — M e : es llamada MEDIANA
• MODA
Representa el valor de la variable aleatoria que más se repite ó el más probable, es decir, el que
maximiza la función de probabilidad o de densidad. Se denota por M d . Si existe se denomina Moda
absoluta.
Una variable aleatoria puede tener dos valores con igual probabilidad de ocurrir, siendo ésta la
máxima, razón por la cual se llama Bimodal, si tiene tres valores con igual probabilidad de ocurrir,
siendo ésta la más alta, se describe como Trimodal, y así sucesivamente.
62
Ejemplo 14
X: 0 15 25 40
P(X = x): 0.2 0.3 0.3 0.2
P(X <x): 0.2 0.5 0.8 1.0
El cuartil 1 se obtiene:
MI25 = Inf \ x / F x (x) > 0.25 >-=15 MS25= Inf^ x / F x (x) > 0.25 ^=15
MI50= Inf <¡ x / F x (x) > 0.5 ¡>=15 MS50= Inf \ x / F x (x) > 0.5 ¡>=25.
La Moda absoluta no existe, puesto que no hay un valor de la variable que sea más probable que
cualquier otro. Como se presentan los valores 15 y 25 con igual probabilidad se denominan modas
relativas de primer orden, así mismo los valores 0 y 40, también con igual probabilidad pero inferior
a la de los valores anteriores, son llamados modas relativas de segundo orden. Además, se puede decir
que la variable aleatoria X es Bimodal puesto que no tiene una moda absoluta, en cambio si posee dos
valores que se constituyen en modas de primer orden.
Ejemplo 21
Sea la variable aleatoria X que representa el tiempo de duración, en horas de un cierto componente
eléctrico con función de densidad g x (x) = 1000 -1 e"(x"100>'1000 x > 100
63
Lo cual se interpreta diciendo: el 50% de los componentes alcanzan duraciones no mayores
a 602.24 horas. También indica que la mitad de los componentes al menos duran 602.24
horas.
c. F x (x0 75 ) = P(X < x 0 75) = 0.75. Por un procedimiento similar al anterior x 0 75 = 1135.16. Esto
es, el 75% de los componentes tienen, cada uno, duraciones no mayores a 1135.16horas.
Se puede verificar que el máximo de g x es 100. Lo anterior indica que la duración más probable
ie un componente es 100 horas.
Permite generar un intervalo de valores de la variable aleatoria dada la probabilidad de que esto
acurra, o también es posible realizar el hallazgo de la probabilidad de que ocurran los valores que
:oma la característica aleatoria incluidos en un intervalo dado. En cualquier caso es necesario disponer
ie la varianza poblacional a 2
Sea X una Variable Aleatoria, y H(X) una función no negativa con dominio en los reales, entonces
P(H(X)>e)<E(H(X)) Ve>0
e
Demostración:
E(H(X)) = j H(x) g x ( x ) dx = { H ( x ) g x ( x ) d x + { H ( x ) g x ( x ) d x
-a Al A2
> {H(x)gx(x)dx
Al
> { sgx(x)dx>8P(H(X)>£)
Al
E(H(X))>P(H(X)>£)
8
64
COROLARIO. Desigualdad de Tchebyshev
3
((ax - k CTx < X < ii x + kCTx)> 1 j es útil para cuando k > 1.
k
Ejemplo 22
Las ventas diarias por cliente en un supermercado son de US$ 5.25 y la variación de las mismas
asciende a US$3.04. Sí K = 3/2 ¿Qué rango de ventas se espera para al menos que porcentaje de clientes?
Solución
=
X: Ventas diarias por cliente del supermercado. 5.25 a x = 3.04 1—y =—
k 9
Entonces (5.25 ± (3 / 2)*3.04): (0.69 < X < 9.81)
Cada uno de los 55.6% de clientes del supermercado realizan compras entre US$0.69 y US$9.81
Ejemplo 23
El número de gusanos por pie3 en cierto suelo tiene un promedio y varianza iguales a 100. Encuentre
un intervalo que incluya 16/25 de los valores muéstrales del número de gusanos, obtenidos de un gran
número de muestras de un pie 3 .
Solución:
16 , 1 1 9 5
— = 1 2r- = > ^ 2- = — => K = —
25 k k 25 3
16
P(|a - K a < X < u + Ka) > — =>
En al menos el 64% de muestras de un pie3 se encuentran entre 83 y 117 gusanos por pie3.
65
5.5 Momentos de una Variable Aleatoria
Sea X es una variable aleatoria. El r-ésimo momento de X consiste en obtener los valores esperados
de X hasta de orden r:
H',=0
A
f f f
/ \
X X X
( 1 ) Asimetría negativ» (2) Simétrica (3) Asimetría positiva
NOTA 1.
Adicionalmente se conoce un coeficiente estandarizado de asimetría, definido por: a 3 = (i'3 / CT3
66
• La curtosis es el grado de apuntamiento que tiene una distribución de probabilidad de una determinada
variable aleatoria. Se cuantifica por el momento de orden cuatro con respecto a la media, (i'4.
NOTA 2.
Al igual que con la asimetría, también se define un coeficiente estandarizado de curtosis, dado por:
a 4 = (j,'4 / 4 .
Se puede determinar el tipo de apuntamiento de la distribución, si
1
(1) Platikúrtica (2) Mesokúitica (3) l^ptokiirtica
Un momento particular da poca información sobre la distribución de una variable aleatoria, pero
el conjunto de momentos ordinariamente determina la distribución exacta.
Mr = E (X (X - 1) (X - 2) ... (X - r+1))
Ejemplo 24
Con base en el ejemplo 20, indicar cual es la forma de la distribución, y usando el teorema de
Tchebyshev que resultado se espera de X si k= 1.5.
67
- ji-3 - E(X - E(X))3= Y f x - 2 ° f f x ( x ) = °
Vx
3 2
a3 = / a = 0. (a = 175)
- n' 4 = E ( X - E ( X ) ) 4 = 2Jx-20ffx(x)=64315
v*
4
- a 4 = u'i / a = 2.1 < 3
De acuerdo a los cálculos realizados, se puede señalar que la distribución de la variable discreta,
tiene una forma asimétrica negativa y es aplanada.
La probabilidad de que la variable aleatoria X este entre 0.16 y 39.84 es de al menos 0.56.
Ejemplo 25
P(|X - 1100| < 2*1000) > 1—^- = 0.75 => P ( - 9 0 0 < X < 3100) >0.75
2
Al menos el 75% de los componentes eléctricos tienen duraciones entre 100 y 3100 horas.
Dada una variable aleatoria X, con función de densidad (ó de probabilidad). Se define con el
nombre de función generadora de momentos a:
68
e " g x (x) dx x : continua
= M(t) =
^ e tx f x ( x ) x : discreta
Vx
Sí existe M x (t), va a ser única y determina completamente la distribución de una variable aleatoria.
La existencia de M(t), permite que M(t) sea continuamente diferenciable, garantizando la
existencia de tales derivadas de orden r en t = 0, las que resultan ser los momentos con respecto al
•rigen de una distribución, de ahí su nombre.
d r M(t)
Í * r t x
:(M(t)) r =E
dVx) n[xretxJ=-
dt r dt r
x e gx(x)dx x : continua
Vx
Ejemplo 26
x :
íe~x x > 0
gx( )
0 en otro caso
Solución:
U Li i
tx tx x (t_1)x
a. E(e ) = M x (t) = J e e~ dx = J e dx = t<1
A f\ 1- t
1
b. E(X) = M x ( t = 0) M^(t = 0) = l
Mx(t)=
(l-t)2
69
Ejemplo77
Un jugador de baloncesto lanza la bola hasta que encesta, momento en el cual finaliza
lanzamientos, la probabilidad de encestar es 0.4
, 1 ii
AYUDA.ParadeterminarM(t). V - x n = l + x + x + . . . + ...= |x|< 1
0.4 e
=> M(t) = — 0.6 e l * — 1 l
3 l-0.6e l-0.6e
TEOREMA 5
Demostración:
M v (etY) = E(et(aX + b)) = E(e taX etb) = etb E(etaX) = etb M x (at)
70
5.7. Función G e n e r a d o r a de Momentos Factoriales
Sea X una variable aleatoria y v F x (t) una función real tal que: 4 y x (t) = E ((1+ t) x )
X ' f l + tY'"k
—— -— de ahí su nombre.
(X-k)!
Es de mayor facilidad de aplicación con variables aleatorias discretas, pudiendo obtenerse los
momentos factoriales de la variable y luego encontrar los momentos con respecto al origen. Así, si
(1 + t ) x = e x l n ( 1 , t ) => (t) = M x (ln(l + 1 ) ) ¥ x (e v) = M x (t).
0 x ( t ) = E(e ltx ) = E (Cos (tx)) + i E ( Sen (tx)) V t e R, entonces se dice que 0 X es la Función
Característica de X.
6. EJERCICIOS PROPUESTOS
1. Una caja contiene cuatro artículos aceptables, uno defectuoso. Se inspecciona artículo por artículo
hasta cuando se localiza el defectuoso. Sea la variable aleatoria X que denota el número de la
inspección en que se localiza el artículo defectuoso.
'/1
2. Sea X una variable aleatoria que representa el peso (en onzas) de un artículo, con función de
densidad
El fabricante vende el artículo a $200. Garantiza el reintegro del precio de venta si el peso del
artículo es inferior a 8.25 onzas. El costo de producción es función del peso, C.= 5 * X, otros costos
menores suman $30.
4. Un proyecto consta de 3 actividades: A,B y C. La actividad B debe ser ejecutada antes que C
pueda comenzar. A se realiza independientemente pero simultáneamente a B y C. Se han estimado
los siguientes tiempos y probabilidades: