CAPTULO 1

REPASO DE PROBABILIDAD Y ESTADSTICA

Introduccin
Cualquier modelo realista de un fenmeno del mundo real
debe tomar en cuenta la posibilidad de aleatoridad. Las
cantidades en las cuales estamos intersados no sern
predecibles dado que exhibirn una variacin inherente la
cual debe ser tomada en cuenta al construir el modelo.
La mayora de los temas que se tratarn en este curso
estarn relacionados con diferentes modelos probabilsticos
de fenmenos naturales. En la construccin y anlisis del
modelo debemos aplicar probabilidades.
1
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Espacio Muestral y Eventos
Supongamos que se tiene un experimento en que no es
predecible su resultado, sin embargo, sabemos cuales son todos
los posibles resultados que pueden ocurrir.
Def. ( Espacio Muestral )
Llamaremos espacio muestral de un experimento dado, que
denotaremos por S, al conjunto de todos los resultados posibles
del experimento.
Ejs.
Supongamos que el experimento consiste en el lanzamiento de
una moneda al aire entonces S = { C, S } .
2
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Si el experimento consiste en el lanzamiento de un dado
entonces S = { 1, 2, 3, 4, 5, 6 }
Si se lanzan dos monedas al aire entonces S = { (C,C), (C,S),
(S,C), (S,S) }
Si el experimento consiste en lanzar dos dados entonces
S = { (1,1), (1,2),.(1,6), (2,1),(2,2),.,(2,6),
.(6,1),(6,2),,(6,3) }
Si el esperimento consiste en medir el ciclo de vida de un
vehculo entonces S = [0, inf ) .
3
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Def. ( Evento )
Sea el S el espacio muestral de un experimento dado. Se llamar
evento a cualquier subconjunto de S .
Ejs.
En el ejemplo del lanzamiento de una moneda los siguientes
conjuntos seran eventos para dicho experimento: E
1
= { C } ,
E
2
= { S } , E
3
= S , E
4
= Conj. Vaco
En el ejemplo del lanzamiento del dado los siguientos
conjuntos seran eventos:
E1 = { 1 } , E2 = { 2, 4, 6 }
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
4
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
En el ejemplo del lanzamiento de las dos monedas:
E = { (C,C), ((C,S) }
En el ejemplo del lanzamiento de los dos dados:
E = { (1,6), (2,5), (3,4), (4,3), (5,2), (6,1) }
En el ejemplo donde el experimento es el ciclo de vida del
vehculo: E = (2,6)
Def. ( Evento Unin )
Dados dos eventos E y F cualesquiera de un espacio muestral ,
se define el evento E U F tal que dicho evento ocurrir si ocurre E
o F .
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
5
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Ejs.
En el ejemplo del lanzamiento de una moneda , si E = { C } y
F = { S } entonces E U F = S .
En el ejemplo del lanzamiento del dado si E = { 1, 3, 5 } y
F = { 1, 2 , 3 } entonces E U F = { 1, 2, 3, 5 } .
Def. ( Evento Interseccin )
Dados dos eventos E y F cualesquiera de un espacio muestral ,
se define el evento E F tal que dicho evento ocurrir si ocurre E
y F .
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
6

CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Notacin: El Evento interseccin de los eventos E y F se denotar
como EF .
Ejs.
En el ejemplo del lanzamiento del dado si E = { 1, 3, 5 } y
F = { 1, 2, 3 } entonces EF = { 1, 3 } .
En el ejemplo del lanzamiento de una moneda si E = { C } y
F = { S } entonces el evento EF es el conj. vaco.
Def. ( Eventos mutuamente excluyentes )
Si EF es el conjunto vaco entonces se dir que ambos eventos
son mutuamente excluyentes.
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
7
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Def. ( Evento Unin de ms de dos eventos )
La definicin del evento unin de dos eventos se extiende de
manera natural a la unin finita de n eventos.
Def. ( Evento Interseccin de ms de dos eventos )
La definicin del evento interseccin de dos eventos se extiende
de manera natural a la interseccin finita de n eventos.
Def. ( Evento Complemento )
La definicin del evento complemento de un evento E cualquiera
que denotamos como E
c
tal que este evento ocurrir si E no
ocurre.
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
8
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Ejs.
En el ejemplo del lanzamiento del dado si E = { (1,6), (2,5),
(3,4),(4,3), (5,2), (6,1 ) } entonces el evento E
c
ocurrir si la
suma de las componentes de sus elementos es distinto de 7 .
Si S es el espacio muestral de un experimento cualquiera
entonces S
c
es igual al conjunto vaco.
Def. ( Probabilidad definida sobre eventos )
Consideremos un experimento cualquiera cuyo espacio muestral
denotamos por S . Entonces para todo evento E de S se define el
nmero el cual denotamos como P(E) , mediante:
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
9
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
i) 0 <= P(E) <= 1
ii) P(S) = 1
iii) Para toda coleccin de eventos de S, a saber, E
1
, E
2
, ., E
n
los cuales son mutuamente excluyentes se tiene que:
P(E
1
U E
2
U . U E
n
) = P(E
1
)+ P(E
2
) + . + P(E
n
)
Nota: P(E) se lee probabilidad de E .
Ejs.
En el ejemplo del lanzamiento de la moneda se tiene que
P( { C } ) = P( { S } ) = .
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
10
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Por otra parte, si en el experimento manipulan el lanzamiento
de tal forma que por cada lanzamiento existe la posibilidad de
que salga el doble nmero de sellos entonces P( { C } ) = 2/3 y
P( { S } ) =1/3 .
En el ejemplo del lanzamiento del dado se tiene que:
P( { 1 } ) = P( { 2 } ) = P( { 3 } ) = P( { 4 } ) = P( { 5 } ) =
P( { 6 } ) = 1/ 6 .
P( { 2, 4, 6 } = P( { 2 } ) + P( { 4 } ) + P( { 6} ) = 3/6 = 1/2
1 = P ( E U E
c
) = P(S) = P( E ) + P(E
c
)
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
11
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
P(E U F) = P( E ) + P( F ) - P ( EF )
Nota: Si E y F son eventos mutuamente excluyentes entonces
P(EF) = Conj. Vaco.
Luego se tiene que P(E U F) = P( E ) + P( F ) .
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
12
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Ej.
Supongamos el ejemplo del lanzamiento de dos monedas.
Entonces S = { (C,C), (C,S), (S,C) , (S,S) }. Supongamos que cada
uno de los resultados es equiprobable entonces la probabilidad
de cada uno de ellos es igual a .
Sean E = { (C,C) , (C,S) } y F = { (C,C), (S,C) } . Luego:
P(E U F ) = P(E) + P(F) P(EF)
= + - = .
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
13
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
En forma directa .
P(E U F) = P( { (C,C), (C,S), (S,C) } = .
Generalizaremos el resultado de la probabilidad de la unin de
ms de dos eventos.
P( E U F U G ) = P( (E U F ) U G )
= P ( E U F ) + P( G ) P ( (E U F )G )
= P( E U F ) + P (G ) P ( EG U FG )
= P(E) + P(F) P(EF) + P(G) P(EG) P(FG) + P(EFG)
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
14
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Se puede generalizar el resultado anterior a la probabilidad de la
unin finita de n eventos E
i
, i = 1, 2, , n .

Def. ( Probabilidad Condicional )

Dados los eventos E y F de un espacio muestral de un
experimento cualquiera, se define:
P( E/F ) = P(EF) / P( F ) , con P( F ) > 0 .
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
15
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Ejs.
Ej. Supongamos que ponemos 10 tarjetas numeradas del 1 al
10 dentro de un sombrero. Supongamos que sacamos una
tarjeta del sombrero. Si sabemos que el nmero de la tarjeta
es al menos 5 , Cul es la probabilidad que la tarjeta tenga el
nmero 10 ?
Sol.
Definamos el evento E: el Nro. de la tarjeta extrada es 10 y
el evento F : el nmero de la tarjeta extrada es al menos 5 .
Entonces P( E/F ) =P(EF) / P(F) = ( 1/10) / (6/10) = 1/6
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
16
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Ej. Una familia tiene 2 hijos. Cul es la probabilidad que
ambos sean hombres dado que almenos uno de ellos es
hombre ?
El espacio muestral S es : { (h,h), (h,m), (m,h), (m,m) }.
Supongamos que los resultados son equiprobables.
Nota: El resultado (h,m) significa que el mayor hombre y el
ms joven es mujer.
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
17
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Sol.
Se define los eventos:
E : ambos son hombres
F : al menos uno de ellos es hombre .
Luego:
P(E/F) = P(EF)/P(F) = ( P({ (h,h) } ) / ( P( {h,h), (h,m), (m,h) }
= (1/4) / (3/4) = 1/3 .
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
18
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Ej. Un determinado alumno puede tomar ya sea el curso de
computacin o el de qumica. Si toma el de computacin la
calificacin ser una A con probabilidad . Si toma qumica
su calificacin ser una A con probabilidad 1/3 .
El alumno desea tomar su decisin lanzando una moneda al
aire. Cul es la probabilidad que el alumno obtenga una
calificacin A en qumica ?
Sol.
Se definen los eventos:
E : el alumno se saca una A, cualquiera sea el curso que tome
F : el alumno toma qumica.
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
19
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Se desea calcular :
P(EF) = P(F).P(E/F)
= (1/2).(1/3) = 1/6 .
Ej.
Suponga que una urna contiene 7 bolitas negras y 5 bolitas
blancas. Se sacan 2 bolas de la urna sin reposicin.
Supongamos que cada bolita tiene la misma probabilidad de
ser sacada.
Cul es la probabilidad que ambas bolitas sean negras ?
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
20
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Sol.
Se definen los eventos:
E: Primera bolita extrada es negra
F: Segunda bolita extrada es negra.
Dado que la primera bolita extrada es negra, existen 6 bolitas
restantes negras y 5 blancas. En consecuencia:
P(E/F) = 6/11 y P(F) = 7/12 . Luego:
P(EF) = P(F).P(E/F) = (7/12).(6/11) = (42/132) .
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
21
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Def.( Eventos Independientes )
Dos eventos E y F se dirn independientes si:
P(EF) = P(E).P(F). Luego,
si E y F son independientes entonces P(E/F) = P(E) .
Def. ( Eventos dependientes )
Dos eventos E y F se dirn dependientes si ellos NO son
Independientes.
Ej.
Supongamos que lanzamos dos dados. Sean los eventos:
E : la suma de los dados es 6 y F: el primer dado es 4
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
22
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
P(EF) = P( { (4,2)} ) = 1/36
P(E) .P(F) = (5/36).(1/6) = (5/216).
Suma de los resultados de ambos dados igual a 6 : (1,5), (2,4),
(3,3) , (4,2), (5,1) .
Luego, los eventos E y F NO son independientes.
Def. ( extensin de la definicin de 2 eventos independientes a un
nmero finito de n eventos independientes )
Los eventos E1,E2,En se diran independientes si para todo
j1, j2, .., jr con r <= n se tiene que
P(Ej1.Ej2.Ejr) = P(Ej1).P(Ej2)..P(Ejr)
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
23
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Ej. Suponga que cada uno de tres hombres en una fiesta deja su
sombrero en el centro de una pista de baile. Los sombreros
son mezclados y enseguida cada hombre selecciona
aleatoriamente un sombrero.
Cul es la probabilidad que ninguno de los tres hombres
saque su propio sombrero ?
Sol.
Sean los eventos Ei : el i-simo hombre baila con su propio
sombrero, para todo i = 1, 2, 3 . Debemos calcular:
P(E1UE2UE3). En efecto:
P(E1UE2UE3) = P(E1)+P(E2)+P(E3)-P(E1E2)-P(E1E3)-P(E2E3) +
+ P(E1E2E3) ( * )
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
24
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
P(Ei) = 1/3 , i = 1, 2, 3 .
Los eventos pasan a ser equiprobables ya que la probabilidad
que cada hombre seleccione su propio sombrero es igual a 1/3.
P(EiEj) = P(Ei).P(Ej/Ei) ( i distinto de j )
= (1/3).(1/2) = 1/6
Adems, PE1E2E3) = P(E1E2).P(E3/(E1E2) = (1/6).1 . Entonces,
aplicando el resultado ( * ), se tiene que:
P(E1UE2UE3) = 1 3/6 + 1/6 = 2/3 .
Nota: La probabilidad que ninguno de los hombres baile con su
propio sombrero es 1- (2/3) = 1/3
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
25
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Teorema (Ley de Probabilidad Total)
Sean E1, E2, .., En una Particin del espacio muestral S y sea F
un evento cualquiera de S. Entonces:
P(F) = P(F/E1).P(E1)+ P(F/E2).P(E2) + .+ P(F/En).P(En) .
Adems:
P(Ej/F) = P(FEj)/P(F)
=P(FEj)/(P(F/E1).P(E1)+ P(F/E2).P(E2) + .+ P(F/En).P(En) )
(Teorema de Bayes )
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
26
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Ej.
Consideremos 2 urnas. La primera contiene 2 bolitas blancas y 7
negras. La segunda contiene 5 bolitas blancas y 6 negras.
Lanzamos una moneda al aire. Si sale cara sacamos una bolita
de la primera y si sale sello sacamos una bolita de la segunda.
Cul es la probabilidad ( condicional ) que el resultado sea cara
dado que una bolita blanca fue extrada ?
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
27
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Sol.
Sea el evento W : una bolita blanca es seleccionada y sea el
evento H : al lanzar la moneda resulta cara. Se desea calcular:
P(H/W). En efecto:
P(H/W) = P(HW)/P(W)
= ( P(W/H).P(H) ) / P (W)
= ( (2/9).(1/2) ) / ( P(W/H).P(H) + P(W/H
c
).P(H
c
) )
= ( (2/9).((1/2) )/( (2/9).(1/2) + (5/11).(1/2) ) = 22/67 .
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
28
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Def. ( Variables Aleatorias )
Una variable aleatoria X es una funcin definida en el espacio
muestral S al conjunto de los nmeros reales.
Ejs.
En el experimento del lanzamiento de dos dados la variable
aleatoria X se define como la suma de los resultados de
ambos dados. Luego:
P( X = 2 ) = P ({(1,1)} ) = 1/36
P( X = 3 ) = P({(1,2),(2,1)} = 2/36
P(X = 4 ) = P({(1,3),(2,2), (3,1)} = 3/36
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
29
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
P(X = 5 ) = P({(1,4),(2,3), (3,2), (4,1)} = 4/36
P(X = 6 ) = P({(1,5),(2,4), (3,3), (4,2), (5,1)} = 5/36
P(X = 7 ) = P({(1,6),(2,5), (3,4), (4,3), (5,2), (6,1)} = 6/36
P(X = 8 ) = P({(2,6),(3,5), (4,4), (5,3), (6,2)} = 5/36
P(X = 9 ) = P({(3,6),(4,5), (5,4), (6,3)} = 4/36
P(X =10 ) = P({(4,6),(5,5), (6,4)} = 3/36
P( X = 11 ) = P({(5,6),(6,5)} = 2/36
P( X = 12 ) = P ({(6,6)} ) = 1/36
P(X=1) + P(X=2) + + P(X=12) = 1
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
30
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Supongamos el experimento del lanzamiento de las 2
monedas:
Se define la variable aleatoria Y : Nro. de caras que resultan
P( Y = 0 ) = P( {(S,S)} ) =
P( Y = 1 ) = P( { (C,S),(S,C) } ) = 2/4
P( Y = 2 ) = P( { (C,C) } =
De nuevo se tiene:
P( Y = 0 ) + P( Y = 1 ) + P ( Y = 2 ) = 1
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
31
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Supongamos que lanzamos una moneda al aire la cual tiene la
probabilidad p hasta que resulte cara , antes de que aparezca la
primera cara. Sea N el nmero de lanzamientos requeridos.
Suponiendo que los resultados de los sucesivos lanzamientos son
independientes , entonces N es una variable aleatoria
( v. a. ) que toma los valores 1, 2, 3, , n . Luego:
P( N = 1 ) = P ( { C } ) = p
P( N = 2 ) = P ( {(S,C)} ) = (1-p)p
P( N = 3 ) = P ( {(S,S,C)} = (1-p)
2
p

P( N = n ) = P ( { (S,S,S,.,S,C) } ) = (1-p)
(n-1)
p
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
32
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
P( N = 0 ) + P ( N = 1 ) + + P( N = n )
= p ( 1 / ( 1 ( 1-p ))) = 1 .
Def. ( Funcin de distribucin de probabilidades acumulada )
Se define la Funcin de distribucin de probabilidades
acumulada que denotamos por F, mediante:
F
X
(t) = P ( X <= t ) , para todo t en R .
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
33
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Propiedades:
i) F
X
(t) es una funcin no decreciente.
ii) LimF
X
(t) = 1 , para t tendiendo a + inf.
iii) LimF
X
(t) = 0 , para t tendiendo a - inf.
Def. ( Variable aleatoria discreta )
Una v.a. discreta es una v.a. que puede tomar a lo ms un
nmero contable de posibles valores.
Def. ( Funcin masa de probabilidad )
Dada una v.a. discreta X se define la funcin masa de
probabilidad de X, que denotamos p(t) mediante:
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
34
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
p(x) = P( X = x )
p(x
1
) + p(x
2
) + + p(x
n
) + = 1
F
X
(a) =
Ej Sea X una v.a. tal que la funcin masa de probabilidad se
define mediante:
p(1) = , p(2) = 1/3 , p(3) = 1/6
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
35

s a
i
x
)
i
p(x
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
F(a)
Variable Aleatoria Bernoulli
Supongamos que tenemos un experimento que solo tiene los
resultados xito o fracaso. Entonces podemos definir la v.a. X
mediante:
X = 1 : xito
X = 0 : fracaso
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
36
{1

s
s s
s s
<
=
a 3 , 1
3 a 2 , 5/6
2 a 1 , 1/2
1 a , 0
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
p(0) = P( X = 0 ) = 1 p
p(1) = P( X = 1 ) = p
Variable Aleatoria Binomial
Sean n ensayos independientes cda uno de los cuales resulta
como xito con probabilidad p y como un fracaso con
probabilidad 1 p . Entonces podemos definir la variable
aleatoria X mediante:
X : nmero de xitos que ocurren en n ensayos.
X se denomina v.a. binomial de parmetros ( n,p ). Luego:
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
37
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
p(i) = P( X = i ) =
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
38
i - n
p) - (1
i
p
i
n
|
|
.
|

\
|
1
n
p)) 1 ( p (
0 i
i - n
p) - (1
i
p
n
0 i
i
n
p(i) = + =

=

=
= =
|
|
|
.
|

\
|
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
Variable aleatoria Uniforme
Una v.a. X continua se llamar uniformemente distribuda
sobre el intervalo cerrado de extremos a , b con a < b si su
funcin de densidad de probabilidades viene dada por:
f
X
(t) =
Ej Sea la v.a. X la cual distribuye uniforme en el intervalo cerrado
de extremos 0 y 10 . Entonces:
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
39

< <

no si , 0
b t a ,
a b
1
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
P( X < 3 ) = 3/10
P( 1 < X < 6 ) = 1/2
P( X > 7 ) = 3/10
Def. ( Variable aleatoria continua )
Sea X una v.a. cuyo posible conjunto de valores que puede tomar
es no contable. Diremos que X es una v.a. continua si existe una
funcin f(x) no negativa definida para todo x en R tal que:
para todo subconjunto B de R se tiene que :
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
40
CAPTULO 1
REPASO DE PROBABILIDAD Y ESTADSTICA
P( x en B ) =
P( x en R ) = 1
F
X
(a) = P( X <= a ) =
Curso Modelos Estocsticos
Prof.Fernando Paredes C.
41
}
B
(t)dt
X
f
}

a
(t)dt
X
f