03 Bloque 2 Variables y Vectores Aleatorios 1

SEALES BLOQUE II:
ALEATORIAS Variables y
Vectores
Unidades Temticas Aleatorios
2.1. Sucesos Numricos y Variables Aleatorias.
2.2. Variables Aleatorias Discretas.
2.3. Variables Aleatorias Continuas.
2.4. Vectores Aleatorios.
2.5. Funcin Caracterstica. Transformada de Laplace.
2.6. Sucesiones de Variables Aleatorias. Leyes de Grandes Nmeros.
Teorema Central de Lmite.
1
SEALES ALEATORIAS 2.1 Sucesos Numricos y V. Aleatorias
SUCESOS NUMRICOS Y VARIABLES ALEATORIAS

Los sucesos de mayor inters son los identificados por nmeros,
llamados SUCESOS NUMRICOS.
Ejemplo 2.1:
* Un investigador en medicina est interesado en el suceso de que diez
pacientes tratados se curen de una enfermedad.
* Un empresario se interesa en el suceso de que las ventas del prximo ao

alcancen la cifra de 5 millones de euros.
Como el valor de un suceso numrico vara al repetir el muestreo, a

este tipo de sucesos se le conoce como VARIABLE ALEATORIA.
2
A cada punto del Espacio Muestral, se le asigna un nmero real que

denota el valor de un Suceso Numrico. Los nmeros variarn de un
punto muestral a otro, pero a ciertos puntos se les puede asignar el
mismo nmero.
De esta manera, se ha definido una variable que es una funcin de

los puntos muestrales en S.
Sea Y esta variable, entonces Y = a es el evento numrico que

contiene todos los puntos muestrales a los que se les asign el
nmero a.
Dividimos el Espacio Muestral S, en subconjuntos mutuamente

excluyentes tales que los puntos dentro del subconjunto
correspondan al mismo valor de Y.
Ejemplo 2.2:
Particin del Espacio Muestral S para una variable aleatoria que
puede tomar los valores: 0, 1, 2, 3, 4.
2
0 3
4 1
DEFINICIN:
S
Una VARIABLE ALEATORIA es una funcin, cuyos valores son nmeros
reales, definida en un Espacio Muestral.
4
Ejemplo 2.3:
Se define el experimento: Lanzamiento de dos monedas y se
observan los resultados. Sea Y = n de caras observadas
Identifica los puntos muestrales en S.
Asigna una valor de Y a cada punto muestral.
Identifica los puntos muestrales asociados a cada valor de la
variable aleatoria.
C = Cara y X = Cruz
Los cuatro puntos muestrales en S son: E1: CC, E2: CX, E3: XC y E4: XX
El valor de Y asignado a los puntos muestrales depende del n de caras de
cada punto. Para E1: CC se asigna el valor Y = 2
En resumen, la variable aleatoria Y puede tomar 3 valores: Y = 0, 1, 2 que
son eventos definidos por conjuntos especficos de puntos muestrales:
Y = 0: E4 ; Y = 1: E2, E3 ; Y = 2: E1
5
Sea y un valor observado de la variable aleatoria Y.

Entonces, hacemos la probabilidad de que Y = y igual a la suma de las
probabilidades de los puntos muestrales que tienen asignado el valor
y.
Ejemplo 2.4:
Calcula las probabilidades para cada valor de Y en el ejemplo 2.3
Y = 0 slo corresponde a un solo punto muestral E4: XX

Si las monedas son perfectas, los puntos muestrales son
equiprobables y entonces:
P(Y=0) = P(E4) =
P(Y=1) = P(E2) + P(E3) = + =
P(Y=2) = P(E1) =
6
SEALES BLOQUE II:
Vectores
7
SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas
DEFINICIN:
Una variable aleatoria Y, se dice DISCRETA si solamente puede tomar
un conjunto numerable de valores.
Ejemplo 2.5:
El evento de estudio en una encuesta con respecto a la preferencia de
los votantes no es la gente en particular de la muestra, ni el orden en
el que se obtuvieron las preferencias, sino el nmero de votantes a
favor de cierto candidato o resultado.
Este evento da lugar a una variable aleatoria, el nmero de votantes
de la muestra a favor de cierto candidato o resultado, que slo puede
tomar un nmero finito de valores con una probabilidad diferente de
cero.
Es decir, el valor observado de la variable aleatoria de inters tiene
que ser un nmero entero entre cero y el tamao de la muestra.
8
En realidad las variables aleatorias discretas representan en la

mayora de los casos clculos asociados a fenmenos reales.
Ejemplo 2.6:
N de televisores defectuosos en un envo de 100.
Entonces Para qu hemos estudiado la teora de la probabilidad si

lo que nos interesa son las variables aleatorias?
Necesitamos la probabilidad de una muestra observada para hacer
inferencias acerca de una poblacin.
Las observaciones muestrales son frecuentemente clculos
numricos, es decir, valores de variables aleatorias discretas, y por
eso es imperativo que conozcamos las probabilidades de estos
sucesos numricos.
9
Dado que ciertos tipos de variables aleatorias ocurren con mucha

frecuencia en la prctica, es til disponer de las probabilidades para
cada valor de una variable aleatoria.
Este conjunto de probabilidades se llama DISTRIBUCIN DE
PROBABILIDAD.
Muchos tipos de experimentos muestran caractersticas similares y
generan variables aleatorias con la misma distribucin de probabilidad.
NOTACIN:
Se utilizarn maysculas, como Y, para representar variables
aleatorias.
Y minsculas, como y, para representar valores particulares que
puede tomar una variable aleatoria.
La expresin (Y = y) se puede leer como el conjunto de todos los
puntos de S a los que la variable aleatoria Y les asign el valor y
10
SEALES BLOQUE II:
Unidades Temticas Vectores
2.2. Variables Aleatorias Discretas:
Aleatorios
2.2.a. Distribucin de Probabilidad.
2.2.b. Esperanza Matemtica y Varianza.
2.2.c. Momentos de orden superior y F Generadora de Momentos.
2.2.d. Funcin Generadora de Probabilidad.
2.2.e. Teorema de Tchebysheff.
11
2.6. Sucesiones de V.A. Leyes de Grandes Nmeros. Teorema Central de Lmite.
DEFINICIN:
La PROBABILIDAD DE QUE Y TOME EL VALOR y, P(Y=y), se define
como la suma de las probabilidades de todos los puntos muestrales
de S que tiene asignado el valor y.
En ocasiones, se denotar P(Y=y) como p(y)
Observad que p(y) es, nada ms, una funcin que asigna
probabilidades a cada valor y, y por lo tanto algunas veces se le
denomina FUNCIN DE PROBABILIDAD de Y.
DEFINICIN:
La DISTRIBUCIN DE PROBABILIDAD para una variable aleatoria
discreta Y se puede representar por una frmula, una tabla o una
grfica que indique las probabilidades p(y) correspondientes a cada
uno de los valores de y.
12
Ejemplo 2.7:
Distribuciones de probabilidad
3 3

p( y ) =
y 2 y
6

2
y = 0, 1, 2
13
PROPIEDADES DE LA DISTRIBUCIN DE PROBABILDAD:

Para cualquier distribucin de probabilidad de una variable aleatoria
discreta, debe cumplirse lo siguiente:
1. 0 p(y) 1 para toda y
2.
p(y) = 1 , donde
y
el sumatorio se toma sobre todos los
valores de y con probabilidad diferente de cero.
Resumiendo:
La distribucin de probabilidad de una variable aleatoria discreta
siempre se puede obtener asignando una probabilidad positiva a
cada uno de los posibles valores que puede tomar la variable.
14
PRINCIPALES DISTRIBUCIONES DE PROBABILIDAD:
BINOMIAL: N de xitos observados en n pruebas realizadas.
Ejemplo 2.8:
Un sistema de alarma para detectar rpidamente aviones, consta de
cuatro unidades de radar idnticas que trabajan
independientemente. Suponga que cada una tiene una probabilidad
de 0.95 de detectar un avin que se interna en el rea del sistema.
Cuando un avin aparece, la variable aleatoria de inters es Y, el
nmero de unidades de radar que no detectan el avin.
qu probabilidad existe tras aparecer un avin de que 3 radares no
lo detecten?
15
GEOMTRICA: N prueba en la que se produce el primer xito.
Ejemplo 2.9:
Supngase que la probabilidad de que falle un motor durante
cualquier periodo de una hora es p=0.02. Encuentra la probabilidad
de que dicho motor funcione bien durante dos horas.
HIPERGEOMTRICA: X resultados del tipo A, y (n-x) resultados del

tipo no A en las n pruebas.
Ejemplo 2.10:
Se seleccionan 10 personas para un trabajo de un grupo de 20
ingenieros. Cul es la probabilidad de que el grupo de los 10
ingenieros seleccionados incluya a los 5 mejores del grupo de 20?
16
POISSON: N eventos durante cierto perodo de tiempo.
Ejemplo 2.11:
Una vendedora se da cuenta de que la probabilidad de venta en una
entrevista nica es aproximadamente 0.03 Cul es la probabilidad
de que ella haga al menos una venta al tener 100 compradores
posibles?
Una vez definida la v.a. discreta y conocidas sus principales

distribuciones de probabilidad p(y) vamos a identificar medidas
numricas descriptivas (o parmetros) para caracterizar p(y): media,
varianza,
17
SEALES BLOQUE II:

Aleatorios
18
ESPERANZA MATEMTICA (Valor Esperado) de una v.a. discreta:

DEFINICIN:
Sea Y una v.a. discreta con funcin de probabilidad p(y). Entonces, el
E(Y ) = yp(y)
VALOR ESPERADO de Y, E(Y), est definido por:
y
Nota:
Para ser exactos, el valor esperado de una v.a. discreta existe si la
suma dada anteriormente converge absolutamente, es decir, si:
y p(y) <
y
Esta convergencia absoluta se cumple para todo el temario de la
asignatura .
19
Si p(y) es una caracterizacin exacta de la distribucin de frecuencias

de la poblacin, entonces E(Y) = , que es la media de la poblacin.
Ejemplo 2.12:
Para mostrar que E(Y) es la media de la distribucin de probabilidad
p(y), supngase que se haya realizado un experimento 4 millones de
veces y que se hayan observado los valores correspondientes de una
v.a. discreta Y, que puede tomar los valores 0, 1, 2 con la distribucin
de probabilidad p(y) de la tabla adjunta.
Esperaramos obtener aprox. 1
milln con el valor Y=0; 2 millones
con Y=1 y 1 milln con el valor Y=2
Visualmente se observa como la media se encuentra en y=1.

20
Calculando el promedio de los 4 millones de mediciones se obtendra:

n
y (1,000,000)(0) + (2,000,000)(1) + (1,000,000)(2)

i
=
i =1
=
n 4,000,000
2
= (0)(1 / 4) + (1)(1 / 2) + ( 2)(1 / 4) = yp( y ) = 1
y =0
DEFINICIN:
Sea g(Y) una funcin de una v.a. discreta Y, que tiene una funcin de
probabilidad p(y). Entonces, el VALOR ESPERADO de g(Y) est
E[g(Y )] = g(y)p(y)
definido por:
y
21
DEFINICIN:
La VARIANZA de una v.a. discreta Y, est definida como el valor
esperado de (Y - )2. Es decir,
[
V (Y ) = E (Y )
2
]
La DESVIACIN ESTNDAR de Y es la raz cuadrada positiva de V(Y)
Nota:
Si p(y) es una caracterizacin exacta de la distribucin de frecuencias
de la poblacin, entonces:
E(Y) = , es la media de la poblacin.
V(Y) = 2, es la varianza de la poblacin.
, es la desviacin estndar de la poblacin.
22
Ejemplo 2.13:
Un sistema aleatorio de una ronda de polica est ideado de tal manera que
un polica puede visitar cierta localidad de su ronda Y = 0, 1, 2, 3, veces en
periodos de media hora y que el sistema est arreglado de tal manera que
pasa por cada localidad un promedio de una vez por periodo.
Supongamos que Y tiene aproximadamente una distribucin de
probabilidad de Poisson. Calcula:
a) La probabilidad de que el polica no pase por cierta localidad
durante un periodo de media hora.
b) Cul es la probabilidad de que la visite una vez?
c) Dos veces?
d) Al menos una vez? Distribucin de probabilidad de Poisson:
,
= y = 0, 1, 2,
!
representa el valor medio de y

E(Y) = y V(Y) =
23
Ejemplo 2.14:
Encuentra la media, la varianza y la desviacin estndar de la v.a.
discreta Y, cuya distribucin de probabilidad es la siguiente:
Solucin:
= 1.75
2 = 0.9375
= 0.97 24
TEOREMA:
Sea c una constante. Entonces, E[c] = c
TEOREMA:
Sea g(Y) una funcin de una v.a. discreta Y y sea c una constante.
E[cg(Y )] = cE[g(Y )]
Entonces,
TEOREMA:
Sean g1(Y), g2(Y), , gk(Y) funciones de la v.a. discreta Y. Entonces,
E[g1 (Y ) + g2 (Y ) + L+ gk (Y )] = E[g1 (Y )] + E[g2 (Y )] + L+ E[gk (Y )]

25
TEOREMA:
[ ] ( )
V [Y ] = 2 = E (Y ) = E Y 2 2
2
26
Ejemplo 2.15:
Un gerente de una fbrica estudia comprar una nueva mquina tipo A o B.
El n de reparaciones diarias Y1 necesarias para el mantenimiento de la
mquina A es una v.a. Poisson con una media de 0.10t, en donde t es el n
de horas de trabajo diario. El n de reparaciones diarias Y2 para la mquina
B es tambin una v.a. Poisson con una media de 0.12t.
El coste de trabajo diario para A y B son: CA(t)=10t + 30Y12; CB(t)=8t + 30Y22 .
Suponga que el tiempo de las reparaciones es insignificante y que al
repararlas se quedan como nuevas para el da siguiente.
a. Qu mquina minimiza los costes diarios esperados si un da
de trabajo tiene 10 horas?
b. Y si tiene 20 horas? Distribucin de probabilidad de Poisson:
,
= !
y=0, 1, 2,

E(Y) = y V(Y) = 27
SEALES BLOQUE II:

Aleatorios
28
MOMENTOS Y FUNCIONES GENERADORAS DE MOMENTOS:

Los parmetros y son medidas numricas descriptivas
significativas que localizan el centro y describen la dispersin de p(y),
pero no proporcionan una descripcin nica de la distribucin.
Por consiguiente, debemos ampliar el conjunto de medidas

descriptivas que, bajo condiciones bastante generales, determinen
de una manera nica p(y)
DEFINICIN:
El i-simo momento de una variable aleatoria Y respecto al origen
est definido por E(Yi) y se denota por i.
En particular, E(Y) = 1= y E(Y2)=2 (utilizado para obtener V(Y))

29
Nota:
Si dos v.a. Y y Z tienen momentos con respecto al origen finitos e
idnticos se dice que Y y Z tienen distribuciones de probabilidad
idnticas.
Un segundo momento til de una v.a. se toma con respecto a su

media.
DEFINICIN:
El i-simo momento de una variable aleatoria Y, con respecto a su
media, o el i-simo momento central de Y, se define como E[(Y - )i]
y se denota por i.
En particular, 2 = 2
30
DEFINICIN:
La funcin generadora de momentos m(t) para una v.a. Y se define
como E(etY).
Se dice que una funcin generadora de momentos para Y existe
cuando hay una constante positiva b, tal que m(t) es finita para |t|b
La funcin generadora de momentos posee dos aplicaciones

importantes:
1. Podemos calcular cualquier momento de Y, si podemos encontrar
E(etY), es decir, conocer i.
2. Si m(t) existe para una distribucin de probabilidad p(y), entonces
sta es nica. Es decir, es imposible que variables aleatorias con
diferentes distribuciones de probabilidad tengan la misma
funcin generadora de momentos. Demuestra la equivalencia de
dos distribuciones de probabilidad.
31
Por qu se llama a E(etY) la funcin generadora de momentos de Y?
La expansin de series de etY nos da: e ty

= 1 + ty +
(ty ) (ty ) (ty )
2
+
3
+
4
+L
2! 3! 4!
Considerando, que i es finito, i = 1, 2, 3, , se tiene que:
Ee( )tY

= e p( y ) = 1 + ty +
ty (ty ) (ty ) (ty )
2
+
3
+
4

+ L p( y )
y y 2! 3! 4!
( )
2 3
t t
E e tY = p( y ) + t yp( y ) + y 2 p( y ) + y 3 p( y ) + L
y y 2! y 3! y
Ee( )tY t2
2!
t3
= 1 + t '1 + ' 2 + '3 + L
3!
32
Ee( )tY t2
2!
t3
= 1 + t '1 + ' 2 + '3 + L
3!
Esto es, E(etY) es una funcin de todos los momentos con respecto al
origen, i , i = 1, 2, 3, , en donde i es el coeficiente de ti / i!
TEOREMA:
Si existe m(t), entonces para cualquier valor entero positivo de k,
d k m(t )
= m (0 ) = ' k
(k )
k
dt t = 0
33
Ejemplo 2.16:
Conociendo la funcin generadora de momentos de una variable aleatoria
de Poisson, encontrar los valores de y de 2.
Distribucin de probabilidad de Poisson:

) ),
= y=0, 1, 2,
!

E(Y) = y V(Y) =
* + = )(, - .)
34
SEALES BLOQUE II:
Aleatorios
35
FUNCIONES GENERADORAS DE PROBABILIDADES:

Se utilizan para encontrar las distribuciones de probabilidad y otras
propiedades de variables aleatorias de valores enteros (n de cajas
registradoras, diseo de hospitales, n de personas, )
DEFINICIN:
Sea Y una variable aleatoria de valores enteros para la que
P(Y=i) = pi, i = 0, 1, 2,
La funcin generadora de probabilidades P(t) de Y est definida
como:
( )
P (t ) = E t Y = p0 + p1t + p2t 2 + p3t 3 + L
para todos los valores finitos de t, tal que P(t) sea finito.
36
La derivacin sucesiva de P(t) nos proporciona los momentos

factoriales de la variable aleatoria Y.
DEFINICIN:
El K-simo momento factorial de una variable aleatoria Y est
definido como:
[ K ] = E [Y (Y 1)(Y 2)L (Y K + 1)]
donde k es un entero positivo.
Ntese que [1] = E(Y) = y que [2] = E[Y(Y-1)] puede ser til en el
clculo de la varianza.
37
TEOREMA:
d K P (t )
= P (1) = [ K ]
(K )
K
dt t =1
Puede resultarnos muy difcil obtener la expresin m(t), pero fcil el

clculo de P(t). As P(t) nos da una tcnica adicional para encontrar
los momentos de una variable aleatoria.
Aunque su verdadera aplicacin consiste en obtener la funcin de

probabilidad (y, por lo tanto, la distribucin de probabilidad) de otras
variables aleatorias relacionadas de valores enteros.
38
Ejemplo 2.17:
Encuentra la funcin generadora de probabilidades para la variable
aleatoria geomtrica.
Obtener la media de la variable aleatoria geomtrica utilizando la funcin
generadora de probabilidades.
Distribucin de probabilidad de Geomtrica:
=1 . , y = 1, 2, 3, 0p1
q = (1 - p)
1 1
6 7 = 8 7 = 9
:, -
m + =. ;, - 39
SEALES BLOQUE II:

Aleatorios
40
TEOREMA DE TCHEBYSHEFF:
Se puede utilizar para obtener un lmite inferior de la probabilidad de
que la variable aleatoria de inters Y caiga en un intervalo de la forma
k
TEOREMA:
Sea Y una variable aleatoria con una media finita y varianza 2.
Entonces, para cualquier constante positiva k,
P (Y < k ) 1
1
k2

P (Y k )
1
k2
41
Este resultado tiene dos aspectos importantes:
1. Se puede utilizar el resultado para cualquier distribucin de

probabilidad.
2. Los resultados del teorema son muy conservadores, en el

sentido de que la probabilidad real de que Y est en el
intervalo k generalmente excede por mucho el lmite
inferior de probabilidad (1 - 1/k2)
42
Ejemplo 2.18:
Se ha observado durante un largo periodo el nmero de clientes por da, Y,
que acuden a cierto mostrador y se encontr que su media es de 20 clientes
con una desviacin estndar de dos clientes. No se conoce la distribucin de
probabilidad de Y.
Qu puede decirse de la probabilidad de que el nmero de clientes que
acudan maana al mostrador est entre ms de 16 y menos de 24?
43
Para concluir, vamos a relacionar esta unidad temtica con el

Objetivo de la Estadstica:
Hacer inferencias sobre una poblacin, basadas en la informacin de

una muestra. La muestra es un conjunto de mediciones de una o ms
variables aleatorias, y el evento observado es el resultado de una sola
realizacin del experimento.
Y el hecho de hacer inferencias sobre una poblacin, requiere el

conocimiento de la probabilidad de la muestra observada, que como
base necesita, a su vez, del conocimiento de las distribuciones de
probabilidad de las variables aleatorias que generan la muestra.
44
SEALES BLOQUE II:
Vectores
45
SEALES ALEATORIAS 2.3 Variables Aleatorias Continuas
Ejemplo 2.19:
* La precipitacin pluvial diaria en cierto punto geogrfico.
Con un equipo de medicin de perfecta exactitud podramos asociar a cada
posible cantidad de lluvia un punto nico en un intervalo.
* La produccin de un antibitico en un proceso de fermentacin.
* La duracin de una lavadora.
El intervalo sobre el que se definen estas variables aleatorias es la parte

positiva de la lnea de los nmeros reales.
+
El tipo de variable aleatoria que toma cualquier valor en un intervalo
se llama CONTINUA.
46
SEALES BLOQUE II:
Unidades Temticas
Vectores
2.3. Variables Aleatorias Continuas: Aleatorios
2.3.d. Teorema de Tchebysheff.
2.3.e. Valores esperados de f discontinuas y Distr. Probabilidad Mixtas.
47
La distribucin de probabilidad de una v.a. discreta se obtiene

asignando una probabilidad positiva a cada uno de los posibles
valores y la suma de las probabilidades asignadas deben ser igual a 1.
Con las v.a. continuas no se puede establecer de igual manera.

Es matemticamente imposible asignar probabilidades diferentes de
cero a todos los puntos de un intervalo real y al mismo tiempo
satisfacer el requisito de que la suma de las probabilidades de los
distintos valores posibles sea 1.
DEFINICIN:
Sea Y cualquier variable aleatoria. La FUNCIN DE DISTRIBUCIN de
Y, denotada por F(y), est dada por:
F(y) = P(Y y), - < y <
48
Ejemplo 2.20:
Sea Y una v.a. discreta con la siguiente distribucin de probabilidad
y 2 y
(Binomial n=2 y p=1/2): 2 1 1
p ( y ) =
y 2 2
p(0) = 1/4; p(1)=1/2 y p(2)=1/4
y = 0 ,1, 2
Entonces, utilizando la definicin anterior F(y) = P(Y y) tendramos:
0 para y<0
1 / 4 Por ejemplo,
para 0 y < 1
F ( y ) = P (Y y ) = F(1.5) = P(Y 1.5) = P(Y 1) =
3 / 4 para 1 y < 2 = P(Y=0) + P(Y=1)
1 para y2 =+=
F(y) se representa grficamente como:
49
Las funciones de distribucin de v.a. discretas siempre son

FUNCIONES ESCALONADAS, puesto que la funcin de distribucin
acumulada slo se incrementa en un nmero de puntos numerables.
PROPIEDADES DE LA FUNCIN DE DISTRIBUCIN F(y):
P(Y -) = F(-) = 0 lim F ( y ) =F ( ) = 0

y
P(Y ) = F() = 1 lim F ( y ) =F ( ) = 1

y
Funcin montona no decreciente continua por la derecha:

Sea y1 < y2 P(Y y1) P(Y y2); es decir, F(y1) F(y2)
50
DEFINICIN:
Sea Y una v.a. con una funcin de distribucin F(y). Se dice que Y es
continua si F(y) es continua para - < y < .
1
F(y2)
F(y)
F(y1)
0
y1 y2 y
Nota:
Para una v.a. continua Y, se tiene que para cualquier nmero real y,
P(Y = y) = 0.
Si no fuera as, tendramos saltos (discontinuidad) en el punto y.
51
DEFINICIN:
Sea F(y) la funcin de distribucin de una v.a. continua Y.
Entonces, f(y), dado por:
dF ( y )
f ( y) = = F ' ( y)
dy
es la funcin de densidad de probabilidad para la v.a. Y, siempre y
cuando exista la derivada.
Nota:
Por lo tanto, F(y) tambin lo podemos escribir como:
y
F ( y) = f (t )dt

52
f(y)
F(y0)
y0 y
PROPIEDADES DE LA FUNCIN DE DENSIDAD f(y):
f(y) 0 para cualquier valor de y.

f ( y )dy = 1
53

Ejemplo 2.21:
Sea F(y): 0, si y<0

F ( y ) = y, si 0 y 1
1, si y >1

Obtener y graficar la funcin de densidad de probabilidad para y.
Ejemplo 2.22:
Sea Y una v.a. continua con la funcin de densidad de probabilidad f(y) dada
por:
3 y 2 , si 0 y 1
f ( y) =
0, en cualquier otro punto
Encontrar F(y) y graficar f(y) y F(y).

54
La probabilidad de que Y se localice en un intervalo [a, b] est dada

por:
b
P (a Y b) = f ( y )dy
a
en donde f(y) es la funcin de densidad de probabilidad para Y.
Nota:
P (a < Y b ) = P (Y b) P (Y a )
Pero como, P(Y = a) = 0

P(a Y b) = P(a < Y b)
55

Ejemplo 2.23:
Dada f(y) :
cy 2 , si 0 y 2
f ( y) =
0,
a. Encuentra el valor de c para el que f(y) es una funcin de densidad

vlida.
b. Cul es la P(1 Y 2)?
56
PRINCIPALES DISTRIBUCIONES DE PROBABILIDAD:
UNIFORME (a, b): La v.a. slo puede tomar valores comprendidos

entre dos extremos a y b, de manera que todos los intervalos de
una misma longitud (dentro de (a, b)) tienen la misma
probabilidad.
a b
Ejemplo 2.24:
El precio medio del litro de gasoil durante el prximo ao se estima
que puede oscilar entre 1,10 y 1,20 . Qu probabilidad existe que se
encuentre entre 1,10 y 1,11? Y entre 1,12 y 1,13?
57
NORMAL (, ): Es la que con mayor frecuencia aparece aproximada

en fenmenos reales. La grfica de su funcin de densidad tiene
una forma acampanada y es simtrica respecto de un
determinado parmetro estadstico.
Ejemplo 2.25:
Una empresa instala en una ciudad 20.000 bombillas para su
iluminacin. La duracin de una bombilla sigue una distribucin
normal con media 302 das y desviacin tpica 40 das. Cuntas
bombillas es de esperar que se fundan antes de 365 das?
58
GAMMA ( , ): Se utiliza para variables con valores no negativos y

son funciones sesgadas (asimtricas) a la derecha.
Ejemplo 2.26:
En cierta ciudad el consumo diario de energa elctrica, en millones
de KW/hora, puede considerarse como una variable aleatoria con
distribucin GAMMA de parmetros = 3 y = 0.5.
La planta de energa de esta ciudad tiene una capacidad diaria de 10
millones de KW/hora, Cul es la probabilidad de que este
abastecimientos sea insuficiente en un da cualquiera?. 59
BETA (, ): Se utiliza para variables que toman valores en el

intervalo [0,1], lo que la hace muy apropiada para modelar
proporciones.

Ejemplo 2.27:
En el presupuesto familiar, la porcin que se dedica a salud sigue una
distribucin Beta(2,2).
Cul es la probabilidad de que se gaste ms del 25% del presupuesto
familiar en salud? Cul ser el porcentaje medio que las familias
dedican a la compra de productos y servicios de salud? 60
SEALES BLOQUE II:
Unidades Temticas
Vectores
61
ESPERANZA MATEMTICA (Valor Esperado) de una v.a. continua:

DEFINICIN:
Sea Y una v.a. continua con funcin de densidad f(y). Entonces, el
VALOR ESPERADO de Y, E(Y), est definido por:
E(Y ) = yf ( y)dy

Nota:
Para ser exactos, el valor esperado de una v.a. continua existe si:

y f ( y)dy <
Se cumple para todo el temario de la asignatura .
62
Ejemplo 2.28:
Encuentra el valor esperado de la v.a. tipo Gamma(, ).
Funcin de densidad de probabilidad para una v.a. gamma :
1 y
y e
f ( y) = , , > 0 0 y
( )

La cantidad ( ) se conoce como la funcin gamma :

(1) = 1, si =1

( ) = y 1e y dy = ( ) = ( 1)( 1), si 1
( n) = (n 1)!
0
si n = n entero

63
DEFINICIN:
Sea g(Y) una funcin de una v.a. continua Y, que tiene una funcin de
densidad f(y). Entonces, el VALOR ESPERADO de g(Y) est definido
por:
E[g(Y )] = g( y) f ( y)dy

siempre que exista la integral.
64
TEOREMA:
Sea c una constante. Entonces, E[c] = c
TEOREMA:
Sea g(Y) una funcin de una v.a. continua Y y sea c una constante.
E[cg(Y )] = cE[g(Y )]
Entonces,
TEOREMA:
Sean g1(Y), g2(Y), , gk(Y) funciones de la v.a. continua Y. Entonces,
E[g1 (Y ) + g2 (Y ) + L+ gk (Y )] = E[g1 (Y )] + E[g2 (Y )] + L+ E[gk (Y )]

65
DEFINICIN:
La VARIANZA de una v.a. continua Y, est definida como el valor
esperado de (Y - )2. Es decir,
[ 2
]
V (Y ) = 2 = E (Y ) = E(Y ) 2 = E(Y ) [E(Y )]
2 2 2
La DESVIACIN ESTNDAR de Y es la raz cuadrada positiva de V(Y)
66
Ejemplo 2.29:
Encuentra la varianza de la v.a. tipo Gamma(, ).
Funcin de densidad de probabilidad para una v.a. gamma :
1 y
y e
f ( y) = , , > 0 0 y
( )

La cantidad ( ) se conoce como la funcin gamma :

(1) = 1, si =1

( ) = y 1e y dy = ( ) = ( 1)( 1), si 1
( n) = (n 1)!
0
si n = n entero

67
SEALES BLOQUE II:

Unidades Temticas
Vectores
68
MOMENTOS Y FUNCIONES GENERADORAS DE MOMENTOS:

Los momentos con respecto al origen de v.a. continuas estn dados
por:
' k = E (Y k ), k = 1, 2, L
para k = 1, 1 =
Los momentos con respeto a la media, o momentos centrales,

tambin estn dados por:
[ ]
k = E (Y )k , k = 1, 2, L
para k = 2, 2 = 2
69
Ejemplo 2.30:
Encuentra k para la v.a. uniforme con a = 0 y b = .
Funcin de densidad de probabilidad para una v.a. uniforme :
1
, a yb
f ( y) = b a
70
DEFINICIN:
La funcin generadora de momentos m(t) para una v.a. continua Y se
define por E(etY).
Ee( )tY

ty

= e f ( y )dy = 1 + ty +
(ty ) (ty ) (ty )
2
+
3
+
4

+ L f ( y )dy
2! 3! 4!

( )
2 3
t t
E e tY = f ( y )dy + t yf ( y )dy + y 2 f ( y )dy + y 3 f ( y )dy + L
2! 3!
( )
E e tY
t2 t3
= 1 + t '1 + ' 2 + '3 + L
2! 3!
Observa que la funcin generadora de momentos es igual para v.a.

discretas como continuas, t2 t3
m(t ) = 1 + t '1 + ' 2 + '3 + L
2! 3!
71
TEOREMA:
Si existe m(t), entonces para cualquier valor entero positivo de k,
d k m(t )
= m (0 ) = ' k
(k )
k
dt t = 0
TEOREMA:
Sea g(Y) una funcin unidimensional de una v.a. Y con funcin de
densidad f(y). Entonces, la funcin generadora de momentos para
g(Y) es:
Ee [ tg (Y )
]=

etg( y ) f ( y)dy
72
SEALES BLOQUE II:
Unidades Temticas
Vectores
73
TEOREMA DE TCHEBYSHEFF:
Se puede utilizar para obtener un lmite inferior de la probabilidad de
que la variable aleatoria de inters Y caiga en un intervalo de la forma
k
TEOREMA:
Sea Y una v.a. continua con una funcin de densidad f(y). Entonces
para cualquier k>0,
P (Y < k ) 1 P (Y k )
1 1

k2 k2
en donde E(Y) = y V(Y) = 2 < .
74
SEALES BLOQUE II:
Unidades Temticas
Vectores
75
Tambin podemos trabajar con funciones que son parcialmente

continuas y parcialmente discretas, son las llamadas Distribuciones
Mixtas.
DEFINICIN:
Supngase que Y tiene la funcin de distribucin mixta:
F(y) = c1F1(y) + (1-c1)F2(y)
Donde,
X1 es una v.a. discreta que tiene la funcin de distribucin F1(y)
X2 es una v.a. continua que tiene la funcin de distribucin F2(y)
c1 es la probabilidad de todos los puntos discretos.
(1 c1) la probabilidad acumulada de las porciones continuas.
Sea g(Y) una funcin de Y.
E[g(Y )] = c1E[g( X1 )] + (1 c1 )E[g( X 2 )]
Entonces:
76
Ejemplo 2.31:
Sea Y la duracin (en cientos de horas) de cierto tipo de componente
electrnico. Estos componentes frecuentemente fallan
inmediatamente despus de aplicarlos en un sistema.
Se ha observado que la probabilidad de un fallo inmediato es 1/4.
Si un componente no falla inmediatamente, la distribucin de su
duracin tiene una funcin de densidad exponencial:
e y , y>0
f ( y) =
a. Encuentra la funcin de distribucin para Y.

b. Calcula P(Y > 10)
77

03 Bloque 2 Variables y Vectores Aleatorios 1

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

03 Bloque 2 Variables y Vectores Aleatorios 1

Hochgeladen von

Copyright:

Verfügbare Formate

SEALES BLOQUE II:

SEALES ALEATORIAS 2.1 Sucesos Numricos y V. Aleatorias

SUCESOS NUMRICOS Y VARIABLES ALEATORIAS

* Un empresario se interesa en el suceso de que las ventas del prximo ao

Como el valor de un suceso numrico vara al repetir el muestreo, a

A cada punto del Espacio Muestral, se le asigna un nmero real que

De esta manera, se ha definido una variable que es una funcin de

Sea Y esta variable, entonces Y = a es el evento numrico que

SEALES ALEATORIAS 2.1 Sucesos Numricos y V. Aleatorias

Dividimos el Espacio Muestral S, en subconjuntos mutuamente

SEALES ALEATORIAS 2.1 Sucesos Numricos y V. Aleatorias

Sea y un valor observado de la variable aleatoria Y.

Y = 0 slo corresponde a un solo punto muestral E4: XX

SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas

En realidad las variables aleatorias discretas representan en la

Entonces Para qu hemos estudiado la teora de la probabilidad si

SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas

Dado que ciertos tipos de variables aleatorias ocurren con mucha

SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas

SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas

PROPIEDADES DE LA DISTRIBUCIN DE PROBABILDAD:

PRINCIPALES DISTRIBUCIONES DE PROBABILIDAD:

BINOMIAL: N de xitos observados en n pruebas realizadas.

SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas

GEOMTRICA: N prueba en la que se produce el primer xito.

HIPERGEOMTRICA: X resultados del tipo A, y (n-x) resultados del

POISSON: N eventos durante cierto perodo de tiempo.

Una vez definida la v.a. discreta y conocidas sus principales

SEALES BLOQUE II:

ESPERANZA MATEMTICA (Valor Esperado) de una v.a. discreta:

SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas

Si p(y) es una caracterizacin exacta de la distribucin de frecuencias

Visualmente se observa como la media se encuentra en y=1.

Calculando el promedio de los 4 millones de mediciones se obtendra:

y (1,000,000)(0) + (2,000,000)(1) + (1,000,000)(2)

SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas

representa el valor medio de y

SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas

E[g1 (Y ) + g2 (Y ) + L+ gk (Y )] = E[g1 (Y )] + E[g2 (Y )] + L+ E[gk (Y )]

SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas

representa el valor medio de y

SEALES BLOQUE II:

MOMENTOS Y FUNCIONES GENERADORAS DE MOMENTOS:

Por consiguiente, debemos ampliar el conjunto de medidas

En particular, E(Y) = 1= y E(Y2)=2 (utilizado para obtener V(Y))

SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas

Un segundo momento til de una v.a. se toma con respecto a su

La funcin generadora de momentos posee dos aplicaciones

SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas

Por qu se llama a E(etY) la funcin generadora de momentos de Y?

La expansin de series de etY nos da: e ty

SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas

Distribucin de probabilidad de Poisson:

representa el valor medio de y

SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas

FUNCIONES GENERADORAS DE PROBABILIDADES:

La derivacin sucesiva de P(t) nos proporciona los momentos

donde k es un entero positivo.

SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas

Puede resultarnos muy difcil obtener la expresin m(t), pero fcil el

Aunque su verdadera aplicacin consiste en obtener la funcin de

Distribucin de probabilidad de Geomtrica:

SEALES BLOQUE II: