Beruflich Dokumente
Kultur Dokumente
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
Ejemplo 2.1:
* Un investigador en medicina est interesado en el suceso de que diez
pacientes tratados se curen de una enfermedad.
2
SEALES ALEATORIAS 2.1 Sucesos Numricos y V. Aleatorias
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
SEALES ALEATORIAS 2.1 Sucesos Numricos y V. Aleatorias
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
Ejemplo 2.4:
Calcula las probabilidades para cada valor de Y en el ejemplo 2.3
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
SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas
Ejemplo 2.6:
N de televisores defectuosos en un envo de 100.
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:
ALEATORIAS Variables y
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.
2.3. Variables Aleatorias Continuas.
2.4. Vectores Aleatorios.
2.5. Funcin Caracterstica. Transformada de Laplace.
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
SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas
Ejemplo 2.7:
Distribuciones de probabilidad
3 3
p( y ) =
y 2 y
6
2
y = 0, 1, 2
13
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
SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas
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
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.
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
SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas
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?
17
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
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
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
SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas
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,
!
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
SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas
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,
TEOREMA:
[ ] ( )
V [Y ] = 2 = E (Y ) = E Y 2 2
2
26
SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas
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,
DEFINICIN:
El i-simo momento de una variable aleatoria Y respecto al origen
est definido por E(Yi) y se denota por i.
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.
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
SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas
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
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
SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas
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.
* + = )(, - .)
34
SEALES BLOQUE II:
ALEATORIAS Variables y
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.
2.3. Variables Aleatorias Continuas.
2.4. Vectores Aleatorios.
2.5. Funcin Caracterstica. Transformada de Laplace.
35
2.6. Sucesiones de V.A. Leyes de Grandes Nmeros. Teorema Central de Lmite.
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
SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas
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)]
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
38
SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas
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.
=1 . , y = 1, 2, 3, 0p1
q = (1 - p)
1 1
6 7 = 8 7 = 9
:, -
m + =. ;, - 39
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
42
SEALES ALEATORIAS 2.2 Variables Aleatorias Discretas
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
44
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.
45
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.
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
SEALES ALEATORIAS 2.3 Variables Aleatorias Continuas
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 =+=
49
50
SEALES ALEATORIAS 2.3 Variables Aleatorias Continuas
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
SEALES ALEATORIAS 2.3 Variables Aleatorias Continuas
f(y)
F(y0)
y0 y
53
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
Nota:
P (a < Y b ) = P (Y b) P (Y a )
55
56
SEALES ALEATORIAS 2.3 Variables Aleatorias Continuas
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
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
SEALES ALEATORIAS 2.2 Variables Aleatorias Continuas
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
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:
ALEATORIAS Variables y
Unidades Temticas
Vectores
2.3. Variables Aleatorias Continuas: Aleatorios
2.3.a. Distribucin de Probabilidad.
2.3.b. Esperanza Matemtica y Varianza.
2.3.c. Momentos de orden superior y F Generadora de Momentos.
2.3.d. Teorema de Tchebysheff.
2.3.e. Valores esperados de f discontinuas y Distr. Probabilidad Mixtas.
2.4. Vectores Aleatorios.
2.5. Funcin Caracterstica. Transformada de Laplace.
2.6. Sucesiones de V.A. Leyes de Grandes Nmeros. Teorema Central de Lmite.
61
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
SEALES ALEATORIAS 2.3 Variables Aleatorias Continuas
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
( )
0, en cualquier otro punto
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
SEALES ALEATORIAS 2.3 Variables Aleatorias Continuas
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,
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
66
SEALES ALEATORIAS 2.3 Variables Aleatorias Continuas
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
( )
0, en cualquier otro punto
para k = 1, 1 =
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
0, en cualquier otro punto
70
SEALES ALEATORIAS 2.3 Variables Aleatorias Continuas
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!
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:
ALEATORIAS Variables y
Unidades Temticas
Vectores
2.3. Variables Aleatorias Continuas: Aleatorios
2.3.a. Distribucin de Probabilidad.
2.3.b. Esperanza Matemtica y Varianza.
2.3.c. Momentos de orden superior y F Generadora de Momentos.
2.3.d. Teorema de Tchebysheff.
2.3.e. Valores esperados de f discontinuas y Distr. Probabilidad Mixtas.
2.4. Vectores Aleatorios.
2.5. Funcin Caracterstica. Transformada de Laplace.
2.6. Sucesiones de V.A. Leyes de Grandes Nmeros. Teorema Central de Lmite.
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:
ALEATORIAS Variables y
Unidades Temticas
Vectores
2.3. Variables Aleatorias Continuas: Aleatorios
2.3.a. Distribucin de Probabilidad.
2.3.b. Esperanza Matemtica y Varianza.
2.3.c. Momentos de orden superior y F Generadora de Momentos.
2.3.d. Teorema de Tchebysheff.
2.3.e. Valores esperados de f discontinuas y Distr. Probabilidad Mixtas.
2.4. Vectores Aleatorios.
2.5. Funcin Caracterstica. Transformada de Laplace.
2.6. Sucesiones de V.A. Leyes de Grandes Nmeros. Teorema Central de Lmite.
75
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
SEALES ALEATORIAS 2.3 Variables Aleatorias Continuas
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) =
0, en cualquier otro punto
77