Sie sind auf Seite 1von 90

INTRODUCCION A LA AXIOMTICA

PROBABILISTICA
Introduccin a la axiomtica probabilsticas
Introduccin a las probabilidades
condicionadas
Introduccin a las variable aleatorias
Introduccin a las distribuciones mas usuales
TEORIA DE PROBABILIDADES
TEORA DE PROBABILIDADES:
El estudio axiomtico de los fenmenos aleatorios
EXPERIMENTO ALEATORIO
Es un experimento cuyos resultados no se pueden
determinar a priori
Jugar a la polla gol
Tirar un dado
La vida til de una ampolleta
ESPACIO MUESTRAL Y EVENTOS
ESPACIO MUESTRAL. Es un Conjunto S
Conjunto de todos los posibles resultados de un
experimento aleatorio
Tirar un dado S= ( 1,2,3,4,5,6)
Tirar una moneda dos veces S= {(C,C),(C,S),(S;C);(S,S) }
EVENTO. Es un Subconjunto de E
Subconjunto de un espacio muestral
Tirar un dado : Salga una par E= (2,4,6)
Tirar una moneda 2 veces: Salgan resultados diferentes
E= {(C,S),(S,C)}

OPERACIONES DE CONJUNTOS
1. UNION: El resultados esta en E o en F
2. INTERSECCION: = EF El resultados esta
en E y en F SIMULTANEAMENTE
3. MUTUAMENTE EXCLUYENTE: No
tiene elementos comunes
1. Tirar un dado: E1 = (1,2) E2=(5,6)
4. COMPLEMENTO: El resultado no esta en E
OPERACIONES DE CONJUNTOS

PROBABILIDADES
DADO UN EXPERIMENTO ALEATORIO POR SUS
ESPACIO MUESTRAL S y DE EVENTOS E
La probabilidad de un evento E es un nmero
real asignado a E que satisface las siguientes
axiomas bsicos


3 Para una secuencia de eventos E1.E2, , En
mutuamente excluyentes se cumple


PROPIEDADES
1. Tirar un dado balanceado S=(1,2,3,4,5,6)
1. Todos tienen la misma probabilidad
2. P(S) = 1
1. P(1)=P(2)=P(3)=P(4)=P(5)=P(6)
2. E =(2,4,6)que resulte un par
1. P(E)=
3. Complemento de E P( )=
P(E) + P( ) = 1
PROBABILIDADES

PROBABILIDADES CONDICIONALES
Dado un experimento aleatorio por su espacio
muestral S y su conjunto de eventos A . Si E y
F pertenecen a A . Si ha ocurrido F la
probabilidad de la ocurrencia de E dada la
ocurrencia de F P(E/F) queda dado por
EVENTOS INDEPENDIENTES
1. Dos eventos E y F son independientes si solo
si
2. P(E/F) = P(E) P(F/E) = P(F)
3. MUTUAMENTE EXCLUYENTE EF = 0
p(EF) = 0
DADOS E1, E2, En SON INDEPENDIENTES
SI SOLO SI
FORMULA DE BAYES
PROBABILIDAD TOTAL
Dados mutuamente
independientes y con Dado un
evento E de ese espacio muestral su probabilidad


FORMULA DE BAYES


1) PONDERACION 30%.
Una fabrica conservera mexicana de ajes ( chiles ) envasa 4 variedades de chiles:
serranos, pasilla, habaneros y poblanos. La fbrica consta de tres plantas de produccin 1,
2,y 3. La primera planta produce tres veces ms ajes que la segunda y tercera que
producen lo mismo. En cada cadena se envasas los cuatro tipos de ajes en las siguientes
proporciones.
Serranos Pasilla Habaneros Poblanos
1 10% 30% 50% 10%
2 30% 40% 10% 20%
3 40% 10% 20% 30%

1. Si se toma de la produccin diaria al azar una lata, calcule la probabilidad de que se de
las variedades serrano o pasilla
2. Si se toma una lata al azar y no es pasilla ni proviene de la segunda planta Cul es la
probabilidad de que provenga de la primera plantas y se de la variedad habanero?
3. Si la primera planta produce el 10 % de las conservas defectuosas, la segunda un 20%
y la tercera un 15% y se elige al azar un conserva que resulta defectuosa, Calcule la
probabilidad de que provenga de la tercera planta. Calcule la probabilidad de que esa
conserva defectuosa se pasilla
1. Si se toma de la produccin diaria al azar una lata, calcule la probabilidad de que se de
las variedades serrano o pasilla
Prob de serrano = 3/5 0,1 + 1/5 0,3 + 1/5 0,3 + 1/5 0,4 = 0,20
Prob de Pasilla = 3/5 0,3 + 1/5 0,4 + 1/5 0,1 = 0,28
Prob de Serrano o pasilla = 0,48
1. Si se toma una lata al azar y no es pasilla ni proviene de la segunda planta Cul es la
probabilidad de que provenga de la primera plantas y se de la variedad habanero?
Se puede reformular el problema inicial cambiando el espacio muestral eliminado las
pasilla y la planta 2 . Lo que cambia las probabilidades cono se indica a continuacin
Prob de elegir la 1 planta y la probabilidad de elegir la 2 es Si se elige la primera
la probabilidad de que se aun Habanero es 0,5/0,7 = 0,7143 Pore lo tanto la
probabilidad de elegir la 1 planta y un habanera en este caso ser 0,75( 0,7143)
=0,5357 Tambin se puede resolver por Bayes
1. Si la primera planta produce el 10 % de las conservas defectuosas, la segunda un 20%
y la tercera un 15% y se elige al azar un conserva que resulta defectuosa, Calcule la
probabilidad de que provenga de la tercera planta. Calcule la probabilidad de que esa
conserva defectuosa se pasilla
D= defectuoso P(D/1) = 0,1 P(D/2) =0,2 P(D/3)= 0,15
P(3/D) = P(3) P(D/3)/P(D) = 0,03/ 0,13 = 0,23
P(D/3) = 0,23 0,1 = 0,023
2. Se tiene 20 dados equilibrados , cada cara tiene la misma probabilidad de ocurrir
y 2 dados cargados tales que la cara numero 6 tiene el doble de probabilidad de
ocurrir que sus otras caras. Se lanza un dado al azar y resulta un 6. Cul es la
probabilidad que 6 provenga de una dado cargado?


Solucin : Dados Normales = N
Dados Cargados = C
Resulte la cara 6 = 6

P(C/6) = [P(C ) P(C/6)]/[ P(C )P/C/6) + P(N)P(N/6)] = [ (1/11) (2/7)]/[( 1/11)(2/7)+
(10/11)(1/6)] = 12/82 = 0,146
VARIABLES ALEATORIAS
Funciones de resultados aleatorios
1. Tirar una moneda 2 veces : {(C,C),(C,S),
(S,C),(S,S)}
2. Sea X = Nmero de cara en dos tiradas
(S,S) : X= 0
(C,S) , (S,C) : X = 1
(C,C) : X = 2

Funcin que asigna a cada punto del espacio
muestral un nmero real
X : O R
Ejemplo N1: O ={ falla , no falla }

X({ no falla }) = 0
X({ falla }) = 1


Variables Aleatorias
falla
no falla
O
Espacio Muestral
X({falla}) = 1
X({no falla}) = 0
0 1


+
Conjunto
Nmeros
Reales
IR
X : O Rx e
X
-1
(|-, x|) e
Familia de eventos elementales
IR
A cada s e O
le corresponde
exactamente
un valor X(s)
Variables Aleatorias
a b
El espacio R
X
es el conjunto de TODOS los posible valores de X(s).
En cierto sentido podemos considerar Rx como otro espacio muestral
El espacio muestral original induce un espacio muestra Rx asociado a
la Variable Aleatoria X
Luego un evento A en S induce un evento en el espacio muestral R
X
R
X
O
X(s) = b; s e O
X(s) = a
s
i
A
s
k
O
Variables Aleatorias
El concepto de Probabilidad de ocurrencia de
eventos en el espacio muestral O se puede aplicar a
eventos en R
X
.
R
X
X: O R
X
O
X(s) = x
1






0
f : R [0, 1]
f(x)
0 s P(X(s) = x ) = f(x) s 1
s
Funcin de Probabilidad
Variable Aleatoria
X : O R
X
-1
(|-, x|) e
Variable Aleatoria Discreta
Sea Ce (con C _ O) Soporte contable
f : C R C = { c
i
: i e I _ N }

i) f(c
i
) > 0
ii) = 1
Usando la transformacin X

eI i
i
) f(c

Sea X una variable aleatoria.



Si el nmero de posibles valores de X (esto es su R
X
).
- Es finito (contable) o.
- Es contablemente infinito (denumerable).
Entonces llamamos a X una variable aleatoria discreta.

Esto es, los posibles valores de X pueden ser listados.
X
1
, x
2
, x
3
, ...., x
n
, .....

- En el caso contable la lista es finita.
- En el caso denumerable la lista es infinita contable
Variable Aleatoria Discreta
Sea C e

X: C


tal que
i) p(c
i
) = Pr(c
i
)> 0



X(c
i
) = x
i

P(A) =

IR

} {


e e
=
=
I
A C c i i i
i
i
x
X
P
:
i ) (
)
p(c
Conjunto de eventos elementales de una
familia de eventos del espacio muestra; C _ O
X es una funcin definida sobre el Espacio Muestral,
que mapea en el conjunto de los Nmeros Reales los
eventos elementales definidos en C = { c
i
: i e I _ N }
En algunos textos se utiliza la letra f
para acentuar que la variable aleatoria
discreta es una fucin
Sea A el evento tal los eventos elementales c
i
eC pertnezcan tambin a A,
esto es c
i
e C A. Usando la transformacin X
Variable Aleatoria Discreta
x
P(X=5) = f(5) Funcin de Probabilidad de masa
Funcin de Frecuencia
x
1
x
2
x
3
x
4
x
5
x
6
x
n
f(x
i
)
Los f(x
i
) deben satisfacer
0 s f(x
i
) s 1; i = 1, 2, 3, ... , n
E f(x
i
) = 1
El conjunto de pares (xi, f(xi)) se le
denomina Funcin de Probabilidad
o Cuantia.
A cada resultado posible x
i
se asocia un nmero f(x
i
) = P(X(s) = x
i
)
llamado la probabilidad de x
i
i
Funcin de Probabilidad v.a. Discreta
X(c
i
) = x
i
P(A) =

Propiedades funcin de cuantia:
1. P ( X = x
i
) > 0
2. P ( X = x
i
) = 1

3. Funcin de Distribucin:
F(x) = P ( X = x
i
) = f ( x
i
)
} {

e e
= =
I A C c i j i
i
i
x x P
:
j
) ( ) f(c
x
i
sx x
i
sx
i
Esperanza de una v.a. X
| |

= =
i
i i
x X P x X E ) (
Varianza de una v.a. X
| | | |

= =
i
i i
x X P X E x X V ) ( ) (
2
1. Distribucin Bernoulli

X : O R

P(X()=0) = 1 p
P(X()=1) = p

E |X| = 0 ( 1 - p ) + 1 * p = p
V |X| = ( 0 - p )
2
( 1 - p ) + ( 1 - p )
2
p = p ( 1 -
p )
Distribuciones Discretas Especiales
Consideremos un solo experimento c
sea A un evento asociado con tal experimento.
supongamos que P(A) = p; luego P(A
c
) = 1- p
P(X = 1) = p
P(X = 0) = 1 p
f(x) = P(X =x) = p
x
(1 p)
1-x
X = 0, 1
0 < p < 1
Entonces su funcin de
cuanta es
0
0 1
p = 0,7
x
f(x)
Sea la v.a. X(A ) = 1
X(A
c
) = 0

Funcin de Distribucin v.a. Discreta
2. Distribucin Binomial

Supongamos que de una lnea de
produccin se extraen n piezas con
reemplazo, las cuales pueden ser
defectuosas o no con una probabilidad
p.
X: N de piezas defectuosas en las n
extracciones

Entonces

k = 0, 1, 2,......,n
k n k
p p
k
n
k X P

|
|
.
|

\
|
= = ) 1 ( ) (
Distribuciones Discretas Especiales
E |X| = np
V |X| = np (1-p)

Notacin: X ~ B( n , p )

Se utiliza en el muestreo de una
poblacin finita con reemplazo.
Tambin cuando la poblacin es muy
grande, con o sin reemplazo, ya que p
se hace relativamente constante.
x
n
Sean n repeticiones independientes del experimento
O consiste de todos los posibles secuencias { a
1
, a
2
, a
3
, .., a
n
},
donde cada a
i
puede ser un evento A o un evento A
c
.
Existen 2
n
de tales secuencias

Sea la variable aleatoria
X := nmero de veces que
ocurre el evento A
sus posibles valores son:
0, 1, 2, 3 , ....., n

f(x) = P(X = x) = p
x
(1 p)
n-x

x = 0, 1, 2,......,n
0 < p < 1
0,000
0,100
0,200
0,300
0 1 2 3 4 5 6 7 8 9
n = 16
p = 0,2
x
f(x)
Funcin de Distribucin v.a. Discreta
3. Distribucin Hipergeomtrica

Surge en poblaciones que contienen
elementos clasificables en 2 estratos ( con
defectos: D ; sin defectos: N - D ).

Consideremos un lote de tamao N. Se
extrae una muestra de tamao n sin
reemplazo.

X: N de artculos defectuosos en la
muestra

Distribuciones Discretas Especiales
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
= =
n
N
k n
D N
k
D
k X P ) (
k =0,1,2,.....,min{ n , D }




Es aplicable al muestrear lotes de tamao
pequeo en relacin al tamao de la
muestra ( N s 10 n ).
| |
N
D
n X E = | |
) 1 (
) )( (
2


=
N N
n N D N D
n X V
4. Distribucin de Poisson

Supongamos que tenemos una muestra de
tamao grande, para lo cual la
probabilidad de encontrar un artculo
defectuoso es pequeo p, y por lo tanto
np el nmero total de artculos
defectuosos en la muestra. Sea = np.

Entonces

k = 0, 1, 2,.......
!
) (
k
e
k X P
k


= =
Distribuciones Discretas Especiales
E |X| =
V |X| =

Caso lmite: X ~ B( n , p )




con n p ~ 0
{ } n
k I
n n k
n
k X P
k n k
, , . . . . 2 , 1 , 0
) ( 1 ) (

|
.
|

\
|

|
.
|

\
|
|
|
.
|

\
|
= =

) (
!
) ( k I e
k
k X P
k


= =
N
0

Se define una v.a. X igual al nmero de piezas defectuosas;
luego, X = { 0, 1, 2, 3). Encontrar (x
i
, f(x
i
))
Las piezas a la salida de una lnea de produccin se clasifican
en defectuosas (D) o no defectuosas (N).
Se toma tres piezas aleatoriamente y se clasifican de acuerdo
a este esquema. El O para este experimento es:
O = {NNN, NND, NDN, DNN, NDD, DND, DDN, DDD}
La probabilidad que una pieza sea defectuosa es p y no
cambia. Eso implica que si la poblacin es finita, las
observaciones se hacen con reemplazo
Interesa el nmero de piezas D y no el orden en que salen.
Cronstruccin de un Modelo Probabilstico
O = {NNN, NND, NDN, DNN, NDD, DND, DDN, DDD}
x
f(x)
0
(1-p)
3
0
0,1
0,2
0,3
0,4
0,5
2
3(1-p)

p
2
3
p
3
1
X(NND)= 1
X(NDN)= 1
X(DNN)= 1
3(1-p)
2
p
3 P(N) P(N) P(D)
Creando un Modelo Probabilstico
x
1












0
F(x)
x
1
x
2
x
3
x
4
x
5
x
6
xn
P(X=x
5
) = f(x
5
) Funcin de Probabilidad de masa
Funcin de Frecuencia
F(x) = 0 x

< x
1

= E f( x
i
) x
1
s x < x
2
1
i = 1
= E f( x
i
) x
2
s x < x
3
2
i = 1
= E f( x
i
) x
3
s x < x
4
3
i = 1
= E f( x
i
) x
4
s x < x
5
4
i = 1
Funcin de Distribucin v.a. Discreta
Cuando el experimento c se realiza sobre un espacio muestral
O que est relacionado con escalas intevalares (tales como
mediciones de distancias, volmenes, pesos, tiempos, velocidad, voltajes,
intensidad, caudal, temperatura etc.)

Ya que los posibles valores de X en un intervalo, a < x < b,
son infinitos - no enumerables - no podemos hablar del
i-simo valor de X = x
i
; En tales casos se habla se Variables
Aleatorias Continuas, donde R
x
es un intervalo o un conjunto
de intervalos; entonces existe una funcin continua especial

f:


f(x) = lim
h 0
> 0

P(x < X < x + h)
h

R

R
Variables Aleatorias Continuas
f(x)
x
f(x) > 0;
Sea X una variable
aleatoria continua. La
funcin densidad de
probabilidad (pdf) es
una funcin que
satisface:
x e R
x
e , +
}
f(x) dx = 1
R
x
a b
}
=
b
a
dx x
P(A) = P(a < x < b)
) (
f
A: un evento
A: { x| a < x s b)
Variables Aleatorias Continuas
Estn definidas por una densidad de v. a. X

f : R R se dice densidad de probabilidad

Propiedades:

1. f (x) > 0

2.
}

=
-
1 )d f( x x
Distribuciones de Probabilidad Continuas
}

= s =
x
dt t x X P x F ) ( f ) ( ) (
Observaciones
1.

2.

3. F (-) = 0 ; F () = 1

4. F
x
es no decreciente

5.


6.
}
= s s
b
a
dx x b x a P ) ( f ) (
| |
}
=
R |
) ( f dx x x X E
| | | |
}
=
R
dx x f X E x X V ) ( ) (
2
a b
}
=
b
a
dx x f A ) (
f(x)
x
Si X es una variable aleatoria, la Funcin de Distribucin Acumulada
mide la probabilidad de un suceso en un intervalo de valores:

F(x) = P(X s x)
Si X es una v.a. Continua


F(x) = f(t) dt

Donde la sumatoria es
reemplazada por una
integracin para todos los
valores de t s x
}
x
-
Si X es una v.a. Continua
Si X es una v.a. Discreta

F(x) = f(x
i
)


Donde la suma es
tomada sobre todos los
ndices i que satifacen
x
i
s x
E
i - x
i
s x
Si X es una v.a. Discreta
Funcin de Distribucin Acumulada
II) Sea F : R R , F
u
Distribucin, entonces:

i) F es no decreciente
ii) F es continua por la derecha
iii) lim F(x) = 0 . lim F(x) = 1
Luego P(| - , x |) = F(x) define una
Probabilidad
Adems: P( |a,b| ) = F(b) - F(a)
P( |a,b| ) = F(b) - F(a
-
)
P( |a,b| ) = F(b
-
) - F(a)
P( |a,b| ) = F(b
-
) - F(a
-
)
Construccin de Modelos de Probabilidad
Si X es una variable aleatoria, la Funcin de Distribucin Acumulada
mide la probabilidad de un suceso en un intervalo de valores:

F(x) = P(X s x)
Si X es una v.a. Continua


F(x) = f(t) dt

Donde la sumatoria es
reemplazada por una
integracin para todos los
valores de t s x
}
x
-
Si X es una v.a. Continua
Si X es una v.a. Discreta

F(x) = f(x
i
)


Donde la suma es
tomada sobre todos los
ndices i que satifacen
x
i
s x
E
i - x
i
s x
Si X es una v.a. Discreta
Funcin de Distribucin Acumulada
a b
x f

=
1
) (
a s x s b
min mx

0,0
0,1
0,2
2 3 4 5 6 7 8 9 10 11 12
a b
f(x)
x
Sea X una variable aleatoria
continua que puede tomar
cuarquier valor entre a s x s b;
cuya pdf es:
Sea a = 3; b = 12

A: el evento { 4 < x < 7 }

Entonces:
}
=
7
4
dx
P(A) = P(4 < x < 7)
9
1
P(A) =
1
3
Variables Aleatorias Continuas
1. Distribucin Uniforme: Dada la funcin de
densidad


La funcin de Distribucin es
b x a
a b
x f < <

=
1
) (
b x
b x a
a b
a x
a x
x F
>
< <

s
=
1
0
) (
Distribuciones Continuas Especiales
Notacin: X ~ U( a , b )
| |
2
b a
X E
+
=
| |
12
) (
2
a b
X V

=
2. Distribucin Normal









F(x) : No tiene expresin analtica
R x e x f
x
e =
|
.
|

\
|

, ) (
2
2
1
2
1
o

o t
Distribuciones Continuas Especiales
Notacin: X ~ N( , o
2
)
| | = X E
| |
2
o = X V
Estandarizacin
Haciendo
~ N( 0 , 1 )

se tiene que:


y F
Z
(z) se obtiene de tablas !
o

=
X
Z
R z e z f
z
z
e =

, ) (
2
2
1
2
1
t
3. Distribucin Rayleigh
0 ) (
2
2
2
2
> =

x si e
x
x f
x
X
o
o
0 1 ) (
2
2
2
> =

x e x F
x
X
o
| |
2
2t o
= X E
| |
2
)
2
2 ( o
t
= X V
Distribuciones Continuas Especiales
4. Distribucin Gamma
) (
) (
) , , (
1
x I
e x
x f
R
x
X +
I
=

o
| o
| o
| o
}

= s =
x
X
dt t f x X P x F ) , , ( ) ( ) ( | o
| | o| = X E | |
2
o| = X V
Distribuciones Continuas Especiales
Funcin Densidad de Probabilidades
5. Distribucin Chi-Cuadrado
Evaluando en Gamma




Se llega a que X ~ _
2
(n) I ( n/2 , 2 )
) (
2 )
2
(
) 2 ,
2
, (
2
2
1
2
x I
n
e x n
x f
R
n
x n
X +
I
= = =

| o
| | n X E = | | n X V 2 =
Distribuciones Continuas Especiales
6. Distribucin Beta

X ~ | ( r , s ) ssi
| |
) ( ) (
) ( ) (
) (
) , , (
,
x I x x
s r
s r
s r x f
s r
X 1 0
1 1
1

I I
+ I
=
}

=
1
0
1 1
1 dx x x s r
s r
) ( ) , ( |
}


> = I
0
1
0 n dy e y n
y n
) (
Distribuciones Continuas Especiales
) (
) ( ) (
) , (
s r
s r
s r
+ I
I I
= |
| |
s r
r
X E
+
=
| |
) ( ) ( 1
2
+ + +
=
s r s r
rs
X V
| |
) ( ) (
) ( ) (
u s r r
u r s r
X E
+ + I I
+ I + I
=

}

= s =
x
X
du s r u f x X P x F ) , , ( ) ( ) (
Funcin Densidad de Probabilidades
DISTRIBUCIONES CONJUNTAS
Interesa la distribucin simultanea de dos
variables aleatorias X e Y
A y B lanzan monedas dos veces Si X = nmero
de caras de A y Y= numero de caras de B .
Nos puede interesar P( X Y)
p(x,y) = P(X=x, Y=y)
Densidad de Masas de probabilidades
marginales de p(x,y)
Distribuciones marginales Continuas
f(x,y)
Distribucin Cumulativa de 2 variables
X e Y F(x,y)
FUNCIONES GENERADORAS DE
MOMENTOS
Valores esperados Conjuntos
VARIABLES INDEPENDIENTES
X e Y son independientes si solo si
COVARIANZA de X e Y
Propiedades de covarianzas
independencia :
Independencia de X e Y
Propiedades
SUMA DE VARIABLES
INDEPENDIENTES
SUMA DE VARIABLES DEPENDIENTES
Z = Xi
E(Z) = E(Xi)

VAR (Z) = VAR Xi
= VAR Xi + COV(Xi,Xj)
= VAR Xi + 2 COV(Xi,Xj)
i j
Ejemplo
Una partida de n alumnos deja su carnet a
la entrada de una actividad cultural y al salir lo
deben escoger al azar desde una nfora no
trasparente.
Cul ser el valor esperado y varianza del
nmero de persona que hacen un match,
(escogen exactamente su carnet )?

Solucin
Sea X = nmero de personas que retiran
exactamente su carnet E(X) y VAR(X)?
Z
i
= variable binaria
1= la persona i escoge su carnet
0= si escoge un carnet equivocado
X= Z
i

E(X) = E(Z
i
) E(Z
i
) = P(Z
i
= 1) = 1/n
E(X) = n (1/n) = 1
Solucin
VAR(X) = VARZ
i
=

VAR(Zi) + 2 COV (ZiZj)
para todo i < j Hay (n/2) casos = n!/(2! (n-2)!)
Z
i
= Z
i
2
E(Z
i
) = E(Z
i
2
) VAR (Z
I
)= E(Z
I
2
)- E(Z
I
)
2

Zi Zj = {1 SI p(Z
i
=1 Y Z
j
=1) y 0 caso contrario
E(Z
i
Z
j
) = P(Z
i
=1, Z
j
=1) = P(Z
i
=1)P(Z
j
=1/Z
i
=1)
COV(Z
I
Z
J
) = E(Z
i
Z
j
) E(Z
i
)E(Z
j
)




Solucin
E(Z
i
) = E(Z
i
2
)= 1/n
VAR(Z
i
Z
j
) = (1/n )(1/(n-1)- (1/n)
2
=(n-1)/n
2
COV(Z
i
Zj) = 1/(n(n-1)) 1/n
2
= 1/(n
2
(n-1))
VAR(ZiZj) = n(n-1)/n2 + 2 (n!/(2! (n-2)!)
1/(n
2
(n-1)) = 1
NO DEPENDE DE n SORPRENDENTE
Inecuaciones importantes
Inecuacin de Markov


Inecuacin de Chebyshev
Ley de los grandes nmeros
Dada la secuencia independiente de variable
aleatorias idnticamente distribuidas X1 , X2
Xn Si E(Xi ) = . Con probabilidad 1 se tendr
Teorema del limite Central
Dada la secuencia de variables aleatorias
independientes idnticamente distribuidas X i
para i =1, 2 n con E(X) = y VAR(X) =
Entonces la distribucin de


Tiende a la normal con media y varianza
Esperanzas condicionales variables discretas
Variable condicional de X/Y

Funcin de distribucin cumulativa
Condicional

Esperanza Condicional
78
Teorema de Esperanzas Totales
Dada la variable condicionada de X dado Y
Z = X/Y
E(Z) = E{E(X/Y)}
La esperanza total es la esperanza de su
esperanzas condicionadas
Esperanzas Condicionales variables
continuas
Funcin de densidad condicional de X/Y


Funcin de distribucin cumulativa
condicional

Esperanzas condicionales de X/Y
Propiedades de la esperanzas
condicionadas
Propiedades
Ejemplo Autoservicio
Un autoservicio de comidas rpida atiende
diariamente . Si la cantidad de clientes diarios
que llegan es una variable aleatoria N de
media E(N) y varianza VAR(N) y si cada uno de
los clientes gasta una cantidad por vista
aleatoria X de media E(X) y varianza VAR(X) .
Cul es la media y la varianza de los ingresos
diarios del autoservicio ?
VALORES ESPERADOS DISCRETOS

VARIANZAS DISCRETAS
VALORES ESPERADOS CONTINUOS
VARIANZAS CONTINUAS
89
90