Beruflich Dokumente
Kultur Dokumente
Ejemplo.
Consideremos el experimento aleatorio de Lanzar una moneda tres veces. El
espacio muestral , es el conjunto formado por los siguientes puntos mustrales:
= {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}
Supongamos ahora que solo nos interesa l nmero de caras que salen, de
manera que los sucesos:
CCS, CSC, SCC pueden considerarse equivalentes, tambin los sucesos:
CSS, SCS, SSC se consideran equivalentes;
podemos introducir una funcin X definida sobre el espacio muestral de tal
manera que:
X(CCC) = 3
X(SSS) = 0
En smbolos se tiene:
X:
{0, 1, 2, 3}
X(w)
Tenemos as, un nuevo conjunto R={0, 1, 2, 3}, ahora formado por nmeros
reales, a c/u de los cuales le corresponde una probabilidad de la siguiente manera:
P[{3}] = P[CCC] = 1/8
y el Rango de la va X es un
subconjunto de valores reales R
denotado por
Rx
X + Y es va.
KX es va.
XY es va.
X/Y es va.
a X .es.va.
i 1
X1 ,
X2 ,
X3
X f(X1 ) , f ( X 2 ) , f ( X 3 )
Xk
Recorrido de la variable.
b) f(x) = 1.
Resumen: Para construir una funcin de probabilidad se siguen los siguientes pasos:
1) Anote todos los puntos mustrales para su experimento.
2) Anote todos los posibles valores de la variable aleatoria discreta: x1, x2,
x3,.....xk con sus probabilidades asociadas: f(x1), f(x2), f(x3),.....f(xk).
k
3 )
Verificar si
f (x
i 1
P[ X
i 1
x i ] 1.
x
15
x2
b ). f ( x )
50
Solucin:
x
, entonces para los valores de X 0,1,2,3,4,5 se tiene que :
15
P(x = 0) = 0/15 = 0
P(x = 1) = 1/15
P(x = 2) = 2/15
a ) si f ( x )
P(x = 3) = 3/15
P(x = 4) = 4/15
P(x = 5) = 5/15
0
0
1
1/15
2
2/15
3
3/15
4
4/15
5
5/15
P(x=2) = 4/50
P(x=5) = 25/50
Probabilidades P[X = x]
1/50
2
4/50
9/50
16/50
25/50
productos defectuosos
4
productos no defectuosos
T O TAL
6 productos, de los cuales se eligen para revisar 3 productos
(muestra n = 3 )
1, 2, 3
(recorrido de la variable),
a)
b)
luego:
X: 1, 2, 3.
X:
f(X) :
1
3
7
2
3
3
1
7
va. X:
f(X):
1
3/7
2
3/7
3
1/7
3
f ( x) 7
1
7
0
para
x 1
para
x2
para
x3
C44C06 C44
1
P( X 0) 10 10
0.05
C4
C4
210
P( X 1)
C16C34
24
0.11
10
C4
210
C46C04 C46
15
P( X 4) 10 10
0.07
C4
C4
210
C26C24 90
P( X 2) 10
0.43
C4
210
X: 0 ,
1 ,
2 ,
, 4
90
80
15
1
24
f ( x ) : 210 , 210 , 210 , 210 , 210
Y adems esta funcin f(x) tambien cumple con las condicione s de probabilidad.
1
210
24
210
90
f ( X ) 210
80
210
15
210
para
x0
para
x 1
para
x2
para
x3
para
x4
F ( X ) p X xi f ( xi ) p( xi ) p X xi
Xi x
Xi x
Xi x
Ejemplo:
1) Sea la va. X: numero de tornillos no defectuosos que se obtiene al extraer 2 tornillos
aleatoriamente y sin remplazo de una caja que contiene 5 tornillos defectuosos y 5 no
defectuosos. Definir y graficar la funcin de distribucin acumulada.
Solucin:
La distribucin de la variable aleatoria X definida esta dado por:
X:
f(X) :
0
10/45
2
25/45
10/45
5
5
C0 C2 10
C 10 45
2
para
x0
para
x 1
para
x2
5
5
C1 C1 25
45
f ( x ) C210
C 5C 5 10
2 10 0
45
C2
Si
x 0,
entonces, F ( x ) p[ X x ] p( xi ) 0
Xi x
10
X x
45
Si 1 x 2, entonces, F ( x ) p[ X x ] p( xi ) p[ x 0 x 1] f (0) f (1)
Si 0 x 1, entonces, F ( x ) p[ X x ] p( xi ) p( x 0)
i
Xi x
10 25 35
45 45 45
Si x 2, entonces, F(x) p[X x] p[x 0 x 1 x 2] f (0) f (1) f (2)
reemplazan do tenemos
10
45
25
45
10
45
0
10
45
F ( x)
35
45
1
si
x0
si
0 x 1
si
1 x 2
si
x2
Esta funcin de
probabilidad lo
podemos
expresar de la
siguiente
manera:
1
8
3
8
f ( x) 3
8
1
8
para
x0
para
x 1
para
x2
para
x3
Luego la funcin
de distribucin
acumulada de la
va. X es:
0
1
8
F ( x) 4
8
7
8
1
si
x0
si
0 x 1
si
1 x 2
si
2 x3
si
x3
3) La variable aleatoria
X tiene la siguiente
funcin de distribucin
acumulada:
Solucin:
0
1
8
1
F ( x)
2
5
8
si
x0
si
0 x 1
si
1 x 2
si
2 x3
si
x3
Si
x=3
x=2
x=1
x=0
F(0) = 1/8
f ( x)
1
8
si
x 0
3
8
si
x 1
1
8
si
x 2
3
8
si
x 3
en otro lugar
f ( x) 0
para todo a x b
f ( x )dx 1
X0
p[ X x0 ] p[ x0 X x0 ] f ( x )dx 0
X0
f ( x ) p( a x b ) f ( x )dx.
a
p( a x b ) p( a x b ) p( a x b ) p( a x b ) f ( x )dx.
a
S A es un evento o
suceso, entonces:
p( A) A f ( x )dx.
Si
A = (a,b],
b
entonces :
P( A) f ( x )dx.
a
Ejemplos:
1) Sea f, una funcin real valorada en el campo de los reales R ; cuya regla de
correspondencia es:
x
f ( x) 1
0
si 0 x 21
si 21 x 118
en otro lugar
Se pide: a) Verificar que f(x) es una funcin de densidad y hacer su grfica respectiva.
b) Sean los eventos: A= {xR/x > }
f(x) 0 ,
11
8
x2
f ( x )dx odx 0 xdx 1 1dx 11 0dx 0 2
2
8
1
2
x 128 0
11
1
8
11
8
1
2
Haciendo la representacin
grfica a esta funcin de
densidad f(x) tenemos:
b ) Utilizando p( A) f ( x )dx
para el suceso A a, b]
11
8
11
1
, ];
2
7
8
tenemos :
Luego
P( A)
7
8
se tiene:
11
8
10
x2
x 1 2 x 1088
1
11
21
32
luego
P( B )
21
32
Si
A A1 A2 An
donde Ai Aj .
Adems
i j
entonces :
a) Hallar el coeficiente a.
b) Construir la grfica de la funcin de densidad de
probabilidad f(x).
c) Calcular la probabilidad de que X se encuentre
en el intervalo: 1) [ 1 , 2 ]
2) < -1 , 3/2 ]
si
0 x3
en otros casos
Solucin:
a) Como todos los valores de la va. X se hallan comprendidos en el Intervalo [ 0 , 3 ],
es decir el recorrido de la variable Rx = [ 0 , 3 ]. Entonces, por la segunda
condicin de la funcin de densidad de probabilidad se tiene:
3 2 1 3
2
0 a(3 x x )dx a 2 x 3 x
27 27
despejando a se tiene :
1
2
3
2
27
a
a
1 por tanto
9
6
a
0
81 - 54
a
1
6
c.) Si a
2
9
f ( x)
2
2
x x2
3
9
2
3
x 2x
2
2
1 ) [ 1,2 ] p[1 x 2] f ( x )dx x x dx
1
1 3
3
27
13
Luego la probabilid ad de :
p[1 x 2]
27
2
4 16 1 2 13
3 27 3 7 27
3
3
2 2
x 2x 2
2
2 ) 1, ] p( 1 x ] f ( x )dx 0dx x x dx 0
1
0 3
2
2 1
9
3 27 0
3 3 1 1
3
p( 1 x ]
por tanto la probabilid ad de p( 1 x ] 1
2
2 4 4 2
2
2
F ( X ) P[ X x] f (t )dt
para todo x R
Obtener:
0 x2
la funcin de distribucin acumulada
x 0 x 2 y graficar las funciones de densidad
y de distribucin acumulada.
si
si
si X 0
f(x) = 0,
F ( x ) f ( x )dx 0dx 0
b)
c)
si 0 <x < 2
si X 2
X
f(x) = ,
0 2
2
f(x) = 0, entonces se tiene que:
0
x
2
0
2
0
2
x
0
2
00
0
2
0 1
2
si
X 0
si
0 x2
si
X 2
f ( x ) Cos x
Solucin:
para
para
para
x0
0 x
2
x
2
Solucin:
Se tiene que:
i) Si x 0, entonces f(x) = 0,
es:
F ( x ) f ( X )dx 0 dx 0
ii) S 0 < x < /2, entonces f(x) = Cos x; luego la funcin de distribucin acumulada es:
0 Sen x 0 2 0 Sen x(
F ( x ) Sen x
para
x0
0 x
para
para
) Sen x( 0) 1 0 1
0 F( x ) 1
3.-
Lim.F ( x ) 1
Lim f (t )dt 1
P[a x b] = P[a < x < b] = P[a x < b] = P[a < x b] = F(b) F(a).
4.- F(x) es una funcin de distribucin acumulada absolutamente continua y tal que
su derivada existe y es continua; es decir : dF ( x )
dx
5.-
P[ X > xo ] = 1 F(xo)
f ( x)
Ejemplos:
1.-) La variable aleatoria continua X
tiene la siguiente funcin de
distribucin acumulada:
F ( x) 3x 2 2 x 3
f ( x)
si
x0
.si
si
0 x 1
x 1
de la va. X
dF ( x )
derivando F(x) tenemos : f ( x ) 6 x 6 x
dx
2
6x 6x
f ( x)
0
si
x0
si
si
0 x 1
x 1
si
0 x 1
en otro lugar
3
3
x
4
4
F ( x)
x 1
para
para
1 x 1
3
para
x 1
3
Solucin:
La probabilidad de que X tome un valor comprendido en el intervalo ( a , b ), es igual a:
P(a < x < b ) = F( b ) - F( a );
es decir por la propiedad N 3 de F(X),
Luego si:
a = 0
y b = 1/3,
tenemos:
P( 0 < x < 1/3 ) = F( 1/3 ) F ( 0 )
3
3
x
4
4
X1
3
3
3
x
4
4
1
X 0
3 1
4
4
ESPERANZA MATEMATICA
Se le llama tambin Valor Esperado o Media poblacional, y es un parmetro que
describe la tendencia central de una variable aleatoria. Dicho de otra manera es un
valor de la variable que expresa la posicin promedio de los valores que posee, es
decir podemos pensar como la media aritmtica de la distribucin.
De manera general, la Esperanza Matemtica se denota por : E(X), o tambin
como: x y se obtiene de la manera siguiente:
xf ( x )
E( x) X
xf ( x )dx
donde K, C: constantes
3.3) E( X Y )
= E( X ) E( Y )
4) E(X - x) = 0 , siendo
x = E(x)
VARIANZA MATEMATICA
2 V ( x ) E ( x )2
2
( x ) f ( x )dx Si X es va. Continua y f(x) es funcin de densidad.
PROPIEDADES DE LA VARIANZA
1) La varianza siempre es positiva, cualquiera que sea la distribucin. Esto es : V(X) 0
2) La varianza de una constante es cero, esto es, si K es constante, entonces V(K) = 0.
3) La varianza de la suma algebraica de una constante y una variable es igual a la
varianza de la variable, esto es: V( X + K) = V(X) K: constante
4) La varianza del producto de una constante y una variable es igual al cuadrado de la
constante por la varianza de la variable. Esto es : V(K X) = K2 V(X)
5) En general:
5.1) Si X e Y son va. Independientes:
V(X + Y) = V(X) + V(Y) 2 E[ ( X - x ) ( Y - y ) ]
donde: E[ ( X - x ) ( Y - y ) ] recibe el nombre de covarianza de las variables
X e Y y se denota por Cov ( X , Y ); as podemos escribir la expresin de la
manera siguiente: V(X +Y) = V(X) + V(Y) 2 Cov ( X , Y )
5.2) Si X e Y son va. Independientes, la expresin se reduce a:
V( X + Y ) = V( X ) + V( Y )
6) Si x1, x2, x3,..........xn, son va. Independientes y
n
n
constantes entonces:
son
V ( ai xi ) ai2V ( xi )
i 1
i 1
V(X ) 2
Ejemplo:
1) Tomando el ejemplo del lanzamiento de tres monedas, se tienen los siguientes datos:
X
f(x) :
a) el valor esperado de X
b) el valor esperado de X2
c) la varianza de X
2(1 x )
f ( x)
0
si
0 x 1
en otro lugar
Solucin:
a) Encontrando el valor esperado de X, tenemos:
x3
2
2
E( x ) xf ( x )dx x[ 2(1 x )]dx ( 2 x 2 x )dx x 2
0
0
0
3
1
12
(1 2 ) (0) 1
3
3
2
x3
x4
2
2
2
2
3
E ( x ) x f ( x )dx x 2(1 x ) dx 2 x 2 x dx 2 2
0
0
0
3
4
1
13
14 1
2 2
6
3
4
1/18
E ( x 2 ) E ( x )
Luego la V(x) =
1 1
6 3
1
1
1
6
9
18
2) Cierta enfermedad de los agricultores y campesinos tiene una tasa de mortalidad del 75%, se
seleccionan dos pacientes que padecen de esa enfermedad. Considere la va.
X: nmero de pacientes recuperados
Obtenga el valor esperado y la varianza del nmero de pacientes recuperados.
Solucin:
Si X: es variable aleatoria de pacientes recuperados,
Entonces los posibles valores que puede tomar X
es:
X:
f ( x) Cx p
Donde:
2
f(x): 0.5625
0.375
x f(x):
0
0.375
x2 f(x):
0
0.375
0.0625
0.1250
x f(x) = 0.5
0.2500
x2 f(x) = 0.625
E(X) = 0.5
3 1 x 2
f ( x) 2
si
0 x2
en otro lugar
Calcular:
a) La esperanza y varianza de la va. X
b) La probabilidad que un valor este comprendido
entre y 3/2
Solucin:
2
3
2
3
3
2
a ) E ( x ) xf ( x )dx x (1 x ) dx x 3 x 2 x 3 dx 34 x 2 33 x 3 83 x 4 0 1
0
0
0 2
2
2
Luego la esperanza de X
es:
E(X) = 1
E( x ) x
2
3
2
(1 x ) dx 32 x 2 3 x 3 32 x 4 dx 63 x 3 34 x 4 103 x 5 0 4 12 485
2
8
5
b) Nos piden hallar la probabilidad de que la va. X este comprendido entre y 3/2,
entonces se tiene:
3
p( x ) f ( x )dx (1 x ) dx 3x x dx x x x
1
1
1
1
2
3
2
3
2
3
2
3
2
3
2
3
2
3
6
3
1
2
2
2 1
16 8
F ( x) x
4
Solucin:
si
.x 0
si
0 x4
si
x4
dx
4
0
si
x0
si
0 x4
si
x4
f ( x) 4
0
0 x4
si
en otro
lugar
1
4
1
4
x2
2
1
8
2 4
0
1
12
4
x 3 0 64
12
V ( x ) X2 E ( x 2 ) 2
64
12
22
64
12
48
12
16
4
4
3
6) Se espera que la produccin por hora de una nueva mquina sea cuatro veces la
de la maquina anterior. Si la varianza de la produccin por hora de la maquina vieja
en su periodo de n horas es 16. cual es la desviacin tpica de la produccin por
hora de la nueva mquina en n horas?
Solucin:
Definamos las variables aleatorias siguientes segn el enunciado del problema:
Y: Produccin por hora de la nueva maquina
X: Produccin por hora de la maquina vieja.
Entonces se tiene segn el enunciado del problema:
Y = 4x
V(Y) = V(4X)
Y 256 16
Es decir la desviacin tpica de la produccin por hora de la nueva mquina es
igual a 16.