Professional Documents
Culture Documents
versin 1
Pg.
118
____________________________________________________________________________________________
Fgm********************
3.5.3.- Ejemplo
La distribucin geomtrica se puede asociar al experimento (con
devolucin) de obtener el primer xito en la n-sima repeticin.
Suponga una mquina que produce un 7% de artculos defectuosos. Y
la lnea de produccin de esta mquina se revisa si los artculos son no
defectuosos (B) o defectuosos (D); el experimento concluye una vez
que se ha encontrado el primer artculo defectuoso.
Los casos posibles son :
D
BD
BBD
BBBD
BBBBD
...
BBB...BBBBD
Definamos nuestra v.a.d. X = {xi / "El artculo i es defectuoso"}.
Debido a que ser bueno o defectuoso son sucesos independientes,
cada uno con probabilidades O.93 y O.O7 respectivamente, la funcin
de cuanta queda definida por:
p(x i ) q
x i 1
p 0.93 x i 1 0.07
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
; x = r, r+1,r+2, r+3,
Donde:
p es la probabilidad de que ocurra un suceso A
q es (1-p)
X = x s y slo s A ocurre en la x-sima repeticin y precisamente A
ocurri (r -1) veces en las (x-1) repeticiones previas.
Es posible obtener una generalizacin obvia de la distribucin geomtrica.
Supongamos que un proceso se contina hasta que un evento A ocurre
por r-sima vez, en la n-sima vez que se realiza el experimento. Si
definimos:
P(A) = p , P(Ac) = q = 1-p
en cada una de las repeticiones, definimos la variable aleatoria X como
sigue:
X es el nmero de repeticiones necesarias para que A ocurra por
r-sima vez en la n-sima vez que se realiza el experimento. Buscamos la
distribucin de probabilidades de X.
Ahora X=k s y slo s A ocurre en la k-sima repeticin y precisamente A
ocurri (r-1) veces en las (k-1) repeticiones previas. La probabilidad de
este evento es simplemente:
k -1
p
r -1
r-1
q k-r
k -1
k p r q k-r
r -1
, k = r, r +1, ...
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
xi
1 - p n -
xi
n
l i m p( p
xi
xi
1 - p
n - xi
)=
e -
xi !
xi
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
p(x i ) =
e -
I {0,1,2,3,..., n} ( x i )
xi !
xi
*********************************
e -
2)
=1 ?
x
!
x =0
x =
x -
=e e =1, >0
x=0 x !
x=
pues
x =0 x !
x =
3.7.1.- La Esperanza es
3.7.2.- La Varianza es
np =
V
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
x (t ) e
( e t 1)
3.7.4.- Ejemplos
1.-El nmero promedio de partculas radiactivas que pasan a travs de un
contador durante un milisegundo en un experimento de laboratorio es 4.
Cul es la probabilidad de que entren 6 partculas al contador en un
milisegundo determinado?
Solucin: Utilizando la distribucin de Poisson con x=6 y =4, se tiene:
p(6;4)
6
5
e 4 4 6
p( x;4) p( x;4) 0,8893 0,7851 0,1042
6!
x 0
x 0
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
Solucin:
X p(5;2)
IP(pedida)
e 2 2 5
0,0361
5!
nota:
d k X (t)
1. t D :
dt k
2. X ( t=0 )=1
3. Vemos que la f.g.m. X cumple con:
d r X (t)
r
r=E[X ]=
dt r
t=0
de all el nombre de funcin generadora de momentos.(Algunas f.g.m.
fueron conocidas mientras se estudiaban las distribuciones discretas).
3.8.- Ejercicios Propuestos
1.
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
b)
c)
d)
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
ii)
iii)
e)
Si se hacen extracciones
defectuosos, entonces :
i)
ii)
iii)
iv)
v)
3.
obtener
artculos
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
4.
5.
6.
7.
8.
9.
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
a)
b)
c)
d)
e)
f)
10.
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
Solucin:
p(sobre la pgina 325) = (1/400) =0.0025
q = 1- p = 1- 0,0025 = 0,9975
P(X=6) = (5C3) x 0,00254 x 0,99752 = 3.8867*E-10
6.- OVNI DESPACHURRADO.
Se sabe que las naves extraterrestres (OVNI) son extremadamente
resistentes a los choques, ya que despus de atravesar el hiperespacio se
encuentran repentinamente con acumulaciones de meteoritos. Si la
probabilidad de colisionar con un meteorito al salir del hiperespacio es de
0,97, determine la probabilidad de que al cruzar el hiperespacio por 2.255
vez colisionen con un meteorito por 2200 vez.
Solucin:
p(colisionar) = 0,97
q = 1- p = 1- 0,97 = 0,03
P(X=2.255) = (2.254C2.199) x 0,972.200 x 0,0355
P(X=2.255) = 1,1E111 x 7,9034E-30 x 1,7444E -84= 0,0148084
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
Solucin:
p(tirar por la cabeza) = 0,2
q = 1- p = 1- 0,2 = 0,8
15
3
P(X=18) = (17C14) x 0,2 x 0,8 = 680 x 3,2768E-11 x 0,512 = 1,1409E-08
8.- MUCHO LOVECRAFT.
Hace mucho milenios, antes de la presencia de la raza humana sobre la
tierra, se adoraba a los dioses primordiales, Nugganoth, dios primordial del
viento. El tiene una probabilidad de escuchar un ruego de 0,001 de sus
adoradores, ellos le piden que calme la terrible ventolera de la milenaria y
hoy extinta ciudad de Rlyeh (hoy en da Playa Ancha). Determine la
probabilidad de que en el 37 ruego haya aplacado el viento por 3 vez.
Solucin:
p(escuchar ruego) = 0,001
q = 1- p = 1- 0,001 = 0,999
3
34
P(X= 37) = (36C2) x 0,001 x 0,999 = 630 x 1E-09 x 0,9666= 6,0896E-07
9.- EL SANSANO.
Un lachito (entindase como piropero o halagador) tiene una probabilidad
de xito con las mujeres de 0,1. El sbado pasado un amigo lo invito a su
fiesta de cumpleaos, en ella haban 93 mujeres todas muy buenas
mozas, lachn alcanz a cortejar durante la noche a 23 de ellas,
obteniendo buenos resultados con sta ltima y otra anterior. Calcule la
probabilidad de la historia de lachito.
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
Solucin:
p(xito) = 0,1
q = 1- p = 1- 0,1 = 0,9
2
P(X= 23) = (22C1) x 0,1 x 0,921= 22 x 0,01 x 0,1094 = 0,0241
10.- A L I E N
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
xIR
DEFINICIN :
Sea X un v.a.c. se define la funcin de densidad probabilstica
(f.d.p.) denotada por f X
f X : D R X IR
[0, [
x
fX
fX 0
1)
2)
x D
f X ( x ) I D ( x ) dx 1
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
DEFINICIN:
Se define la funcin de Distribucin como la funcin
0, 1******************
FX : IR
Fx (x) =
Teorema:
Sea X una v.a.c. con f.d.p. f x (x) y sea Fx la funcin dada por
Fx (x) = IP (X x) entonces Fx es una funcin de Distribucin
Corolario:
Sea X una v.a.c. con f.d.p. f x (x) entonces:
x
Fx (x) = IP (X x) =
( x ) I D ( x ) dx
IP (X b) = f X ( x) I D ( x)dx
IP (X a) =
( x) I D ( x)dx
IP (a X b) = IP (a < X b) = IP (a X < b)
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
IP (a X b) = IP (a < X < b) =
( x) I D ( x)dx
IP ( X = b) = f X ( x) I D ( x)dx =0 b IR
b
MOMENTOS POBLACIONALES
Los momentos sirven para caracterizar una Distribucin, ya que por
medio de estos se obtienen valores representativos de ella, se destacan la
Esperanza y la Varianza.
DEFINICIN:
Se define el momento de orden r ( r ) como el nmero dado
por:
r = IE[Xr]=
f X ( x) I D ( x)dx
DEFINICIN:
El momento de orden uno se conoce como la Esperanza
Matemtica (o simplemente Esperanza) de la variable aleatoria continua
X, al valor definido como:
IE[X] = 1
Nota: la Esperanza es un promedio que se espera que suceda.
DEFINICIN:
Se define momento centrado en la Esperanza de orden r ( r )
como el nmero dado por:
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
DEFINICIN:
Se define la Varianza de la variable aleatoria continua X como el
nmero positivo:
CV ( X )
Obs.:
Tambin se puede definir la Esperanza de una funcin g(x) de la
siguiente forma: sea X un v.a.c. con funcin de densidad probabilstica f X
y sea
g : D IR
, entonces s
g ( x) f X ( x) I D ( x)dx < ,
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
IE g ( x )
Nota:
1. Si g(x)=X
2. Si g(x)=X 2
g ( x ) f X ( x ) I D ( x ) dx
IE X
2
(**) da la Esperanza de X 2 : IE X
(**) da la varianza de X : V X
(**) da la Esperanza de X :
3. Si g(x)=(X -IE X ) 2
(**)
PROPIEDADES
IEkX = kIEX
k constante.
IEk = k
k constante.
IEX+Y = IEX+IEY X e Y v.a.
IEaX+bY = aIEX+bIEY
X e Y v.a. y a,b
constantes.
5. IEXY = IEXIEY
si X e Y son v.a. independientes.
2
6. VkX = k VX
k constante.
7. Vk = 0
k constante.
8. VX+Y = VX+VY+2COV(X,Y) X e Y v.a.
9. VX+Y = VX+VY
si X e Y son v.a. independientes.
2
10. VaX+bY =a VX+b 2 VY+2abCov(X,Y) X e Y v.a. y
a,b ctes.
1.
2.
3.
4.
n
n
11. IE i X i i IE X i
i 1
i 1
Xi
v.a.
i con
i=1,2......n constantes.
n
n
12. V i X i iV X i 2 i j Cov ( X i , X j ) ****************
i j
i 1
i 1
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
t X ( t ) = IE [ etX ]=
tX
f X ( x ) I D ( x ) dx
nota:
d k X (t)
1. t D :
dt k
1. X ( t=0)=1
2. Vemos que la f.g.m. X cumple con:
d r X (t)
r IE ( X )
dt r t = 0
r
2 2
X
IR
f ( x)
1
e
2
I ( x)
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
f X ( x)dx 1
IE ( x)
x
2 e
1 x
dx
V ( x) IE ( X 2 ) IE ( X ) 2 2 2 2
2
IP( X x0 ) FX ( x0 )
1
2
x0
1 t
dt
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
x
1
IP( X x0 ) IP( Z
)
1
z2
2
dz (0,1)
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
fT (t )
k
e
4 2
1 t 4
2 4
I IR (t )
k
e
4
2
k 1 1
1
4 2 e
1 t
1 t
k 1 1 1 1 0,8413
dt
0 4
dt 1
4
k 1,1886
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
A)
s t 0,9
s t 0,9
donde t N (4,16)
T
B)
C)
c = 3,952.
Solucin:
La funcin de utilidad por cada 100 metros de cable es:
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
U (x) =
U (x) =
S x 95
S x 95
100
20
k 1 1
1
4 2 e
1 t 100
2 4
0 100
dt 1
1
4
k 1
1
0,2
s X 95
s X 95.
E u = 1 IP x 95 + 0,2 *IP x 95
= 1 - k -5/4) + 0,2 k -5/4)
= 1 0,8 * (0,10565)
= 1 0,08452 = 0, 91548.
Se tienen 3 cajas C1, C2, C3, con bolitas blancas y negras.
C1 : 30 bolitas blancas y 10 bolitas negras.
C2: 15 bolitas blancas y 25 bolitas negras.
C3: 12 bolitas blancas y 28 negras.
El mtodo de eleccin de las cajas se puede aproximar a una
v.a.c. normalmente distribuida N (6,25) ; este mtodo se detalla a
continuacin:
- Se saca una bolita de C1 con IP ( x 3 )
- Se saca una bolita de C2 con IP ( 3 x 6)
- Se saca una bolita de C3 con IP ( x 6).
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
Solucin:
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
x 950
0.75
100
x= 1017.449
1 0.75
x 950
0.67449
100
Solucin:
Sea A la variable aleatoria asociada a la demanda del producto A,
entonces AN (200,1600).
Sea B la variable aleatoria asociada a la demanda del producto B,
entonces BN (500,6400) .
IP (A 280 ) = 1 IP (A 280 )
= 1 - (280 200)/40) = 1 - 2 )
= 1 0,97725 = 0,02275.
IP (B 650) = 1 IP(B 650)
= 1 - ((650500)/80) = 1 - (1,875)
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
= 1 0,969604 = 0,030396.
Por lo tanto como son hechos independientes, entonces la
IP( A B) = P(A)*P(B) = 0,02275 * 0,030396 = 0,00069.
LA DISTRIBUCIN EXPONENCIAL
1
f X ( x) e I IR ( x)
donde 0
IP( X x) FX ( x) e dx e 1 e
x
IE ( X ) e dx
0
Para calcular sta integral se puede ocupar la funcin Gamma.
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
x
1
IE ( X ) e dx 2 (2)
0
La Varianza: Est definida como la diferencia entre el segundo momento y
el cuadrado del primer momento, cifra que siempre es positiva. Para
calcularla debemos sacar el momento segundo orden:
x 2
1
IE ( X ) e dx 3(3) 2 2
0
2
V ( X ) IE ( X 2 ) IE ( X ) 2 2 2 2
2
1
IE (e ) etX e dx
0
tX
1
IE (e )
tX
x
1 t
dx
1
1 t
Por lo tanto:
d 1
t 0
dt 1 t
1 t 2 t 0
d2 1
2 2 1 t
2
2
IE ( X ) 2
t 0
4
dt 1 t
1 t t 0
IE ( X )
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
V ( X ) IE ( X 2 ) ( IE ( X )) 2 2 2 2 2
LA DISTRIBUCIN EXPONENCIAL NEGATIVA
Si una variable tiene una Distribucin exponencial negativa, su funcin de
densidad est dada por:
f X x e
1
x b
I [ b , [ ( x )
donde b, 0 (constantes)
Solucin:
Sea t la variable asociada al tiempo, por lo tanto t e (=0.25)
t
1 4
fT (t ) e
I[ 0, [ (t )
4
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
IP(T 3)
3
1 4
4
e
dt 1 e 0.52763
4
6
IP( D 4) 0.52763k (1 0.52763) 6 k
k 4 k
6
1
fT (t ) e 5 I[ 0, [ (t )
5
Si la prdida de dinero es igual al cuadrado del nmero
necesario de horas para llevar a cabo la reparacin, se debe
determinar el valor esperado de las prdidas por reparacin.
Solucin:
En este caso es necesario calcular el valor esperado de una funcin
que se encuentra relacionada con la variable tiempo, esta funcin es:
P( t ) = t 2
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
1 2 5
IE ( P (t )) IE (t ) t e dt
50
2
( 1) x e x dx
0
Por lo tanto
1
IE (t 2 ) 53 (3) 50
5
1
Sea X la variable aleatoria que representa el intervalo de tiempo
entre dos llegadas consecutivas a una tienda, con funcin de
densidad dada por:
a)
b)
c)
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
Solucin:
a) p ( x E [x] ) = 1 P ( x E[x] )
=1P(x)
= 1 1 + e (- / )
= 0,3678.
b) P ( x 2 ) = 1 e (-2 / )
= 1 e (-2) = 0,865.
Distribucin Gamma
Funcin Gamma
(n) =
xn-1 e-xdx
Propiedad:
1.- (n) = (n-1)*(n-1)
2.- (2) = (1) = 1
3.- Si n N
n N -
(n) = (n-1)!
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
x(x) =
donde , +
E[x] = /
V[x] = /2
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
E[XD] = n*p
V[XD] = n*p*q
En el problema tenemos:
E[X] = 400*0,1 = 40
V[X] = 400*0,1*0,9 = 36
X N (40,36)
(45+1/2)-40
6
(x0-1/2)-
-(45-1/2)-40
6
4,7
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
P ( a Xc b ) P (a Xd b )
luego P (a Xc b ) = b - E[Xc]
V[Xc] 1/2
a - E[Xc]
V[Xc] 1/2
definir
el
concepto
de
vector
DEFINICIN:
aleatorio
IRxIR
X:M
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
IRxIR , es decir
X :=(X,Y) : M
mM
X (m) = ( X(m) , Y(m) )
DEFINICIN:
f X : D R X RxR
[0, [
f X
(x,y)
satisfaciendo las siguientes condiciones:
(x, y) D
f X 0
1)
2)
f X ( x , y ) I D ( x , y ) dydx 1
1) la de X como
f X ( x)
( x, y ) I DY ( y ) dy
x D X
( x, y ) I DX ( x ) dx
y DY
2) la de Y como
fY ( y)
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
i)
( x ) I DX ( x ) dx 1
ii)
( y ) I DY ( y ) dy 1
DEFINICIN:
0, [
FX : IRxIR
(x,y)
FX =
f X ( x , y ) I D ( x , y ) dydx
DEFINICIN:
Sea X un
probabilstica conjunta
de densidad
y de densidad marginal de X y de Y
1) de X como FX : IR
x
0, [
FX =
( x ) I D X ( x ) dx
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
0, [
2) de X como FY : IR
y
FY =
f ( y ) I DY ( y ) dy
Y
DEFINICIN:
Sea X un
probabilstica conjunta
y de densidad marginal de X
de densidad
y de Y
fX
/Y y x
f X ( x , y )
fY ( y )
si
fY ( y) 0
fY / X x ( y )
f X ( x , y )
f X ( x)
si
f X ( x) 0
TEOREMA:
Sea X un
probabilstica conjunta
y de densidad marginal de X
de densidad
y de Y
respectivamente.
Entonces las v.a.c. X e Y son independientes ssi
f X ( x, y) f X ( x) fY ( y)
(x, y) D
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
COROLARIO:
Si X e Y son v.a.c. independientes
f ( X / Y y ) f X ( x)
f (Y / X x) f Y ( y )
X (M ) D , entonces si
g ( x, y ) f X ( x, y ) I D ( x, y )dydx < ,
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
E g ( x , y )
Nota:
Si g(x,y)=X
Si g(x,y)=Y
Si g(x,y)=X 2
Si g(x,y)=Y 2
Si g(x,y)=(X - E X ) 2
Si g(x,y)=(Y- E Y )2
Si g(x,y)=XY
g ( x , y ) f X ( x , y ) I D ( x , y ) dydx
(**)
(**) da la esperanza de X : E X
(**) da la esperanza de Y : E Y
: E Y
(**) da la esperanza de X 2 : E X 2
(**) da la esperanza de Y
(**) da la varianza de X : V X
(**) da la varianza de Y : V Y
(**) da la esperanza de XY : E XY
DEFINICIN:
PROPIEDADES
EkX = kEX
k constante.
Ek = k
k constante.
EX+Y = EX+EY X e Y v.a.
EaX+bY = aEX+bEY X, Y v.a. y a,b constantes.
EXY = EXEY
si X,Y son v.a independientes.
VkX = k 2 VX
k constante.
Vk = 0
k constante.
VX+Y = VX+VY+2COV(X,Y) X,Y v.a.
VX+Y = VX+VY
si X e Y son v.a. independientes.
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
E i X i i E X i
DEFINICIN:
Cov ( X , Y )
V X )(V Y
Nota:
1. El coeficiente de correlacin mide el grado de asociacin que
tienen las variables aleatorias X e Y.
2. Si X e Y son independientes entonces la correlacin es cero.
3. Una propiedad es que su valor est en el intervalo -1,1.
4. Si Z=aX+b y W=cY+d
donde a,b,c,d son constantes
entonces
ZW
ac
XY
ac
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
Esperanzas Condicionales
DEFINICIN:
xf
E X
(x)I D (x)dx
Y y X / Y y
DEFINICIN:
EY
X x
DEFINICIN:
en que
2
x2 f
E X
(x)I D (x)dx
Y y X / Y y
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
DEFINICIN:
x
X
x
X
en que
2
EY
X x
2
y fY / X x ( y)I D ( y)dy
Definicin:
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
Se dice que el vector x (x1,x2,x3,.....xk) se distribuye como una normal kvariante ssi su f.d.p.c. se distribuye de la siguiente forma:
1
e
2
fx x1, x2 ,...xk
1
x 1 x T
2
x x1 , x 2 ,........x k
1 , 2 ,......, k
donde
IE x x
/
12
cov x 2 , x 3 .......
cov x 1 , x k
cov x 2 , x k
k
k *k
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
Ejemplo:
1.1.-Encontrar las f.d.p. marginales f x x1 , x3 , x 4 , f x x 2 , x5 , x6 provenientes
1 0 6 3 0
5 1 4 1
2 0 3
3 2
0
2
2
0
f x1 x1 , x3 , x4 N 1 , 1
donde
1 1,2,1
y para el segundo
donde 2 3,4,6
6 3
2 0
3
f x2 x2 , x5 , x6 N 2 , 2
y
0 2
4 2
2
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
f y x 1 , x 2 N 2 ,
fY x , y
covx 1 , x 2
22
2
1
1 , 2
donde
2 x y 1 2 xy
2
2 1
x
x
xx
2
o bien
x y
xy
donde
anterioridad ( 1 ).
Ahora bien, si hacemos =0 logramos obtener las condiciones necesarias
de independencia entre las variables X e Y en la distribucin normal
bivariada, sta adems de ser necesaria, es una condicin suficiente por
lo siguiente:
1
f X x, y
e
2 x y
1 x x
2 x
2
1 x y
2
y
1
2 x
1 x
x
2 x
1
2 y
x
y
1
2 y
Propiedades.
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
2.- X N x , x2
Y N y , y2
3.- f X Y y N x x y1 y ; 1 2 x2 ;
f Y
X x
x1 x ; 1 2 y2
N y
x
x
y1 y
4.- E X Y y x
2
2
5.- V X Y y 1 x
EY
VY
X x
X x
y
x
x1 x
1 2 y2
Observacin:
Si sabemos que X se distribuye en forma Normal con parmetros
N(1, 12) y la variable Y tambin se distribuye Normal con parmetros
N(2, 22) entonces la variable Z= X+Y tambin se distribuir normal con
parmetros Z N x y ; 12 22 2 covX, Y .
Un caso especial es cuando las variables son independientes lo que
2
2
implicara que la covarianza es 0 por lo tanto Z N x y ; 1 2 .
Ejercicio Resueltos.
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
1.-Sea f x x 1 , x 2 , x 3 , x 4 N,
4 0 1 2
9
3 4
con 1,2,3,1 y
16 7
Z N , 2
Z N 0 , 65
ii) Mtodo 2. En forma matricial.
3
1
Z= x1 , x2 , x3 , x 4
1
2
3
1
Z x 1 , x 2 , x 3 , x 4
1
2
3
1
EZ 1,2,3,1 =3+2-3-2=0
1
2
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
4
0
VZ 1,2,3,1
1
0 1 2
9
3
4
3 16 7
4 7 4
3
1
1
2
7
4
V Z 3,1,1,2
30
5
V[Z]=21+4+30+10=65
10,12,9,14,13,11
4 1 0 2 3 0
5 1 2
0 1
4 0
4 2
6
0 0
5 2
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
2
Pregunta2 f x2 x 2 N 2 , 2
x N ,
2
Pregunta4 f x4 x 4 N 4 , 4
Pregunta6 f x6
2
6
1 PZ 1.043
23
23
= 1-(-1.0426) = 0.8515
b)Si hacemos R = S-W entonces tenemos que encontrar la probabilidad
de que R>0 y como sabemos que R se distribuye en forma Normal slo
falta encontrar sus parmetros.
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
V(R)=42
R N5,42
R 5 05
PR 0 P
c)Debido a que en general una persona no puede dar dos veces la misma
evaluacin es que el mtodo para resolverlo sera una hipergeomtrica,por
ello sta probabilidad se puede aproximar a una distribucin binomial con
los siguientes parmetros:
B Bin30 ; 0,7799
IP[x 6] = 1 Px 6
5
30
x
30 x
1
= (0.7799) (0.2201)
x 0 x
=1
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
X~N (u , )
>0
Desarrollo.a)
V[X1]= 12 =1
V[X 2]= 22 =2
V[X1/X2=x2] = 12 (1-2)=0,75
=0.5
1
x1
x2
x2
x1 x1
x1
2 :
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
x 1 1 1
Px1 1 P 1
0,841
1
1
1 0
x u 2 6 u 21
Px1 6 1 P 2
0,023
2
21
u 2 6 2 2 3,1716
IP [X2<4 / X1 = 2 ] = 0.3163
IP [X2 < 0 / X1 = 2] = 0
12
2 1
1 2 /2
=
0
1
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
f(x,y)=fx*fy
X N10,0.5
9.3 10
10.7 10
Y N15,1
16 15
14 15
PY 16 Y 14 1 P 14 Y 16 1 P
Z
1
1
= 1 P 1 Z 1 1 1 1 0.68268
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
B Bin30 ; 0,779
15
11
1511
0.20874
IP[x=11] = (0.779) (0.221)
11
N y x ; 1 2 2
f y
x
y
y
x 5
x
N 5 5 5 ; 1 2 25
1
N 10 ; 1 2 25
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
4 10
16 10
P
Z
2
5 1 2
5 1
6
1.954
2
2
5 1
Luego
4
25
6
0.954
5 1
6
5 1 2
6
0.954
2
5 1
4
5
Desarrollo.Si Y1 = 3X1+2X2-X3
Y si Y2 = 2X1-X2
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
y1 y2
cov y1 , y2
y1 y2
cov(y1,y2)=cov(3X1,2X1)+cov(3X1,-X2)+cov(2X2,2X1)+cov(2X2,-X2)+
cov(-X3 ,2X1) + cov(-X3 ,-X2) = 6cov(X1 ,X1) 2(X2 ,X2)= 6-18 = -12
y1 y2
cov y1 , y 2 12
0.475
y1 y2
7 13
Y
5 12 y
1
2
Y2 y 2
13
1 2 2 1 144 49 493
V Y1
y1 y2
y1
Y2 y 2
13
49 13
Sean Y1 X 2 X 2
4
Y2
X3
X1 2
4 0 -6 0 0
4 0 2 0
9 0 0
4 -1
9
Y3 3X 1 2X 3 X 4 X 5
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
N x 2 x ; 1 2 2
f x 2
24
4
x4
24
x2
x2
x 4 2
x4
N 4 24 2 2 ; 1 224 4
2
covx 2 , x 4 2 1
24
x2 x4
2 2 2
x2
N 4 1 2 2 2 ; 1 1 4 N 2,3
x 4 2
22
4
ii)
x3
x 1 2
2
N x 3 31 x 3 x 1 x 1 ; 1 31
2x 3
x1
2
N 3 31 2 1 ; 1 31
9
2
31
covx3, x1 6
1
x3x1
3 2
3
x
f 3 x 2 N 3 1 2 1 ; 1 14 N ,0
1
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
Y3 3X 1 2X 3 X 4 X 5 N 3 , 32
iii)
y3 =E[Y3] = E[3X1] - E[2X3] + E[X4] + E[X5]=3-6-2+1 = -4
Y3 N 4 , 155
R N 5 , 3
R 5 0 5
1 PZ 2.88675
PR 0 P
3
3
= 1-(2.88675) = 0.0019462
Ejercicios Propuestos.-
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
x2
X x
2
i)
ii)
3y3
X
Y y
5
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
a) Demuestre que Y X x
b) Calcule E[X], E[Y],
xy .
Respuesta.x = -18
y = 25
xy = -0.95
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
bidimensional discreto:
Se dice que X es un vector
bidimensional ( bivariado) discreto
a la funcin:
IRxIR
X:M
aleatorio
aleatorio
(xi,yj)IRxIR
mM.
DEFINICIN :
f X : D R X RxR
0 ,1
f X
(xi,yj)
xi y j
(xi, yj ) D
f X ( x i , y j ) I D ( x i , y j ) 1
Un conjunto C es infinito contable ssi podemos encontrar una funcin biyectiva entre C y los
naturales.
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
p
xi
ij
i,j
y j
2) la de Y como f Y ( y j ) p j pij
i
pi 1
ii)
f X ( xi )
xi
fY ( y j )
j
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
FX : IRxIR
FX (x,y )= P( X x; Y y)
(x,y)
xi x y j y
ij
FX : X R
0 ,1
x
FX ( x ) P X x
xi x
FY : Y R
0 ,1
FY y P Y y
y
con F X x F X x ,
p
y j
ij
y j y
FY y F X , y
p ij
xi
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
f X Y y j
f X ( xi , y j )
fY ( y j )
si
fY (yj ) 0
f Y X xi
Teorema:
f X ( xi , y j )
f X ( xi )
si
f X ( xi ) 0
de cuanta conjunta de X , y f X : C1
IR y
IR la funcin
f Y : C2
IR
f X (xi , y j ) f X (xi ) fY ( y j )
xi y j
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
E g ( x , y )
g ( xi , y j ) f X ( xi , y j )
( xi , y j )
xi
g ( xi , y j ) f X ( xi , y j )
y j
COV ( X 1 , X 2 )
V X V X
1
Esperanzas condicionales
sea
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
E X
f
Yy
y
j
j
xi
Y f Y
EY
j
X
x
X xi
i
yj
Por otro lado se define la varianza condicional de X dado Y = y
como:
X 2
X
V X
y
Y
y
Y
y
j
j
j
xi f X
donde la E X
y
Y
y
j
j
x i
anlogamente se define la varianza condicional de Y dado X = x como:
2
E Y 2
E Y
V Y
X xi
X xi X xi
donde la
E Y
y 2j f Y
X xi
X xi y
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
Ejemplos:
1) Sea (X,Y) vector aleatorio discreto con funcin de probabilidad conjunta
dada por:
Cx4 C y2 C(43 x y )
f ( x, y)
C310
si x0,1,2,3
si y0,1,2
e.t.o.c.
X
y
0
1
2
4
120
12
120
24
120
32
120
24
120
12
120
4
120
4
120
4
120
fY ( y
56
120
56
120
8
120
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
20
120
( xi)
( x i ) y fY ( y
i) f
60
120
36
120
4
120
20
120
60
( x i ) P ( X x i ) 120
36
120
4
120
56
120
56
ii ) f Y ( y j ) P ( Y y j ) 120
8
120
b) P 1 X 3 Y 2
f (x/y=2)
f X Y 2
fX,Y=2
fY(2)
si x = 0
si x = 1
si x = 2
si x = 3
si
y=0
si
y =1
si
y=2
4
8
0
si x = 1,2,3
e.t.o.c.
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
1
P 1 X 3Y 2
2
E Y X 1
24
60
f X 1,Y 32
Y
pero f X 1 f (1) 60
X
4
60
y f Y X 1 1 f Y 1 X 1 2 f Y 2 X 1
si y = 0
si y = 1
si y = 2
32
4
E Y X 1 1
2
60
60
2
E Y X 1
3
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
4 0
k
P(X k)
0 .0 3 5
k
1 0 .0 3 5
nk
4 0
k
nk
0 .0 3 5 1 0 .0 3 5
k
k 0
2
0 .8 3 6 1 8 3.6 1 %
Ejercicios propuestos.
1) Dado que la distribucin binomial corresponde a un vector
aleatorio discreto bivariado, demuestre que:
a) La Esperanza de la binomial es np n(1-q)
b) La Varianza es npq.
f X ( x , y ) dada por:
f X ( x , y )
x2 y2
32
funcin
de
cuanta
conjunta
( x , y ) 0,1,2,3 0,1
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez
Calcular:
f X , FY , E[X] , E[X Y] .
Resp:
fX =
2x 2 1
32
FY 7 16
1
E[X] =
y<0
0 y 1
y 1
78
32
E[X Y] = 3
(6 + y 2 )
(7 2 y 2 )
____________________________________________________________________________________________
Departamento de Matemticas
Profesor Alejandro Fernndez