La Guia Que Falta

Unidad I.
Fundamentos de Procesos Estocsticos Experimento Aleatorio - Distribuciones

Procesos Estocsticos 1-2011 UNEFA-Ncleo Mrida
Ing. Lucileima Rosales Ing. Josmary Hernndez

Todos los fenmenos que ocurren en la naturaleza son determinsticos o aleatorios (no
determinsticos), es por ello que resulta necesario estudiar este tipo de fenmenos.
- Fenmenos Determinsticos: son aquellos fenmenos cuyos resultados podemos predecir
de antemano, por ejemplo; si suelto el lapicero que tengo en la mano, se puede predecir
con toda certeza que caer hacia abajo debido a la ley de gravedad.
- Fenmenos Aleatorios: son todos aquellos fenmenos cuyos resultados no podemos
predecir con certeza, por ejemplo; no sabemos con certeza cul ser el nmero ganador
de la lotera de Navidad, ni que nmero va a aparecer cuando lance un dado.

En PROCESOS ESTOCSTICOS se estudiarn todos aquellos fenmenos aleatorios (no
determinsticos o estocsticos). A continuacin se definen algunos conceptos bsicos:

I. CONCEPTOS BSICOS

1.- EXPERIMENTO: es cualquier situacin en la que existe un conjunto de resultados posibles. Por
ejemplo; una competencia o un juego, una carrera de caballos, una votacin.

1.1.- Experimento Aleatorio
Definicin 1: conjunto de pruebas realizadas bajo las mismas condiciones y cuyos resultados son
impredecibles.
Definicin 2: se llama experimento aleatorio a la expresin y observacin de fenmenos no
determinsticos o aleatorios. Por ejemplo: lanzar un dado para observar cul de los seis nmeros
aparece, sacar un fsforo de una caja que contiene 25 para verificar si se prende o no.

Los rasgos que distinguen a los experimentos aleatorios son:
- Todos los resultados del experimento son conocidos con anterioridad a su realizacin.
- No se puede predecir el resultado del experimento.
- El experimento puede repetirse en condiciones idnticas.

2.- ESPACIO MUESTRAL: es el conjunto de todos los resultados posibles de un experimento
aleatorio. Se denota con la letra griega . Este espacio muestral puede ser un conjunto finito,
infinito numerable, infinito no numerable. Tambin se puede clasificar en:
- Discreto: es aquel cuyo resultado puede ponerse en una correspondencia uno a uno con el
conjunto de los nmeros naturales N, por ejemplo; registrar el sexo de un recin nacido,
lanzar una moneda hasta que aparezca cara.
- Continuo: aquel cuyos resultados consisten de un intervalo de los nmeros reales, por
ejemplo, registrar cunto tiempo dura funcionando un bombillo, tiempo que tarda un
atleta en recorrer 100 metros planos.

3.- PUNTO MUESTRAL: es cada posible resultado de un experimento conceptual (el adjetivo
conceptual excluye situaciones tales como la probabilidad de que mi novia me quiera).
Ejemplos:
- Arrojar una moneda una vez. Hay dos puntos muestrales: {(cara, sello)}.
- Arrojar una moneda dos veces. Se tienen cuatro puntos muestrales: {(cara, cara),(cara,
sello), (sello, cara), (sello, sello)}.
Unidad I. Fundamentos de Procesos Estocsticos Experimento Aleatorio - Distribuciones
- En la clase de procesos estocsticos hay 20 alumnos. Se hace un examen y se va a observar
cuntos alumnos aprueban. Cul sera el espacio muestral? El espacio muestral contiene
un nmero finito de puntos muestrales, = {0,1,2,3,.,20}.
- Se lanza una moneda hasta que salga cara. El espacio muestral es discreto y contiene un
nmero infinito de puntos muestrales.
- Se lanza una flecha contra un blanco y se va a medir la distancia desde el punto de
impacto hasta el centro del blanco. En este caso el espacio muestral es continuo y est
dado por el intervalo = {x x0}.

4.- SUCESO O EVENTO: se llama suceso a cualquier subconjunto de un espacio muestral. Por
ejemplo; al lanzar un dado, el espacio muestral es el conjunto = {1,2,3,4,5,6} y el suceso se
obtuvo un nmero par ser el subconjunto {2,4,6}.

5.- PROBABILIDAD: la probabilidad es una medida de la posibilidad de que un evento ocurra en el
futuro. Este concepto es importante cuando se trabaja con sucesos fsicos, biolgicos o sociales
que generan observaciones que no pueden predecirse con certeza, por ejemplo, la presin arterial
de una persona en un momento determinado no puede predecirse con exactitud.
- Puede asumir valores entre cero y uno inclusive.
- Un valor cercano a cero significa que es poco probable que el evento suceda. Un valor
cercano a uno significa que es altamente probable que el evento suceda.
- Hay tres definiciones de probabilidad: clsica o a priori, emprica o a posteriori y
subjetiva.

5.1.- Probabilidad Clsica o a priori
La definicin clsica aplica cuando hay n resultados igualmente probables y mutuamente
excluyentes.
Ejemplos:
- Si un dado es lanzado, cul es la probabilidad de que salga el 2? Cada uno de los lados del
dado tiene igualdad de aparecer, son eventos equiprobables, por lo tanto la probabilidad de
que salga el 2 es 1/6.
- Una moneda es lanzada al aire. Hay dos posibles resultados cara o sello. Estos dos
resultados no pueden ocurrir al mismo tiempo (mutuamente excluyentes), y tienen la misma
probabilidad, decimos entonces que la probabilidad de tener cara es .

5.2.- Probabilidad emprica, relativa, frecuencial o a posteriori
En muchas ocasiones no es posible aplicar la definicin clsica porque los n resultados no son
igualmente probables, o bien porque el nmero de resultados es infinito, en este caso, se aplica
la definicin emprica.
Este tipo de probabilidad se aplica cuando el nmero de veces que ocurre un evento se divide
por el nmero total de observaciones.
Ejemplos:
- Cul es la probabilidad de que un bombillo dure funcionando ms de 100 horas?
En este caso no es posible aplicar la definicin clsica porque la duracin de la bombilla es
una variable continua y entonces el nmero posible de resultados es infinito.
- Si un dado est cargado. Cul es la probabilidad de obtener un 3 al lanzar dicho dado?
Tampoco es posible aplicar la definicin clsica porque se ha perdido la simetra, los
resultados posibles siguen siendo 6, pero esos resultados no tienen la misma probabilidad.
Una forma de obtener la probabilidad, sera realizando un experimento como el siguiente: se
lanza el dado cargado 150 veces y se obtienen los siguientes resultados:

1 2 3 4 5 6
23 23 45 10 25 24

La probabilidad de sacar 3 con ese dado es: P(3) 45/150 0.3
Nota: se escribe P(3)0.3 y no P(3)= 0.3, pues si se repite el experimento, es decir, si lanzamos
de nuevo el dado 150 veces, es muy posible que el 3 no salga 45 veces como antes, sino tal
vez 42, 37, 44, etc.
- En el departamento acadmico del profesor Lpez, se ha asignado un total de
calificaciones de A de 186 entre un total de 1,200 estudiantes. Cul es la probabilidad de
que un estudiante de su seccin este semestre reciba una calificacin de A?
La probabilidad pedida est dada por: P(A) = 186/1,200 = 0.155

5.3.- Probabilidad Subjetiva
Este tipo de probabilidad se basa en cualquier informacin disponible.
Ejemplos:
- Estimar la posibilidad de que el equipo de los Patriotas de Nueva Inglaterra participe en el
juego del Super Tazn de futbol americano para el prximo ao (en EUA).
- Evaluar la probabilidad de que la empresa General Motors, pierda su lugar nmero 1 en el
total de unidades vendidas, frente a la Ford o la Chrysler, en un lapso de dos aos.

5.3.1.- Reglas Bsicas de probabilidad
Si dos eventos A y B son mutuamente excluyentes, la regla especial de la adicin indica
que la probabilidad de que ocurra uno u otro de los eventos, es igual a la suma de sus
probabilidades.
P(A o B) = P(A) + P (B)
Ejemplo:
La oficina de vuelos de Aeromxico tiene registrada la siguiente informacin en su bitcora
de vuelos entre Ciudad de Mxico y Acapulco.

Llegadas Frecuencia
Temprano 100
A tiempo 800
Tarde 75
Cancelado 25
Total 1000

Si A es el evento de que el vuelo llegue temprano, entonces: P(A) = 100/1000 = 0.10
Si B es el evento de que el vuelo llegue tarde, entonces: P (B) = 75/1000 = 0.075
La probabilidad de que el vuelo llegue temprano o tarde es:
P(A o B) = P(A) + P(B) = 0.10 + 0.075 = 0.175

5.3.2.- La regla del complemento
- La regla del complemento es utilizada para determinar la probabilidad de que un
evento ocurra, restando a 1 la probabilidad de que no ocurra dicho evento.
- Si P(A) es la probabilidad de un evento A y P(~A) es la probabilidad del complemento
de A,
P(A) + P(~A) = 1 o P(A) = 1 P(~A)
- Un diagrama de Venn ilustrando la regla del complemento se apreciara as:

Figura 1: Regla del complemento
Ejemplo:
Retomando el ejercicio anterior, use la regla del complemento para encontrar la
probabilidad de un evento (A) temprano o un evento (B) tarde.
- Si C es el evento de que el vuelo llegue a tiempo, entonces P(C) = 800/1000 = 0.8
- Si D es el evento de que el vuelo se cancele, entonces P(D) = 25/1000 = 0.025
- P(A o B) = 1 - P(C o D) = 1 - [0.8 +.025] =0.175

5.3.3.- La regla general de la adicin
Si A y B son dos eventos que no son mutuamente excluyentes, entonces P(A o B) es dada
por la siguiente frmula: P(A o B) = P(A) + P(B) - P(A y B)
Ejemplo:
En una muestra de 500 estudiantes, 225 afirmaron tener un estreo, 175 dijeron tener una
TV, y 100 afirmaron tener ambos.

Figura 2: Diagrama de Venn

- Si un estudiante es seleccionado al azar, cul es la probabilidad de que el estudiante
tenga slo un estreo, slo una TV, y ambos un estreo y una TV?
P(S) = 225/500 = 0.45; P(T) = 175/500 = 0.35; P(S y T) = 100/500 = 0.20
- Si un estudiante es seleccionado al azar, cul es la probabilidad de que tenga un estreo
o una TV en su cuarto?
P(S o T) = P(S) + P(T) - P(S yT) = 0.45 + 0.35 - 0.20 = 0.60

~A

A
Estreo
225
TV
175
Ambos
100
5.4.- Probabilidad Conjunta: es aquella probabilidad que mide la posibilidad de que dos o ms
eventos ocurran en forma simultnea. Un ejemplo podra ser el evento de que un estudiante
elegido al azar tenga ambos, un estreo y una TV en su cuarto.

5.4.1.- Regla especial de la multiplicacin
- La regla especial de la multiplicacin requiere que dos eventos A y B sean
independientes.
- Dos eventos A y B son independientes si la ocurrencia de uno no afecta la probabilidad
de que ocurra el otro.
- Esta regla se escribe: P(A y B) = P(A)P(B)
Ejemplo:
Cristina tiene dos acciones, IBM y GE. La probabilidad de que la accin de IBM aumente de
valor el prximo ao es 0.5, y la probabilidad de que la accin de GE aumente su valor el
prximo ao es 0.7. Suponga que las dos acciones son eventos independientes. Cul es la
probabilidad de que ambas acciones incrementen su valor el prximo ao?
P (IBM y GE) = (0.5)(0.7) = 0.35
Cul es la probabilidad de que al menos una de estas acciones aumente su valor durante
el prximo ao?
P(al menos una) = (0.5)(0.3) + (0.5)(0.7) + (0.7)(0.5) = 0.15 + 0.35 +0.35 = 0.85

5.5.- Probabilidad Condicional: es la probabilidad de que ocurra un evento determinado, dado
que otro evento ya haya ocurrido. La probabilidad de que ocurra el evento A dado que el evento
B ha ocurrido se escribe P(A/B).

5.5.1.- Regla general de la multiplicacin: es utilizada para encontrar la probabilidad
conjunta de que dos eventos ocurran. La regla establece que dados dos eventos A y B, la
probabilidad conjunta de que ambos ocurran se encuentra multiplicando la probabilidad
de que suceda A, por la probabilidad condicional de que ocurra el evento B.

La probabilidad conjunta P(A y B) est dada por la siguiente frmula:
P(A y B) = P(A)P(B/A) P(A y B) = P(B)P(A/B)
Ejemplo:
El director de la Escuela de Negocios de la Universidad Nacional, recopil la siguiente
informacin acerca de estudiantes no graduados en su escuela:

Especialidad Hombre Mujer Total
Contadura 170 110 280
Finanzas 120 100 220
Mercadotecnia 160 70 230
Administracin 150 120 270
Total 600 400 1000
- Si un estudiante es seleccionado al azar, cul es la probabilidad de que el estudiante sea
una mujer (F) pasante de contadura (A)?
P(A y F) = 110/1000
- Dado que el estudiante es una mujer, cul es la probabilidad de que ella sea pasante de
contadura?
P(A/F) = P(A y F)/P(F) = [110/1000]/[400/1000] = 0.275
6.- PROCESO ESTOCSTICO: Un proceso estocstico es aquel en el que se representan todos y
cada uno de los pasos necesarios para realizar una actividad, adems de las formas o maneras en
que cada uno de los pasos puede ser llevado a efecto y sus respectivas probabilidades, dicho de
otra manera, cualquier proceso en el que se involucren probabilidades es un proceso estocstico.

7.- DIAGRAMA DE RBOL: es una representacin grfica til para organizar clculos que abarcan
varias etapas. Cada segmento en el rbol es una etapa del problema. Las probabilidades escritas
cerca de las ramas son las probabilidades condicionales del experimento.

Ejemplo:
En una bolsa que contiene 7 chips rojos y 5 chips azules, usted selecciona dos chips uno despus
del otro sin reemplazarlo. Elabore un diagrama de rbol mostrando esta informacin.

8.- TEOREMA DE BAYES: es un mtodo que utiliza la probabilidad revisada con base en
informacin adicional. Se calcula utilizando la siguiente frmula:

Ejemplo:
Una embotelladora de refresco de cola recibi varias denuncias acerca del bajo contenido de sus
botellas. Una denuncia fue recibida hoy, pero el gerente de produccin no puede identificar cul
de las dos plantas en Aguascalientes (A o B) llen estas botellas. Cul es la probabilidad de que las
botellas defectuosas provengan de la planta A?
La siguiente tabla resume la experiencia de produccin de dicha embotelladora:

Plantas % del total de
produccin
% de botellas
defectuosas
A 55 3
B 45 4
) / ( ) ( ) / ( ) (
) / ( ) (
) | (
2 2 1 1
1 1
1
A B P A P A B P A P
A B P A P
B A P
+
=
4783 .
) 04 (. 45 . ) 03 (. 55 .
) 03 (. 55 .
) / ( ) ( ) / ( ) (
) / ( ) (
) / (
=
+
=
+
=
B U P B P A U P A P
A U P A P
U A P

La probabilidad de que las botellas fueran llenadas en la planta A se redujo de 0.55 a 0.4783

9.- PRINCIPIO DE CONTEO:
- Frmula de la multiplicacin: Si hay m formas de hacer una cosa, y n formas de hacer
otra, existirn m x n formas de hacer ambas.
Ejemplo: el Dr. Velasco tiene 10 camisas y 8 corbatas. Cuntos juegos de camisa y
corbata puede tener? Resp: (10)(8) = 80
- Permutacin: un arreglo o disposicin de r objetos seleccionados de un solo grupo de n
objetos posibles. El orden del arreglo es importante en las permutaciones.

- Combinacin: es el nmero de maneras de escoger r objetos de un grupo de n objetos sin
importar el orden:

Ejemplo:
Hay 12 jugadores en el equipo de bsquetbol de la Preparatoria Popular. El director tcnico Toms
Prez debe escoger 5 jugadores de los 12 del equipo para formar su lnea de inicio. De cuntas
maneras diferentes puede hacerlo?

Suponiendo que adems de formar los grupos de 5 jugadores, el tcnico debe respetar el orden de
los mismos de acuerdo a su habilidad.

I. DISTRIBUCIONES DE PROBABILIDAD
Una distribucin de probabilidad es la lista de todos los resultados posibles de un experimento y la
correspondiente probabilidad.

Definiciones Bsicas:
1.- Variable Aleatoria: es un valor numrico determinado por el resultado de un experimento.
2.- Tipos de Variables Aleatorias
2.1. Variable discreta: es aquella que su conjunto de posibles resultados es contable. Ej.
Datos que se cuentan, tales como N de nios nacidos en un hospital en un mes, N
de accidentes de carretera por ao.
2.2. Variable continua: es aquella que puede tomar valores en una escala continua. Ej.
Datos medidos en pesos, alturas, temperaturas, etc.

)! (
!
r n
n
P
r n
=
)! ( !
!
r n r
n
Cr n
=
792
)! 5 12 ( ! 5
! 12
5 12 =
= C
040 , 95
)! 5 12 (
! 12
5 12
=
= P
Tipos de Distribuciones de Probabilidad
1. Distribucin de probabilidad discreta: puede asumir slo valores claramente separados.
Ejemplos: el nmero de estudiantes en una clase, el nmero de nios en una familia, el
nmero de autos entrando en un auto lavado por hora, el nmero de clientes que llegan a
una esttica cada hora.
2. Distribucin de probabilidad continua: puede asumir un nmero infinito de valores
dentro de un rango determinado. La distancia que recorre cada estudiante para llegar a su
clase. Ejemplos: el tiempo que le toma a un ejecutivo llegar a su trabajo, el tiempo
invertido en una llamada telefnica, la estatura de los alumnos de un grupo en clase.

1.- Distribucin de Probabilidad Discreta
Definicin: el conjunto de pares ordenados (x, f
(x)
), es una distribucin de probabilidad de la
variable aleatoria X; donde f
(x)
es una funcin de probabilidad y si se cumple para cada posible
resultado x, que:
1.- f
(x)
> 0
2.-
=
x
x
f 1
) (

3.- P(X = x) = f
(x)

Ejemplo:
Considere un experimento aleatorio en el cual una moneda es lanzada tres veces. Sea x el
nmero de caras. Sea H la que representa el resultado cara y T el resultado cruz.

Sea X la variable aleatoria que representa el nmero de caras en tres lanzamientos de una
moneda.
Los posibles resultados (espacio muestral) para este experimento sern:
{TTT, TTH, THT, THH, HTT, HTH, HHT, HHH}
Entonces los valores posibles para x (nmero de caras) son 0, 1, 2, 3.
X f
(x)
= P(X = x) F
(x)
=P(Xsx)
0 1/8 1/8
1 3/8 4/8
2 3/8 7/8
3 1/8 1
Ef
(x)
= 1
Donde:
f
(x):
Funcin de Probabilidad.
F
(x)
= Funcin de Distribucin Acumulada.

Toda Variable Aleatoria tiene las siguientes caractersticas:
1.- Funcin de probabilidad
2.- Funcin de distribucin
3.- Esperanza Matemtica
4.- Varianza
5.- Desviacin Estndar

La FUNCIN DE DISTRIBUCIN se define como F
(x)
= P(X s x)
Calculando la funcin de distribucin para el ejemplo anterior se tiene:
F
(x)
= P(X s x)
P(x s 1) = 4/8 = 0.5
Haciendo uso de funcin de distribucin, se pueden calcular las probabilidades siguientes:
- P(1 s x s 3) = P(x s 3) P(x < 1) = 1 1/8 = 7/8
- P(x > 2) = 1 P(x < 2) = 1 = 4/8 = 0.5
Toda variable aleatoria tiene ESPERANZA E(X) Y VARIANZA V(X)
- E(x) = Ex
i
P(x)
- V(x) = E(x
2
) (E(x))
2

En el ejemplo la esperanza es:
E(x) = (0 x 1/8) + (1 x 3/8) + (2 x 3/8) + (3 x 1/8) = 12/8 = 1.5
E(x
2
) = (1
2
x 3/8) + (2
2
x 3/8) + (3
2
x 1/8) = 24/8 = 3
Otra frmula para la varianza es:
V(x) = E(x
2
) E(x)
2

la cual se deduce de la definicin:
V(x) = E(x E(x))
2
V(x) = E(x
2
2xE(x) + E(x)
2
)
V(x) = E(x
2
) 2E(x)
2
+ E(x)
2

V(x) = E(x
2
) E(x)
2
Al aplicarla al ejemplo, se tiene:
V(x) = 3 (1.5)
2
= 0.75

MEDIA DE UNA DISTRIBUCIN DISCRETA DE PROBABILIDAD
- Registra la ubicacin central de los datos.
- Es el valor promedio a largo plazo de la variable aleatoria.
- Tambin se le conoce como su valor esperado, E(x), en una distribucin de probabilidad.
- Es un promedio ponderado.
- La media es calculada con la frmula:

Donde: representa la media, y P(x) es la probabilidad de que x asuma algn valor.

VARIANZA DE UNA DISTRIBUCIN DISCRETA DE PROBABILIDAD
- La varianza mide el tamao de la dispersin de una distribucin.
- La varianza de una distribucin discreta es representada por la letra griega
2
(sigma
cuadrada).
- La desviacin estndar es la raz cuadrada
2
.
- La varianza de una distribucin de probabilidad discreta es calculada con la siguiente
frmula:

)] ( [ x xP E =
)] ( ) [(
2 2
x P x o E =
Ejemplo:
David Ramrez, dueo de un negocio de servicios de pintura, estudi sus registros de las ltimas 20
semanas y reporta el siguiente nmero de casas pintadas por semana:
# de casas
pintadas
semanas
10 5
11 6
12 7
13 2

- Distribucin de Probabilidad

Nmero de
casas
pintadas, x
Probabilidad, P(x)
10 0.25
11 0.30
12 0.35
13 0.10
TOTAL 1.00

- Calcule el nmero medio de casas pintadas por semana:

- Calcule la varianza del nmero de casas pintadas por semana:

3 . 11
) 10 )(. 13 ( ) 35 )(. 12 ( ) 30 )(. 11 ( ) 25 )(. 10 (
)] ( [ ) (
=
+ + + =
E = = x xP x E
91 . 0
2890 . 0 1715 . 0 0270 . 0 4225 . 0
) 10 (. ) 3 . 11 13 ( ... ) 25 (. ) 3 . 11 10 (
)] ( ) [(
2 2
2 2
=
+ + + =
+ + =
E = x P x o
1.1.- Distribucin Binomial
La Distribucin Binomial surge de un experimento Bernoulli, nombrado as en honor del
matemtico suizo James Bernoulli (1654-1785). Cuando en un solo ensayo puede ocurrir slo
uno de dos resultados mutuamente excluyentes, como xito, fracaso, alivio o muerte, presencia
o ausencia, macho o hembra, el ensayo se denomina ensayo Bernoulli.
0 fracaso
Sea Y
i
=

1 xito

Una secuencia de ensayos de Bernoulli forma un proceso de Bernoulli si se cumplen las
siguientes condiciones:
1. En cada ensayo ocurre uno de los posibles resultados mutuamente excluyentes. Uno de los
posibles resultados se denota (arbitrariamente) como un xito y el otro como un fracaso.
2. La probabilidad de un xito, denotado por p, permanece constante de un ensayo a otro, y la
probabilidad de fracaso, 1 p, se denota por q, q = 1-p.
3. Los ensayos son independientes, es decir, el resultado de algn ensayo en particular no es
afectado por el resultado de cualquier otro ensayo.

La variable aleatoria Binomial, se define como una suma de variables Bernoulli: X = E Y
i
.
Las caractersticas de esta variable son:
1. Funcin de probabilidad: ( ) ( ) ,...n , para x q p
x
n
x X P x f
x n x
1 0 =
|
|
.
|
\
|
= = =

2. Funcin de Distribucin: ( ) ( )
0
x n x
x
q p
x
n
x X P x F

|
|
.
|
\
|
= s =

a. La esperanza matemtica es: E(x) = np
b. La varianza es V(x) = npq

Donde:
n: es el nmero de ensayos.
x: es el nmero de xitos.
p: probabilidad de xito en cada ensayo.
q: probabilidad de fracaso.

Ejemplo:
Se desea calcular la probabilidad de x xitos en n ensayos de Bernoulli. Supngase que en cierta
poblacin el 52% de todos los nacimientos que se registraron son varones. Si aleatoriamente se
seleccionan cinco registros de nacimientos dentro de esa poblacin, cul es la probabilidad de
que exactamente tres de ellos pertenezcan a varones?

Sea A el suceso correspondiente a las combinaciones del nacimiento exactamente de tres
varones de entre cinco.
A = {VVVHH, VVHVH, VVHHV, VHVVH, VHVHV, VHHVV, HVVVH, HVVHV, HVHVV, HHVVV}
Ahora vamos a calcular la probabilidad del nacimiento exactamente de tres varones empleando
las nociones de probabilidad.
La probabilidad de del nacimiento de tres varones y dos hembras es:

P(V, V, V, H, H) = pppqq
P(V, V, V, H, H = p
3
q
2

Para las 10 posibles combinaciones es:
P(x = 3) = 10 x p
3
q
2

P(x = 3) = 10 x (0.52)
3
(0.48)
2

P(x = 3) = 0.3240
Calculando dicha probabilidad empleando la funcin de probabilidad, se tiene:
P(X = x) = f
(x)
=
|
|
.
|
\
|
x
n
p
x
q
n x
=
n
C
x
p
x
q
n x

P(x = 3) = 324 . 0 ) 48 . 0 ( ) 52 . 0 ( 10 ) 48 . 0 ( ) 52 . 0 (
! 2 ! 3
! 5
) 48 . 0 ( ) 52 . 0 (
3
5
2 3 2 3 3
= = =
|
|
.
|
\
|
x
1.2.- Distribucin de Poisson: esta distribucin es llamada as en honor al matemtico francs
Simeon Denis Poisson (1781-1840), la cual ha sido empleada extensamente en biologa y
medicina.
La distribucin de probabilidad de Poisson describe la cantidad de veces que ocurre un evento en
un intervalo determinado.
Esta distribucin tambin es una forma lmite de la distribucin binomial, cuando la probabilidad
de xito es muy pequea y n es grande.

Caractersticas del Proceso de Poisson
1. Las ocurrencias de los eventos son independientes. La ocurrencia de un evento en un
intervalo de espacio o tiempo no tiene efecto en la probabilidad de una segunda ocurrencia del
evento en l mismo o en algn otro intervalo.
2. Tericamente, es posible la ocurrencia de un evento un nmero infinito de veces dentro del
intervalo.
3. La probabilidad de una sola ocurrencia del evento en un intervalo dado es proporcional a la
dimensin del intervalo.
4. En cualquier fraccin infinitesimal del intervalo, la probabilidad de ms de una ocurrencia
del evento es insignificante.

Una caracterstica interesante de esta distribucin es que su esperanza y varianza son iguales.
Por lo tanto, su esperanza matemtica es E(x) = y su varianza es V(x) = .
La distribucin de Poisson puede describirse matemticamente utilizando la siguiente frmula:

Donde:
- es la media del nmero de ocurrencias (xitos) en un intervalo especfico.
- e es la constante 2.71828 (base del sistema logartmico neperiano).
- x es el nmero de xitos.
- P(x) es la probabilidad que se va a calcular para un valor dado de x.

Ejemplo:
1.- La Sra. Bonilla est encargada de los prstamos en el banco del centro de Peralvillo. Con base
en sus aos de experiencia, estima que la probabilidad de que un solicitante no sea capaz de
pagar su prstamo, es 0.025. El mes pasado realiz 40 prstamos. Cul es la probabilidad de
que 3 prstamos no sean pagados a tiempo?
= np = 40(.025) = 1 P(3) = 1
3
e
-1
/3! = 0.0613
!
) (
x
e
x P
u x
=


2.- Supngase que se sabe que en cierta rea de una gran ciudad el nmero promedio de ratas
por manzana es de cinco. Supngase que el nmero promedio de ratas sigue una distribucin de
Poisson, encuentre la probabilidad de que en una manzana elegida aleatoriamente: (Daniel, pg.
118).
a. Existan exactamente cinco ratas.
b. Existan ms de cinco ratas.
c. Existan menos de cinco ratas.
d. Existan entre cinco y siete ratas, inclusive.

Para = 5
a) P(x = 5) = 176 . 0 01755
! 5
5
5 5
~ =
e

Si se hace uso de la tabla tenemos:
P(x = 5) = P(x s 5) P(x s 4) = 0.616 0.440 = 0.176
b) P(x > 5) = 1 P(x s 5) = 1 0.616 = 0.3840
c) P(x < 5) = P(x s 4) = 0.440
d) P(5 s x s 7) = P(x s 7) P(x < 5) = P(x s 7) P(x s 4) = 0.867 0.440
P(5 s x s 7) = 0.4270

2.- Distribuciones de Probabilidad Continua
Una distribucin es continua cuando la masa (en el caso continuo se supone que la probabilidad
es una masa unitaria distribuida sobre el eje real) total de la probabilidad se encuentra distribuida
continuamente en el eje real, con funcin densidad f(x).
En el caso de variables aleatorias continuas solo tiene sentido hablar de probabilidades sobre
intervalos, ms no sobre valores puntuales, esto se debe a que las probabilidades se representan
mediante reas bajo una curva, y para que exista un rea se requieren dos dimensiones (largo y
ancho).

Propiedades de una funcin de densidad
Si f(x) es una funcin de densidad entonces:
1.- f(x) 0 para cualquier valor de x.
2.- ()

- Si la variable aleatoria x tiene una funcin de densidad f(x), la probabilidad de que x se
encuentre en el intervalo [a, b] es: ( ) ()

ESPERANZA MATEMTICA O VALOR ESPERADO
Sea X una variable aleatoria continua con funcin de densidad f(x). El valor esperado o esperanza
matemtica de x es:
() ()

VARIANZA : V(x) = E(X
2
) -

2.1.- Distribucin Normal
Es la distribucin ms importante de la Estadstica, la formula para esta distribucin fue publicada
por Abraham de Movre (1667-1754) el 12 de Noviembre de 1733 (citado por Daniel, pg. 122).
Tambin, es conocida como distribucin de Gauss en reconocimiento a las contribuciones
realizadas por Friedrich Gauss (1777-1855).
La funcin de densidad Normal est dada por:
( )
( )
,
2
1 2 2
2 / o
o t

=
x
e x f < < x
Los parmetros de la distribucin son la media () y la desviacin estndar (o). La densidad
Normal alcanza su valor mximo en la media. La desviacin tpica expresa la concentracin de la
distribucin alrededor del valor esperado

Caractersticas de la distribucin Normal:
1. Es simtrica respecto a su media.
2. Las medidas de tendencia central: media, mediana y moda son iguales.
3. El rea total bajo la curva sobre el eje de las x es una unidad de rea, puesto que es una
distribucin de probabilidad. Adems, por ser simtrica, el 50% del rea est a la derecha de
la perpendicular que se levanta sobre la media, y el otro 50% a su izquierda.
4. Los parmetros y o determina la distribucin, es decir, que para cada valor diferente
de y o se especifica una distribucin Normal diferente. Por tal razn se habla de la familia
de la distribucin Normal.

x

Figura 4: Distribucin Normal

La curva de la Normal tiene la forma de Campana, simtrica. Dependiendo de la Desviacin
Estndar y para una misma media poblacional la curva Normal, puede tomar tres formas:
Platicurtica, Leptocurtica y Mesocurtica, tal como se muestra en la figura 5. Mientras, en la figura 6
se observan tres distribuciones normales con diferentes medias poblacionales e igual variabilidad.


2.2.- Distribucin de Probabilidad Normal Estndar
- La distribucin normal estndar es una distribucin normal con media cero y desviacin
estndar de 1. Tambin es llamada distribucin z.
- Un valor z es la distancia entre un valor seleccionado llamado x, y la media de la poblacin
, dividida entre la desviacin estndar, . La frmula es:
Z = (x )/
Por lo tanto al sustituir en la funcin de densidad queda:
( ) ,
2
1
2 /
2
z
e z f

=
t
< < z
Ejemplo:
1.- El salario inicial de los primeros dos meses de los recin graduados de MBA siguen la
distribucin normal con una media de $2,000 y una desviacin estndar de $200. Cul es el valor
z para un salario de $2,200?
Z = (x )/s = (2,200 2,000)/200 = 2.00
- Cul es el valor z de $1,700?
Z = (x )/ = (1,700 2,000)/200 = -1.50
Un valor z de 1 indica que el valor de $2,200 es una desviacin estndar arriba de la media de
$2,000.
Un valor z de -1.50 indica que $1,700 es 1.5 desviacin estndar debajo de la media de $2,000.

2.- En un estudio de dactilografa, una caracterstica cuantitativa muy importante es el total de
surcos en los 10 dedos de un individuo. Supngase que el total de surcos en los dedos de los
individuos en una poblacin tienen distribucin aproximadamente normal con una media de 140 y
una desviacin estndar de 50. Calcular la probabilidad de que un individuo, elegido al azar de
entre esa poblacin, tenga un total de surcos en los dedos: (Daniel, pag. 133).
a. De 200 a ms.
b. Menos de 100.
c. Entre 100 y 200.
d. Entre 200 y 250.
e. En una poblacin de 10.000 personas, cuntos puede esperarse que tengan un total de 200
surcos o ms?
Sea = 140 y o = 50, para calcular la probabilidad se debe transformar la variable x en z, es
decir debemos estandarizar:
a) P(x > 200) = 1 P(x < 200) = 1 P(Z <
50
140 200
) = 1 P(Z <
50
60
) = 1 - P(Z < 1.2)
= 1 - 0.8849 = 0.1151
b) P(x < 100) = P(Z <
50
140 100
) = P(Z < -0.80) = 0.2119
c) P(100 < x < 200) = P(x < 200) P(x < 100) = P(Z <
50
140 200
) P(Z <
50
140 100
)
P(100 < x < 200) = P(Z < 1.2) P(Z < -0.80) = 0.8849 0.2119 = 0.6730
d) P(200 < x < 250) = P(x < 250) P(x < 200)
P(200 < x < 250) = P(Z <
50
140 250
) P(Z <
50
140 200
) = P(Z < 2.2) P(Z < 1.2)
= 0.9861 0.8849 = 0.1012
e) El nmero de surcos esperados se calcula como: np, donde n=10.000 y p=0.1151, por tanto,
np = 10.000 x 0.1151 = 1151.

reas bajo la curva normal
- Aproximadamente 68% del rea bajo la curva normal est entre la media ms una y
menos una desviaciones estndar, y se expresa +- 1.
- Alrededor de 95% del rea bajo la curva normal est entre la media ms dos y menos dos
desviaciones estndar, lo que se expresa +- 2.
- Prcticamente toda el rea bajo la curva normal est entre la media y tres desviaciones
estndar (a uno y otro lados del centro), es decir +- 3.

Ejemplo:
El uso diario de agua por persona en Vista Bella, Naucalpan, est distribuido normalmente con una
media de 20 galones y una desviacin estndar de 5 galones. Aproximadamente 68% de ellos
cuntos galones de agua consumen?
Aproximadamente 68% del uso diario de agua cae entre 15 y 25 galones.
- Cul es la probabilidad de que una persona de Vista Bella seleccionada al azar consuma
entre 20 y 24 galones por da?
Z = (x )/ = (20 20)/5 = 0.00
Z = (x )/ = (24 20)/5 = 0.80
El rea bajo la curva normal entre un valor z de cero y un valor z de 0.80 es 0.2881.
Por lo tanto se concluye que el 28.81% de los residentes consumen entre 20 y 24 galones de agua
por da.
- Qu porcentaje de la poblacin consume entre 18 y 26 galones por da?
Z = (x )/ = (18 20)/5 = 0.40
Z = (x )/ = (26 20)/5 = 1.20
El rea asociada con un valor z de 0.40 es de 0.1554 y con un valor z de 1.20 es de 0.3849.
Sumando estas reas, el resultado es 0 .5403.
Por lo tanto se concluye que el 54.03% de los residentes consumen entre 18 y 26 galones de agua
por da.

La aproximacin normal a la binomial
- La distribucin normal (una distribucin continua) proporciona una buena aproximacin
de la distribucin binomial (una distribucin discreta) para valores grandes de n.
- La distribucin de probabilidad normal es generalmente una buena aproximacin para la
distribucin de probabilidad binomial cuando np y n(1 p) son ambos mayores que 5.

Factor de correccin de continuidad
El valor 0.5 que se resta o se suma, dependiendo de la situacin, a un valor seleccionado cuando
una distribucin de probabilidad discreta se aproxima por medio de una distribucin de
probabilidad continua.

Ejemplo:
Un estudio reciente de una firma de estudios de mercado mostr que 15% de residentes
americanos son propietarios de una videocmara. Para una muestra de 200 hogares, cuntos de
los hogares esperara que tengan videocmara?

Esta es la media de una distribucin binomial.
- Cul es la varianza?

- Cul es la desviacin estndar?

- Cul es la probabilidad de que menos de 40 hogares en la muestra tengan videocmaras?
Usamos el factor de correccin, por lo tanto x es 39.5. El valor z es:
Z = (x )/ = (39.5 40)/5.0498 = 1.88
- El rea entre 0 y 1.88 en la escala z es .4699.
- Por lo tanto, el rea a la izquierda de 1.88 es .5000 + .4699 = .9699.
La probabilidad de que menos de 40 de los 200 hogares tengan videocmara es
aproximadamente 97%.

2.3.- Distribucin Gamma: algunas variables aleatorias son siempre no negativas y por diversas
razones dan origen a distribuciones de datos sesgados (asimtricas) a la derecha, es decir, la
mayor parte del rea bajo la funcin de densidad est cerca del origen, y la funcin de densidad
disminuye gradualmente a medida que aumenta y. En la figura se observa funciones de densidad
gamma.

30 ) 200 )( 15 . 0 ( = = = np
5 . 25 ) 15 . 0 1 )( 30 ( ) 1 (
2
= = = p np o
0498 . 5 5 . 25 = = o
Este tipo de distribucin es usada por ejemplo para calcular tiempos entre fallas de
funcionamiento de los motores de cierto avin, tiempos que pasan los clientes formados para
llegar a la caja en un supermercado.
La distribucin gamma se define a partir de la funcin gamma, cuya ecuacin es:

- La funcin de densidad de la distribucin gamma es:

y son los parmetros de la distribucin.
- La media y la varianza de la variable gamma son:

- La funcin de densidad Gamma en la que = 1 se llama funcin de densidad exponencial.
Su funcin de densidad es:

- Su parmetro es .
- La media y la varianza de la distribucin exponencial son:

2.4.- Distribucin Beta
La funcin de densidad beta es una funcin de densidad con dos parmetros, definida en el
intervalo cerrado 0<x<1. A menudo se utiliza como modelo para representar proporciones, como
el porcentaje de impurezas presentes en un producto qumico o la cantidad de tiempo que una
mquina est en reparacin.
Se dice que una variable aleatoria beta X tiene una distribucin de probabilidad beta con
parmetros > 0 y >0 si y solo si la funcin de densidad de X est representada por la expresin:
() {
( )
( )

Donde:
( )
( )

()()
( )

2.5.- Distribuciones Bidimensionales
A menudo el experimentador quiere saber ms de la interseccin de dos o ms eventos. Por
ejemplo, un bilogo que observa la cantidad de cras que sobreviven en una camada est
interesado en la interseccin de los siguientes eventos:
A: La camada contiene n animales
B: y animales sobreviven

De manera similar, la observacin de la estatura y el peso de una persona representan la
interseccin de un par de eventos especficos relacionados con la medicin de la altura y el peso.
Es posible definir diversas variables aleatorias en el mismo espacio muestral. Por ejemplo,
considere el experimento que consiste en lanzar un par de dados. El espacio muestral contiene 36
puntos muestrales, que corresponden a las mn = 6 * 6 = 36 maneras en que pueden aparecer los
nmeros en las caras del dado.
Cualquiera de las siguientes variables aleatorias definidas en el espacio muestral podra interesar
al experimentador:
X
1
: Nmero de puntos que muestra el dado 1.
X
2
: Nmero de puntos que muestra el dado 2.
X
3
: Suma del nmero de puntos de los dados.
X
4
: Producto del nmero de puntos que aparecen en los dados.

Los 36 puntos muestrales relacionados con el experimento son equiprobables y corresponden a
los 36 eventos numricos (x
1
, x
2
). Por lo tanto, lanzar un par de nmeros uno constituyen el evento
simple (1,1); obtener un 2 en el primer dado y un 3 en el segundo dado constituye el evento
simple (2,3). Ya que todos los pares (x
1
, x
2
) ocurren con la misma frecuencia relativa, asignemos
una probabilidad de 1/36 a cada punto muestral. De ah que la funcin de probabilidad bivariable
sea:
p(x
1
, x
2
) = p(X
1
= x
1
, X
2
= x
2
) = 1/36, x
1
=1,2,,6, x
2
= 1,2,..6.
- Si X
1
y X
2
son dos variables aleatorias discretas, la distribucin de probabilidad conjunta (o
bivariable) de x
1
y x
2
est determinada por:
p(x
1
, x
2
) = p(X
1
= x
1
, X
2
= x
2
) ,

Denominaremos a la funcin P(x
1
, x
2
) funcin de probabilidad conjunta.
- Si X
1
y X
2
son dos variables aleatorias discretas con una funcin de probabilidad conjunta
p(x
1
, x
2
), entonces:
1.- p(x
1
, x
2
) 0, para toda x
1
, x
2
.
2.- (
donde la suma incluye todos los valores (x

1
, x
2
) que tienen
asigandas probabilidades diferentes de cero.
- La funcin de distribucin conjunta F(x
1
, x
2
) de dos variables aleatorias discretas X
1
y X
2
cualesquiera, est dada por:
F(x
1
, x
2
) = P (X
1
x
1
, X
2
x
2
),

- La funcin de distribucin conjunta F(x
1
, x
2
) de dos variables aleatorias continuas X
1
y X
2
cualesquiera, est dada por:
(
) (
, para toda

- Para variables aleatorias continuas f(x
1
, x
2
) se llama funcin de densidad de
probabilidad conjunta y se cumple que:
1.- f(x
1
, x
2
) 0, para toda x
1
, x
2
.
2.- (

La Guia Que Falta

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

La Guia Que Falta

Uploaded by

Copyright:

Available Formats

Unidad I.

Fundamentos de Procesos Estocsticos Experimento Aleatorio - Distribuciones

donde la suma incluye todos los valores (x

You might also like