You are on page 1of 235

Capítulo 3 Distribuciones de Probabilidades  ____________________________________ 7 

Objetivos __________________________________________________________________________ 7 
Introducción  ___________________________________________________________________ 8 
Variable aleatoria, v.a. _______________________________________________________________ 8 
Distribución de probabilidades  ________________________________________________________ 9 
Ia Una variable _________________________________________________________________ 10 
1 Métodos tabulares y gráficos  _______________________________________________________ 10 
a Variables cuantitativas discretas _____________________________________________________ 10 
Tablas  _________________________________________________________________________ 10 
Diagramas ______________________________________________________________________ 10 
PF  ____________________________________________________________________________ 10 
CDF ___________________________________________________________________________ 11 
b. Variables cuantitativas de escala ____________________________________________________ 15 
Diagramas ______________________________________________________________________ 15 
PDF  ___________________________________________________________________________ 15 
Probabilidad de masas ____________________________________________________________ 16 
CDF ___________________________________________________________________________ 16 
2. Métodos numéricos ______________________________________________________________ 17 
Medidas de posición ________________________________________________________________ 17 
Modo  _________________________________________________________________________ 17 
Mediana  _______________________________________________________________________ 17 
Valor esperado __________________________________________________________________ 17 
Medidas de dispersión ______________________________________________________________ 18 
Amplitudes _____________________________________________________________________ 18 
Desviación Media ________________________________________________________________ 18 
Varianza  _______________________________________________________________________ 18 
Desviación estándar ______________________________________________________________ 19 
Propiedades  ______________________________________________________________________ 19 
Desigualdad de Tchebyscheff _________________________________________________________ 19 
Problema resuelto 3.1 Selección de 3 esferas ________________________________________ 20 
Problema resuelto 3.2 Dado 1 ____________________________________________________ 20 
Problema resuelto 3.3 Dado 2 ____________________________________________________ 22 
Problema resuelto 3.4 Clientes de un supermercado __________________________________ 22 
Problema resuelto 3.5 Demanda de nafta ___________________________________________ 23 
Suceso poco común: criterio con probabilidades  _________________________________________ 23 
Problema resuelto 3.6 Dados de distintos colores  ____________________________________ 24 
Ib Funciones de variables aleatorias (una variable)  ___________________________________ 25 
Eventos equivalentes _____________________________________________________________ 25 
Métodos _________________________________________________________________________ 26 
1 Caso discreto __________________________________________________________________ 26 
Método de la PF _________________________________________________________________ 26 
Problema resuelto 3.7 Transformación cuadrática ____________________________________ 26 
2 Caso contínuo  _________________________________________________________________ 26 
Método de la CDF ________________________________________________________________ 26 
Problema resuelto 3.8 Transformación cuadrática ____________________________________ 27 
Método de la PDF ________________________________________________________________ 28 
Problema resuelto 3.9 Transformación lineal  ________________________________________ 29 
Método de la MGF _______________________________________________________________ 30 
Métodos numéricos ________________________________________________________________ 30 
Valor esperado de Y ______________________________________________________________ 30 
Ic Modelos teóricos de una variable  _______________________________________________ 31 
SPSS y EXCEL ____________________________________________________________________ 31 

1

Capítulo 3 Distribuciones de Probabilidades

1. Modelos discretos  _______________________________________________________________ 32 
Distribución de Bernoulli, b(y,1,p) _____________________________________________________ 32 
Supuestos ______________________________________________________________________ 32 
Caracterización __________________________________________________________________ 33 
Distribución Binomial, b(y,n,p) ________________________________________________________ 33 
Supuestos ______________________________________________________________________ 33 
Problema resuelto 3.10 Fiesta numerosa  ___________________________________________ 35 
Expresiones generales  ____________________________________________________________ 37 
Caracterización __________________________________________________________________ 37 
Proporción muestral ______________________________________________________________ 39 
Uso de tablas  ___________________________________________________________________ 39 
Problema resuelto 3.11 Paquetes de una distribuidora  ________________________________ 39 
Distribución Hipergeométrica, h(y,N,n,k)  _______________________________________________ 40 
Supuestos ______________________________________________________________________ 40 
Problema resuelto 3.12 Fiesta no numerosa _________________________________________ 41 
Expresiones generales  ____________________________________________________________ 42 
Caracterización __________________________________________________________________ 43 
Aproximación de una hipergeométrica _______________________________________________ 44 
Distribución geométrica, g(y,p)  _______________________________________________________ 44 
Supuestos ______________________________________________________________________ 44 
Expresiones generales  ____________________________________________________________ 45 
Caracterización __________________________________________________________________ 45 
Pérdida de la memoria ____________________________________________________________ 46 
Problema resuelto 3.13 Auditorías con errores _______________________________________ 47 
Distribución binomial negativa o de Pascal, bn(y,r,p) ______________________________________ 48 
Supuestos ______________________________________________________________________ 48 
Expresiones generales  ____________________________________________________________ 49 
Caracterización __________________________________________________________________ 49 
Relaciones entre las CDF Binomial y Pascal ____________________________________________ 50 
Pascal y Binomial  ________________________________________________________________ 50 
Geométrica y Binomial ____________________________________________________________ 51 
Problema resuelto 3.14 Gripe H1N1  _______________________________________________ 51 
Problema resuelto 3.15 Falla de un motor  __________________________________________ 52 
Distribuciones multinomial y multihipergeométrica _______________________________________ 53 
Distribución de Poisson, p(y,λ) ________________________________________________________ 53 
Supuestos ______________________________________________________________________ 53 
Caracterización __________________________________________________________________ 56 
Problema resuelto 3.16 Preguntas a un consultor _____________________________________ 57 
Aproximación de una binomial  _____________________________________________________ 59 
Uso de tablas  ___________________________________________________________________ 59 
Problema resuelto 3.17 Errores en un libro __________________________________________ 60 
Diseños con tabla de contingencias ____________________________________________________ 60 
2. Modelos contínuos _______________________________________________________________ 63 
Distribución Uniforme, r(x,a,b) ________________________________________________________ 63 
Caracterización __________________________________________________________________ 64 
Problema resuelto 3.18 Distribución uniforme _______________________________________ 65 
Problema resuelto 3.19 Espera del ómnibus _________________________________________ 65 
Distribución Exponencial, e(t,ω) _______________________________________________________ 66 
Caracterización __________________________________________________________________ 67 
Pérdida de la memoria ____________________________________________________________ 68 
Distribución Gamma ________________________________________________________________ 68 
Función Gamma _________________________________________________________________ 68 
Problema resuelto 3.20 Γ(1/2) ____________________________________________________ 69 
Distribución Gamma(x,r,α) _________________________________________________________ 69 
Caracterización __________________________________________________________________ 70 

2 Jorge Carlos Carrá

Introducción – Objetivos

Exponencial _____________________________________________________________________ 70 
Relaciones entre las CDF de Gamma y Poisson _________________________________________ 71 
Gamma y Poisson ________________________________________________________________ 71 
Exponencial y Poisson _____________________________________________________________ 72 
Problema resuelto 3.21 Distribución exponencial _____________________________________ 73 
Problema resuelto 3.22 Reparación de aviones  ______________________________________ 75 
Distribución Normal, n(z,0,1) _________________________________________________________ 76 
Supuestos ______________________________________________________________________ 76 
PDF  ___________________________________________________________________________ 77 
CDF ___________________________________________________________________________ 80 
Caracterización __________________________________________________________________ 80 
Propiedades  ____________________________________________________________________ 82 
Uso de tablas  ___________________________________________________________________ 82 
Problema resuelto 3.23 Distribución normal _________________________________________ 82 
Problema resuelto 3.24 Método de Sympson ________________________________________ 83 
Problema resuelto 3.25 Coeficiente de inteligencia  ___________________________________ 83 
Regla empírica  __________________________________________________________________ 85 
Aproximación de una binomial y de una Poisson  _______________________________________ 86 
Problema resuelto 3.26 Estudiantes promocionados __________________________________ 87 
Distribución t de Student, f(t,ν) _______________________________________________________ 88 
Caracterización __________________________________________________________________ 89 
Propiedades  ____________________________________________________________________ 90 
Uso de tablas  ___________________________________________________________________ 90 
Problema resuelto 3.27 Distribución t de Student  ____________________________________ 90 
Distribución chi cuadrado, f(χ2, ν) _____________________________________________________ 91 
Caracterización __________________________________________________________________ 93 
Propiedades  ____________________________________________________________________ 93 
Uso de tablas  ___________________________________________________________________ 95 
Problema resuelto 3.28 Distribución χ2   ____________________________________________ 96 
Distribución F, f(F,ν1, ν2)_____________________________________________________________ 96 
Caracterización __________________________________________________________________ 98 
Propiedades  ____________________________________________________________________ 98 
Uso de tablas  __________________________________________________________________ 100 
Problema resuelto 3.29 Distribución F _____________________________________________ 100 
Problema resuelto 3.30 Propiedad reciproca  _______________________________________ 101 
Estimador de Densidad Kernel, Kernel Density Estimate, KDE. ____________________________ 101 
Distribuciones truncadas  ___________________________________________________________ 101 
Problema resuelto 3.31 Normal truncada a la izquierda _______________________________ 102 
Momentos de orden n _____________________________________________________________ 103 
Función generadora de momentos, MGF m(t)  __________________________________________ 103 
Problema resuelto 3.32 Obtención de MX(t) ________________________________________ 105 
Propiedades de la MGF  __________________________________________________________ 107 
IIa Dos variables  ______________________________________________________________ 109 
1. Métodos tabulares y gráficos ______________________________________________________ 109 
a Variables discretas _______________________________________________________________ 109 
PF  ___________________________________________________________________________ 109 
CDF __________________________________________________________________________ 109 
PF marginales __________________________________________________________________ 110 
PF condicionales ________________________________________________________________ 110 
Independencia  _________________________________________________________________ 110 
b Variables contínuas ______________________________________________________________ 110 
CDF __________________________________________________________________________ 110 
PDF  __________________________________________________________________________ 110 
PDF marginales _________________________________________________________________ 111 
PDF condicionales _______________________________________________________________ 111 

3

Capítulo 3 Distribuciones de Probabilidades

Independencia  _________________________________________________________________ 111 
2. Métodos numéricos _____________________________________________________________ 111 
Medidas de posición _______________________________________________________________ 112 
Vector esperanza  _______________________________________________________________ 112 
Esperanza conjunta  _____________________________________________________________ 112 
Esperanza condicional  ___________________________________________________________ 112 
Medidas de dispersión _____________________________________________________________ 112 
Vector varianza _________________________________________________________________ 112 
Varianza conjunta _______________________________________________________________ 113 
Varianza condicional _____________________________________________________________ 113 
Medidas de asociación _____________________________________________________________ 113 
Covarianza  ____________________________________________________________________ 113 
Correlación lineal _______________________________________________________________ 113 
Matriz Covarianzas, P ____________________________________________________________ 113 
Matriz de correlaciones, R ________________________________________________________ 114 
Problema resuelto 3.33. Género de los hijos ________________________________________ 114 
Problema resuelto 3.34. Demanda diaria  __________________________________________ 115 
Problema resuelto 3.35. Tiempo de vida de 2 dispositivos electrónicos  __________________ 116 
IIb Funciones de variables aleatorias (dos variables) _________________________________ 118 
Métodos ________________________________________________________________________ 118 
1 Caso discreto _________________________________________________________________ 118 
Método de la PF ________________________________________________________________ 118 
Problema resuelto 3.36 Defectuosos en 2 líneas de producción  ________________________ 118 
2 Caso contínuo  ________________________________________________________________ 119 
Método de la CDF _______________________________________________________________ 119 
Problema resuelto 3.37 Transformación suma ______________________________________ 120 
Método de la PDF _______________________________________________________________ 121 
Funciones  Y = H ( X1 , X 2 ) importantes ____________________________________________ 122 
Problema resuelto 3.38 Transformación suma ______________________________________ 123 
Métodos numéricos _______________________________________________________________ 124 
Valor esperado de Y _____________________________________________________________ 125 
H lineal  _______________________________________________________________________ 125 
Problema resuelto 3.39 Distribución hipergeométrica ________________________________ 126 
IIc Modelos teóricos de dos variables  _____________________________________________ 129 
1 Modelos discretos _______________________________________________________________ 129 
Multinomial, m(yA,yB,yC,n,pA,pB,pC)  ___________________________________________________ 129 
Supuestos _____________________________________________________________________ 129 
Expresiones generales  ___________________________________________________________ 129 
PDF conjunta ___________________________________________________________________ 130 
Relación con la binomial __________________________________________________________ 130 
Caracterización _________________________________________________________________ 130 
Problema resuelto 3.40 Examen de selección múltiple ________________________________ 131 
Distribución Multihipergeométrica  ___________________________________________________ 131 
PDF conjunta ___________________________________________________________________ 131 
Relación con la hipergeométrica  ___________________________________________________ 132 
Caracterización _________________________________________________________________ 132 
Esperanza _____________________________________________________________________ 132 
2 Modelos contínuos  ______________________________________________________________ 133 
Distribución uniforme ______________________________________________________________ 133 
PDF conjunta ___________________________________________________________________ 133 
Problema resuelto 3.41 Encuentro  _______________________________________________ 133 
Distribución binormal ______________________________________________________________ 133 
nXY(μx, μy, σx, σy, ρ) ______________________________________________________________ 134 
PDF conjunta ___________________________________________________________________ 134 
4 Jorge Carlos Carrá

Introducción – Objetivos PDF marginales _________________________________________________________________ 134  Caracterización _________________________________________________________________ 134  III Confiabilidad.54 Costo de la prima de seguros  ________________________________ 194  Problema resuelto 3. (t. R(t) ___________________________________________________________ 136  Distribución exponencial  _________________________________________________________ 139  Distribución Gamma.53 Rifa para juntar fondos _____________________________________ 193  Problema resuelto 3.α) _______________________________________________________ 141  Distribución de Weibull.51 Mejor inversión ___________________________________________ 191  Problema resuelto 3.42.43.ω.52 Acciones y la economía _____________________________________ 192  b Caso particular: una sola acción  __________________________________________________ 193  Problema resuelto 3.48 Estrategia de juego en el saque  ______________________________ 169  Problema resuelto 3.57 Simulación Montecarlo _____________________________________ 201  2 Simulación de juegos _______________________________________________________________ 202  ComLabGames  ___________________________________________________________________ 202  a Moderador _____________________________________________________________________ 202  a Design  ______________________________________________________________________ 203  b Assignment  __________________________________________________________________ 206  c Execution ____________________________________________________________________ 207  e Data ________________________________________________________________________ 208  5 .45 Sistemas de video  _________________________________________ 163  Problema resuelto 3. Best Response Function) __________________________ 169  Problema resuelto 3.55 Ruleta europea  ___________________________________________ 196  Problema resuelto 3. Frecuencia de fallas variable  ________________________________ 148  IV Teoría de los juegos  _________________________________________________________ 150  1 Simultáneos con estrategias puras __________________________________________________ 152  a Formas del juego ______________________________________________________________ 152  b Equilibrio de Nash _____________________________________________________________ 154  c Eficiencia y justicia _____________________________________________________________ 158  d Estrategias Minimax y MaxiMin  __________________________________________________ 159  e Juegos de suma cero ___________________________________________________________ 162  Problema resuelto 3.r.50 Educación parental  ________________________________________ 187  f Aplicación: juego de ajedrez  _____________________________________________________ 189  4 Teoría de las decisiones económicas_________________________________________________ 189  a Formas de la decisión  __________________________________________________________ 190  Problema resuelto 3.47 Competición Cournot  ______________________________________ 165  2 Simultáneos con estrategias mixtas  _________________________________________________ 167  a Formas del juego ______________________________________________________________ 167  b Equilibrio de Nash _____________________________________________________________ 168  c Funciones de mejor respuesta  (BRF.49 Estrategia de juego en el saque  ______________________________ 176  d Conjunto convexo de ganancias __________________________________________________ 178  3 Secuenciales ____________________________________________________________________ 179  a Formas del juego ______________________________________________________________ 179  b Subjuego  ____________________________________________________________________ 181  c Equilibrios ____________________________________________________________________ 181  d Juegos simultáneos ____________________________________________________________ 184  e Racionalidad secuencial y credibilidad  _____________________________________________ 187  Problema resuelto 3. (x.46 El juego de la contaminación  ________________________________ 164  Problema resuelto 3. Ley exponencial de fallas ___________________________________ 147  Problema resuelto 3.β) ____________________________________________________ 141  Distribución normal  _____________________________________________________________ 144  Sistemas  ______________________________________________________________________ 146  Problema resuelto 3.56 Estrategias de ventas _______________________________________ 197  V Simulaciones  _______________________________________________________________ 199  1 Simulación de distribuciones _________________________________________________________ 199  Problema resuelto 3.

 Aseguradoras  __________________________________________________________________ 222  Problemas  ___________________________________________________________________ 224  Ia Una variable  ___________________________________________________________________ 224  Ic Modelos teóricos de una variable  __________________________________________________ 225  Discretas ______________________________________________________________________ 225  Contínuas  _____________________________________________________________________ 228  IV Teoría de los juegos _____________________________________________________________ 231  Problemas con base de datos ________________________________________________________ 234  6 Jorge Carlos Carrá . Blas Pascal  ____________________________________________________ 215  Ensayo: Intimidades de un casino  ________________________________________________ 217  Introducción _____________________________________________________________________ 217  1. Casinos  _______________________________________________________________________ 217  2. Capítulo 3 Distribuciones de Probabilidades b Jugador (cliente)  ________________________________________________________________ 209  Client Play _____________________________________________________________________ 209  Problema resuelto 3.58 El empresario y el capitalista _________________________________ 211  Ensayo: ¿Creer en Dios mejora la existencia? _______________________________________ 215  El peso de la decisión.

7 . • Apreciar las limitaciones de cada una de las distribuciones que utilice. • Mostrar cual distribución utilizar y aprender cómo obtener sus valores. Introducción – Objetivos Capítulo 3 Distribuciones de Probabilidades Objetivos • Introducir las distribuciones de probabilidad más comunes en la toma de decisiones.

se apoya en realidad sobre los hombros de las dos anteriores. pues toma cada uno de sus valores (eventos) con una definida probabilidad. para realizar estudios matemáticos como los del capítulo 1. Como su nombre lo indica. Las probabilidades se aplican a eventos A. v. por ejemplo P(A)=0. De aquí que resulte necesario definir una variable numérica asociada a cada evento. Variable aleatoria. El esquema conceptual general es el de la figura 3- 1b. Capítulo 3 Distribuciones de Probabilidades Introducción En este capítulo se estudiará la tercera y última de las bases necesarias para afrontar en los capítulos restantes. distribuciones de frecuencias. los eventos deben ser numéricos. a x=X(A) p=P(x) A x p p=P(A) b 8 Jorge Carlos Carrá . pero en lugar de tratar muestras.a. La función que relaciona los eventos con la variable numérica aleatoria debe ser biyectiva.5. EL gráfico de la figura 3-1a indica una v. en el cual la v. Este capítulo recorre en gran medida.a. Esta variable se llama aleatoria (v. X =X(A). es decir para cada evento A le corresponde uno y solo un valor X(A).a. esta tercera base. posible para el espacio muestral del lanzamiento de 2 monedas. lo haremos con poblaciones.). la inferencia estadística. el esquema del capítulo 1.a. sin embargo. es el número de Caras.

Distribución de probabilidades Es una función que asocia a cada valor de todos los posibles x. Introducción – Distribución de probabilidades Figura 3-1 Variable Aleatoria La expresión p(x) es una simplificación de la notación más precisa: P ( A ) = P ( A : X ( A) = x ) = P ( X = x ) = p ( x ) De aquí en más utilizaremos en general la notación que prescinde de los eventos A. t o pˆ . su probabilidad p(x). el evento es numérico por sí mismo. el número de esferas o mujeres que se extrae de un grupo. En el capítulo 1 hemos estudiado las distribuciones de frecuencias de muestras y en el capítulo 2 hemos visto que la frecuencia relativa muestral a largo plazo es la probabilidad en una población. pero si se relacionan con el evento. mejor.a son en principio arbitrarios. tales como: P(X). en especial cuando la variable aleatoria se encuentre dentro de una función específica para estas variables. En general se designa una variable aleatoria con letra mayúscula (con dominio sobre los eventos experimentales) y a un valor específico o determinista de ella con letra minúscula (con dominio sobre los números reales). podemos generalizar todos los conceptos vistos cambiando la frecuencia relativa por probabilidad: Por esta razón. V(X) y Cov(X. Esta notación se aplicará en este libro para X e Y. 9 . dando a entender que su dominio es el de los sucesos experimentales. los números que se asignan a la v. la suma de los números de 2 dados. Cuando esta situación no se presente. pero el estudiante debe comprender el significado que realmente representa esta notación. etc. Uniendo ambos conocimientos.Y). como por ejemplo. E(X). la siguiente sección es en realidad una adaptación de conceptos anteriores. como por ejemplo: z. En muchos casos. aunque algunas letras configuran la excepción. la ganancia monetaria.

se puede definir con una tabla como la de la figura 3-2. Esta simbología matemática se llama delta de Dirac. 10 Jorge Carlos Carrá . por lo tanto generalmente se definen como "X = número de…" Tablas Llamamos: • S. al espacio muestral. Para que el área mida una probabilidad. la representación más adecuada es utilizar una flecha para cada x (figura 3- 3).a asignada a cada evento. S E1 E2 E3 … En X=x x1 x2 x3 … xn p(x) p1 p2 p3 … pn F(x) p1 p1 + p2 p1 + p2 + p3 … 1 Figura 3-2 Tabla de una distribución de probabilidades categórica Diagramas PF El histograma de probabilidades equivalente a la tabla se suele llamar PF (Probability Function) y mostrará un valor de p(x) para cada uno de los valores de discretos de la variable. Discretas 2. a la v. a las probabilidades de cada evento. Capítulo 3 Distribuciones de Probabilidades Ia Una variable Comenzamos con los métodos aplicables a una sola variable. δ(x) (ver más adelante) la cual permite expresar correctamente los cálculos. • X. Una variable aleatoria es numérica o cuantitativa y. como vimos en el capítulo 1. a cada uno de los eventos del mismo. se divide en: 1. Continuas o de escala 1 Métodos tabulares y gráficos a Variables cuantitativas discretas Recordemos del capítulo 1 que las variables cuantitativas discretas son las variables que resultan de contar. De todas formas se acepta también un rectángulo para cada x. • E. La distribución de probabilidades. • p = P(X = x) = p(x).

usual en matemmáticas. tomarrá el aspecto dde la figura 3--4. no se utilizará para el escalón e la notación E ( x ) . Con exxcepción del punto p siguiennte. Ia Una variable – a V Variables cuan ntitativas disc cretas aunquee debe interprretarse que. a diferencia dee un histogram ma. no existenn valores paraa la base del mismoo. Propiedades p( x) ≥ 0 +∞ ∑ p( x) = 1 −∞ Figura 3-3 Probability Functioon CDF F La ojivva o CDF (Cuumulative Disstribution Funnction). x . Cada C escalón incluye el iniicio y excluyee el extrem mo. pues en e estadística significa la Esperanza E de x. mostrandoo una funnción escalónn F ( x ) con discontinuidad d des o saltos. excepto para el punto meedio.

approximemos een forma con ntínua al escallón unitario. un salto de altura unitaria y ancho de longitud Δ.7. Capíítulo 3 Distrib buciones de Probabilidade P es Figura 3-4 Cumulativee Distribution Function F Matem máticamente: k F ( x) = p ( X ≤ x) = ∑ pi i Propiedades F ( −∞ ) = 0 F ( +∞ ) = 1 Relac ción entre p(x) p y F(x) ) Tal com mo vimos en el capítulo 1 para las variaables numériccas: dF ( x) p( x) = dx x F ( x) = ∫ p( x)dx d −∞ Expre esión mate emática de la p(x) 1 Deltaa de Dirac Formallmente la funnción delta de Dirac se defiine a partir dee la función esscalón unitariio E(x). tal como se muestra m en la figura 3. 12 Jorge e Carlos Carrrá . con c EΔ(t). de la siguiennte forma: dE ( x) δ ( x) = en x = 0 dx Generaalizando: dE ( x − a ) δ a = δ ( x − a) = en x = a dx Para innterpretar a essta función.

p(x) tiene el valor pa. Estrictamente el valor en cada punto es infinito. el pulso será por lo tanto de área 1 para todo Δ. En el límite se puede expresar que el área es 1. la función densidad es una función definida por tramos de pulsos modulados por pi (tren de pulsos). de altura 1/Δ y como su base es Δ. La probabilidad es el área de la función densidad en ese punto. como se muestra en la figura 3. tendiendo a δ(t). Ia Una variable – a Variables cuantitativas discretas Figura 3-5 EΔ(t). sobreentendiendo que se está expresando el área. por lo cual debemos integrar entre 2 valores que solo comprendan a dicho punto: a+ p( x = a) = ∫ paδ ( x − a)dx = pa 1 = pa a− Dado que la delta de Dirac se expresa por una flecha. aproximación contínua al escalón unitario La derivada de EΔ(t) será un pulso de duración Δ. f ( x) = ∑ piδ ( x − xi ) i Valor de p(x) Supongamos que en un punto arbitrario a. pero manteniendo su área unitaria. 13 . entonces δΔ(t) se vuelve más angosto y alto. Figura 3-6 Derivada de EΔ(t) Si Δ tiende a 0.8. ⎧∞ si x = 0 δ ( x) = ⎨ ⎩0 si x ≠ 0 +∞ ∫−∞ δ ( x)dx = 1 2 Expresión de f(x) Por definición: ⎧∞ si x = a δ ( x − a) = ⎨ ¨ ⎩0 si x ≠ a En general para todos los puntos del espacio muestral. ésta es la representación más adecuada para la gráfica de la PF. pero suele expresarse el valor de la probabilidad con flechas de altura proporcional a dicho valor.

SIGnificación. (Survival Function). SIG = α = 1 − CDF Nota En aplicaciones a la confiabilidad se llama también Función Supervivencia. es conveniente normalizar la notación y usar la notación de subíndice para la relación anterior dejando el paréntesis para cualquier vinculación restante. Notación La vinculación funcional entre los valores de eje.15) = 112.6 Esta expresión significa el valor del eje x para una CDF= 0. en este caso escalonados.80 (100. Notación Nuevamente. Capítulo 3 Distribuciones de Probabilidades Expresión de F(x) Integrando la función densidad pero ahora entre −∞ y el punto a : ( p1δ ( x − x1 ) + . tamaño de la muestra. tamaño de la población. incluyendo la cola inferior. s) = x0.80. se llama SIG. nombre proveniente de la inferencia estadística (capítulo 5). grados de libertad. 14 Jorge Carlos Carrá . + paδ ( x − a) ) dx a F (a) = ∫ −∞ es decir: a F ( a ) = p11 + . CDF. es decir usando valores acumulados por la derecha. con media 100. la relación entre los valores del eje y del área se puede representan con un paréntesis o con un subíndice.. desviación estándar.. o también α1. + pa 1 = ∑ pi −∞ Es también una función definida por tramos. se puede expresar de 2 formas alternativas: con subíndice o con paréntesis: x(CDF ) = xCDF CDF ( x) = CDFx = P( x < xCDF ) En la unidad 1 usamos en forma indistinta las notaciones de paréntesis y subíndice para CDF. SIG El complementario de la CDF.80 ( x . etc).. y desviación estándar 15 (los números de este ejemplo corresponden a una distribución normal que veremos luego).. cuando sea necesario precisar la dependencia a otras variables (media. El contexto indicará el significado. aunque el subíndice fue más frecuente para los cuantiles ( xF ). s) = x0. Sin embargo. x(α ) = xα α ( x) = α x = P( x > xα ) 1 También se usa α para simbolizar el área de ambas colas. con F = CDF . Ejemplo: xCDF ( x . x y valores acumulados de área por la izquierda.

pues el área es cero en xi. Un ejemplo se muestra en la figura 3-7. Desde el punto de vista estadístico esto se interpreta pensando que entre infinitos valores. Es el área debajo de ella la que representa una probabilidad. es altamente improbable que se presente exactamente el resultado x = xi. por lo cual seguiremos en general la misma idea. La función densidad f(x) no representa la probabilidad de nada. debe ser P(x = xi) = 0. El cálculo de probabilidades de variables contínuas solo tiene sentido si se utilizan intervalos y no puntos. Ia Una variable – b. PDF PDF significa Probability Density Function. De aquí que las siguientes expresiones son todas idénticas: P ( a ≤ X ≤ b) = P ( a < X ≤ b) = P ( a ≤ X < b) = P ( a < X < b) 15 . Variables cuantitativas de escala b. 2. Figura 3-7 PDF Propiedades f ( x) ≥ 0 +∞ ∫−∞ f ( x)dx = 1 Notas 1. Para el caso contínuo. Diagramas Son la expresión contínua de las relaciones anteriores. Variables cuantitativas de escala Recordemos del capítulo 1 que las variables cuantitativas de escala son las variables que resultan de medir. El SPSS llama PDF tanto a las PF de las distribuciones discretas como a las PDF de las continuas.

En particular si la f(x) es constante (distribución uniforme) de valor c y la longitud sobre el eje x es L. la constante deberá ser 1/ L . CDF Se muestra en la figura 3-8. Capítulo 3 Distribuciones de Probabilidades Probabilidad de masas Resulta útil una analogía que surge de considerar a la función densidad como una densidad lineal de masa en el eje x. se tiene la relación buscada. Figura 3-8 CDF Propiedades F ( −∞ ) = 0 F ( +∞ ) = 1 Relación entre f(x) y F(x) Tal como adelantamos en el capítulo 1: dF ( x) f ( x) = dx x F ( x) = ∫ f ( x)dx −∞ Más formalmente. por definición de función densidad: x P( X ≤ x) = ∫ −∞ f ( x)dx además por definición de función distribución: P ( X ≤ x) = F ( x) − F ( −∞) = F ( x ) Vinculando ambas expresiones. la probabilidad sería el área entre la línea f(x) y el eje x. 16 Jorge Carlos Carrá . Con esta interpretación.

la media x de la unidad 1 es un estadístico. se llaman estadísticos Y. los métodos numéricos que veremos a continuación proveen parámetros que caracterizan a la distribución de probabilidades. Valor esperado La media de una variable aleatoria poblacional se llama además. es decir Y = H ( x1 . x2 . Q2 ∫−∞ f ( x)dx = 0.. los estadísticos Y también lo son. Así por ejemplo. x2 . Contínua Q2 será el valor de x que le corresponde a un área del 50% contada desde los extremos.. Métodos numéricos Parámetros y estadísticos Al igual que la pendiente y la ordenada al origen son parámetros que caracterizan a una recta. Para obtener la versión para la población. valor esperado. en el cálculo de la varianza se deberá dividir por n en lugar de n − 1 .xn ) .. Contínua Como es el máximo de la distribución. definidos como cualquier función aplicada a los n valores de la muestra ( x1 .. dado que las distribuciones de probabilidades corresponden a una población. La notación de la media y la desviación estándar para muestras del capítulo 1.. Ia Una variable – 2. surgirá de las raíces de: df ( x ) =0 dx Mediana Q2 se obtiene con las mismas expresiones vistas en el capítulo 1. Medidas de posición Modo M es el valor de x que le corresponde al máximo de la distribución. en cambio la media μ que se verá en este capítulo es un parámetro de la distribución.xn ) . se realizó con letras del 17 .. Observar que al ser las X variables aleatorias. las magnitudes de los métodos numéricos aplicados a muestras aleatorias del capítulo 1.5 De forma similar se define cualquier percentil. pues es el valor promedio que esperaríamos obtener si las repeticiones se pudieran realizar en forma indefinida. Además. Métodos numéricos 2.. En cambio. se deberá en: Discretas Reemplazar la frecuencia fx por p Contínuas Reemplazar la sumatoria por la integral y la frecuencia fx por f(x)dx.

Desviación Media Discretas DM = ∑ p Δ x Contínuas DM = ∫ x − μ f ( x ) dx Varianza Discretas V ( X ) = ∑ pΔ 2x Suma de cuadrados Las expresiones de los SSxx se mantienen. se tendrá: μ = ∑ px El valor esperado es entonces un promedio ponderado de los valores de x. Contínuas E ( x) = ∫ x f ( x )dx Medidas de dispersión Amplitudes Son idénticas a las ya vistas para las distribuciones de frecuencias. se utilizan en cambio. Capítulo 3 Distribuciones de Probabilidades alfabeto latino. letras del alfabeto griego. Contínuas V ( x) = ∫ ( x − μ ) 2 f ( x)dx Suma de cuadrados 18 Jorge Carlos Carrá . x → μ = E(X ) s → σ = V (X ) Discretas Reemplazando la frecuencia relativa por la probabilidad. Para las distribuciones de probabilidades de poblaciones. donde el peso está dado por la probabilidad de cada x. cambiando la frecuencia f por p: SS xx = ∑ px 2 − nμ 2 La varianza será entonces: V ( x) = SS xx = ∑ px 2 − μ 2 = E( x2 ) − μ 2 n n La varianza de una población es la media de los cuadrados menos el cuadrado de la media.

b + Y ) = Cov ( X . bY ) = abCov ( X . Y ) 8 Cov( aX . Y ) 6 Cov ( aX . Por lo tanto la desigualdad se expresa: 1 P (| X − μ |> zkσ ) < zk 2 19 . Ia Una variable – Propiedades Las expresiones de los SSxx se mantienen. Y ) 7 Cov ( a + X . la cual se expresa en el campo contínuo con una integral: ∑ 2 colas fx = ∫ f ( x)dz = P(| X − μ |> zkσ ) 2 colas en donde la última expresión indica valores de X en las 2 colas: μ − zkσ > X > μ + zkσ . Desigualdad de Tchebyscheff La demostración de esta desigualdad se realizó en el capítulo 1 (página Tchevy1). la covarianza es cero. Las demostraciones para variables contínuas son análogas a las de variables discretas. cambiando la frecuencia f por f ( x ) dx : SS xx = ∫ x 2 f ( x) dx − nμ 2 La varianza será entonces: SS xx V ( x) = = E ( x2 ) − μ 2 n Desviación estándar σ = V (X ) Propiedades Se repiten a continuación las propiedades ya estudiadas y demostradas en el capítulo 1. Y ) ∑ Recordemos que en las propiedades 5 si los eventos son independientes. 1 E (c ) = c 1 V (c ) = 0 2 E ( cX ) = cE ( X ) 2 V (cX ) = c 2V ( X ) 3 E (c ± X ) = c ± E ( X ) 3 V (c ± X ) = V ( X ) 4 E ( X ± Y ) = E ( X ) ± E (Y ) 5 E ( XY ) = E ( X ) E (Y ) − Cov ( XY ) 5 V ( X ± Y ) = V ( X ) + V (Y ) ± 2Cov ( X . simplemente ahora la expresaremos en términos de probabilidades: Esto resulta directamente de reconocer que una sumatoria de frecuencias relativas se corresponde con una probabilidad. cambiando la sumatoria por la integral. bY ) = ∑ ∑ abCov( X .

a) construir la PF. a) obtener la distribución de probabilidades. a) S X=x 1 2 3 4 5 6 p(x) 1/6 1/6 1/6 1/6 1/6 1/6 F(x) 1/6 2/6 3/6 4/6 5/6 1 Figura 3-10 Tabla 20 Jorge Carlos Carrá .000877 P ( X = 4) = ⎝ ⎠ = 0. Si se define x = número que sale.068 0.018 0. Capítulo 3 Distribuciones de Probabilidades Problema resuelto 3.005 0.092 0.00087 + 0.013 0.00526 + 0.150 = 0. Problema resuelto 3.039  X  12  13 14 15 16 17 18 19 20  P(X)  0.048  0.119 + 0.00526 ⎛ 20 ⎞ ⎛ 20 ⎞ ⎛ 20 ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝3⎠ ⎝3⎠ ⎝3⎠ ⎛ 17 ⎞ ⎛18 ⎞ ⎛19 ⎞ 1⎜ ⎟ 1⎜ ⎟ 1⎜ ⎟ 2 2 2 P ( X = 18) = ⎝ ⎠ = 0.003 0.119 0.134 + 0.00263 + 0. Si X es el mayor número de las 3 esferas.119 P( X = 19) = ⎝ ⎠ = 0. a) Veamos algunos ejemplos: ⎛ 2⎞ ⎛ 3⎞ ⎛ 4⎞ 1⎜ ⎟ 1⎜ ⎟ 1⎜ ⎟ 2 2 2 P ( X = 3) = ⎝ ⎠ = 0.150  Figura 3-9 b) P ( X ≥ 17) = 0.134 0.025 0.105 + 0.058 0.00263 P ( X = 5) = ⎝ ⎠ = 0.105 0.150 ⎛ 20 ⎞ ⎛ 20 ⎞ ⎛ 20 ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝3⎠ ⎝3⎠ ⎝3⎠ La distribución es: X  3  4 5 6 7 8 9 10 11  P(X)  0. b) ¿cuál es la probabilidad de que solo una de las esferas tenga por lo menos el número 17?.2 Dado 1 Se arroja un dado.134 P ( X = 20) = ⎝ ⎠ = 0. c) hallar F(6).03 Notar que la FDP no es P ( X < 6) pues siempre debe incluir al valor. b) hallar el valor esperado y la varianza.080 0.032 0.009 0.00877 = 0.001  0.1 Selección de 3 esferas Tres esferas se eligen aleatoriamente de una urna conteniendo 20 esferas numeradas.508 c) F (6) = P ( X ≤ 6) = 0.

917 V ( X ) = = 2.50 6 35 V(x)= 2.707 21 . Ia Una variable – Desigualdad de Tchebyscheff Figura 3-11 PDF Figura 3-12 CDF b) 21 E ( x) = = 3.917 12 σ = 1.

Capítulo 3 Distribuciones de Probabilidades

Figura 3-13
Caracterización

SPSS
En la figura 3-13 se ha colocado la salida del SPSS. Sin embargo debe tenerse en cuenta que el programa
realiza el cálculo muestral y por lo tanto divide la varianza por n-1. Para obtener el valor poblacional se debe
por lo tanto multiplicar por n-1 y dividir por n. Por lo tanto:
5
V ( x) = 3.5 = 2.917
6

Problema resuelto 3.3 Dado 2

Se arroja un dado 160 veces. Si x es el número que sale, calcular la media y la varianza de:
Y =∑X
160
En lugar de realizar 6 cálculos, resulta mucho más práctico aplicar las propiedades de la esperanza y de la
varianza y utilizar los resultados del problema anterior.
21
E (Y ) = E (∑ X ) = ∑ ( E ( X ) = 160 μ x = 160
= 560
6
35
V (Y ) = V (∑ X ) = ∑ (V ( X ) = 160V ( X ) = 160 = 466.7
12

Problema resuelto 3.4 Clientes de un supermercado

El 20% de los clientes de un supermercado leen los precios antes de comprar un artículo. Si 2 clientes entran,
hallar la distribución de probabilidades de x = número de clientes que leen los precios, su media y su varianza.

Si llamamos N al evento No leen y L al evento Leen, se tiene:

P(N) = 0.8
P(L) = 0.2
Por lo tanto:

22 Jorge Carlos Carrá

Ia Una variable – Suceso poco común: criterio con probabilidades

S NN NL LN LL
X=x 0 1 2
p(x) 0.8(0.8) 0.8(0.2)2 0.2(0.2)

Figura 3-14
Distribución de x
E(x)=0.40
V(x)= 0.32

Problema resuelto 3.5 Demanda de nafta

La función densidad de una variable que representa la demanda semanal de nafta de una estación de servicio
(en miles de litros) es:
⎧2 x 0 ≤ x ≤ 1
f ( x) = ⎨
⎩0 en otro lugar
Obtener a) la F(x), b) la esperanza y la varianza, c) la P(0.5< X < 0.8).
a)
x
F ( x) = P( X ≤ x) = ∫ 2 xdx = x 2
0
b)
1
E ( X ) = ∫ x (2 x ) dx = 2 / 3
0

V ( X ) = E( X 2 ) − ( E( X ))
2

1
E ( X ) = ∫ x 2 (2 x)dx = 1/ 2
2

0

V ( X ) = 1/ 2 − (2 / 3)2 = 1/18
c)
0.8
0.8
P(0.5 < x < 0.8) = ∫ 2 xdx = x = 0.39
2
0.5
0.5

Suceso poco común: criterio con
probabilidades
La identificación de sucesos poco comunes ya fue presentada en el capítulo 1, en el cual se
utilizaron:
Criterio del diagrama de caja
Este criterio hace uso de los valores extremos a más de 1.5(AIC), página outliers1.
Criterio del intervalo z
Este criterio solo hace uso de la media y de la desviación estándar de la distribución de
probabilidades, página reglaintervalo1.

23

Capítulo 3 Distribuciones de Probabilidades

Veamos ahora otro criterio para una identificación más precisa, pues utiliza las colas de la
distribución de probabilidades.
Criterio con probabilidades
Si bajo determinados supuestos, existe una probabilidad extremadamente pequeña de
obtener resultados al menos tan extremos como los observados, debemos concluir que el suceso
es poco común y por lo tanto los mencionados supuestos probablemente no sean correctos.
Ampliaciones
1. La expresión " resultados al menos tan extremos como los observados" es equivalente a decir
"resultados dentro de la cola de la distribución" a partir del valor observado2.
2. Esta probabilidad extremadamente pequeña que se sitúa en las colas de la distribución, se
llamará valor p en el capítulo 5, constituyendo un aspecto esencial de una prueba de hipótesis.
Este valor p se combina con los valores máximos convencionales, llamados comúnmente valores
α , usualmente 1% y 5% (página 14). A menos que se indique lo contrario adoptaremos
α = 5% .
Luego de estudiar la distribución normal (página 76), podremos concluir que los 2 últimos criterios
coinciden si la distribución es normal y z = 2.

Problema resuelto 3.6 Dados de distintos colores

Se lanzan un dado rojo y otro negro. a) Hallar la distribución de x = suma de los 2 números, la media y la
desviación estándar. Se observa que las probabilidades son simétricas respecto de la suma 7 y que estos valores
siempre suman 14 (en el caso de 3 dados sucede lo mismo y los totales suman 21). ¿Por qué sucede esto?
b) ¿Es un suceso poco común que se lance un par de dados y que la suma sea mayor a 11?
a)
X=x 2 3 4 5 6 7 8 9 10 11 12
p(x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

Figura 3-15
Distribución de x
E(X)= 7
σ = 2.42
b) Si, es poco común pues la probabilidad es 2.77%, menor al 5%. Si sucede al azar, es lícito dudar de la
confección de los dados.

2
Según el contexto puede interesar la cola derecha, la cola izquierda o ambas colas. Este aspecto se
profundizará en el capítulo 5.
24 Jorge Carlos Carrá

Ib Funciones de variables aleatorias (una variable) – Suceso poco común: criterio con
probabilidades

Ib Funciones de variables
aleatorias (una variable)

Muchas veces se conoce la distribución de probabilidad de una v.a. por ejemplo, X y se desea la
distribución de probabilidad de otra variable Y, relacionada con X a través de: Y=H(X). Este es el
objetivo de esta sección, para el caso de una variable. Más adelante en la sección IIb, se estudiará el
caso de 2 o más variables.

Llamaremos:
f(x), F(x) y RX a la PDF, CDF y campo de valores de X, respectivamente.
g(y, G(y) y RY a la PDF, CDF y campo de valores de Y, respectivamente.

Eventos equivalentes
Si X es una v.a. definida sobre el espacio muestral S y s es un elemento de S, se tiene que por cada
s ∈ S , existe la relación: X ( s ) . Si además Y = H ( X ) , se verificará que y = H [ X ( s )] = Y ( s ) .
Si la relación definida por H es inyectiva, los dos conjuntos, RX y RY, definidos por:
{s | X (s) ∈ Rx } y {s | Y (s) ∈ RY }
son iguales. Por lo tanto:
P(Y ∈ RY ) = P( X ∈ Rx )
El esquema visual se presenta en la figura 3-16.
H
s X Y

P(s) = P(xeRx) =. P(yeRy)

Figura 3-16

Siendo RX el conjunto de valores de x asociado por la función H al conjunto Y ≤ y .
Observar que aunque sea P(Y ∈ RY ) = P(Y ≤ y) = G( y) , P( X ∈ Rx ) no es en general
P ( X ≤ x ) = F ( x ) (solo es cierto para una H creciente, como se intuye si se realizan gráficas de H
tanto creciente como decreciente).

25

pues: G( y) = P(Y ≤ y ) = P( X ∈ RX ) = ∫ RX f ( x)dx 26 Jorge Carlos Carrá . Método de la CDF 2.7 Transformación cuadrática Dada la siguiente PF en X y la transformación Y=H(X).50 Agrupando valores: y 0 1 p(y) 0.70 2 Caso contínuo Se tienen 3 métodos generales: 1. Método de la MGF (Función Generadora de Momentos. solo habrá que agrupar las probabilidades para los valores de y coincidentes. 1 Caso discreto Se tiene un solo método. integrando f(x) en una región de integración RX.20 0.30 0.30 0. Método de la PDF 3.50 y = x2 Figura 3-17 Método PF y 1 0 1 p(y) 0.30 0. según sea una variable discreta o contínua. hallar la PF en Y y el valor esperado E(Y). G(y).70 E(Y) = 0. x -1 0 1 p(x) 0. Capítulo 3 Distribuciones de Probabilidades Métodos Se divide el desarrollo. Método de la PF g ( y) = P(Y = y) = P( H ( X ) = y) = P( X = H −1 ( y)) = P( X = x) = f ( x) Dado que la distribución no cambia.20 0. Problema resuelto 3. página 103) Método de la CDF Se obtiene la CDF.

⎧ x +1 ⎪ −1 ≤ x ≤ 1 f ( x) = ⎨ 2 ⎪⎩0 en otro punto y = H ( x) = x 2 Método de la CDF Paso 1 Dominio de las x en función de las y Analítico Implica hallar la inversa de H(x). no necesariamente resulta una expresión del tipo P ( X ≤ x ) . en cuyo caso coincidiría con la F(x) (ver método de la PDF). Problema resuelto 3. Numérico Lo anterior se debe hacer en el dominio numérico de las X de la PDF. Se remarca nuevamente que en el caso general. Y ≤ y⇒ X2 ≤ y⇒− y < X < y Numérico Para obtener el dominio numérico de y. De esta forma se obtiene: 0 ≤ y < 1 . Paso 2 integrar f(x) en ese dominio Se obtiene la CDF. por lo cual se deberá obtener la correspondencia entre los dominios numéricos de las X (en la PDF) y de las Y (función H). 27 . Para esto bastará dibujar la función H(x). derivando la G(y) se obtiene la g(y). derivando G(y).8 Transformación cuadrática Dada la siguiente PDF en X y la transformación Y=H(X). Luego se podrá obtener la PDF. ( ) − (− ) 2 2 y +1 y +1 G( y) = 4 4 Finalmente. a partir de Y ≤ y ⇒ X ≤ H −1 ( y ) . Ib Funciones de variables aleatorias (una variable) – Métodos Paso 1 Dominio de las x en función de las y Analítico Encontrar la región de integración RX en función de Y. Esto implica resolver la inversa de H(x). al despejar X. hallar la PDF en Y. integrando f(x) en región anterior. g(y). G(y). basta dibujar la función H(x) y establecer la correspondencia con el dominio de x de la PDF. Paso 2 Integrar f(x) en ese dominio y x +1 ( x + 1)2 ( ) y y G( y ) = P(Y ≤ y ) = P − y < X < y = ∫ f ( x)dx = ∫ dx = − y − y 2 4 − y Observar que la función H(x) solo aparece en los límites de integración.

( Si H es creciente: G ( y ) = P (Y ≤ y ) = P ( H ( X ) ≤ y ) = P X ≤ H −1 ( y ) = F ( x ) ) ( −1 Si H es decreciente: G ( y ) = P (Y ≤ y ) = P ( H ( X ) ≤ y ) = P X ≥ H ( y ) = 1 − F ( x) ) Estas relaciones pueden apreciarse claramente si se hacen gráficos de una función creciente y una decreciente. para obtener una expresión más simple. pero válida solo si la función H es monótona (creciente o decreciente). Nota Podría obtenerse una ecuación general válida para toda transformación cuadrática. se 2 obtienen: ⎛ y⎞ ⎛ y⎞ G ( y ) = F ⎜⎜ ⎟⎟ − F ⎜⎜ − ⎟⎟ ⎝ a⎠ ⎝ a⎠ 1 ⎡ ⎛ y⎞ ⎛ y ⎞⎤ g ( y) = ⎢f ⎜⎜ ⎟⎟ + f ⎜⎜ − ⎟⎟ ⎥ 2 ay ⎣⎢ ⎝ a⎠ ⎝ a ⎠ ⎥⎦ Método de la PDF Continuamos con el desarrollo del método general anterior. lo cual no sucede en el problema resuelto anterior. se deja al alumno demostrar que si se opera en forma similar a este ejemplo. Capítulo 3 Distribuciones de Probabilidades y +1 1 − y +1 1 1 g ( y) = + = 2 2 y 2 2 y 2 y ⎧ 1 ⎪ 0 ≤ y <1 g ( y) = ⎨ 2 y ⎪0 ⎩ en otro punto Observar que las PDF (y CDF) de ambas variables son distintas entre sí. Si H es creciente: x x G ( y ) = F ( x) = ∫ −∞ f ( x)dx = ∫ −∞ f ( x) x ' dy En donde se utilizó la relación de contenidos (que se estudia en análisis matemático): dx = x ' dy Si se deriva la última ecuación surge finalmente que: f ( x) g ( y ) = f ( x) x ' = y' 28 Jorge Carlos Carrá . Sea y = H ( x) = x 2 G( y ) = P(Y ≤ y ) = P( X 2 ≤ y ) = P(− y ≤ X ≤ y ) es decir: G( y) = F ( y ) − F (− y ) Por lo tanto: g ( y ) = G '( y ) = 1 ⎡ 2 y⎣ f ( y ) + f ( − y )⎤⎦ Si y = H ( x) = ax . −1 Si y = H ( x) entonces x = H ( y) .

Solo resulta la expresión de F(x). se razona igual. Problema resuelto 3. tanto x ' como y ' cancelan la dimensión de f ( x ) y establecen la de g ( y ) . Ib Funciones de variables aleatorias (una variable) – Métodos Si H es decreciente. Esto se realizó en el problema resuelto anterior. página CambioVar1. hallar la PDF en Y. se anula el término igual a 1. obteniéndose así una expresión algo más compleja. Como alternativa de demostración se podría derivar la relación G ( y ) = F ( x ) respecto de y: dG ( y ) dF ( x) dF ( x) dx dF ( x) = = = x' dy dy dx dy dy Finalmente observar que desde el punto de vista dimensional. El resultado queda afectado por un signo – pero como x ' es negativo al ser H decreciente. Nota Puede observarse que la diferencia en el desarrollo de ambos métodos se presenta cuando se despeja X de H ( X ) ≤ y dentro de la expresión probabilística. pueden resumirse ambos casos con la expresión general: f ( x) g ( y ) = f ( x ) | x ' |= | y'| Esta relación que permite resolver el problema (solo para H creciente o decreciente) ya fue obtenida informalmente en la unidad 1. por lo tanto puede aplicarse tanto el método CDF como el PDF. es preferible integrar en cada caso. podría extenderse el desarrollo del método de la CDF en forma similar al seguido en el método de la PDF. ⎧2x 0 ≤ x ≤ 1 f ( x) = ⎨ ⎩0 en otro punto y = 3x + 1 La función H es monótona. En realidad. pero para no sobrecargar la memoria. Método de la CDF Paso 1 ⎛ y −1 ⎞ G ( y ) = P (Y ≤ y ) = P (3 X + 1 ≤ y ) = P ⎜ X ≤ ⎟ ⎝ 3 ⎠ Paso 2 2 ( y −1)/3 ⎛ y −1 ⎞ G( y) = ∫ 2 xdx = ⎜ ⎟ 0 ⎝ 3 ⎠ Por lo tanto: 2 g ( y ) = G '( y ) = ( y − 1) 9 29 .9 Transformación lineal Dada la siguiente PDF en X y la transformación Y=H(X). si H es creciente o decreciente. pues al derivar G(y).

MGF se desarrollará al final de la sección Ic. Y estrictamente creciente En este caso: ∞ ∞ yf ( x) ∞ E (Y ) = ∫ yg ( y )dy = ∫ dy = ∫ H ( x) f ( x)dx −∞ −∞ y' −∞ En donde se reemplazaron las expresiones: dy = y ' dx y = H ( x) 30 Jorge Carlos Carrá . Capítulo 3 Distribuciones de Probabilidades Método de la PDF ⎛ y −1 ⎞ 1 2 g ( y ) = f ( x) x ' = 2 ⎜ ⎟ = ( y − 1) ⎝ 3 ⎠3 9 Método de la MGF La Función Generadora de Momentos. Este método se basa en el teorema de unicidad que establece que si dos MGF son idénticas. Métodos numéricos Valor esperado de Y Si la variable X es discreta con función de probabilidad p( x) : ∞ E (Y ) = ∑ H ( x ) p ( x ) −∞ Si la variable X es contínua con función densidad conjunta f ( x ) : ∞ E (Y ) = ∫ H ( x ) f ( x )dx −∞ La demostración de la ecuación anterior es difícil y solo la haremos para el siguiente caso particular. obteniendo así su G(y). Por lo tanto se debe encontrar la MGF de Y y compararla con MGF de funciones conocidas. entonces tienen la misma PDF. Este método no se utilizará aquí.

PDF y números aleatorios. SPSS PDF Devuelven la función matemática de la densidad de probabilidades para un determinado valor de x. Inversos Devuelven el valor de x para un valor dado de CDF. De esta forma se podrán sistematizar los cálculos y análisis. CDF Devuelven la probabilidad acumulativa menor o igual a un determinado valor de x. Los modelos teóricos constituyen una herramienta que los científicos utilizan para comprender y explorar los procesos que se presentan en el mundo real. Recordemos que SPSS llama PDF tanto a las PF de las distribuciones discretas como a las PDF de las continuas. Ic Modelos teóricos de una variable – Métodos numéricos Ic Modelos teóricos de una variable La mayoría de las veces las distribuciones utilizadas son modelos teóricos generales que ajustan a las distribuciones reales y cuyos valores estandarizados se encuentran en tablas o en programas de computación. son modelos físicos que representan artículos del mundo adulto. construyendo tablas y elaborando programas y ecuaciones que facilitan sus aplicaciones. 31 . En esta sección realizaremos el estudio detallado de algunos modelos matemáticos que se presentan con frecuencia en la realidad. con los cuales podemos desarrollar la imaginación. Discretas Contínuas Bernoulli Constante Binomial Exponencial Hipergeométrica Gamma Geométrica y Binomial Negativa Normal Poisson t de Student Multinomial chi cuadrado Multihipergeométrica F de Fisher Figura 3-18 Modelos probabilísticos SPSS y EXCEL En el apéndice B se resumen todos los comandos necesarios para generar CDF. Los juguetes que todos usamos cuando niños. explorar y comprender mejor el mundo en la infancia. con SPSS y EXCEL. Los modelos más importantes se presentan en la figura 3-18.

Supuesto 2 Variable Aleatoria Se busca la v. dicotómica. la llamaremos YB). Luego podrán ser reemplazados por otros nombres más apropiados. etc. CDF.1. Supuesto 3 Tamaño Las muestras tienen un tamaño n = 1 Proporción Muestral Es común definir una nueva variable llamada proporción muestral. EXCEL Devuelven la PDF. Distribución de Bernoulli. la distribución de Bernoulli. C (Cara) y S (Seca). Capítulo 3 Distribuciones de Probabilidades Significance Devuelven 1-CDF para un determinado valor de x. 32 Jorge Carlos Carrá . D (Defectuoso) y N (No defectuoso).a Y = Número de Éxitos. en este caso solo puede tomar los valores 1 o 0 (cuando sea necesario diferenciarla de la distribución binomial. ambos valores y y pˆ coinciden. Modelos discretos Con excepción de la distribución Geométrica y la distribución de Poisson. como por ejemplo. todos ellos se basan en el primer modelo. Random Numbers Devuelven números aleatorios de varias distribuciones. a los que llamaremos en forma genérica E (Éxito) y F (Fracaso). Se caracteriza por los siguientes 3 supuestos: Supuesto 1 Dicotómica Los eventos tienen dos resultados posibles. Llamaremos: P(E) = p P(F) = q Cada uno de estos valores se asume constante al menos durante la duración del estudio. el valor de colas o las Inversas. pero no será así en la Binomial o Hipergeométrica. siendo uno de ellos la negación del otro. para varios casos. simbolizada con un acento circunflejo y por esta razón llamada también "p sombrero": Número ⋅ de ⋅ Exitos y pˆ = = n n En la distribución de Bernoulli.p) Supuestos También conocido como Proceso de Bernoulli. Este tipo de variable se denomina en estadística. b(y. 1.

si p > 0. b .. cartas. Ejemp plos Extraccción de un ressultado en jueegos de azar. es sesgadda a la izquierda y si p < 0. etc. b(y. dados. b(y. es e decir permitiiendo muestraas con n > 1 y agregando uuna nueva proopiedad relaciionada con essta ampliaciónn.p p) PDF Tabla a S F E YB = yB 0 1 0 1 p(yB) q p F Figura 3-19 Modeelo de Bernoullli Histograma F Figura 3-20 Modeelo de Bernoullli Carracteriz zación E (Y ) = μB = 0 ∗ q + 1∗ p = p V (Y ) = σ 2 B = q(− p)2 + p(q 2 ) = pq(( p + q) = pq Observvar que si p = 0. .p) Sup puestos s La disttribución llam mada Binomiaal surge de la de Bernoulli. Estos comportamientoos se mantien nen en la distrribución binommial. Ic Modelos teóric cos de una va ariable – Distribución Bino omial.5 0 es sesggada a la dereccha. ruleta. Dis stribu ución Binom mial.n.5. alterando el supuesto 3.5.n. la distribbución es sim métrica.

pero sí lo es para distribuciones en las cuales se toman muestras de n > 1. para cualquier tamaño (extracción de personas de un grupo) de tal forma que una nueva extracción se realice en las mismas condiciones que las anteriores. se considera que una población es infinita si: n ≤ 5% N en donde n es el tamaño de la muestra y N es el tamaño de la población.a: Y = Número de Éxitos en la muestra de n elementos. población infinita para cualquier muestreo (juego de ruleta). dada una variable la otra deja de serlo dado que se puede despejar de esta relación. En base a lo expuesto. la definición de independencia implica: P( E2 | E1 ) = P( E2 ) Esta propiedad no es relevante para la distribución de Bernoulli. o b. YE + YF = n . Supuesto 4 Independencia Esta propiedad establece la independencia de los n elementos del espacio muestral. Este criterio se justificará más adelante. MCR. Podría pensarse que la distribución depende de 2 variables: número de éxitos YE y de fracasos YF en la muestra. En la práctica. Supuesto 2 Variable Aleatoria Se busca la v. muestreo con reemplazo. Esto no ocurre con las distribuciones multinomiales (página 129). debe ser: MCR o N = ∞ a. nombres genéricos para Éxito y Fracaso. Capítulo 3 Distribuciones de Probabilidades Supuesto 1 Dicotómica Una v. Figura 3-21 Se puede apreciar que todos los E se consideran indistinguibles entre sí y lo mismo se aplica a los F.a x tiene solo 2 resultados (dicotómica): E y F. es decir que el resultado de cualquier observación sea independiente del resultado de cualquier otra observación. Sin embargo como la suma de ambas es conocida. 34 Jorge Carlos Carrá . Supuesto 3 Tamaño Las muestras tienen un tamaño n > 1. Si por ejemplo llamamos E2 a un E en la extracción 2 y E1 a un E en la extracción 1. n. cuyas probabilidades p y q se mantienen constantes al menos mienras dure el estudio. una binomial se puede sintetizar con la notación: b( y. Para que exista independencia estadística. en cuyo caso sería una distribución bivariable. p) En la figura 3-21 se resume gráficamente el proceso.

3.4. Propiedad 1 Dicotómica La v. a pesar de que el muestreo es sin repetición (muestreo simultáneo).288 b) 35 . independientes e idénticamente distribuidas. P(M) = p = 0.a. En otras palabras los valores de p y q se mantienen de extracción en extracción.a tiene solo 2 resultados (dicotómica). Ic Modelos teóricos de una variable – Distribución Binomial. al menos 2 varones. a) P(Y = 2) = P(MMV ) = ppqP3 (2) = 0. se puede considerar que la probabilidad en la extracción de un joven no influye significativamente en la probabilidad de la extracción del siguiente.p) Relación con la distribución de Bernoulli Si por ejemplo n = 5 y el resultado fuera: EEEFE entonces y=4 Pero por otro lado. Problema resuelto 3. por lo cual.6. Así por ejemplo la pregunta a) podría preguntarse así: si se elige un grupo de 3 personas ¿cuál es la probabilidad de que haya una proporción (muestral) de chicas igual a 2/3? Recorrido de las propiedades 1. puede observarse que cada uno de los eventos es un modelo de Bernoulli. a) ¿Cuál es la probabilidad de que en un grupo de 3 personas elegida al azar haya 2 chicas. Propiedad 4 Independencia El problema da la probabilidad (porcentaje) de M y de V y no las cantidades de cada uno. resulten más de 2 mujeres? Observar formulaciones equivalentes de estas preguntas. para los cuales cada variable aleatoria yB (números de E) toma los valores: 11101 Se observa entonces que: y = ∑ yB Suele utilizarse la notación iid para una sucesión de v.10 Fiesta numerosa En una fiesta hay un 40 % de chicas (M) y un 60% de chicos (V). c) Hallar la probabilidad de que en el grupo extraído haya: al menos 2 chicas. Propiedad 2 Variable Aleatoria Se busca la v. Al tratar la distribución hipergeométrica de este mismo ejemplo. V y M.n. d) ¿Es poco común que en una elección al azar de 3 personas. se apreciará la diferencia.a: y = Número de Chicas (M). Propiedad 3 Tamaño Las muestras tienen un tamaño n = 3 > 1 4. 2. Se debe interpretar entonces que la fiesta es numerosa en el sentido de que n = 3 es menor que el 5% de N (desconocido). más de 2 chicas. b) Construir el histograma con μ y σ. 1 chica o menos. b(y. P(V) = q = 0.

288 0.064) = 1.333 0.216 0.848 c) P (Y ≥ 2) = 0.064 = 0.648.288) + 3(0.064 P (Y ≤ 1) = 0. SPSS Los valores de la PDF se obtienen directamente o por diferencia a partir de los valores CDF.666 1 p(y)=p( pˆ ) q3 3q2p 3qp2 p3 0. d) La P(3M) = 6.16 − 1.648 La probabilidad de que haya al menos 2 varones.352 P (Y > 2) = 0.4% > 5%. es decir 0.288 + 0.432 0.432) + 2(0.22 = 0. Capítulo 3 Distribuciones de Probabilidades Tabla S 3V 2V1M 2M1V 3M Y=y 0 1 2 3 pˆ 0 0.216 + 0. se puede obtener así: 36 Jorge Carlos Carrá .2 V (Y ) = ∑ py 2 − μ 2 = 2.216) + 1(0. Por ejemplo el valor de la PDF para y = 2. es equivalente a que haya a lo sumo 1 chica. por lo tanto no sería un suceso poco común.432 = 0.72 σ = 0.064 Figura 3-22 Modelo Binomial Histograma de probabilidades Figura 3-23 PDF Binomial Caracterización μ = 0(0.

p) Directamente PDF. n.4)=0. pues obtiene el valor siguiente a partir de los valores anteriores.n. n n Notas • Si bien la distribución binomial puede obtenerse en forma mecánica de las ecuaciones anteriores. desaconsejo su utilización pues la relación tiempo-beneficio no es mucho más favorable que la construcción a partir de las relaciones probabilísticas tal como se realizó en el problema resuelto 3. El nombre de binomial.3.4)-CDF.288 Usando la CDF CDF. p) = Cn0 p 0 q n .3. p) y =0 Caracterización Media y Varianza En principio existen dos formas de deducir la media y la varianza de la distribución. Por otra parte.10. en este caso PDF ( y) = Pn ( y.0. Cnn p n q 0 Esta propiedad puede observarse claramente en la tabla de la figura 3-22.BINOM(2. b(y. n − y ) = Cny La expresión con combinaciones se interpreta considerando que el valor deseado es el número de y posiciones que se puede extraer de un total de n posiciones. se está indicando la ecuación que sigue su PDF. Ic Modelos teóricos de una variable – Distribución Binomial.288 Expresiones generales PDF Demostración Generalizando las expresiones del problema resuelto anterior: b( y. Cn1 p1q n−1 . se puede obtener en forma directa que: n− y p b( y + 1) = b( y ) y +1 q expresión que puede ser útil al calcular la distribución completa.. n.3.648=0. • Cuando se dice que una v.0.BINOM(1.936-0.a.. CDF r B(r . n b( y.. n − y) p y q n− y y≤n Observar que: Pn ( y . por ejemplo binomial.4)=0. n − y) p y q n− y . n. proviene de que cada p(y) es un término del binomio ( p + q) . lo cual implica trabajar con las expresiones factoriales dentro de la sumatoria de los valores esperados y 37 . Expresión recursiva Si se opera sobre la ecuación de cálculo de la probabilidad binomial.BINOM(2. n. La suma de todos los términos es entonces ( p + q) = 1 = 1 .0. aprovechemos la oportunidad de aquellas que si los brindan.. La primera es aplicar las definiciones de la media y de la varianza a la PDF de la distribución. dado que no son muchas las distribuciones que permiten utilizar conceptos básicos en su construcción. y tiene una distribución determinada. p) = Pn ( y. p) = ∑ b( y.

resultan: ( n − nE + 1) p >1 y nE q ( nE + 1) q >1 n − nE p Reagrupando. En este caso debe cumplirse que: Cn nE −1 p nE −1q n−( nE −1) < Cn nE p nE q n−nE > Cn nE +1 p nE +1q n−( nE +1) Es decir: Cn nE p >1 y Cn nE −1 q Cn nE q >1 Cn nE +1 p Reemplazando las expresiones de cálculo de cada una de las combinaciones y simplificando. Por ser más simple. En este caso la distribución es bimodal. Capítulo 3 Distribuciones de Probabilidades utilizar la propiedad de que ∑ p ( x) = 1 : La otra es vincular la distribución a otra con media y varianza conocidos. Sea y = nE. resultan esta vez mucho más simples y rápidas que la aplicación de las definiciones generales. se obtiene por reemplazo: nq − p + 1 > nF > nq − p 38 Jorge Carlos Carrá . entonces existen 2 términos máximos: en (n+1)p y en (n+1)p–1. en particular el valor (n+1)p es entero. el modo se encuentra en el máximo entero comprendido en (n+1)p. Modo Resulta de interés establecer la expresión del modo o valor más probable. ya recorridas anteriormente. Si llamamos nF al número de fracasos y dado que nE+nF = n. En símbolos (la expresión entre corchetes significa parte entera): nE = [(n + 1) p] Si. de la que se conocen la media y la varianza. basaré las demostraciones siguientes en la propiedad que vincula a la Binomial con la de Bernoulli. La relación entre ellas es: Y = ∑ YB Aplicando las conocidas propiedades de la media y de la varianza. se obtiene finalmente: (n + 1) p −1 < nE < (n + 1) p Por lo tanto. la cantidad de éxitos para obtener la probabilidad máxima. resultan: μ = E (Y ) = ∑ E ( yB ) = np μ y = np V (Y ) = V (∑ YB ) = ∑V (YB ) = npq Por consiguiente: σ y = npq Estas expresiones para μ y para σ.

Estas 4 magnitudes que se resumen en la siguiente notación: yCDF (n. Volvemos sobre este tema en el capítulo 4 al estudiar la ley de los grandes números. a) ¿Cuál es la probabilidad de que 3 no lleguen a destino? Observar una formulación equivalente de esta pregunta: Si se envían 10 paquetes ¿cuál es la probabilidad de que la proporción muestral de los que no lleguen a destino sea pˆ = 0. Las más importantes son: • Si se altera el supuesto 1. Alternativamente. • Si se altera el supuesto 2. la distribución se llama Geométrica o Binomial Negativa. cambiándolo por el Número de Pruebas hasta obtener el primer Éxito. Ic Modelos teóricos de una variable – Distribución Binomial. resultan: np E ( pˆ ) = =p n μ pˆ = p Esta expresión es intuitiva pues dice que la frecuencia esperada del evento ( E ( pˆ ) es p. la distribución se llama Multinomial. Estas tablas relacionan valores de eje con probabilidades teniendo en cuenta los 2 parámetros de la distribución.p) Proporción muestral Con la definición de proporción muestral (p sombrero). surgiendo de la modificación de alguno de sus otros 3 supuestos. Si se envían 10 paquetes. aunque restringido a los valores más usuales.n. puede resolverse en forma indistinta con la variable "número de éxitos" o con "proporción de éxitos". p) Problema resuelto 3.3 ? b) ¿Es poco común que más de 5 paquetes no lleguen a destino? a) Comprobar que se satisfacen las 4 condiciones binomiales. Los restantes modelos asociados con la distribución de Bernoulli. b(y. la distribución se llama Hipergeométrica y en particular si se alteran los supuestos 2 y 4.11 Paquetes de una distribuidora El 30% de los paquetes de una distribuidora no están llegando a destino. la distribución se llama Hipergeométrica Negativa. se puede hacer uso de tablas. Uso de tablas Los valores de la distribución Binomial pueden extraerse de paquetes de software como SPSS o EXCEL cuyas instrucciones se encuentran en el apéndice B. En el capítulo de inferencia se presenta con más frecuencia. manteniendo su supuesto 3 (tamaño > 1). toman a la Binomial como referencia. esta segunda alternativa. npq pq V ( pˆ ) = = n2 n pq σ pˆ = n Cualquier problema binomial. 39 . tal como se muestra en el problema resuelto siguiente. Esto representa la primera verificación teórica de que existe una conexión entre la frecuencia esperada del evento y su probabilidad. • Finalmente si se altera el supuesto 4. permitiendo variables multicotómicas. cambiándolo por pruebas dependientes.

es decir que el resultaado de cualquuier observaciión sea depenndiente del ressultado de cualquier otra obserrvación.10 0.3)=0.3)=0. .0. Supue esto 3 Tam maño Las muuestras tienen n un tamaño n > 1 Supue esto 4 Dep pendencia Los n elementos e del espacio mueestral son deppendientes.267 Alternaativamente: CDF.B BINOM(3. Como la preguunta requiere el e valor de la prrobabilidad parra y = 3.3.9953 = 0. .n. Así A por ejempllo el valor recuuadrado 0. SPSS S a) PDF.26 67 b) 1-CDF F. Supue esto 2 Variiable Aleattoria Se busca la v.B BINOM(3. en el suppuesto 4. En la columnaa p = 0.a x tiene soloo 2 resultados (dicotómica)): E y F.65 − 0. En laa columna del margen m izquierrdo se encuentrra el número de d Éxitos. Esta taabla contiene laa CDF ess decir las probbabilidades acuumuladas.BINOM(2.383 = 0.3)-CDF. Supue esto 1 Dico otómica Una v.BINOM(5.1 10.10. F Figura 3-24 Tabla disstribución Bino omial Es decirr: P3 − P2 = 00.267 b) La P(y >5) = 1–0.a: y = Número de e Éxitos.0.047 <5%. h(y y.267 Dis stribu ución Hiperrgeom métric ca. Paara que no exiista independdencia estadísstica..0.0. a mediida que aumennta el númeero de Éxitos. deberáá realizarrse la cuenta P3 –P2.10. ´por lo cuall es un suceso poco común y si sucede al azzar es lícito duddar de la tasa del 30%. se enncuentran las accumulaciones ene orden desceendente.3)=0. del Apénndice B.65 ess la probabilidaad de que se enncuentren 3 o menos paquetes.k) Sup puestos s Es unaa modificación n de la Binom mial. p en unn envío de 10. la población debe ser finita y el e muestreo deebe ser sin reeemplazo (es 40 Jorge e Carlos Carrrá .N. Capíítulo 3 Distrib buciones de Probabilidade P es Se repro oduce en la fig gura 3-24 parte de la tabla Binnomial para n = 10.

k) El segundo término corresponde al tamaño de la población. Sin embargo el orden expuesto es coherente con el de una binomial b(y. d) obtener la probabilidad de que sean 2M. de tal forma que una nueva extracción se realice en condiciones distintas a las anteriores. si ya se eligió una M. c) hallar la probabilidad de que sean al menos 2 M sabiendo que hay al menos 1M. MSR ∧ N finita En estos casos. h(y. a) Se trata de una h(y. hallar la probabilidad de que haya al menos 5M. Veremos luego que los 2 últimos. b) obtener la probabilidad de que sean al menos 2 M.N. se pueden colocar en cualquier orden. e) hallar la probabilidad de que sean 2M sabiendo que hay al menos 1V. en lugar de proporcionar la probabilidad p. tamaño de la muestra y número de éxitos en la población. 41 . hay 5 varones V y 5 mujeres M. se debe dar el número de éxitos k antes de la primera extracción. Ic Modelos teóricos de una variable – Distribución Hipergeométrica.3. utilizando el valor k absoluto k en lugar del relativo p = . g) ¿Cuál es la diferencia si en la fiesta hay 600 chicos y 400 chicas? Observar que se satisfacen las 4 condiciones hipergeométricas.N.k) decir la negación de las condiciones de la binomial). N Problema resuelto 3. con μ y σ. Si se extraen 3 personas al azar.n.p).12 Fiesta no numerosa En una fiesta de 10 personas. una hipergeométrica se puede sintetizar con la notación: h(y. a) dibujar el histograma de x = números de M.n. f) si se extrae un grupo de 6 personas.5).n.10. Recordemos que la población se considera finita si: n > 5% N En base a lo expuesto.

6.9. en lugar de 0.382.10.763 b) P ( A) = 0.5 2 = 0. por lo cual se puede considerar que la probabilidad en la extracción de un joven no influye significativamente en la probabilidad de la extracción del siguiente.5 σ 2 = 0.0833 ∗ 1. 3. Por ejemplo la probabilidad de obtener 30 M y 1 V daría para la última M: 371/971 = 0.0833 Alternativamente: P(y=3)=CDF.0833 + 0. se obtiene la siguiente expresión compacta de la función de probabilidad (pero.6.5)-CDF.288 Esta similitud en los resultados es aceptable hasta n = 50 (5% N).454 00.3. Si por ejemplo se extraen 3 personas.1) + P3 (3) 10 9 8 10 9 8 10 9 8 10 9 8 h ( y .10. 4) = P ( MV ) = 2 = 0. En otras palabras podría aproximarse la hipergeométrica a una binomial con estos valores de p y q: P(Y = 2) = P(MMV ) = ppqP3 (2) = 0.583 σ = 0.5)=0.HYPER(3. es decir 50.HYPER(2.5 2 + 0.833 + 0.618.5 2 + 0.0833 + 0.416 f) 5 4321 p5 + p6 = + 0 = 0. 5) = 0. la probabilidad de que haya 2 mujeres es: 400 399 600 P (Y = 2) = P ( MMV ) = P3 (2) = 0. Por arriba de este valor se considera que las fracciones se alejan apreciablemente del valor original.454 0. Capítulo 3 Distribuciones de Probabilidades Figura 3-25 PDF Hipergeométrica 5 43 5 54 5 45 5 43 h( y.416 + 0.416 P( B | C ) = = 0. en lugar de 0. 2.416 + 0.5)=0.5) = P3 (3) + P3 (1.004 10 9 8 7 6 g) En este caso la fiesta es numerosa en el sentido de que n = 3 es menor que el 5% de N.0833 μ = 1.4 y 0.416 ∗ 0.10.288 1000 999 998 Se observa que los valores de P(M) y de P(V) no difieren mayormente de 0.0833 Expresiones generales PDF Demostración Observando la figura 3-26 y utilizando el análisis combinatorio.0833 ∗ 1.499 c) 0.4 y para el V: 600/970 = 0. nuevamente menos instructiva): 42 Jorge Carlos Carrá .416 + 0.10.915 d) 45 h(1.3. SPSS Ejemplo P(y=3)=PDF.HYPER(3.416 P ( B | A) = = 0.416 = 0. 2) + P3 (2.3.10.555 98 e) 0.3.5 2 + 0.416 ∗ 0.

al resolver una hipergeométrica con las reglas de las probabilidades en lugar de hacerlo con la expresión combinatoria. k ) = y ≤ k n. N . N .k) Cky C Nn −−yk h ( y . n.N. menor o igual al de la población. n. Esta importante información se pierde con la expresión combinatoria. En cualquier caso las expresiones finales son: μ = np0 N −n σ 2 = np0 q0 N −1 El factor 43 . La segunda es más simple y se presentará en la página 126 pues se deben utilizar herramientas de las distribuciones multinomiales. La detección de estas diferencias elimina toda duda acerca de qué tipo de distribución se trata. k ) y =0 Caracterización Si llamamos p0 a la probabilidad de éxitos inicial. CDF r H (r . Aplicando las definiciones de la media y de la varianza a la PDF de la distribución o vinculando la distribución a otra con media y varianza conocidos. N . h(y. naturalmente. de usar una binomial como aproximación. Figura 3-26 Comparar esta figura con la respectiva de la distribución binomial y observar las diferencias en los datos proporcionados en ambas poblaciones. La primera implica trabajar con las expresiones factoriales dentro de la sumatoria de los valores esperados y utilizar la propiedad de que ∑ p ( x) = 1 . Ic Modelos teóricos de una variable – Distribución Hipergeométrica.n. Este camino requiere algún esfuerzo para obtener las expresiones finales. n. k ) = ∑ h( y. es decir: k p0 = n Al igual que en la Binomial. obliga a calcular las probabilidades sucesivas y por lo tanto informa al usuario acerca de la razonabilidad.y ≤ N −k C Nn Las desigualdades expresan que el número de Éxitos (o Fracasos) de la muestra debe ser. Por otra parte. o no. anteriormente presentada. existen dos formas de deducir la media y varianza de la distribución hipergeométrica.

puede establecerse que una hipergeométrica se puede aproximar a una binomial si la población puede considerarse infinita.a x tiene solo 2 resultados (dicotómica): E y F. se obtienen: μ pˆ = p0 p0 q0 N − n σ p2ˆ = n N −1 Aproximación de una hipergeométrica Como la independencia es la única diferencia entre las distribuciones binomial e hipergeométrica y esta propiedad está asociada al tamaño de la población. en los supuestos 2 y 3. Observar que: • La cpf es menor que 1 por lo cual la varianza de la hipergeométrica es menor que la de la Binomial.p) Supuestos Es una modificación de la Binomial. pueden obtenerse. equivale a una población infinita y por lo tanto debe considerarse que N tiende a infinito en la ecuación anterior (obteniendo la expresión para una binomial). con probabilidad 1.a: y = Número de Pruebas hasta obtener el primer Éxito. Proporción muestral Expresiones similares respecto de la proporción muestral. como corresponde a su nombre y que es 0 cuando n = N. g(y. Capítulo 3 Distribuciones de Probabilidades N −n cpf = <1 N −1 se denomina factor de corrección por población finita y diferencia a las expresiones de σ de la binomial y de la hipergeométrica. Supuesto 3 Tamaño Las muestras tienen un tamaño n variable que puede ser infinito. Debe puntualizarse que el muestreo con reemplazo. Supuesto 2 Variable Aleatoria Se busca la v. 44 Jorge Carlos Carrá . Supuesto 1 Dicotómica Una v. MCR. • La cpf tiende a 1 cuando N tiende a infinito. pues la dispersión es cero dado que la distribución solo conserva el término en el cual la selección de la muestra es igual a la población. recordando que: y pˆ = n Aplicando las propiedades de la media y de la varianza. una población se considera finita si n > 5% N . es decir: n<5%N Hipergeométrica Binomial Figura 3-27 Aproximación Hipergeométrica a la Binomial Distribución geométrica. Como ya se ha dicho.

.. se obtiene: μ = E (Y ) = p(1 + 2q + 3q 2 + .p) Supuesto 4 Dependencia Los n elementos del espacio muestral son independientes...) + (q + q 2 + . p) = q y −1 p y ≥1 CDF r G (r . Expresiones generales Observemos la siguiente tabla de la distribución para los primeros valores de y: S E FE FFE … Y=y 1 2 3 … p(y) p pq pq2 … Figura 3-28 Si llamamos x al número de fracasos antes de aparecer el primer éxito.] Cada una de las expresiones entre paréntesis es una sucesión geométrica (de aquí proviene el nombre de la distribución). es igual al número de fracasos más 1: y = x +1 A partir de esta relación.) + (q 2 + .. resulta: 45 . puede observarse que el número de pruebas y.. de razón q.. Para proseguir debemos recordar que la suma de una sucesión geométrica de n términos cuyo primer término es a. obtenida la distribución de y se obtiene la de x...P( y > r ) y =1 Por otra parte: ⎛ 1 ⎞ P ( y > r ) = p (q r + r +1 +. cuando n tiende a infinito.. Caracterización Media Aplicando la definición de la media a los valores de la figura 3-28. p ) = ∑ g ( y.. si q < 1 .) + .. es: 1 − qn S =a 1− q Tomando el límite de esta suma.) = = p[(1 + q + q 2 + . p ) =P( y ≤ r ) = 1. Ic Modelos teóricos de una variable – Distribución geométrica. y cuya razón es q. g(y.) = p ⎜ q r ⎟=q r ⎝ 1− q ⎠ Es decir. g ( y. la cola de una distribución geométrica es siempre q r . De la tabla se desprenden las siguientes expresiones: PDF Demostración Observando la figura 3-28 se obtiene la siguiente expresión general de la función de probabilidad.

Capítulo 3 Distribuciones de Probabilidades a S= 1− q Aplicando esta expresión a nuestras sucesiones. la probabilidad del primer éxito no depende de s. q s +t P(Y > s + t | Y > s) = = q t = P(Y > t ) qs Esta ecuación dice que si se sabe que no se produjo ningún éxito hasta s. se obtiene la expresión de la media de x.. el número de fracasos antes de aparecer el primer éxito: q μx = p Varianza Se puede demostrar que: q V ( y) = p2 Las varianzas de Y de X son iguales.. Y no tiene memoria si: P (Y > s + t | Y > s ) = P (Y > t ) Veamos si se cumple para una distribución geométrica. Pérdida de la memoria Decimos que una v..⎥ = 1 + q + q 2 + . se aprecia que los paréntesis finalmente resultan: ⎡1 q q2 ⎤ 1 1 μ = p ⎢ + + . 46 Jorge Carlos Carrá .a.. = = ⎣p p p ⎦ 1− q p Se tiene entonces que: 1 μy = p Una demostración alternativa es a partir de: ∞ E (Y ) = ∑ npq n −1 n =1 Utilizando la identidad: ∞ d ⎛ ∞ n⎞ ∑ nxn−1 = n =1 ∑x dx ⎜⎝ n=1 ⎟⎠ Si x < 1. entonces: d ⎛ ∞ n⎞ d ⎛ x ⎞ 1 ⎜ ∑ x ⎟= ⎜ ⎟= dx ⎝ n =1 ⎠ dx ⎝ 1 − x ⎠ (1 − x )2 Con lo cual se obtiene: ∞ 1 1 E (Y ) = ∑ npq n −1 = p = n =1 (1 − q ) 2 p Aplicando la relación y = x + 1 .

Ic Modelos teóricos de una variable – Distribución geométrica. g(y.a.01024 c) PDF Figura 3-29 47 .600) − 0.p) Las v.45 = 0.400 2 (0.600) = 0. c) dibujar la PDF y la CDF.4001 (0.13 Auditorías con errores Un contador público ha encontrado que 6 de cada 10 auditorías contienen errores.98976 = 0.600) − 0. Luego veremos que en las variables contínuas la misma propiedad la presenta la distribución exponencial (página 68).6) = 0.0384 b) 1 − G (4. b) la primera contabilidad con errores se produzca a partir de la sexta compañía. geométricas son las únicas v.4003 (0.600) − 0.4004 (0.01024 De otra forma: P ( y > 5) = q r = 0.a. 0.600) = = 1 − 0. ¿Cuál es la probabilidad de que: a) la primera contabilidad con errores sea la cuarta compañía revisada. Problema resuelto 3.600 − 0. d) ¿Es poco común que la primera contabilidad con errores aparezca a partir de la sexta compañía revisada? a) g (4.6) = = 1 − 0. discretas que no tienen memoria.4003 (0. 0.

puede decirse que esta distribución es la opuesta de la binomial. el Número de Pruebas es ahora la variable y el Número de Éxitos está predeterminado.p) Supuestos Esta ampliación de la geométrica es una modificación de la Binomial.0384 b) 1-CDF. bn(y.6)=0. Dado que. Capítulo 3 Distribuciones de Probabilidades CDF Figura 3-30 d) La P(y > 5) = 0. en los supuestos 2 y3: Supuesto 1 Dicotómica Una v. SPSS a) PDF. respecto de la binomial.a: y = Número de Pruebas hasta obtener r Éxitos.GEOM(4. Supuesto 2 Variable Aleatoria Se busca la v.01024.r.01024 Distribución binomial negativa o de Pascal. 48 Jorge Carlos Carrá . de aquí el nombre. Supuesto 3 Tamaño Las muestras tienen un tamaño n variable que puede ser infinito. Supuesto 4 Dependencia Los n elementos del espacio muestral son independientes.0.GEOM(4.6)=0.0. por lo cual es un suceso poco común y si sucede al azar es lícito dudar de la tasa de compañías con errores.a x tiene solo 2 resultados (dicotómica): E y F.

Ic Modelos teóricos de una variable – Distribución binomial negativa o de Pascal. puede observarse que el número de pruebas y. De la tabla se desprenden las siguientes expresiones: PDF Demostración Observando la figura 3-31 se obtiene la siguiente expresión general de la función de probabilidad. será: Y3 = X1 + X2 + X3 En general: r ybn = ∑ y g 1 De aquí.FF…FE FF…FE X1 X2 X3 Si llamamos: X1 = número de ensayos hasta el primer E. p ) = ∑ bn( y.1) p 2 q 2 P4(3.r. X3 = número de ensayos después del segundo E hasta el tercer E. bn( y. bn(y.a. X2 = número de ensayos después del primer E hasta el segundo E. Si consideramos por ejemplo r = 3.r −1) q y − r p r y≥r Se puede observar que solo cambia el coeficiente respecto de la binomial. un resultado genérico puede ser: FF…FE . binomial negativa). CDF a Bn( a. resultan: 49 . r . es igual al número de fracasos más el número de éxitos: y = x+r A partir de esta relación. r .a. r .1) p q2 P3(2.1) p 2 q 3 … Figura 3-31 Si llamamos x al número de fracasos antes de aparecer el k-esimo éxito.. es geométrica y la variable Y3 = número de ensayos hasta el tercer E (v. p ) y =r Caracterización Se puede ver que una distribución binomial negativa es una suma de k distribuciones geométricas.p) Expresiones generales Observemos la siguiente tabla de la distribución para los primeros valores de y si r =2: S EE EFE EFFE EFFFE … Y=y 2 3 4 5 … p(y) p2 P2(1. entonces cada una de estas v. Como de costumbre conviene razonar la obtención de la probabilidad con un diagrama de árbol en lugar de recordar esta expresión. obtenida la distribución de y se obtiene la de x. p ) = Py −1( y − r .

Se aprecia que llevan los mismos valores. n. 4.5) Se observa entonces que la función acumulativa de una. Relaciones entre las CDF Binomial y Pascal Pascal y Binomial Pascal Sea Y el número de pruebas de Bernoulli para obtener k Éxitos E con P ( E ) = p . Si se requieren a lo sumo n pruebas para obtener r E. 0.NEGBIN (5. 4. deberá haber a lo sumo ( r − 1 ) E en estas n pruebas. p ) Demostración a) Si se requieren más de n pruebas para obtener r E. Una forma equivalente de expresar estas relaciones es: P (Y > n) = P ( X < r ) P (Y ≤ n) = P ( X ≥ r ) Utilizando la notación con CDF se aprecia el intercambio de parámetros: el valor de n es el mismo en ambas y el de r disminuye en 1 en la binomial.5) Las relaciones complementarias se obtienen restando de 1 en ambos lados. 0. equivale a la función significación de la otra. a) 1 − CDF . Capítulo 3 Distribuciones de Probabilidades Media r μy = p Aplicando la relación y = x + k : rq μx = p Varianza rq V ( y) = p2 Las varianzas de Y de X son iguales.BINOM (3. p ) b) CDF .BINOM ( r − 1.NEGBIN ( n. deberá haber más de r E en estas n pruebas. CDF . r . 0.5) = 1 − CDF . n.5) = CDF .5.NEGBIN (5. Binomial Sea X el número de Éxitos E en n pruebas de Bernoulli con P ( E ) = p . p ) = 1 − CDF . r . 50 Jorge Carlos Carrá . A modo de ejemplo: 1 − CDF . intercambiando CDF por 1–CDF. p ) = CDF .BINOM (3.NEGBIN ( n. 0. b) Este caso resulta del anterior pasando a los eventos complementarios. 5.BINOM ( r − 1.

1 − CDF .3) 0.454 = 0. p ) = 1 − CDF . c) ¿Es poco común que se tengan que examinar a menos de 5 empleados hasta encontrar 4 con pruebas positivas? a) bn(10. n.0953 b) PDF Figura 3-32 51 . Problema resuelto 3.1. Si el 45% de los empleados tienen pruebas positivas. p ) = CDF .p) Geométrica y Binomial Dado que la distribución geométrica es un caso particular de la de Pascal con r = 1.GEOM ( n. El hospital municipal le solicita que le sean enviados 4 empleados con pruebas positivas para profundizar los exámenes.BINOM (0. b) dibujar la PDF y la CDF de Y = número de pruebas hasta obtener k = 4 E.r.14 Gripe H1N1 Los empleados de su empresa son examinados para detectar la presencia del virus de la gripe H1N1.5560.45) = P9(6.NEGBIN ( n. Ic Modelos teóricos de una variable – Distribución binomial negativa o de Pascal. a) encuentre la probabilidad de que se tengan que examinar a 10 empleados hasta encontrar 4 con pruebas positivas.GEOM ( n. p ) Análogamente: CDF . n.BINOM (0. 4. p ) = 1 − CDF . 0. bn(y. p ) Este teorema puede utilizarse para calcular las CDF de una distribución de Pascal o Geométrica a partir de una Binomial. la relación anterior subsiste reemplazando r por 1.

4.3) Sea X el número de fallas dentro de una hora.32 (0.7) + 0. ´por lo cual es un suceso poco común y si sucede al azar es lícito dudar de la tasa del 45%.NEGBIN(10. Hallar la probabilidad de que funcione bien durante 3 horas (es decir que falle luego de 3 horas). en 3 horas. SPSS a) PDF.3.041 < 5%.027 Binomial bn(<1.3) Sea Y el número de intervalos de una hora hasta la primer falla. Capítulo 3 Distribuciones de Probabilidades CDF Figura 3-33 c) La P(y < 5) = 0. Geométrica g(>3.15 Falla de un motor La probabilidad de que falle un motor durante cualquier período de una hora es 0.027 52 Jorge Carlos Carrá .0. P (Y > 3) = 1 − P (Y ≤ 3) = 1 − ⎡⎣ 0.33 = 0.0.1.3(0.45)=0. P( X = 0) = 0.0953 Problema resuelto 3.3.7 + 0.0.7) ⎤⎦ = 0.

En otras palabras la probabilidad de que ocurran 2 o más eventos en un intervalo infinitesimal dt es nula. p(y. P ( n. Distribución de Poisson. Es importante realizar el cambio de unidades necesario para que el intervalo en el que se estudia y. A los efectos de normalizar la notación. dt ) = ω dt Consecuencia Como consecuencia de a y b). la probabilidad de que no ocurra ningún evento en dt será: P(0. Frecuencia promedio ω Cantidad de casos ω= Intervalo Se asume que ω es constante. n eventos en t Si los intervalos fueran iguales establece que la distribución de probabilidades es la misma en cada uno de ellos. etc). sea el mismo que para ω.λ) Supuestos Esta distribución modela una v. lo cual significa que la probabilidad de que ocurran n Eventos en un intervalo t. Por lo tanto la propiedad 2b se puede expresar como: P (1.a: Y=Número de casos E en un intervalo determinado (de tiempo. Supuesto 2. usaremos la letra t para denotar al intervalo como si fuera de tiempo. teóricamente infinito. Variable Aleatoria y Se busca la v. Ic Modelos teóricos de una variable – Distribuciones multinomial y multihipergeométrica Distribuciones multinomial y multihipergeométrica Por ser modelos multivariables se tratarán en la sección correspondiente en la página 129. Un ejemplo al cual aplicar cada una de las 4 propiedades podría ser la cantidad de errores cometidos por hoja en un libro. área. Este número de casos podría ser. 53 . dt ) = 0 n > 1 b) la probabilidad de que ocurra un evento en un intervalo infinitesimal dt solo depende del ancho del intervalo. distancia. Un evento en dt La propiedad dice dos cosas: a) En un intervalo infinitesimal dt puede ocurrir como máximo un solo evento. Observar que ω se mide en cantidad de eventos sobre la unidad del intervalo. dt ) = 1 − ωdt Supuesto 3. volumen. Promedio de eventos λ λ = ωt Observar que λ se mide en cantidad de eventos.a que tiene los siguientes 4 supuestos. Supuesto 1.

dt ) + P (0. t ) − P (0.dt) y P(2. dt ) + P (1. Se reemplazan todas las expresiones que contengan dt por las desarrolladas en el supuesto 2. t ) P (0. t + dt ) = P (2. λ ) = y≥0 y! Demostración La ingeniosa demostración que sigue es una excelente oportunidad para observar cómo se obtiene la expresión de la PDF de Poisson. PDF La PDF de esta distribución es la siguiente: e−λ λ y p( y. utilizando además el supuesto 3 al considerar que la probabilidad solo depende de n y del ancho del intervalo t. t )ω dt Se forma un cociente incremental pasando el primer miembro del segundo miembro al primer miembro y dividiendo por dt. 1. t ) P (1. t ) − P (2. t + dt ) = P (2. t ) − P (2. t ) P (0. t )ω dt P (1. t )ω dt P (2. t + dt ) = P (1. la cantidad de errores cometidos depende solo del tamaño de la hoja y no de la posición de la misma. dt ) P (2. dt ) P (2.dt): P (0. Reemplazando P(0. t )) + ω P (0. dt ) Reemplazando P(1. t ) P (0. t ) P (2. Se supondrá la validez de las propiedades anteriores en los problemas de aplicación. t )ω = P (0. t + dt ) = P (1. t + dt ) = P (1. t ) P (1. la cantidad de errores cometidos en la hoja 4 es independiente de la cantidad de errores en la hoja 2. t )ω dt P (1. dt ) etc. s ) | ( n. t )ω dt + P (1. Supuesto 4. dt ) + P (0. t ) − P (0. s ) En el ejemplo. dt ) P (1. t + dt ) = P (0. utilizando los 4 supuestos anteriores y herramientas estándar de la teoría de las probabilidades y del análisis infinitesimal. Por lo tanto las probabilidades de que sucedan 0. Capítulo 3 Distribuciones de Probabilidades depende solo de la extensión del intervalo (no de la posición del mismo)3. P (( m. En forma expresa serán utilizadas las 4 propiedades en la siguiente demostración de la ecuación de la distribución de Poisson. Independencia El número de casos m en el tiempo s es independiente del número de casos n en el tiempo t. t )ω dt 3 Esta condición es probablemente la más inconveniente para modelar un proceso real por lo cual luego suele preferirse una generalización dando origen a los llamados procesos de Poisson no homogéneos. t ) = 0 dt d ( P (1. …eventos en el intervalo t+dt son: P (0. t ) P (2. Se obtienen así las siguientes ecuaciones diferenciales lineales invariantes de primer grado: d ( P (0. 54 Jorge Carlos Carrá . En el ejemplo anterior. t )) = P ( m. t ) − P (1. Se parte de expresiones del supuesto 4. t ) P (1. t )) + P (1. t + dt ) = P (0. t ) − P (1. t + dt ) = P (0. t )ω dt + P (0.dt): P (0. t )ω dt + P (0. t )ω dt + P (1. t ) P (1. t + dt ) = P (2. dt ) + P (0.

λ ) = ∑ p( y. t ) = e−ωt P(1. Las soluciones de las mismas son. t ) = e 2 La solución general se obtiene razonando por inducción. t ) = ωte−ωt (ωt ) 2 −ωt P (2. p(y.λ). t )ω dt Se puede observar que la expresión general de estas ecuaciones diferenciales es recursiva: yn '+ ω yn = ω yn−1 La primera es una ecuación homogénea y '+ ω y = 0 que se resuelve directamente por el método de αt los coeficientes indeterminados (sustitución de D´Alambert y = e ). en sucesión: P(0. −ωt Reemplazando en la siguiente se obtiene una ecuación del tipo y '+ ω y = u(t ) = ωe . de aquí la notación general p(y. t )ω = P (1. resultando: (λ ) y P( y. λ ) y =0 55 . λ ) = y≥0 y! Observar que esta ecuación depende naturalmente del y deseado y de λ (la expresión en y es una exponencial sobre un factorial). CDF r P(r . Ic Modelos teóricos de una variable – Distribución de Poisson. −ωt Las restantes ecuaciones se resuelven en forma similar por el método de variación de parámetros. t )) + P (2. pues obtiene el valor siguiente a partir de los valores anteriores. Expresión recursiva Si se opera sobre la ecuación de cálculo de la probabilidad de Poisson se puede obtener en forma directa que: e − λ λ y +1 p ( y + 1) y + 1! λ = −λ y = p( y ) e λ y +1 y! Por lo tanto: λ p ( y + 1) = p( y) y +1 expresión que puede ser útil al calcular la distribución completa. Esta ecuación se puede resolver por el método de variación de parámetros: y = ϕ y H = ϕ e −ω t . conduciendo a la ecuación: ϕ ' e = u(t ) . el cual consigue reducir el término en la variable y. ) d ( P (2. para una distribución de Poisson. t ) = e− λ y! En definitiva: e−λ λ y p( y.

+ ⎟= ⎝ 2! 3! y! ⎠ ∞ y 2λ y −1 = λ e−λ ∑ 1 y! Pero: y2 1 1 = + y ! ( y − 1)! ( y − 2)! Por lo tanto: ∞ y 2λ y −1 ∞ λ y −1 ∞ λλ y − 2 ∑1 y ! ∑1 ( y − 1)! ∑1 ( y − 2)! = = + = eλ + λ eλ Recordar que el factorial de un número negativo (en el segundo sumando aparece −1! ) es infinito. 56 Jorge Carlos Carrá . ⎟ = ⎝ 2! 3! ⎠ Utilizando el desarrollo en serie de e λ ... = ∑ 2! 3! 0 k! Caracterización Demostraremos analíticamente (la demostración elegida requiere algún conocimiento de series) que: μ =λ V (Y ) = λ Media La tabla de la distribución se muestra en la figura 3-34: Y=y 0 1 2 3 … 2 -λ 3 -λ p(y) e-λ λe-λ λ e /2! λ e /3! . se tiene: μ = λ e − λ eλ Simplificando: μ =λ Varianza V (Y ) = E (Y 2 ) − μ 2 ⎛ 4λ 9λ 2 y 2 λ y −1 ⎞ E (Y 2 ) = λ e− λ ⎜1 + + +.. Capítulo 3 Distribuciones de Probabilidades Verificación PDF p( x) > 0 ∞ ∑ p ( x) = 1 −∞ Esta última propiedad se visualiza fácilmente recordando el desarrollo en serie de una expresión exponencial: λ2 λ3 ∞ λk eλ = 1 + λ + + + ... Figura 3-34 Distribución de Poisson Por lo tanto: ⎛ 2λ 3λ 2 ⎞ μ = λ e− λ ⎜1 + + + ..

b) dibujar el histograma de y = número de personas que preguntan cada 10 minutos. Ic Modelos teóricos de una variable – Distribución de Poisson. • etc. 2) = e −2 = 0. 57 . Problema resuelto 3. c) hallar la probabilidad de que al menos 3 personas lo hagan en un período de 10 minutos. p(y. a) Hallar la probabilidad de que 3 personas lo hagan en un período de 10 minutos. con el valor medio y la desviación estándar. ) En definitiva: E (Y 2 ) = λe−λ eλ (1 + λ ) = λ + λ 2 Reemplazando en la expresión de V(y): V (Y ) = λ + λ 2 − λ 2 Finalmente: V (Y ) = λ Ejemplos de procesos de Poisson Modela distribuciones de número de casos. • Número de llamadas telefónicas en un intervalo de t. Verificar que los siguientes ejemplos cumplen las 4 propiedades. Observar además que el número de casos en el intervalo no tiene un límite establecido (confrontar con las otras distribuciones anteriores). • Número de fallas al azar en un componente en un intervalo de t. Una forma.16 Preguntas a un consultor En promedio. • Número de vehículos que pasan en una autopista en un intervalo de t. d) ¿Es poco común que más de 5 personas lo hagan en un período de 10 minutos? a) Verificar que el problema cumple las 4 propiedades de una distribución de Poisson. se puede utilizar la expresión λ = ωt : 12 ⎛ 1 ⎞ λ = ωt = ⎜ h⎟ = 2 1h ⎝ 6 ⎠ En consecuencia: 23 p (3. Luego se debe convertir la media al intervalo de 10 minutos. 12 personas por hora hacen preguntas a un consultor. es razonar transformando las unidades del intervalo de ω: 12 p 12 p 1h 2p ω= = = 1h 1h 6*10m 10m Luego λ=2 Alternativamente. • Número de nacimientos en una ciudad en un intervalo de t. • Número de rayaduras de un vehículo en una superficie.1804 3! b) El histograma se muestra en la figura 3-35 y la PDF en la figura 3-36.

016 <5%.2707) En definitiva: P (Y ≥ 3) = 0.1353 + 0.323 d) La P(y > 5) = 0. P (Y ≥ 3) = 1 − P ( y ≤ 2) = 1 − (0. ´por lo cual es un suceso poco común y si sucede al azar es lícito dudar del promedio de 2 personas cada 10 minutos. 58 Jorge Carlos Carrá .41 c) Observando el histograma.2707 + 0. Capítulo 3 Distribuciones de Probabilidades Figura 3-35 Figura 3-36 Distribución de Poisson μ =λ =2 V ( y) = λ = 2 σ = 1.

en las secciones SPSS y EXCEL. con lo cual queda establecida una indeterminación (en este caso la binomial tomará valores significativos solo para pequeños valores de y). se obtiene de la siguiente manera: 1-CDF. tiende a una de Poisson.POISSON(2. se podrán obtener los valores de la distribución de Poisson. En la figura 3-37 se establece uno de los criterios para precisar los términos grande y chico.05 . n tiende a infinito.2)=0. n− y n(n − 1)(n − y + 1) ⎛ λ ⎞ ⎛ λ⎞ y lim Pn ( y. aunque restringido a los valores más usuales. tal como las que se encuentran también en el apéndice B. una distribución binomial. p(y. Estas tablas 59 . n − y) p y q n− y = lim ⎜ ⎟ ⎜1 − ⎟ n→∞ n→∞ y! ⎝n⎠ ⎝ n⎠ Operando: −y n n −1 n − y + 1 λ ⎛ λ⎞ ⎛ λ⎞ y n lim ⎜1 − ⎟ ⎜1 − ⎟ n→∞ n n n y! ⎝ n⎠ ⎝ n⎠ Recordando que. p debe tender a 0. En síntesis.1 Binomial Poisson Figura 3-37 Aproximación Binomial a Poisson Uso de tablas Si se cuenta con una computadora en la cual se ha instalado SPSS o EXCEL. cuando n tiende a infinito: −n/λ −λ ⎛ λ ⎞ ⎛⎛ ⎞ n 1 ⎞ ⎜1 − ⎟ = ⎜ ⎜1 + ⎟ ⎟ = e−λ ⎝ n ⎠ ⎝ ⎝ −n / λ ⎠ ⎠ Finalmente se obtiene: λ y lim1 e− λ 1 n →∞ y! O sea: −λ λ y e y! expresión del término general de la distribución de Poisson. dado que λ es constante. Ic Modelos teóricos de una variable – Distribución de Poisson. Otro criterio que da resultados aceptables es: n > 20 y p<0. Alternativamente. tal que su valor medio se mantenga constante. ) SPSS Por ejemplo el valor de cola superior para y ≥ 3.323 Aproximación de una binomial Sea una distribución binomial y hagamos tender el tamaño de la muestra n a infinito con μ= np=λ constante. se puede hacer uso de tablas. si n se hace suficientemente grande y p es chica (eventos raros). n>100 y p<0. Observar además que sien si en λ = np. con las instrucciones que se encuentran en el apéndice B.

para unn valor de λ = 00.117 Errores en un libro Los auttores y editoress trabajan arduaamente para minimizar m el númmero de errorees en un libro. Si S el número medio ded errores de 0. Tootal n fijo: disstribución multinomial conn tantas catego orías como ceeldas. Maarginales X e Y fijos: distrribución hiperrgeométrica. F Figura 3-38 Tabla disttribución de Pooisson e valor de λ. Así poor ejemplo el vaalor recuadradoo 0. Unn marginal X (o Y) fijo: X distribucionees binomiales independienttes. y. Ni marginales ni n total fijo: diistribución dee Poisson. En cualquier fila se encueentran las acum mulaciones de probabilidades p s de izquierda a derecha. Dis seños s con tabla t de co onting gencia as Una tabbla de conting gencias condu uce a distintoos modelos dee probabilidadd. del Apéndice A B. Y: 1. hallar la proobabilidad de que q haya menos de 2 errores en e un capítulo específi fico. X.08. 4. 3. Para ejemplificar veeamos el prim mer caso. según se maantengan o noo fijos loos valores de los l marginalees. Por lo tan nto la respuestaa es 99. a meedida que aumentta el número dee casos. E En la prrimer columnaa se encuentra el En la fila superiior se encuentrra el número dee casos.08 por capítullo. Esta tabla contienne la CDF es decir d las probbabilidades acu umuladas.997 es la prrobabilidad de que se encuenttren 1 o menoss casos. Capíítulo 3 Distrib buciones de Probabilidade P es relacio onan valores ded eje con prrobabilidadess y el parámeetro λ. 2.7%. 60 Jorge e Carlos Carrrá . Las 3 magnitudes m see resumen en la siguiennte notación: yCDF (λ ) Prob blema ressuelto 3. Se reprooduce en la fig gura 3-38 parte de la tabla de Poisson.

calculamos la h(a. CN E a CN F b N E ! N F !n1 !n0 ! h(a. la cual será a su vez la media de la distribución de tablas. página FisherExact5. La distribución completa se genera con el conjunto de tablas que se construyen manteniendo constantes los valores marginales y variando el valor de y = a. 61 . de las cuales un número a son E y un número b son F. N . N . n1 . La cantidad de tablas será el valor del marginal menor + 1 (pues se empieza desde 0). Propiedad 2 Utilizando la simbología de la tabla de la figura 3-39. NE ) con la fórmula de la combinatoria. N . la probabilidad (hipergeométrica) de generar cada tabla para cada valor de y = a. Esta interpretación se utiliza para generar un test de independencia alternativo al de χ2 para muestras chicas. Se extraen simultáneamente n1 esferas. N E ) Una interpretación similar podría haber sido realizada para la otra fila o por columnas (figura 3-39 b). Observar que esta interpretación parte de mantener los marginales constantes. basta conocer el valor de una celda para conocer toda la tabla. en esta interpretación. n1. Propiedad 1 La media de esta distribución es: n1 N E μ = np0 = N Puede observarse que este valor no es otro que el valor que debe tener la celda pivote entre los marginales NE y n1 para que esa tabla contenga la condición de independencia entre las variables. lo cual no es posible). n1 . en la cual los niveles dicotómicos se han denominado genéricamente (E. que se estudiará en el capítulo 5. Este límite se debe a que los totales marginales deben permanecer constantes y por lo tanto si una celda superara el marginal. Naturalmente cualquiera de los valores de los coeficientes que miden el apartamiento de la independencia. se trata entonces de una distribución hipergeométrica definida por: h(a. 1). N E ) = = CN N1 N !a !b !c !d ! Este valor es. o test de Fisher–Irwin. de las cuales NE son E y NF son F. llamado Fisher's exact test. crece a medida que las barras representativas de las tablas se alejan de la media. F) y (0. Asimilemos dicha tabla a la figura 3-26 de la página 43. E F 1 0 1 a b n1 E a b NE 0 c d n0 F c d NF NE NF N n1 n0 N a b Figura 3-39 Si se conocen los marginales. Ic Modelos teóricos de una variable – Diseños con tabla de contingencias Diseño hipergeométrico: prueba exacta de Fisher Sea la tabla de contingencias 2×2 que se muestra en la figura 3-39a. Es decir que una de las tablas de la distribución contendrá la independencia. desde 0 hasta el máximo del marginal menor (el cual se asigna por simplicidad a la celda a). la otra celda tendría que ser negativa. Consideramos a la fila de totales como una "urna" con n esferas.

Fisher propuso que se realizara una prueba con 8 tazas de té con leche. Figura 3-41 62 Jorge Carlos Carrá . n1 . de la cual resulta que es indistinto el orden de los 2 últimos parámetros de la ecuación. puede observarse la simetría de la expresión.4) que se muestran en la figura 3-41. pero por el momento podemos al menos crear la distribución de todos los resultados posibles. N E . El resultado de la prueba fue el siguiente: Dama dice te leche Total te 3 1 4 realidad leche 1 3 4 Total 4 4 8 Figura 3-40 La pregunta es: ¿cómo puede detectarse si el resultado se debe a la habilidad de la dama o al producto del azar? Para responderlo debemos llegar al capítulo 5 (página damaFisher5). n1 ) La dama inglesa Una de las aplicaciones más famosas de la interpretación anterior es la protagonizada por una dama inglesa presente en una reunión en la que se encontraba el célebre matemático y estadístico Ronald Fisher. primero el té.8. N E ) = h(a. Capítulo 3 Distribuciones de Probabilidades Con la ayuda de esta notación. La dama era la bióloga Muriel Bristol. En 4 de ellas se había colocado primero la leche y en las 4 restantes. El alumno no tendrá dificultades de obtener los valores hipergeométricos de la h(y.4. es decir: h(a. N . N . Esta información fue provista a la dama pero el orden en el que se le presentaron las tazas fue aleatorio. quién aseguraba que era capaz de detectar si en una taza de té con leche se había colocado primero la leche o primero el té.

r(x. b ) = a≤ x≤b b−a siendo: a≤ x≤b Figura 3-42 PDF Distribución rectangular Verificación PDF f ( x) > 0 ∞ ∫ −∞ f ( x)dx = 1 Esta última propiedad se visualiza fácilmente reemplazando la función uniforme en la integral. CDF La expresión de la CDF será: x 1 R ( x. para el cálculo de sus valores. el resto de las distribuciones contínuas se resuelven con expresiones que requieren el cálculo diferencial. a . b ) = ∫ dx a b−a es decir: 63 . a . Distribución Uniforme. Modelos contínuos 2.a.b) También se llama rectangular y es la distribución más simple. Modelos contínuos Excepto la distribución uniforme y exponencial. por lo cual se utilizarán exclusivamente tablas o programas informáticos. Ic Modelos teóricos de una variable – 2. PDF Se define como: 1 r ( x.

partir de los datos. la ecuación de la recta correspondiente. Capítulo 3 Distribuciones de Probabilidades x ⎡ x ⎤ x−a R ( x. b ) = ⎢ ⎥ = ⎣ b − a ⎦a b − a x−a R ( x. a . b) = b−a Sin embargo resulta en la práctica más conveniente hallar. a. Figura 3-43 CDF Distribución rectangular Caracterización Media Aplicando la definición de la media: b 1 1 (b 2 − a 2 ) E( X ) = ∫ xdx = a b−a b−a 2 Por lo tanto: a+b E( X ) = 2 La media es el promedio de los valores extremos. conclusión que pudo obtenerse rápidamente por razones de simetría. Varianza Aplicando la definición de la varianza: 2 b 1 ⎛ a+b⎞ V (X ) = ∫ ⎜x− ⎟ dx a b−a⎝ 2 ⎠ Operando: 64 Jorge Carlos Carrá .

19 Espera del ómnibus Los ómnibus arriban cada 15 minutos después de la 07:00. 0.b) 1 ⎡⎛ b − a ⎞ ⎛ a − b ⎞ ⎤ 3 3 V (X ) = ⎢⎜ ⎟ ⎜− ⎟ ⎥ 3(b − a ) ⎣⎢⎝ 2 ⎠ ⎝ 2 ⎠ ⎦⎥ Por lo tanto: 2(b − a)3 (b − a) 2 V (X ) = = 3(23 )(b − a) 12 (b − a) 2 V (X ) = 12 Nota Se deja al estudiante que obtenga la misma ecuación a partir de la expresión alternativa: ⎛ b 1 ⎞ V ( X ) = ⎜ ∫ x2 dx ⎟ − μ 2 ⎝ a b−a ⎠ Ejemplos de distribuciones rectangulares • Equiprobabilidad Aplicaciones del principio de la teoría de las probabilidades conocido como "de la razón insuficiente" o "de la indiferencia". Ic Modelos teóricos de una variable – Distribución Uniforme.0. Esta distribución origina los Números Aleatorios Uniformes.1) = = 0. hallar la probabilidad de que tenga que esperar.8. r(x.1)=0. hallar la CDF (0.289 SPSS CDF.1).a.1).0. • Elección de un punto al azar.0833 12 σ = 0. 65 . Si un pasajero llega a la parada en un tiempo que está uniformemente distribuido entre 07:00 y 07:30.0.8 1− 0 0 +1 μ= = 0.5 2 12 V (X ) = = 0. NAU y los problemas de muestreo aleatorio.8. 0.UNIFORM(0.8 − 0 R (0. Problema resuelto 3. el cual establece que en condiciones de incertidumbre se asume la equiprobabilidad. La distribución uniforme precisa la noción intuitiva de elección de un punto al azar. b) más de 10 minutos. pues con esto se quiere decir que las coordenadas X de dicho punto están uniformemente distribuidas.8 Problema resuelto 3.8. la media y la desviación estándar. a) menos de 5 minutos.18 Distribución uniforme Dada la distribución r(x.

Por lo tanto: 15 30 P ( (10 < X < 15) + ( 25 < X < 30 ) ) = ∫ 1/ 30dx + ∫ 1/ 30dx = 1/ 3 10 25 b) Similarmente : 5 20 P ( ( 0 < X < 5) + (15 < X < 20 ) ) = ∫ 1/ 30dx + ∫ 1/ 30dx = 1/ 3 0 15 Distribución Exponencial. Tiempo Medio entre Fallas (Mean Time Between Failures). PDF Se define como: e(t . ω es la frecuencia de casos.ω) Como es habitual que la variable aleatoria sea el tiempo. utilizaré a la letra t como simbología. en esta distribución (sea o no el intervalo un tiempo). Capítulo 3 Distribuciones de Probabilidades a) Sea X el tiempo en minutos que el pasajero debe esperar después de las 07:00. Si la variable aleatoria es el tiempo. e(t. Figura 3-44 PDF Distribución exponencial 66 Jorge Carlos Carrá . Para esperar menos de 5 minutos debe arribar entre 07:10 y 07:15 o entre 07:25 y 07:30. β es el período o también llamado MTBF. 1 Se define además: β = . ω Si la variable aleatoria es el tiempo. ω ) = ωe−ωt 0 < t < ∞ donde: ω = parámetro.

es decir la duración de un determinado elemento. ω ) = ∫ ωe−ωt dt = 1 − e−ωt 0 Figura 3-45 CDF Distribución exponencial Propiedad de las colas exponenciales De la expresión de la CDF se desprende que: La cola de una distribución exponencial tiene siempre el valor e − ω t . e(t. Caracterización El alumno podrá obtener rápidamente con una integración por partes los valores de la media y de la varianza (esta última con la fórmula rápida). 67 . Ic Modelos teóricos de una variable – Distribución Exponencial. Media ∞ 1 E (T ) =∫ ω te −ωt dt = =β 0 ω Varianza ∞ 2 E (T 2 ) = ∫ ω t 2 e −ωt = 0 ω2 Por lo tanto: 1 V (T ) = = β2 ω 2 Ejemplo de distribución exponencial Modela el tiempo T1 hasta la primera falla. CDF La expresión de la CDF será: t E (t . ) Se observa que es una distribución asimétrica con sesgo positivo.

contínuas que no tienen memoria y son el equivalente contínuo de las variables discretas geométricas (página 46). resulta: 1 − F (s + t ) P (T > s + t | T > s ) = = P(T > t ) = 1 − F (t ) 1 − F ( s) Llamando G al complemento de F: G (t ) = 1 − F (t ) : G ( s + t ) = G ( s )G (t ) La única función que cumple esta propiedad es la exponencial. X no tiene memoria si: P (T > s + t | T > s ) = P (T > t ) Veamos si se cumple para una distribución exponencial. e −ω ( t + s ) P (T > s + t | T > s ) = −ω s = e −ωt = P (T > t ) e En particular para la variable exponencial T1. la probabilidad a partir de ese tiempo no depende de s. Distribución Gamma Primero debemos introducir la función Gamma.a. por lo cual la inversa de la propiedad anterior también es cierta: si una variable no tiene memoria.a. Un fusible o un cojinete de material con gran dureza son buenos ejemplos de elementos para los cuales esta propiedad suele cumplirse.a. Haciendo intervenir la CDF. Decimos que una v. Capítulo 3 Distribuciones de Probabilidades Pérdida de la memoria Las v. se obtiene: ∞ ∞ Γ(r ) = −e − x x r −1 − ∫ −e − x ( r − 1)x r − 2 dx 0 0 ∞ 0 + ( r − 1) ∫ e − x x r − 2 dx = ( r − 1)Γ(r − 1) 0 Por lo tanto: Γ (r ) = ( r − 1)Γ (r − 1) 68 Jorge Carlos Carrá . pues no cambian mayormente con el uso y son tan buenos como nuevos. esta ecuación dice que si se sabe que no se produjo ninguna falla hasta s. Función Gamma Está definida por: ∞ Γ(r ) = ∫ x r −1e − x dx r>0 0 Expresión recursiva Si integramos por partes diferenciando x r −1 . es exponencial. exponenciales son las únicas v.

69 . Ic Modelos teóricos de una variable – Distribución Gamma p es entero positivo Γ( r ) = ( r − 1)Γ ( r − 1) = ( r − 1)( r − 2)Γ( r − 2) = ( r − 1)(r − 2).Γ(1) Como: ∞ Γ(1) = ∫ e − x dx = 1 0 resulta: Γ(r ) = (r − 1)! Por lo tanto la función Gamma es una generalización de la función factorial. A veces se suelen llamar α y β. se obtiene: 2 ∞ ∞ Γ(1/ 2) = 2 ∫ u −1e − u /2udu = 2 ∫ e − u /2 du 2 2 0 0 Se verá en el punto siguiente que (ver distribución normal): ∞ 1 ∫e − z 2 /2 dz = 1 2π −∞ Por lo tanto: ∞ 1 ∫e − z2 / 2 dz = 2π 0 2 finalmente: 2 2π Γ(1/ 2) == = π 2 Distribución Gamma(x. α ) = ⎨ Γ ( r ) ⎪0 en otro lado ⎩ Tiene 2 parámetros r y α Al primero se lo llama de forma y al segundo de escala. r . Problema resuelto 3.. respectivamente.r.α) Una X variable aleatoria no negativa sigue una distribución Gamma si su PDF es: ⎧ α ⎪ (α x)r −1 e−α x x>0 α >0 r>0 f ( x.20 Γ(1/2) Demostrar que: Γ (1 / 2) = π ∞ Γ(1/ 2) = ∫ x −1/2 e − x dx 0 Realizando el cambio de variable: x = u / 2 ..

la PDF de la distribución Gamma es: f ( x) = α e−α x Por lo tanto la distribución exponencial es un caso particular de la Gamma con r = 1. Capítulo 3 Distribuciones de Probabilidades Verificación PDF f ( x) > 0 ∞ ∫ −∞ f ( x)dx = 1 Esta última propiedad se visualiza fácilmente reemplazando la función Gamma en la expresión. En la siguiente figura se representan las PDF de la distribución Gamma para: α = 1. Figura 3-48 Caracterización Se demuestra analíticamente que: r E( X ) = α r V (X ) = α2 Exponencial Si r = 1. 70 Jorge Carlos Carrá . r = 1 y α = 1. Además α de la Gamma se convierte en ω de la exponencial. r = 2.

POISSON ( r − 1. Si se requiere a lo sumo un tiempo t para obtener r ocurrencias. t . Ic Modelos teóricos de una variable – Distribución Gamma Relaciones entre las CDF de Gamma y Poisson Las siguientes relaciones se verifican si el parámetro r es un entero positivo. Demostración Sean T una variable aleatoria Gamma y X una variable aleatoria Poisson. Gamma y Poisson Sabemos que la distribución Binomial y la distribución Binomial Negativa o de Pascal forman un conjunto de inversas. Utilizando la notación CDF. α ) = CDF . Además la distribución Geométrica es un caso particular de la Binomial negativa con r = 1: Tamaño de la muestra n hasta el primer éxito. b) Este caso resulta del anterior pasando a los eventos complementarios. Sea r un entero positivo. α ) = 1 − CDF . deberá haber a lo sumo ( r − 1 ) ocurrencias en [0. Utilizaremos la relación: ∞ e− x x r r e− a a r ∫ dx = ∑ a r! k =0 k! la cual se demuestra integrando sucesivamente por partes la integral: ∞ ∫a e− x x r dx con: u = xr dv = e − x dx 71 . Con otra notación.GAMMA(t . De forma similar. la distribución de Poisson forma un sistema de inversas con la distribución Gamma y la Exponencial es un caso particular de la Gamma con r = 1. r . deberá haber más de r ocurrencias en [0. r . se aprecia el intercambio de parámetros. Sea T el tiempo requerido para observar r ocurrencias. Al igual que para la pareja Pascal-Binomial. Binomial Número de Éxitos r para una muestra n Binomial negativa Tamaño de la muestra n para un número de éxitos r. Sea X el número de ocurrencias durante [0. α t ) a) Esta relación significa que si se requiere más de un tiempo t para obtener r ocurrencias.GAMMA(t . t . en la pareja Gamma-Poisson. a) 1 − CDF . el valor de t se mantiene y el de r baja en una unidad en la de Poisson.POISSON ( r − 1. t]. t]. α t ) b) CDF . t]. resultan: P(T > t ) = P( X < r ) P(T ≤ t ) = P( X ≥ r ) Observar que α de Gamma es ω de Poisson.

POISSON (0. 0.1. t] Por lo tanto: e−λ λ 0 P (T1 > t ) = P ( X < 1) = P ( X = 0) = = e − λ = e −ω t 0! Por consiguiente. denotamos: T1.3 . Exponencial y Poisson La relación anterior entre Gamma y Poisson se convierte entre Exponencial y Poisson. T1 tiene una distribución 1 exponencial con media β = .5 = 3*0.5) en donde 1. t] 1 − CDF = P(T1 > t ) es la probabilidad de no falla en [0.EXP (t . ∞ e −ω sω s r −1 P( X < r ) = ∫ ω ds = P( s > t ) t (r − 1)! pues el integrando es una PDF.9) . entonces: r −1 e−λ λ k P( X < r ) = ∑ k =0 k! Reemplazando la sumatoria del segundo miembro por la integral anterior. el intervalo de tiempo hasta el primer evento. Por lo tanto resultan las expresiones. En definitiva P (T > t ) = P ( X < r ) para T Gamma y X Poisson.5) . en donde 1.5 = 3*0. En un proceso de Poisson p(X. T2 el intervalo de tiempo total hasta el segundo evento.POISSON (0. ωt ) CDF .5 Sin embargo explicitaremos una demostración que ampliaremos al tiempo entre ocurrencias.GAMMA(3. 1 − CDF .1.POISSON (1. reemplazando r por 1. ω ) = 1 − CDF .1.POISSON (0. 0.5) = CDF . 2.GAMMA(3. en donde 3. el intervalo de tiempo entre el primer evento y el segundo evento. Ejemplos CDF . recordando la propiedad de las colas exponenciales. Distribución de T1 Bastará obtener la P(T1 > t ) .1. con α = ω : 1 − CDF .3) = CDF . S12.EXP(t . CDF = P(T1 ≤ t ) es la probabilidad de falla (al menos una vez) en [0. es decir para X = 1.3. es decir para X = 2. se obtiene: e−λ λ k r −1 − y r −1 ∞e y ∞e y − y r −1 P( X < r ) = ∑ =∫ dy = ∫ dy k! λ ( r − 1)! ωt ( r − 1)! k =0 Cambiando la variable: y = ω s .5) = 1 − CDF .GAMMA(3.EXP (3.5 . f(t) de tipo Gamma siempre y cuando r sea un entero positivo. t].POISSON (1. ωt ) Ejemplo CDF . ω 72 Jorge Carlos Carrá .9 = 3*1. 2.5) = 1 − CDF . 0. λ). Capítulo 3 Distribuciones de Probabilidades Si X tiene una distribución de Poisson con parámetro λ = ωt . Para esto observamos que este evento ocurre si y solo si ninguno de los eventos del proceso de Poisson ocurre en el intervalo [0. ω ) = CDF .

Si llamamos T1 a la v. a) PDF 1 − t /560 e(T1 . Tiempo antes de la primer falla (es decir la duración).a. d) obtener P(280 < T1 < 1120) . Problema resuelto 3.a.1/ 560) = e 560 73 . s + t )) Finalmente: P(0 eventos en (s. hallar la PDF y la CDF. s + t )) = e−λ = e−ωt 1 Por consiguiente S12 es también una variable aleatoria exponencial con media β = . Partimos de la siguiente identidad: P(S12 > t | T1 = s) = P( X = 0 eventos en (s. Ic Modelos teóricos de una variable – Distribución Gamma Conclusión Las variables Número de Casos y Tamaño del Intervalo hasta el primer caso forman un sistema de inversas. La distribución que considera como variable al Número de Casos es Poisson y la que considera como variable al Tamaño del Intervalo hasta el primer caso es Exponencial.21 Distribución exponencial La distribución del tiempo de vida de un elemento de una computadora es exponencial con un MTBF = 560 h. c) obtener P(T1 > 1120) . s + t ) | T1 = s) Por la propiedad de independencia: P( X = 0 eventos en ( s. ω Observando las distribuciones de T1 y S12. igual a la distancia T entre 2 casos sucesivos de un proceso de Poisson es exponencial. b) obtener P(T1 ≤ 280) . s + t ) | T1 = s) = P(0 eventos en ( s. Distribución de S12 Bastará obtener la P( S12 > t | T1 = s) . podemos concluir en general que: La v.

EXP(t.1/ 560) = 1 − e−t /560 Figura 3-47 SPSS PDF. Capítulo 3 Distribuciones de Probabilidades Figura 3-46 CDF E (T1 .1/560) CDF.1/560) b) 1 Como exponencial P(T1 ≤ 280) = exp(T1 ≤ 280.EXP(t.5 = 0. ω ) = 1 − e−280/560 = 1 − e−0.3935 74 Jorge Carlos Carrá .

1/ 560) = = (1 − e−1120/560 ) − (1 − e−280/560 ) = 0.606=0.1353 Observar que el valor pedido es la cola a partir de t = 1120. a) Hallar la probabilidad de que la primera llegada no ocurra durante la primera hora. 0.22 Reparación de aviones Llega un promedio de 4 aviones a un hangar para su reparación.606 Poisson (x.0.3935 c) 1 Como exponencial P(T1 > 1120) = exp(T1 > 1120.606 0! b) Exponencial (t. ω) = (≤1. λ) = (≥1. ω ) = e−1120/560 = e−2 = 0. Ic Modelos teóricos de una variable – Distribución Gamma Observar que el valor pedido es el complemento de la cola a partir de t = 280.5) P(T ≤ 1) = 1 − e−λ = 1 − e−0.5 = 0. 2 Como Poisson 280 λ = ωt = = 0. por cada período de 8 horas. 2 Como Poisson 1120 λ = ωt = =2 560 P(T1 > 1120) = Poisson(Y < 1.5) P(T > 1) = e−λ = e−0.1353 d) P(280 < T1 < 1120) = Exp(1120. 0.394 Poisson (x. λ ) = 1 − P(0.5 = 0.5 8 Exponencial (t. 0.50 P ( X = 0) = =0.5 = 0.5) e−0.5 0.5 560 P(T1 ≤ 280) = Poisson(Y > 0. 0.4712 Problema resuelto 3.394 75 .5) = 1 − e−0. 2) = e−2 = 0.5) P ( X ≥ 1) = 1 − P ( X = 0) = 1 − 0. λ) = (<1.1/ 560) − Exp(280. a) 4 λ= = 0. b) hallar la probabilidad de que la primera llegada ocurra dentro de la primera hora. ω) = (>1. ωt ) = Poisson(0.

el cual será motivo de estudio en el capítulo 4). el sabe eso mejor que yo". esto debe ocurrir en: v = M lim f ( x ) = 0 n →∞ 76 Jorge Carlos Carrá . • Varias distribuciones tienden a la Normal cuando n es suficientemente grande. Con frecuencia se otorga el crédito de su descubrimiento al alemán Karl Friedrich Gauss o al francés Pierre Laplace. tal como los errores accidentales en las mediciones. etc. Supuesto 1 Simetría Los errores de magnitud x y –x son iguales (son simétricos). Supuestos La demostración de la obtención de la ecuación de la PDF normal realizada por Gauss se basa en 4 supuestos de su teoría de errores. Gauss elige entonces al mejor estimador de mínimos cuadrados de los datos (capitulo 1. En particular lo hacen las distribuciones de los promedios o de las sumas (Teorema Central del Límite. f ( x) = f (− x) Supuesto 2 Promedio El valor más probable v de varias mediciones es el promedio. Sin embargo como era extranjero.0. Esto implica: max f ( x ) ⇒ x = 0 y por el supuesto 2. la cantidad de letras que una persona puede recordar al repetir la prueba. los pesos y alturas de las personas. con quienes De Moivre trabajaba y quienes tanto lo respetaban. La distribución Normal es además la distribución estadística más importante pues: • En varias técnicas estadísticas. • Varias distribuciones derivan de la Normal. v al valor verdadero (desconocido) y x al error x = M −v • f ( x ) a la función densidad de probabilidades. Los errores no dependen de la orientación θ del sistema de coordenadas. el francés Abraham De Moivre. Por esto son menos comunes las cantidades muy altas o bajas. v=M = ∑M n Supuesto 3 Comportamiento Errores pequeños son más probables que errores grandes. con valores extremos que tienden a presentarse en forma equilibrada y por lo tanto con tendencia a cancelarse entre sí. Este comportamiento es bastante lógico pues es probable que estos factores ocurran por azar. de quién se dice que muchas veces contestaba preguntas diciendo: "pregúntele a Monsieur De Moivre. la hora de llegada de los estudiantes a una escuela. fue el primero que calculó áreas debajo de esta curva.1) Es una distribución tipo campana (ver figura 3-49) con la mayoría de los casos en el medio y los menos en los extremos. página LSEMedia1). En la naturaleza se presentan con frecuencia comportamientos que son promedios o sumas de muchos factores pequeños e independientes entre sí. n(z. es la distribución que se adopta como supuesto. pero aunque no la dibujó. De Moivre era protestante y por esta razón tuvo que emigrar a Inglaterra en donde entabló amistad con Isaac Newton. Llamamos: • M a la medición aleatoria. Capítulo 3 Distribuciones de Probabilidades Distribución Normal. nunca logró la fama de los matemáticos británicos. En otras palabras.

estudiando la misma (dominio. En este sentido se recomienda al estudiante que obtenga la gráfica de esta función. es: 2 1 ⎛ x−μ ⎞ 1 − ⎜ ⎟ ϕ ( x. Se aprecia en esta ecuación que la distribución solo depende. se puede despejar f(x). podremos calcular y graficar la ecuación. de la media μ y la desviación estándar σ. por lo cual se usa la notación: n(z. σ ) = e 2⎝ σ ⎠ σ >0 σ 2π Observar que el exponente es un polinomio de segundo grado centrado en el vértice con el coeficiente del término cuadrático negativo. reemplazando por ejemplo f(z) en esta relación. puntos de inflexión. imagen.. μ . Entonces es válida la Regla del Producto.. f ( xn ) f ( x) = f (M1 − v) f (M 2 − v).. además de la variable x. n(z. máximos y mínimos). lo cual permite su cálculo para cualquier combinación de μ y σ. De esta forma se obtiene una expresión que solo es función de z. 1 − z 2 /2 f ( z) = e 2π Esta expresión puede escribirse alternativamente como: 1 f ( z) = 2 2π e z La expresión de la función densidad transformada debe verificar la expresión vista en el capítulo 1 (página Escalamientoz1): f ( z ) = σ f ( x) Por lo tanto. asíntotas. f (M n − v) PDF Nota Suelen denominarse ϕ a la PDF y Φ a la CDF.0. también es normal con media 0 y desviación estándar 1. para la distribución conjunta de los errores: f ( x) = f ( x1 ) f ( x2 ). La expresión matemática para una variable sin estandarizar.1). obteniendo la expresión del comienzo de esta sección. RP. Se puede demostrar además que si x tiene una distribución normal y se realiza una transformación de variable a la variable z. la distribución de z. 77 . Una vez fijados los mismos. σ ) = f ( x . Ic Modelos teóricos de una variable – Distribución Normal..0. μ .1) Supuesto 4 Independencia Los errores son independientes.

. 2π Demostración Gauss La ingeniosa derivación de Gauss de la PDF de esta distribución utiliza los 4 supuestos anteriores y procedimientos estándar de cálculo. Capítulo 3 Distribuciones de Probabilidades Figura 3-49 PDF Distribución Normal Recordemos además que cuando se dice que una v.... es decir: ∂f ( x) 0= = ∂v = − f '( M 1 − M ) f ( M 2 − M ). f ( M n − M ) − − f ( M 1 − M ) f '( M 2 − M ). v maximiza f(x) y por el supuesto 2 v = M . − f ( M 1 − M ) f ( M 2 − M ). se obtiene: g (− x) = − g ( x) De acuerdo al supuesto 4.. + ⎟ ⎝ f (M1 − M ) f (M 2 − M ) f (M n − M ) ⎠ Es decir: g ( M 1 − M ) + g ( M 2 − M ) + . la distribución conjunta de los errores debe verificar: f ( x) = f ( x1 ) f ( x2 ). f ( M n − M ) − .. se está diciendo que PDF ( z ) = e .... z tiene una distribución determinada. por 1 − z2 /2 ejemplo normal.. f '( M n − M ) Multiplicando y dividiendo por f(x): ⎛ f '( M 1 − M ) f '( M 2 − M ) f '( M n − M ) ⎞ = −⎜ + + .a.. + g ( M n − M ) = 0 78 Jorge Carlos Carrá .... . f ( xn ) De acuerdo al supuesto 3.. Definamos la función auxiliar: f '( x) g ( x) = f ( x) De acuerdo al supuesto 1..

0. por lo cual podemos poner = −h2 . podemos poner: M1 = M M 2 = M 3 = . n(z. TLC. Ic Modelos teóricos de una variable – Distribución Normal.. Eso no se verifica para otra función como por ejemplo g ( x) = kx .. 79 .1) Como las mediciones M son arbitrarias. que se estudiará en el capítulo 4. Verificación PDF f ( x) > 0 ∞ −∞ ∫ f ( x)dx = 1 Planteando el cuadrado de la integral I y pasando a coordenadas polares se observa que: ∞ ∞ ∞ ∞ 2π ∞ 2π ∫e dx ∫ e ∫ ∫e ∫ ∫e − h2 x2 − h2 y 2 − h2 ( x2 + y 2 ) − h2 ρ 2 I = 2 dy = dxdy = ρ d ρ dθ = −∞ −∞ −∞ −∞ 0 0 2h 2 de donde: ∞ π ∫e − h2 x2 I= dx = −∞ h Por lo tanto la PDF será: ag ( x ) = akx = g ( ax ) . 2 Laplace Una demostración distinta se debe al matemático francés Pierre Laplace (1810). la cual constituye el Teorema del Limite Central. siendo M y N números reales arbitrarios. la exponencial debe ser negativa. = M n = M − nN Por lo tanto: M = M − (n − 1) N Reemplazando en la expresión de las funciones g: g (( n − 1) N ) + ( n − 1) g ( − N ) = 0 o también: g (( n − 1) N ) = ( n − 1) g ( N ) Esta propiedad define una función del tipo4: g ( x ) = kx Por lo tanto: f '( x) = kx f ( x) Integrando: k 2 ln( f ( x )) = x +c 2 Por lo tanto: k x2 f ( x) = Ae 2 k Para cumplir el supuesto 3. pues 4 2 ag ( x) = akx2 ≠ g (ax) = k (ax)2 .

∞ π ∫e − h2t 2 dt = −∞ h Media Para generalizar la función densidad. agregamos un término a dentro del exponente. CDF Para obtener las áreas debajo de la curva anterior se debe integrar. Sin embargo esta integración no tiene una expresión explícita y se debe realizar el cálculo por integración numérica o en series. pues los valores de esta distribución (estandarizada o no). relacionaremos h con la desviación estándar. se recorrerá la integración numérica. De todas formas. al estudiar la caracterización de la función densidad normal. ∞ h ∫ xe − h2 ( x − a )2 E ( x) = dx π −∞ Realizamos primero el cambio de variable x − a = t : ∞ h ∫ (a + t )e − h 2t 2 = dt π −∞ Utilizando la relación anterior: ∞ h ∫ te − h 2t 2 =a+ dt π −∞ 80 Jorge Carlos Carrá . la buena noticia es que no será necesario utilizar estos procedimientos. se obtienen en general con algún programa de computación o de tablas. En el problema resuelto de página 83. Capítulo 3 Distribuciones de Probabilidades h 2 2 f ( x) = e− h x π Luego. Figura 3-50 CDF Distribución Normal Caracterización Utilizaremos la siguiente relación.

queda demostrada la ecuación de la función densidad normal. llamando: ⎧⎪u = t ⎨ − h 2t 2 ⎪⎩dv = te dx De esta forma se obtiene: h ⎡ t − h 2t 2 ⎤ ∞ ∞ 1 ∫e − h 2t 2 = ⎢− e + dt ⎥ π ⎢⎣ 2h2 −∞ 2h2 −∞ ⎦⎥ Aplicando el teorema de L´Hopital a la indeterminación del primer término y utilizando la integral inicial para el segundo término: h ⎡ 1 π⎤ 1 = ⎢0 + 2 ⎥= 2 π ⎣ 2h h ⎦ 2h 1 V ( x) = σ 2 = 2h 2 Observar que la varianza y h 2 se relacionan inversamente por lo cual se suele llamar precisión al valor h y que además el 2 aparece como coeficiente de cualquiera de los dos. cualquiera sea la distribución. Por lo tanto: E ( x) = μ = a Varianza ∞ h ∫ (x − μ) e 2 − h2 ( x − μ )2 V ( x) = dx π −∞ Comenzamos nuevamente por realizar el cambio de variable x − μ = t : ∞ h ∫t e 2 − h 2t 2 V ( x) = dx π −∞ Integramos por partes. Por lo tanto hemos encontrado la relación entre h y la varianza: 1 1 h2 = ⇒h= 2σ 2 2σ Reemplazando en la ecuación de Gauss los 2 parámetros encontrados. n(z. como se demostró en el capítulo 1 (página Mediaz1). 81 . Ic Modelos teóricos de una variable – Distribución Normal.1) La segunda integral debe dar 0 pues el integrando es una función impar: g (t ) = − g ( −t ) . 2 1 ⎛ x−μ ⎞ h − h 2 ( x − μ )2 1 − ⎜ σ ⎟⎠ f ( x) = e = e 2⎝ π σ 2π Además la relación inicial toma la forma: ∞ ∫e − z 2 /2 dz = 2π −∞ Nota La media y la desviación estándar en la variable z deben ser 0 y 1.0.

Uso o de tab blas Si se cu uenta con unaa computadorra en la cual sse ha instaladoo SPSS o EXCEL. Prob blema ressuelto 3. Capíítulo 3 Distrib buciones de Probabilidade P es Pro opiedad des Puntto de inflexión Resolvviendo la ecuaación f ''( x ) = 0 . se podrrán obtener loos valoress de las áreas debajo de unna distribuciónn Normal.5 de caada una de las 2 mitades de d la curva o 1 de toda laa curva. con n las instrucciiones que se encuentran e enn el apéndice B.223 Distrib bución normal n Se repro oduce en la fig gura 3-51 parte de la tabla Noormal. del Apénndice B. aunquee restringido a los valores más ussuales. 82 Jorge e Carlos Carrrá .Xn son vaariables aleatoorias independdientes distribbuidas normaalmente. tambbién es normaal. colocar eel valor que see obtiene de laa tabla y tener en cuennta. se obtienne que los punntos de inflexxión se encuen ntran en x = μ ±σ . Alternativam mente. los vallores 0. tal como las quee también se encuentran e enn el apéndice B.52. Combinación lineal Si X1. Todas las tablas de distribucione d s contínuas reelacionan valores de eje con valores de área. entonnces la combinnación lineal de ellas. z F Figura 3-51 Tabla distribución d Normal (valoress de cola superiior) En la coolumna del maargen izquierdoo se encuentra eel valor de z haasta el primer ddecimal. si se neceesitan. en las secciones s SPSSS y EXCEL. De esta form ma el recuadraddo 0. es deccir las 2 magnitudes m quue se resumen e donde α ess el área de laa cola superioor: n en la siguiennte notación. ….. se puedde hacer uso de tablas. en zα En cadda problema se sugiere reallizar un diagrama de análissis . El seggundo decimal se halla enn la primera fila. Esta ttabla contiene las l probabilidaades de cola superior para cada c valor de z.3015 correesponde a la prrobabilidad de cola superior al a valor z = 0.

3 0.4 2 e-zi 1 0.9509) + 2(0. se obtienen en general con algún programa de computación o de tablas.3896 0 3 Finalmente: 1 S = 0. la determinación de los valores que se encuentran en la tabla. n(z.923 Figura 3-52 Aplicando ahora la expresión de Sympson: 0. En este ejemplo he elegido el conocido método numérico de Sympson de aproximación de la curva con segmentos de parábola. A partir de estas elecciones generamos la siguiente tabla: i 0 1 2 3 4 zi 0 0.25 Coeficiente de inteligencia Suponiendo que el coeficiente de inteligencia CI.980)) = 0. debe realizarse una integración numérica o la descomposición de la función en series.3896) = 0. e) ¿Es poco común que una persona tenga un CI mayor a 125? a) 83 .0. Demostraremos que el valor que da la tabla para el área de la cola a partir de z = 0.9509 P = suma de los valores en posición par = 0. d) hallar el coeficiente de curtosis definido por AIC/AEP (capítulo 1.5 − dz 2π 0 Para calcular la integral definida. al menos una vez.980 Por lo tanto: 0.1 0.1. es decir: 0.2 0.4 1 ∫e − z2 S = 0.995 0.980 0. c) obtener el porcentaje de personas que tienen un CI entre 105 y 115. página curtosis1). Problema resuelto 3.4 0.923 + 4(1.3446 2π Con lo cual hemos demostrado el valor de la tabla.5 − (0. elijamos 4 intervalos con un ancho de intervalo h = 0. Ic Modelos teóricos de una variable – Distribución Normal. Sin embargo es saludable recorrer.923 I = suma de los valores en posición impar = 1.4 h ∫e − z2 dz = ( E + 4I + 2P) 0 3 donde: E = suma de los valores extremos = 1.24 Método de Sympson Hemos indicado que en estadística no será necesario utilizar la ecuación matemática de la función densidad de la distribución normal.1 ∫e − z2 dz = (1. Dado que la integración de esta función densidad no tiene una expresión explícita (no hay ninguna primitiva cuya derivada de la función densidad).1) Problema resuelto 3. Si llamamos S a este valor. se distribuye según una distribución normal con media 100 y desviación estándar 15: a) obtener el porcentaje de personas que tienen un CI entre 90 y 110. pues los valores de la misma.4.9559 0.3446 (ver figura 3-52). se tiene: 0. b) obtener el porcentaje de personas que tienen un CI mayor que 75.

667 ) = 0.2514 = 0.1). 75 − 100 z= = −1.497 b) Transformación a valores z Proseguiremos con el formato fuera de la ecuación probabilística.667 ) = 1 − 0.667 15 Por lo tanto: p = P ( −0.667 15 Diagrama de análisis Figura 3-54 Diagrama de análisis Por lo tanto: p = 1 − 0.0475 = 0.15) en n(z. Capítulo 3 Distribuciones de Probabilidades Transformación a valores z Para entrar a la tabla se debe estandarizar la n(x.2514 − 0.497 Diagrama de análisis Figura 3-53 Diagrama de análisis Método 2: fuera de la ecuación probabilística 90 − 100 zi = = −0.33 15 115 − 100 zs = =1 15 84 Jorge Carlos Carrá .9525 = 95.667 < z < 0. Método 1: dentro de la ecuación probabilística ⎛ 90 − 100 x − 100 110 − 100 ⎞ P (90 < x < 110) = P ⎜ < < ⎟= ⎝ 15 15 15 ⎠ ⎛ 90 − 100 110 − 100 ⎞ = P⎜ <z< ⎟= ⎝ 15 15 ⎠ = P ( −0.0. Esta conversión de la variable original x a la estandarizada z se puede realizar dentro o fuera de la ecuación probabilística.667 15 110 − 100 zs = = 0.667 < z < 0.25% c) Transformación a valores z 105 − 100 zi = = 0.100.

1)= 1.6745) = 1.2816 − (−1.3707 − 0.212 = 21.2816 p = 0.047 < 5%.100. la expresión PDF devuelve la función densidad y no una probabilidad. z = 0. SPSS A modo de ejemplos: El porcentaje de personas entre CI = 110 y CI = 90 se obtiene a partir de los valores CDF de la siguiente manera: CDF.56 AIC Curtosis = = 0.NORMAL(110. Regla empírica Utilizando la tabla o el SPSS.6745 p = 0. Ic Modelos teóricos de una variable – Distribución Normal.495 La AIC se obtiene de: IDF. como en las distribuciones discretas. Figura 3-56 Diagrama de análisis Para: p = 0. z = 1. z = -0.0.90.25.75. o ha sucedido un evento muy infrecuente o es lícito dudar de los valores dados de la media y de la varianza.0.6745 − (−0.25.1)-IDF. -2< z <2 y -3< z <3.75.2816) = 2. ´por lo cual es un suceso poco común y si sucede al azar.6745 Por lo tanto: AIC = 0.100.0.35 AEP = 1.2816 p = 0.15)=0.35 Nota Observar que en las distribuciones contínuas. 85 . n(z. z = -1. se obtienen los valores de probabilidad que se encuentran debajo de la curva normal para los intervalos -1< z <1.1587 = 0.527 AEP e) La P(CI > 125) = 0.NORMAL(0.10.15)-CDF.NORMAL(90.NORMAL(0.2% d) En todos los casos bastará obtener el valor z correspondiente a los siguientes valores de p (o de frecuencia relativa).1) Diagrama de análisis Figura 3-55 Diagrama de análisis Por lo tanto: p = 0.

5) 2 b ( x < 2) → n ( x < 1.5) b ( x ≤ 2) → n ( x < 2. cpc La aprooximación dee una distribucción discreta por una contíínua.5 n Si por ejemplo. página Tchevy1). la cpc reesultará de sum mar o restar el e valor: 0. de tal foorma que el árrea de los recttángulos se coorresponda mmás cercanameente con los ded la curvva normal En la figura f 3-58. n = 60: la cpc esttablece que: P ( x ≥ 23) → P ( x > 22. Capíítulo 3 Distrib buciones de Probabilidade P es -1< z <1 68% -2< z <2 95% -3< z <3 99% F Figura 3-57 Compaarar estos valo ores con los mínimos m posibbles.5) b ( x ≥ 2) → n ( x > 1. que:: b ( x = 2) → n (1.5) 23 23 0.5 P ( pˆ ≥ ) → P ( pˆ > − ) 60 60 60 Para vaalores grandes de n. la cpc no se justificca. mejora ssi se amplía en e media uniddad cada vaalor. 86 Jorge e Carlos Carrrá .5 < x < 2.5) 1 b ( x > 2) → n ( x > 2. Aprroximación de e una binomia b al y de e una Poisson Corre ección por continuida c ad. aplicanddo el teorema de Tchebysh heff (capítulo 1. la cuall surge de div vidir cada valoor de x poor n.5) 1 En igual sentido. see muestra porr ejemplo (utilizando por esta vez la nottación con parréntesis en lugar de subííndices). si en el eje se en ncuentra la prroporción muuestral.

Un criterio para realizar que esta aproximación asintótica sea adecuada. 0.a x tiene solo 2 resultados (dicotómica). 3. Es decir se considera que n < 5%N. Propiedad 1 Dicotómica Una v. n(z.52) El resultado exacto es: P ( y > 20) = 1 − CDF . Por lo tanto es una binomial b ( y .8. 0.a x. tiende a infinito. sigue una distribución Normal si n.26 Estudiantes promocionados El 52% de los estudiantes ha promocionado la materia estadística (evento E). P(E) = p = 0. 20. El criterio práctico para realizar una aproximación adecuada. 40. Si lo desea puede interactuar con el applet: Aproximación de una binomial. 40.48.0. debe ser consistente con los criterios de 87 .538 Condición de aproximación nq = 40 ∗ 0. que se encuentra en la dirección electrónica de la bibliografía bajo el título Simulaciones. Problema resuelto 3.5) = 1 − CDF . Ic Modelos teóricos de una variable – Distribución Normal.52.BINOM (20. es: P ( y > 20.5. pues esta distribución es en definitiva una sumatoria de una distribución de Bernoulli.538 2 Poisson a Normal Considerando la distribución de Poisson como un límite de la Binomial ( λ = np ) para n tendiendo a infinito (página 59) y sabiendo que además bajo estas condiciones la Binomial tiene a una Normal.a: y = Número de alumnos E. Propiedad 3 Tamaño Las muestras tienen un tamaño n = 40 > 1 4. 20. P(E') = q = 0.16) El resultado aproximado (con cpc). Si se seleccionan aleatoriamente a 40 estudiantes. concluimos que la distribución de Poisson se aproxima a una Normal.48 = 19. es: np ≥ 5 y nq ≥ 5 Algunos autores recomiendan adoptar el valor 15 en lugar del valor 5. el número de términos de la sumatoria. Naturalmente bastará que se cumpla para el menor valor de p o q. para valores grandes del promedio λ. 3.1) Figura 3-58 CPC 1 Binomial a Normal En el capítulo 4 se verá que cualquiera sea la distribución de una v.NORMAL(20. Propiedad 2 Variable Aleatoria Se busca la v.2 ≥ 5 Por lo tanto la binomial se puede aproximar con la normal n ( y .52) = 0. 3. E y E' (el apóstrofo significa no E) 2. Propiedad 4 Independencia Se supone una población suficientemente grande como para que la probabilidad en la extracción de un joven no influye significativamente en la probabilidad de la extracción del siguiente. ¿cuál es la probabilidad de que la mayoría haya promocionado la materia estadística? Propiedades binomiales 1. la sumatoria de x.16) = 0.8. Este teorema puede aplicarse a una binomial.

obtenemos el cuadro general que se muestra en la figura 3-59. Como veremos en el capítulo 4. con los respectivos criterios de validez.ν ) = f (0) ⎜1 + ⎟ ν ≥1 ⎝ ν ⎠ En el resto de las distribuciones utilizaremos el símbolo general de una función densidad (f) o de la función distribución (F) para evitar confusiones. su descubrimiento es la base del estudio inferencial para pequeñas muestras. excepto para la normal. PDF ⎛ ν +1 ⎞ −⎜ ⎟ ⎛ t2 ⎞ ⎝ 2 ⎠ f (t . con las dos ya vistas. Gosset fue contratado por los fabricantes de la cerveza Guinnes en Dublin.1 Poisson Figura 3-59 Aproximaciones entre distintas distribuciones Distribución t de Student. Gosset publicaba con el seudónimo de Student pues la cervecería impedía que sus empleados publicaran artículos que pudieran vulnerar el secreto industrial. las distribuciones llevan el mismo nombre que el eje. Capítulo 3 Distribuciones de Probabilidades las aproximaciones Binomial-Poisson y Binomial-Normal (ver figura siguiente). Normal np y nq >5 n<5%N Hipergeométrica Binomial λ>10 n>100 y p<0. Se adopta en general: λ > 10 Síntesis Si reunimos estas dos nuevas aproximaciones. f(t. para estudiar la forma en que la calidad de la cerveza fuera más estable. Verificación PDF f ( x) > 0 ∞ ∫ −∞ f ( x)dx = 1 Esta última propiedad no se demuestra aquí. pues. 88 Jorge Carlos Carrá .ν) Una distribución muy utilizada en estadística es la desarrollada por el matemático inglés William Gosset. alias Student. Para controlar la economía de la producción. se le impuso la condición de no utilizar grandes muestras.

Los grados de libertad son la cantidad de valores que son libres de variar. Su cálculo se definirá en cada distribución. llamada grado de libertad. es decir presenta más variabilidad. Esta variable estará presente en las 3 distribuciones que restan. Respecto de la distribución normal es platicúrtica (capítulo 1). Figura 3-60 PDF Distribución t de Student CDF Figura 3-61 CDF Distribución t de Student Caracterización E (t ) = 0 ν ≥ 1 89 . Ic Modelos teóricos de una variable – Distribución t de Student. f(t. pero en general es función del tamaño de la muestra. la distribución t se aproxima a la normal. Sin embargo. depende de otra variable simbolizada con la letra griega nu (ν). En la figura 3-60 puede apreciarse que es una distribución simétrica y también de forma acampanada. además de t. conocidos algunos parámetros de la distribución. ) Grados de libertad Se aprecia en la ecuación que esta distribución. a medida que aumentan los grados de libertad.

Se aprecia que. …. esta tabla solo devuelve algunos percentiles de cola superior. pues al tener colas de igual área cada vez más alejadas. deberá hacerse menos alta en el centro (el área total debe ser siempre 1). para 6 grados de libertad.05. sigue una distribución t de Student con ν grados de libertad. la desviación estándar es algo mayor que 1.Xn son variables aleatorias independientes distribuidas con t de Student. 90 Jorge Carlos Carrá .27 Distribución t de Student Se reproduce en la figura 3-62 parte de la tabla t de Student. Por otra parte. los cuales se resumen en la siguiente notación en donde α es el área de la cola superior: tα (ν ) Puede apreciarse que los valores de la t de Student se aproximan a una normal. Este comportamiento explica el hecho de hacerse cada vez más platicúrtica. se puede hacer uso de tablas.. a diferencia de la normal. se podrán obtener los valores de la distribución t de Student. b) hallar el coeficiente de curtosis definido por AIC/AEP (capítulo 1. a diferencia de la distribución normal. c) hallar la cola superior para un valor t =2. Relación con la chi-cuadrado En la distribución χ2 se verá que la siguiente variable. con las instrucciones que se encuentran en el apéndice B. Alternativamente. también se distribuye con t de Student. del Apéndice B.015 y 5 grados de libertad. Esta tabla contiene los valores t para determinadas probabilidades de cola superior y de grados de libertad ν. por ejemplo 0. aproximación que es satisfactoria para ν mayor que 30 (por lo cual las tablas generalmente terminan en este valor). los valores de t aumentan al disminuir los grados de libertad. Problema resuelto 3. Capítulo 3 Distribuciones de Probabilidades ν V (t ) = ν >2 ν −2 Observar que. El cálculo del grado de libertad está dado por: ν = n −1 Uso de tablas Si se cuenta con una computadora en la cual se ha instalado SPSS o EXCEL. Estas tablas relacionan las 3 magnitudes: valores de eje. tal como las que se encuentran también en el apéndice B. página curtosis1). En la columna del margen izquierdo se encuentran los grados de libertad y en la primera fila el valor de probabilidad de cola superior. llamado α. Se puede verificar que la última fila de la tabla (infinitos grados de libertad) contiene los valores de la normal. a) Hallar el valor t correspondiente a 6 grados de libertad y un α = 0. en las secciones SPSS y EXCEL. la cual será utilizada extensamente en los capítulos siguientes: x −μ t (ν ) = s/ n Se observa que si bien la variable t no depende del grado de libertad. entonces la combinación lineal de ellas. se usa la simbología t(ν) para expresar que la distribución de t si depende de ν (ver la anterior expresión de la PDF). .0125. Propiedades Suma o resta Si X1. valores de área y grados de libertad. aunque restringido a los valores más usuales. para un determinado valor de una cola. por lo cual es platicúrtica.

IDF.9875.9687.015.7176-(-0. a veces acclamado comoo el inventoor de la ciencia estadística.t(0.9 90.T(0.5 5)=0. suavizaar los problem mas entre elloos.ν ) = C χ 2 /2 ν ≥1 χ2 > 0 e donde: .4398) = 2.05 puees el valor de t en la tabla (2. Fue am migo de Williaam Gosset.T(2.6) )= 0.25.6). b) Dado quue la tabla no es e suficientemeente completa.0 015) se encuenntra redondeadoo.7 75. sin éxito.8796 AIC Curtosiss = = 0. PDF Es un caso c particulaar de la distrib bución Gamm ma con: α = 1// 2 r =ν / 2 ( χ 2 )ν / 2−1 f ( χ 2 .6). comoo era de esperaar al tratarse de una disttribución platiccúrtica.7176) = 1. f((χ2.6) )= 1.97 b) AIC = IDF. c) La resp puesta es 0. Inventó ademmás el cálculo o del coeficieente de correllación y acuññó los térm minos histogrrama y asimeetría.t(0..t(0. debe calcularsse con el SPSS S. Dis stribu uadrado.05.4398-(-1. un mattemático inglés. c) 1-CDF F.IDF. Ic Mod delos teóricos s de una varia able – Distrib bución chi cua adrado. SPSS S a) IDF.5227 (correspondiiente a una disttribución mesoocúrtica). peero acérrimo enemigo e de Ronaldd Fisher (ver distribución d F El pacíficoo Gosset.498 0 AEP Valor menor m que 0. f(   F Figura 3-62 Taabla de valores t de Student (ccola superior) a) La resp puesta es el valoor recuadrado: 2.6) )=2. amiigo de ambos.4352 AEP = IDF.10.0452 El valorr no es exactam mente 0.t(0. estaba siemppre intentandoo F). ν) ución chi cu Esta diistribución fue desarrolladaa por Karl Pearson.

los grados de libertad la distribución se hace cada vez más simétrica y si ν > 100. se puede considerar normal. En cualquier caso el eje no toma valores negativos. Para ν < 2. Figura 3-63 PDF Distribución chi cuadrado para ν ≥2 Verificación PDF f ( x) > 0 ∞ ∫ −∞ f ( x)dx = 1 Esta última propiedad resulta como caso particular de la distribución Gamma. Para ν ≥ 2. A medida que aumentan. la distribución comienza en el origen y es sesgada hacia la derecha (figura 3-63). llamada grado de libertad. depende de otra variable simbolizada con la letra griega nu (ν). además de χ2. 92 Jorge Carlos Carrá . la distribución tiene al eje y como asíntota vertical y al eje x como asíntota horizontal (figura 3-63). Capítulo 3 Distribuciones de Probabilidades 1 C= ν /2 2 Γ(ν / 2) Se aprecia en la ecuación que esta distribución.

Relación con la distribución Normal Si Z1. Observar que este tipo de expresiones son una forma contracta de expresar la ecuación probabilística: ⎛ n ⎞ P( χ 2 (ν ) > χα 2 ) = P ⎜ ∑ zi 2 > a ⎟ = α ⎝ i =1 ⎠ En lugar de la CDF superior podría haberse usado la CDF inferior. Ic Modelos teóricos de una variable – Distribución chi cuadrado. entonces la variable: n χ 2 (ν ) = ∑ zi 2 i =1 tiene una distribución chi cuadrado con ν = n grados de libertad. f(   CDF Figura 3-64 CDF Distribución chi cuadrado Caracterización Reemplazando los valores particulares de los parámetros de la distribución chi cuadrado en la media y varianza de la distribución Gamma. …. se obtienen: E( χ 2 ) = ν ν > 1 V ( χ 2 ) = 2ν ν > 1 Propiedades Suma Si X1 y X2 son dos variables chi-cuadrado independientes con ν1 y ν2 grados de libertad. Caso particular: transformación cuadrática 93 . Cociente Se verá en la siguiente distribución. entonces la suma de ambas es también una variable aleatoria chi-cuadrado con ν = ν1 + ν2 grados de libertad.Zn son variables aleatorias normales independientes.

chisq ( x . Capítulo 3 Distribuciones de Probabilidades Si ν = 1. si la PDF de la variable z es normal. resulta un problema de cálculo de la PDF de la variable w = z 2 . resulta: g ( w) = 1 ⎡ 2 w ⎣ ( ) ( ⎦ ) ϕ w + ϕ − w ⎤ = w−1/2 1 − s /2 2π e Dado que Γ (1 / 2) = π (página 69). La curva de la normal converge a la de la chi-cuadrado debido al escalamiento de su eje x con x. Observar que la variable del eje de la función SIG de la normal es el cuadrado de la correspondiente a la variable de la función SIG de la chi-cuadrado.norm ( sqrt ( x ). Aplicando la relación de PDF para una transformación cuadrática (página 27). 94 Jorge Carlos Carrá .1) = sig .1) donde sqrt ( x) = x . En la figura siguiente se presenta la gráfica de las PDF de estas funciones (coincidentes). Por lo tanto: P( χ 2 (1) > χα 2 ) = P( z 2 > a) = α Desarrollando la expresión del segundo miembro: P( z 2 > a ) = P ( − a > z > a ) = α o también: P( z 2 > a) = P(− zα /2 > z > zα /2 ) = α Por lo tanto: P( χ 2 (1) > χ 2α ) = P(− zα /2 > z > zα /2 ) = α Esta relación se resume con la expresión: χα 2 (1) = zα / 2 2 En un lenguaje cercano al de la sintaxis del SPSS: sig . 0. observamos que w = z 2 tiene una distribución chi cuadrado.

la distribución χ2 se puede aproximar a una normal (con la media y desviación estándar anteriores). entonces s 2 = también. Aproximación a una normal Si ν >100. en las secciones SPSS y EXCEL. aunque restringido a los valores más usuales. valores de área y grados de libertad. f(   Figura 3-65 Si en la ecuación de z se usa x . χ 2σ 2 Si χ2 se aproxima a una distribución normal. los cuales se resumen en la siguiente notación. para modelar la distribución de medias en muestras pequeñas. se puede hacer uso de tablas. en donde α es el área de la cola superior: χ 2α (ν ) 95 . con. n −1 ⎛ s 2 (n − 1) ⎞ E(χ 2 ) = E ⎜ ⎟ = n −1 ⎝ σ 2 ⎠ de donde: E(s 2 ) = σ 2 Análogamente: ⎛ s 2 (n − 1) ⎞ V (χ 2 ) = V ⎜ ⎟ = 2(n − 1) ⎝ σ 2 ⎠ de donde: σ4 V (s 2 ) = 2 n −1 Uso de tablas Si se cuenta con una computadora en la cual se ha instalado SPSS o EXCEL. se podrán obtener los valores de la distribución χ2. tal como las que se encuentran también en el apéndice B. Relación con la distribución t de Student x −μ z σx x −μ t= = = χ2 s2 s ν σ2 n σ donde se ha usado la relación σ x = que se verá en la unidad 4. Ic Modelos teóricos de una variable – Distribución chi cuadrado. Esta expresión es en realidad la n definición de una distribución t de Student que será utilizada a partir del capítulo 4. con las instrucciones que se encuentran en el apéndice B. Alternativamente. Es por esta razón que las tablas de χ2 usualmente llegan solo a ν = 100. en lugar de μ: n ( x − x )2 s 2 (n − 1) χ 2 (ν ) = ∑ = 1 σ2 σ2 con ν = n − 1 grados de libertad. Estas tablas relacionan las 3 magnitudes: valores de eje.

F Figura 3-66 Tabla de valores v chi cuaadrado SPSS S IDF. SPSS tiene también una sintaxis directa d para devvolver la cola superior: s sig. Así porr ejemplo el vallor recuadradoo 1. a 50 5 km al norte n de Lond dres. Fue probablement p te el más brillante de los miembros del cerrado ggrupo de estad dísticos británnicos. por la cual lleva su innicial (propueesta por el matemático m n norteamerican no George Sneedecor. .6)=0.6)=0.950. sus 14 1 años enn contacto con problemas reales.ν1.0503 Nota Para lass distribuciones χ2 y F. Influyeeron notableemente en su producción y en el desarroollo de poderrosas herramiientas metodoológicas. . Esta tabla conntiene los valores χ2 para determinadas probabilidadess de cola superrior y de gradoss de libertad ν. con cuyo nombre ttambién se la asocia).64. pues a partir de este valoor.64 es el valo un α = 0.c chisq(1. El valor máxim mo de ν es 100 0. f(F F. deel Apéndice B. Capíítulo 3 Distrib buciones de Probabilidade P es Se apreecia que. . debiido a que la distribución d ess asimétrica y por limitacioones de espaccio.946 Dis stribu ución F.C CHISQ(1.6)=1. la distribuución χ2 se approxima a la Normal. r en unaa estación expperimental aggrícola en Herrtfordshire. En la co olumna del maargen izquierdoo se encuentrann los grados de libertad y en la primera fila el e valor de α de d or χ2 corresponndiente a 6 grados de libertadd y cola supperior. 96 Jorge e Carlos Carrrá .C CHISQ(0. solo devuelve algunos peercentiles.64 CDF.228 Distrib Se reprooduce en la fig gura 3-66 parte de la tabla Chhi-cuadrado.64. Fisher fue contempo oráneo de Wiilliam Gosset (alias Studennt) y de Karl P Pearson. ν2) Esta diistribución se debe al estaddístico inglés sir Ronald Fiisher. PDF Es un miembro m de la familia de distribuciones d s beta. N Prob bución χ2 blema ressuelto 3.05.

depende de otras 2 variables simbolizadas con la letra griega nu (ν). además de F. Figura 3-67 PDF Distribución F Verificación PDF f ( x) > 0 ∞ ∫ −∞ f ( x)dx = 1 Esta última propiedad no se demuestra aquí. f(F. por lo cualν1 y ν2 no pueden ser intercambiados (ver propiedad recíproca más adelante) Para ν1 ≤ 2. 97 . llamadas grados de libertad.ν 2 ) = CF ⎜1 + ν F ⎟ ν 1 ≥ 1. la distribución tiene al eje y como asíntota vertical y al eje x como asíntota horizontal.ν 1 . Además se observa que la dependencia con ambos grados de libertad no es simétrica. Se aprecia en la ecuación que esta distribución.ν 2 ≥ 1 ⎝ 2 ⎠ donde: ν1 Γ(ν 1 +ν 2 ) / 2) ⎛ ν 1 ⎞ 2 C= Γ(ν 1 / 2)Γ(ν 2 / 2) ⎜⎝ ν 2 ⎟⎠ No debe confundirse el símbolo f usado para simbolizar la función densidad.   ⎛ ν +ν ⎞ −⎜ 1 2 ⎟ ν 1 /2 −1 ⎛ ν1 ⎞ ⎝ 2 ⎠ f ( F . Ic Modelos teóricos de una variable – Distribución F. En cualquier caso el eje de la distribución F no toma valores negativos. del F usado para simbolizar la variable de la distribución F. la distribución comienza en el origen y es sesgada hacia la derecha. Para ν1 ≥ 2.

ν 2 ) > a) = P ⎜ 2 1 1 > b ⎟ = α ⎝ χ (ν 2 ) / ν 2 ⎠ Esta relación es en realidad la definición de la distribución F que será utilizada en el capítulo 5 y es equivalente a la siguiente.ν 2 ) = χ 2 (ν 2 ) / ν 2 Recordar nuevamente que esta expresión resume una ecuación probabilística del tipo CDF. ⎛ χ 2 (ν ) / ν ⎞ P( F (ν 1 .ν 2 ) = σ 22 / σ 22 con los grados de libertad de la PDF dados por: ν1 = n1 − 1 ν 2 = n2 − 1 98 Jorge Carlos Carrá . ver página 95: s12 / s22 F (ν 1. ν2 > 2 ν2 − 2 2ν 22 (ν 1 +ν 2 − 2) V (F ) = . ν2 > 4 ν 1 (ν 2 − 2)2 (ν 2 − 4) Propiedades Relación con χ2 χ 2 (ν 1 ) / ν 1 F (ν 1 . Capítulo 3 Distribuciones de Probabilidades CDF Figura 3-68 CDF Distribución F Caracterización ν2 E(F ) = .

Ic Modelos teóricos de una variable – Distribución F, f(F,  

Se observa que si bien la variable F puede no depender del grado de libertad, se usa la simbología
F(ν1, ν2) para expresar que la distribución de F si depende de (ν1, ν2) (ver la anterior expresión de la
PDF).
Relación con t de Student

F (1,ν ) = t (ν )2
Demostración
(x − μ)
2

2
χ 2 (1) z2 σ2 ⎛ x−μ ⎞
F (1,ν 2 ) = 2 = = =⎜ ⎟ = t (ν 2 )
2

χ (ν 2 ) / ν 2 1 n ( x − μ )2
2
s2 ⎝ s ⎠

ν2 1 σ 2 σ2
z
También podría haberse utilizado la relación: t = .
χ2
ν
En forma similar al tratamiento visto en χ2, se desarrolla la expresión del segundo miembro:

P(t 2 > a) = P(− a > t > a ) = α
o también:
P( F (1,ν ) > Fα ) = P(−tα /2 < t < tα /2 ) = α
Esta relación se resume con la expresión:
Fα (1,ν ) = tα /2 2 (ν )
Propiedad reciproca
Permite calcular los puntos porcentuales de cola izquierda a partir de una tabla de cola derecha.
1
FI (ν 1 ,ν 2 ) =
FS (ν 2 ,ν 1 )
En la figura 3-69, se puede observar el procedimiento. Para hallar el valor FI de cola inferior, se entra
con valores invertidos de los grados de libertad y se invierte el valor de F cola superior.
Por ejemplo:
1
a = F0.05 (ν 1 ,ν 2 ) =
F0.95 (ν 2 ,ν 1 )
Siendo 0.05 y 0.95, valores CDF de la distribución.

99

Capítulo 3 Distribuciones de Probabilidades

Figura 3-69
Propiedad reciproca

Uso de tablas
Si se cuenta con una computadora en la cual se ha instalado SPSS o EXCEL, se podrán obtener los
valores de la distribución F, con las instrucciones que se encuentran en el apéndice B, en las
secciones SPSS y EXCEL. Alternativamente, aunque restringido a los valores más usuales, se puede
hacer uso de tablas, tal como las que se encuentran también en el apéndice B, para determinados
valores de ν1 y ν2.
Estas tablas relacionan las 4 magnitudes: valores de eje, valores de área y los 2 grados de libertad,
los cuales se resumen en la siguiente notación, en donde α es el área de la cola superior:
Fα (ν1 ,ν 2 )
Se aprecia que, debido a que la distribución es asimétrica y por limitaciones de espacio, solo
devuelve algunos percentiles de cola superior. Afortunadamente, los de cola inferior se obtienen con
la propiedad recíproca.

Problema resuelto 3.29 Distribución F

Se reproduce en la figura 3-70 parte de la tabla F, del Apéndice B. Esta tabla contiene los valores F para
determinadas probabilidades de cola superior (α = 0.05 en este encabezamiento) y de grados de libertad ν1
(primera fila) y ν2 (primera columna). Así por ejemplo el valor recuadrado 4.12 es el valor F correspondiente a
una cola superior de 0.05, 4 grados de libertad ν1 y 7 grados de libertad ν2.

100 Jorge Carlos Carrá

Ic Modelos teóricos de una variable – Distribuciones truncadas

Figura 3-70
Tabla de valores F

SPSS
IDF.F(0.95,4,7)=4.12
CDF.F(4.12,4,7)=0.9499

Nota
Para las distribuciones χ2 y F, SPSS tiene también una sintaxis directa para devolver la cola superior:
sig.F(4.12,4,7)=0.05

Problema resuelto 3.30 Propiedad reciproca

Obtener el valor F del límite superior de una cola inferior CDF = 0.05 con grados de libertad ν1 = 10 y ν2 = 5.
Por la propiedad recíproca esto es equivalente al valor inverso del límite de cola superior 0.05 y grados de
libertad ν1 = 5 y ν2 = 10. De la tabla que se muestra en la figura 3-70, se extrae el valor
F = 3.33. Por lo tanto el valor buscado es:
1
F= = 0.3
3.33

SPSS
IDF.F(0.05,10,5)=0.30

Estimador de Densidad Kernel, Kernel Density
Estimate, KDE.
En el capítulo 1, página kernel1, vimos los gráficos de Estimadores de Densidad Kernel, KDE,
construidos con rectángulos. Estos gráficos se corresponden con la elección de una distribución
uniforme la cual pesa todos los datos de igual forma, pero podría elegirse otra distribución. Entre
ellas podemos citar: triangular, normal o gausiana y la epanechnikov (de tipo parabólico que pesa
menos los extremos).
En el apéndice A se brinda la sintaxis para obtener varias de ellas con el SPSS.

Distribuciones truncadas
Se desea convertir una distribución PDF f ( x ) que no es cero a la derecha de un punto x = r en
otra que lo sea y se llamará distribución truncada hacia la derecha del punto r (sin considerarlo).
La expresión de su CDF se obtiene calculando la probabilidad condicional dada la probabilidad
P ( X ≤ r ) (ver figura 3-71), es decir:
P ( X ≤ x)
F (x | x ≤ r) = x≤r
P( X ≤ r )
Por lo tanto su PDF en función de la PDF original, será:

101

Capítulo 3 Distribuciones de Probabilidades

⎧ f ( x)
⎪ x≤r
f ( x | x ≤ r ) = ⎨ P( X ≤ r )
⎪0 x>r

Figura 3-71
Análogamente, para una distribución truncada a la izquierda:

⎧ f ( x)
⎪ x≥r
f ( x | x ≥ r ) = ⎨ P( X ≥ r )
⎪ x<r
⎩0
Ejemplos
Contínua
Una PDF exponencial truncada a la izquierda de x = r , será:

α e −α x
f (x | x ≥ r) =
e −α r
Discreta
Una PDF de Poisson truncada a la derecha de x = r será:
e− λ λ x
P ( X = x) = C
x!
con:
1
C= r
e− λ λ j

j =0 j!
Por lo tanto:
λx 1
P( X = i) = x = 0,1,..., r
x! r
λj

j =0 j!

Problema resuelto 3.31 Normal truncada a la izquierda

El tiempo de vida de un componente está normalmente distribuido Con media 4 y varianza 4. Dado que esta
variable no puede tomar valores negativos y la distribución normal asume valores positivos y negativos, no
sería válida para X < 0. Si el valor de la probabilidad para X < 0 es despreciable, el modelo puede ser válido,
pero si no lo es, se debe truncar a la PDF.
En este caso:

102 Jorge Carlos Carrá

MGF m(t) Muchas distribuciones de probabilidades distintas tienen la misma media y varianza. Naturales Centrados ∞ ∞ ∞ ∞ a1 = E ( X ) = ∑ xp = ∫ xf ( x)dx = μ c1 = E ( X − μ ) = ∑ ( x − μ ) p = ∫ ( x − μ ) f ( x)dx = 0 −∞ −∞ −∞ −∞ ∞ ∞ ∞ ∞ a2 = E ( X ) = ∑ x p = 2 2 ∫x 2 f ( x)dx c2 = E ( X − μ ) = ∑ ( x − μ ) p = 2 2 ∫ (x − μ) 2 f ( x)dx = σ 2 −∞ −∞ −∞ −∞ ∞ ∞ ∞ ∞ an = E ( X ) = ∑ x p = n n ∫x n f ( x)dx cn = E ( X − μ ) = ∑ ( x − μ ) p = n n ∫ (x − μ) n f ( x)dx −∞ −∞ −∞ −∞ Función generadora de momentos. por lo tanto debemos truncar a la izquierda de X = 0. Ic Modelos teóricos de una variable – Momentos de orden n ⎛0−4⎞ P ( X < 0) = Φ ⎜ ⎟ = Φ ( −2) = 0. Se puede definir una función que contiene todos los momentos naturales de una distribución y por esta razón se llama Función Generadora de Momentos o MGF (Moment Generator Function). pero si dos distribuciones tienen todos los momentos de orden n iguales (capítulo 1. 103 .023 ⎝ 2 ⎠ Con este valor. En las siguientes ecuaciones. MX(t). Si la variable es discreta demostraremos que es: ∞ M X (t ) = E (etx ) = ∑ etx p ( x) −∞ Si la variable es contínua demostraremos que es: ∞ M X (t ) = E (etx ) = ∫e f ( x)dx tx −∞ Puede observarse que la MGF es simplemente el valor esperado de e tx . resultando: 2 1 1⎛ x−4⎞ exp − ⎜ ⎟ f ( x) = 2 2π 2⎝ 2 ⎠ Φ (2) Momentos de orden n Los momentos de orden n vistos en el capítulo 1 (página momentosr). página momentosr y sección anterior). entonces se puede demostrar que ambas distribuciones son idénticas. el modelo sin truncar no es muy preciso. se generalizan tanto a variables discretas como contínuas. la expresión con sumatoria corresponde a variables discretas y la expresión con integral a variables contínuas.

−∞ −∞ 2! −∞ 3! −∞ Finalmente: t2 t3 M X (t ) = 1 + ta1 + a2 + a3 + . 2! 3! Es decir: t2 t3 M X (t ) = 1 + M X '(0)t + M X ''(0) + M X '''(0) + .. Capítulo 3 Distribuciones de Probabilidades La notación M X (t ) expresa la dependencia con X y prepara la expresión para cuando se consideren 2 o más variables (como regla nemotécnica.... 2! 3! Realizaremos la demostración para una variable discreta (la de variable contínua es idéntica).. 2! 3! 3 Identificación Comparando ambos desarrollos.. el valor t pasa al paréntesis de M y el valor x al subíndice). ak = E ( X k ) = M X k (0) Nota Los momentos centrados se pueden obtener de los naturales aplicando la propiedad de transformación lineal que se verá luego......⎥ p( x) −∞ −∞ ⎣ 2! 3! ⎦ Si los momentos ai son finitos se pueden intercambiar las sumatorias: ∞ ∞ t2 ∞ 2 t3 ∞ 3 = ∑ p( x) + t ∑ xp( x) + ∑ x p ( x ) + ∑ x p( x) + .. resulta: a1 = E ( X ) = M X '(0) a2 = E ( X 2 ) = M X ''(0) a3 = E ( X 3 ) = M X '''(0) . 1 Desarrollo del segundo miembro La expansión en series de e tx (desarrollo de Mc Laurin) es: (tx) 2 (tx)3 etx = 1 + tx + + + . 104 Jorge Carlos Carrá . Demostración Desarrollaremos (Mc Laurin) tanto el primer miembro como el segundo y luego identificaremos ambas resultados.. del exponente de e tx .. 2! 3! 2 Desarrollo del primer miembro El desarrollo de Mc Laurin de la función MX(t) es: t2 t3 M X (t ) = M X (0) + M X '(0)t + M X ''(0) + M X '''(0) + . ∞ ∞ ⎡ (tx) 2 (tx)3 ⎤ M X (t ) = E (etx ) = ∑ etx p( x) = ∑ ⎢1 + tx + + + .

) n −1 + pet (1− μ ) n(n − 1)(. exponencial y normal. 105 . uniforme.) : t M Y ''(t ) = μ 2 e − μt − μ e − μ t n(. gamma. se obtiene (la expresión pe + q se reemplaza por (. Ic Modelos teóricos de una variable – Función generadora de momentos.32 Obtención de MX(t) Hallar la MGF de las siguientes distribuciones: binomial. resulta.) n −1 et + pet (1− μ ) (1 − μ ) n(. Media M X '(t ) = n ( pet + q ) n −1 pet μ = M X '(0) = np Varianza Y = X −μ V ( X ) = E (Y ) 2 Si bien la propiedad de transformación lineal se verá en el punto siguiente. geométrica. MGF m(t) Problema resuelto 3. converge y por lo tanto: p qet M X (t ) = q 1 − qet pet M X (t ) = 1 − qet c) Poisson ( λ et ) x ∞ e− λ λ x ∞ M X (t ) = ∑ e tx =e ∑ −λ x =0 x! x =0 x! y De la expansión en series de e . a) Binomial ⎛n⎞ ⎛n⎞ M X (t ) = ∑ etx ⎜ ⎟ p x q n − x = ∑ ⎜ ⎟ ( pet ) q n − x n n x x =0 ⎝ x⎠ x =0 ⎝ x ⎠ M X (t ) = ( pet + q ) n Verificar las ecuaciones de la media y de la varianza. q = 1 − p y simplificando. resulta: V (Y ) = M Y ''(0) = npq b) Geométrica ( qet ) n p n M X (t ) = ∑ etx q x −1 p = ∑ x x =0 q x=0 La suma de la serie es una serie geométrica y si restringimos los valores de t tal que o < qet < 1 . se puede operar constructivamente: M Y (t ) = E (e yt ) = E (e xt − μt ) = e− μt E (e xt ) = e − μt M X (t ) = e− μt ( pet + q ) n Hallando la primera derivada en t y luego la segunda.) n − 2 pet Reemplazando t = 0 .

Capítulo 3 Distribuciones de Probabilidades = e − λ eλ e t ( ) λ et −1 M X (t ) = e d) Uniforme b etx M X (t ) = ∫ dx a b−a 1 M X (t ) = t (b − a ) ( ebt − e at ) t≠0 e) Gamma ∞ ∞ α αr ∫ e (α x ) e dx = r −1 Γ(r ) ∫0 −α x M X (t ) = tx x r −1e − x (α −t ) dx Γ( r ) 0 Haciendo el cambio de variable u = x (α − 1) ∞ ⎛ α ⎞ 1 r ∫ u e du r −1 − u =⎜ ⎟ ⎝ α − t ⎠ Γ(r ) 0 ∞ r −1 αr⎛ u ⎞ M X (t ) = ∫ ⎜ ⎟ (α − t )Γ(r ) 0 ⎝ α − t ⎠ e −u du como la integral es Γ ( r ) . Por lo tanto. ∞ 1 ( ) 2 − z / 2 −t / 2 +t 2 / 2 = 2π −∞ ∫e dz 106 Jorge Carlos Carrá .1) ∞ ∞ 1 − z2 / 2 1 ∫e ∫e tz − z 2 / 2 M Z (t ) = tz e dz = dz −∞ 2π 2π −∞ completando cuadrados. ⎛ α ⎞ r M X (t ) = ⎜ ⎟ ⎝α −t ⎠ f) Exponencial Es un caso especial de la Gamma con r = 1 . M X (t ) = (1 − 2t ) −ν / 2 h) Normal 1 N (0. α M X (t ) = t <α α −t g) Chi cuadrado Es un caso particular de la distribución Gamma con α = 1/ 2 y r = ν / 2 .

demuestra la afirmación realizada al principio en el sentido de que si dos distribuciones tienen los todos sus momentos iguales. TCL. 1 Variable: Transformación lineal Y = aX + b M Y (t ) = E (e( ) )) = ebt E (eatX ) aX + b t M Y (t ) = ebt M X ( at ) La traslación b aparece como parte del exponente de coeficiente exponencial y el cambio de escala a como parte de la variable dentro del paréntesis. = E (e Xt ) E (eYt ) = M X (t ) + M Y (t ) M Z (t ) = M X (t ) + M Y (t ) >1 Variables: Propiedad reproductiva (algunas distribuciones) Algunas distribuciones poseen la siguiente propiedad: la distribución de la suma es del mismo tipo que la de los sumandos. MGF m(t) 2 ∞ 2 et /2 et / 2 ∫ −u 2 2 = 2e du = 2 π = et /2 2π −∞ 2π 2 M Z (t ) = e t /2 2 N (μ . Esta conclusión será utilizada en el capítulo 4 para demostrar el Teorema Central del Límite. 107 . entonces ambas distribuciones son idénticas.σ ) Si bien la propiedad de transformación lineal se verá en el punto siguiente. Z = X +Y M Z (t ) = E (e Zt ) = E ( e( X +Y )t ) = E ( e Xt eYt ) si además X e Y son independientes. Este teorema que adoptamos sin demostración. ésta es única. se puede operar constructivamente: Y = μ +σ Z Por lo tanto: 2 2 M Y (t ) = E (e yt ) = E (e μt +σ Zt ) = e μt E (eσ Zt ) = e μt M Z (σ t ) = e μt eσ t /2 2 2 M Y (t ) = e μt eσ t /2 2 2 M Y (t ) = e μt eσ t /2 Propiedades de la MGF Unicidad Si una distribución de probabilidades f(x) tiene una MX(t). >1 Variables: Suma + independencia Se demuestra para 2 variables pero se extiende a más de 2. Ic Modelos teóricos de una variable – Función generadora de momentos. es decir sus MX(t) iguales.

4)=CDF. Exponencial independientes Esta distribución no tiene la propiedad reproductiva pero tiene una similar: Si r distribuciones exponenciales tienen el mismo parámetro α. Esto es así pues: ⎛ α ⎞ r M Z (t ) = ⎜ ⎟ ⎝α −t ⎠ Corolario Dada la distribución Z anterior.r.2(3))=CDF. Se demuestra para 2 variables pero se extiende a más de 2. Así por ejemplo P ( Z ≤ 4) = P (2α Z ≤ 8α ) . Este corolario brinda una forma de calcular una distribución Gamma con una distribución chi cuadrado. Se demuestra para 2 variables pero se extiende a más de 2. Por ejemplo. ⎛ α ⎞ r ⎟ = (1 − 2α t ) −2 r /2 M W (t ) = M Z (2α t ) = ⎜ ⎝ α − 2α t ⎠ Esta es una distribución chi cuadrado con ν = 2r grados de libertad.CHISQ(2(1)(4).762.GAMMA(1. 108 Jorge Carlos Carrá . Normal independientes M z (t ) = M X (t ) M Y (t ) = exp( μ1t + σ 12t 2 / 2) exp( μ 2t + σ 2 2t 2 / 2) = exp ( ( μ1 + μ 2 )t + (σ 12 + σ 2 2 )t 2 / 2 ) Esta es la MGF de una distribución normal con media μ1 + μ2 y varianza σ 12 + σ 2 2 .3.CHISQ(8. si r = 3 y α = 4: CDF. la distribución suma tiene una distribución Gamma con parámetros α y r.GAMMA(1.6)=0. la variable aleatoria W = 2α Z tiene una distribución chi cuadrado con ν = 2r.α)=CDF. Capítulo 3 Distribuciones de Probabilidades Poisson independientes M X (t ) = e 1 ( λ et −1 ) ( ) λ2 et −1 M Y (t ) = e Por lo tanto: M Z (t ) = M X (t ) M Y (t ) = e ( ( λ1 + λ2 ) et −1 ) Esta es la MGF de una distribución de Poisson con parámetro λ1 + λ2 . Chi cuadrado independientes M Z (t ) = M X (t ) M Y (t ) = (1 − 2t ) − (ν1 +ν 2 )/ 2 Se demuestra para 2 variables pero se extiende a más de 2. Esta última se calcula como una distribución chi cuadrado (dados α y r) de W = 2α z y ν = 2r .

y ) −∞ −∞ 109 . la variable en estudio es de tipo vectorial. Y ≤ y ) Siendo: a b P ( X ≤ a.. IIa Dos variables – 1.Yk ) Se tratará esencialmente el caso de 2 variables. pero el tratamiento es extensivo al caso multivariable. PF Se define la probabilidad conjunta (llamada también PF. 1. Métodos tabulares y gráficos Sean X e Y con funciones de distribución contínuas. para la variable independiente. F1(x) y F2(y) y funciones densidad. cambiando la frecuencia relativa por la probabilidad p. Y = y ) CDF Se define la probabilidad acumulativa conjunta como: F ( x. Métodos tabulares y gráficos IIa Dos variables En esta sección y la siguiente. y ) = P ( X ≤ x.. Y2 . Probability Density Function) como: p ( x. Y ≤ b) = ∑∑ p ( x. f1(x) y f2(y) (resultará más práctico usar.. Probability Function o PDF. a Variables discretas Son las expresiones vistas en el capítulo 1 (2 variables). y ) = P ( X = x. llamado vector aleatorio: G Y = (Y1 . la notación con paréntesis en lugar de subíndices).

y ) = ∂x∂y 110 Jorge Carlos Carrá . recordando la regla de derivación de una función integral (integral definida que depende de su límite superior). y ) f ( x. y ) p1 ( x | y ) = p2 ( y ) p ( x. Y ≤ y) = ∫ ∫ f ( x. las cuales se definen a continuación. CDF Como ya adelantamos en el capítulo 1. se obtendrá derivando la expresión de F ( x. y ) x2 p2 ( y ) = ∑ p( x. las expresiones para variables categóricas se generalizan informalmente a variables de escala. x y F ( x. y ) . y ) x1 PF condicionales p ( x. y) = P( X ≤ x. primero con respecto de x y luego respecto de y. a partir de sus correspondientes categóricas. ∂∂F ( x. cambiando: la frecuencia relativa fx por fdx la frecuencia relativa conjunta fxy por f(x.y)dxdy y las sumatorias por integrales. y ) p2 ( y | x ) = p1 ( x) Independencia X e Y se dicen independientes si: p1 ( x | y) = p1 ( x) p2 ( y | x) = p2 ( y) Combinando las ecuaciones anteriores. y)dxdy −∞ −∞ PDF La vinculación entre una función PDF y su correspondiente CDF. Capítulo 3 Distribuciones de Probabilidades PF marginales p1 ( x) = ∑ p( x. se obtiene la condición de independencia: p( x.y).y) y f(x. y) = p1 ( x) p2 ( y) b Variables contínuas Las funciones conjuntas se simbolizarán como F(x.

y )dx −∞ PDF condicionales f ( x. 111 . Métodos numéricos A menos que se exprese específicamente. y) = F1 ( x) F2 ( y) 2. y ) (tabla de contingencias con celdas elementales en el plano x-y) a lo largo de líneas paralelas al eje y. IIa Dos variables – 2. y) = f1 ( x) f 2 ( y) Esta ecuación es equivalente a: F ( x. Adicionalmente. y ) f1 ( x | y ) = f2 ( y) f ( x. En particular si la PDF es constante (distribución uniforme) de valor c y el área en el plano xy es A. página 16. y ) f 2 ( y | x) = f1 ( x ) La visualización de estas fórmulas con una tabla de contingencias se realiza en forma similar al de las PDF marginales. y )dy −∞ Si se representa la PDF bivariable en 3D (con la función densidad en el eje vertical). se obtiene la condición de independencia: f ( x. discretizando la gráfica en un diagrama de barras elementales y acumulando las probabilidades de f ( x. Independencia X e Y se dicen independientes si: f1 ( x | y) = f1 ( x) f 2 ( y | x) = f 2 ( y ) Combinando las ecuaciones anteriores. se puede visualizar este resultado asimilándolo al caso discreto visto en el capítulo 1. Con esta interpretación la función densidad sería el volumen entre la superficie y el plano xy. Análogamente: ∞ f2 ( y) = ∫ f ( x. se recuerda que las expresiones para variables cuantitativas discretas son las mismas que para variables cuantitativas contínuas cambiando las sumatorias por integrales y la probabilidad p ( xy ) por f ( xy ) dxdy . PDF marginales ∞ f1 ( x) = ∫ f ( x. resulta útil la analogía que surge de considerar a la función densidad como una densidad superficial de masa en el plano xy. Métodos numéricos Probabilidad de masas Al igual que para una variable. la constante deberá ser 1/ A. las expresiones que se enumeran a continuación son genéricas y deberán ser calculadas con la expresión discreta o contínua según corresponda.

Es el vector varianza de las distribuciones marginales. y)dxdy −∞ −∞ Esperanza condicional Discretas E ( X | y ) = ∑ xi p ( xi | yi ) i La interpretación es directa. la esperanza también. La notación indica estrictamente hablando. Es el vector esperanza de las distribuciones marginales. Capítulo 3 Distribuciones de Probabilidades Medidas de posición Vector esperanza Como la variable aleatoria es vectorial. la varianza también los es. por lo tanto es una variable aleatoria. Como ya vimos en el capítulo 1. tal como se indicó en el capítulo 1. página E2var1. página Steiner1. como la variable aleatoria es vectorial. V (Y )) . Esperanza conjunta Como ya vimos en el capítulo 1. (V ( X ). se puede calcular como: V (X ) = SS xx = ∑X 2 − Nμ2 = E( X 2 ) − ( E( X )) 2 N N 112 Jorge Carlos Carrá . Es simplemente la media de la distribución condicional p( xi | yi ) . Observar que E ( X | y ) depende de y. Contínuas ∞ E ( X | y ) = ∫ xf ( x | y ) dx −∞ Medidas de dispersión Vector varianza Al igual que las de posición. ( E ( X ). se puede calcular como: Discretas E ( XY ) = ∑∑ pxy XY x y Contínuas +∞ +∞ E ( XY ) = ∫ ∫ xyf ( x. el valor de la variable aleatoria E ( X | Y ) . se corresponde con las coordenadas del centro de gravedad. en este caso. de la nube de puntos. E (Y )) Este vector.

P Al igual que en la unidad 1. a los que llamaremos RX y RY). Matriz Covarianzas. como en la siguiente figura. y )dxdy Como ya vimos en el capítulo 1. se obtiene el coeficiente de correlación de Spearman. página SSCP1. en cambio si las variables son ordinales (por ejemplo tomando los rangos o posiciones ordenadas de una variable de escala. se puede calcular como: SS xy Cov( X . Y ) = = E ( XY ) − E ( X ) E (Y ) N Correlación lineal Cov( X . Y ) ρ= Sx S y Si se multiplica numerador y denominador por N . se obtiene el coeficiente de correlación de Pearson. Varxx Covxy Covyx Varyy 113 . página Steiner2var1. se presentan todos los resultados de varianzas y covarianzas en el formato de matriz. Varianza condicional Var (Y | X ) = E ⎡⎣(Y − E (Y | X )) 2 | X ⎤⎦ En otras palabras es la misma definición general de varianza aplicada a la distribución condicional con X conocido (observar que todas las esperanzas son condicionales). Covarianza Discretas Cov( XY ) = ∑∑ pxy Δ x Δ y x y Contínuas +∞ +∞ Cov( XY ) = ∫ ∫ΔΔ −∞ −∞ x y f ( x. Medidas de asociación La extensión de las expresiones del capítulo 1 es análoga a la de las medidas de posición. IIa Dos variables – Medidas de asociación Varianza conjunta La varianza conjunta es la covarianza y se desarrollará en la próxima sección. se obtiene una expresión en función de los SS: SS xy ρ= SS xx SS yy Si se aplica a variables de escala. P.

30(0.4375) + 1(0. M = 1) = P(1H ) P(1M |1H ) = 0. M = 2) = P(3H ) P((2M .15 P(V = 0. V 0 1 2 3 Total E(V|M=2) 0. Género de los hijos En una comunidad. R La matriz de correlación R.5) = 0.20 0.1H ) | 3H ) = 0.1125 0 0 0.10 0.5)(0.33.10 0.15 0. 15% de las familias no tienen hijos.0875 0. M = 0) = P( No hijos) = 0. b) 0.1125 0 0. Capítulo 3 Distribuciones de Probabilidades Figura 3-72 Matriz de correlaciones.1) = 0. c) obtener la distribución condicional dada M = 2.0375 0 0 0 0. P(V = 0. M es el número de hijos Mujeres.5) P3(2.20 3 0.0375 0. contiene las correlaciones: Cov(Yi . V es el número de hijos Varones.5625 0 0 1 Figura 3-74 d) E (V | M = 2) = 0(0.35(0.1125 El resto del árbol se deja al lector.y) 0 1 2 3 Total 0 0. d) hallar la E(V|M=2).5) = 0.10 P(V = 0.3875 V 2 0.375 1 0.3875 c) Es simplemente el perfil columna de M = 2.452 0.0375 1 Figura 3-73 Estos valores surgen de construir el árbol de probabilidades condicionales.4375 0.20(0.5625) = 0.5)2 (0. Suponer que el nacimiento de varón es independiente de mujer.175 P (1V |1M ) = = 0. M = 2) = P(2 H ) P(2M | 2 H ) = 0. a) Construir la TC de las variables V y M. b) Hallar la probabilidad de que esa familia tenga 1 V sabiendo que tiene 1 M. el valor de la celda en cuestión.175 0.3875 0.5625 114 Jorge Carlos Carrá .0375 Total 0.375 0. Una familia es elegida al azar. dividiéndolo por la raíz cuadrada del producto de los 2 valores de la diagonal principal que intersectan la celda en cuestión.0875 0. 20% tienen 1. Y j ) rij = sii s jj Por lo tanto los elementos de la diagonal principal serán 1 y los restantes se calculan tomando de la matriz de covarianzas. 35% tienen 2 y 30% tienen 3. Problema resuelto 3.0875 P(V = 1. a) TC M p(x.

indica dependencia. 1 f ( x1 . Cov( x1 . celda por celda reemplazando las variables por sus desviaciones.058 σ ( x1 )σ ( x2 ) 0. a) Construir la distribución para todos los valores de las variables. b) expresar las funciones marginales.45) = 0. por lo tanto las variables son dependientes. 115 . por lo tanto es un modelo teórico exacto y entonces cualquier valor distinto de 0 (aunque sea pequeño). x2 ) = E ( x1 .x2) Total 2 3 1 3/20 8/20 11/20 x2 2 2/20 7/20 9/20 Total 5/20 15/20 1 Figura 3-75 b) f x1 = ( 5 / 20.187 2 V ( x2 ) = E ( x2 2 ) − ( E ( x2 ) ) = 0. 15 / 20 ) f x2 = (11/ 20. e) hallar la covarianza. IIa Dos variables – Medidas de asociación Problema resuelto 3. x2 ) − E ( x1 ) E ( x2 ) = 4 − (2. 9 / 20 ) c) E ( x1 ) = 2(5 / 20) + 3(15 / 20) = 2. x2 ) ≠ E ( x1 ) E ( x2 ) ). x2 ) .432(0.0125 ρ= = = 0.0125 También podría calcularse en forma análoga a la esperanza E ( x1 . la correlación y decidir si las variables son independientes. c) obtener las medias y varianzas de las marginales y la media conjunta. 2 20 a) x1 f(x1.34.497) La covarianza no es cero (o equivalentemente.75 E ( x2 ) = 1(11/ 20) + 2(9 / 20) = 1.45 V ( x1 ) = E ( x12 ) − ( E ( x1 ) ) = 0. x2 ) 0. x2 ) = 2(1)(3 / 20) + 3(1)(8 / 20) + 2(2)(2 / 20) + 2(3)(7 / 20) = 4 d) ⎛ 8 / 20 ⎞ ⎛ 7 / 20 ⎞ E ( x2 | x1 = 3) = 1⎜ ⎟ + 2⎜ ⎟ = 1.75)(1.3 x2 = 1.247 2 E ( x1 . x2 ) = ( x12 − x2 ) x1 = 2. d) hallara la media condicional de x1 = 3.467 ⎝ 15 / 20 ⎠ ⎝ 15 / 20 ⎠ e) Cov( x1 . Demanda diaria La siguiente PF representa la demanda diaria de dos determinados productos. E ( x1 . Observar que se trata de una magnitud poblacional.

f ( x . a) Obtener P(X > 1. 0 < y < ∞ f ( x. ∫∫ 2e − x −2 y P( X < Y ) = e dxdy x< y ∞ y = ∫ ∫ 2e − x e−2 y dxdy 0 0 ∞ = ∫ 2e−2 y (1 − e− y ) dy = 1 − 2 / 3 = 1/ 3 0 c) Construir un diagrama para observar la región de integración. d) f(x|y). e) E(X|y).35. y ) = f1 ( x) f 2 ( y ) por lo cual las variables son independientes. f) Cov(x. Tiempo de vida de 2 dispositivos electrónicos La siguiente función densidad conjunta representa el tiempo de vida de dos dispositivos electrónicos. E(X) y E(Y). ⎧2e− x e −2 y 0 < x < ∞. y ) = ⎨ ⎩0 en otro punto a) 1∞ P( X > 1. y ) 2 e − x e −2 y f1 ( x | y ) = = −2 y = e− x f2 ( y) 2e lo cual no extraña pues al ser independientes. Capítulo 3 Distribuciones de Probabilidades Problema resuelto 3. b) P(X < Y). Y < 1). ∞ ∞ f1 ( x) = ∫ 2e − x e −2 y dy = e− x ∫ 2e −2 y dy =e − x 0 0 ∞ ∞ f 2 ( y ) = ∫ 2e− x e −2 y dx = 2e −2 y ∫ e− x dx =2e −2 y 0 0 Observar que: f ( x. c) P(X < a). a∞ P( X < a) = ∫ ∫ 2e− x e−2 y dydx 0 0 a = ∫ e− x dx = 1 − e− a 0 d) Para las restantes preguntas es conveniente calcular previamente las distribuciones marginales. g) E(XY). f ( x | y ) = f ( x ) . Y < 1) = ∫ ∫ 2e− x e−2 y dxdy 0 1 1 = ∫ 2e−2 y |-e− x |1∞ dy = e−1 (1 − e−2 ) 0 b) Construir un diagrama para observar la región de integración. e) 116 Jorge Carlos Carrá .y) y ρ.

g) ∞ ∞ ∞ ∞ ∞ −x ∞ x E ( X ) = ∫ xf1 ( x)dx = ∫ xe dx = − xe −x + ∫ e dx = − x −x + ∫ e − x dx = 1 0 e 0 0 0 0 0 Análogamente: ∞ ∞ E (Y ) = ∫ yf 2 ( y )dy = ∫ y 2e−2 y dy = 0.5 0 0 117 . Y ) = E ( X . Verificar entonces que: ∞∞ E ( XY ) = ∫ ∫ xy 2e− x e−2 y dxdy = 0. Y ) − E ( X ) E (Y ) .5 0 0 E(XY) se podrá calcular con su expresión. IIa Dos variables – Medidas de asociación ∞ ∞ ∞ ∞ E ( X | y ) = ∫ xf1 ( x | y ) dx = ∫ xe − x dx = − xe − x − e− x =1 0 0 0 0 f) Por ser independientes la covarianza debe ser 0 y por lo tanto también la correlación. Cov ( X .5. EXY) deberá ser 0. pero como por independencia la covarianza debe ser 0.

Se divide el desarrollo.5 0. f ( x1 . X 2 = x2 ) = f ( x1 . Problema resuelto 3. y2 ) de otras dos variables Y. página 25. Obtener la distribución de y1 = x1 + x2 x1 1 2 3 p(x1) 0. X 2 ) Este es el objetivo de esta sección.3 Figura 3-76 118 Jorge Carlos Carrá .a. Y2 = y2 ) = P( X1 = x1 . representando el número de artículos defectuosos en 2 líneas de producción. Se conoce la distribución de probabilidad conjunta de dos v.2 0. y2 ) = P(Y1 = y1 .2 x2 1 2 3 p(x2) 0. Método de la PF g ( y1 . Capítulo 3 Distribuciones de Probabilidades IIb Funciones de variables aleatorias (dos variables) El problema es similar al caso de una variable.6 0. 1 Caso discreto Se tiene un solo método.2 0. X 2 ) ⎨ ⎩Y2 = H 2 ( X 1 . según sea una variable discreta o contínua.36 Defectuosos en 2 líneas de producción La siguiente es una distribución bidimensional discreta de dos variables independientes. x1 y x2. relacionadas con X a través de: ⎧Y1 = H1 ( X 1 . Métodos Se presentan los mismos tres métodos vistos en el caso de una variable. x2 ) Dado que la distribución no cambia. solo habrá que agrupar las probabilidades para los valores de y coincidentes. x2 ) y se desea la distribución de probabilidad conjunta g ( y1 .

x2) y en cada intersección el valor de y1. IIb Funciones de variables aleatorias (dos variables) – Métodos Método de la PF La siguiente tabla muestra la distribución de y1. se debe resolver la integral de f ( x1 . y2 ) . derivando G( y1 . X 2 ) se debe establecer la región Y1 ≤ y1 . Método de la PDF 3.1 0. Además este método se aplicará solo al caso de una sola función de transformación H y por lo tanto al caso en que se desea obtener la FDP de una sola variable. G( y1 .34 y1 2 3 4 5 6 p(y1) 0. Se obtiene esa CDF. X 2 ∈ RX1 . x2 )dx1dx2 RX Paso 1 Dominio de las x en función de las y Encontrar la región de integración de las X en función de la Y1. x2 ) en la región obtenida del paso 1. Método de la CDF 2. Método de la MGF Solo veremos los 2 primeros. 119 . integrando la PDF original en una región de integración RX. Numérico Lo anterior solo se cumplirá en el dominio de las X (con la PDF). Método de la CDF Las funciones de transformación son uno a uno y por lo tanto admiten inversa. Así por ejemplo: P( y1 = 3) = P( x1 = 2) P( x2 = 1) + P( x1 = 1) P( x2 = 2) = 0. RX 2 ) = ∫∫ f ( x1 . Luego se podrá obtener la PDF. y2 ) .28 0. Paso 2 integrar la PDF en ese dominio Para obtener la CDF. g ( y1 .34 0. La obtención de los mismos puede facilitarse dibujando en un sistema de ejes los puntos (x1. válidos para funciones H uno a uno. es necesario hallar su dominio numérico (con la H). Analítico La función de transformación se expresa en general: Y1 = H1 ( X 1 . X 2 ) En el plano ( X 1 . y2 ) .06 Figura 3-77 2 Caso contínuo Métodos generales: 1.22 0. pues: G( y1 ) = P(Y1 ≤ y1 ) = P( X 1 . Para expresar la PDF de la Y1.

se obtiene que y1 puede tomar cualquier valor en el intervalo : 0 ≤ y1 ≤ 2 .37 Transformación suma Dada la siguiente PDF en X1 . x2 ) con la región x1 + x2 ≤ y1 . hallar la PDF en Y1. x2 ) dx1dx2 RX Paso 1 Dominio de las x en función de las y Analítico El dominio de la PDF es el cuadrado unitario que se muestra en la siguiente figura. ⎧1 0 ≤ x1 ≤ 1 0 ≤ x2 ≤ 1 f ( x1 . Figura 3-78 Paso 2 Integrar la PDF en ese dominio G1 ( y1 ) = ∫∫ x1 + x2 ≤ y1 f ( x1 . Capítulo 3 Distribuciones de Probabilidades Problema resuelto 3. G1 ( y1 ) = P (Y1 ≤ y1 ) = P ( X 1 + X 2 ≤ y1 ) = ∫∫ f ( x1 . en el orden x1 y luego de x2. Los puntos que implican la región RX = x1 + x2 ≤ y1 . X 2 y la transformación Y1 = H ( X1 . La línea de la igualdad tiene pendiente –1. x2 ) = ⎨ ⎩0 en otro punto y1 = x1 + x2 Método de la CDF Se debe calcular la integral correspondiente a: G1 ( y1 ) = P(Y1 ≤ y1 ) . de la siguiente forma: • Para x1: límites del segmento horizontal con trazo grueso dibujado sobre el área en cuestión. Observando ahora la figura siguiente se concluye que la integración cambia según sea 0 ≤ y1 ≤ 1 o 1 ≤ y1 ≤ 2 . se muestran sombreados en la misma figura. 120 Jorge Carlos Carrá . Numérico Vinculando el dominio de f ( x1 . Los límites de integración. X 2 ) . se obtienen (para y1 = constante). x2 ) dx1dx2 Región 0 ≤ y1 ≤ 1 Este caso se presenta en la figura siguiente.

la cual se expresa en general: 121 . Figura 3-79 y1 2 y1 − x2 y G1 ( y1 ) = ∫ ∫ 1dx1dx2 = 1 0 0 2 Región 1 ≤ y1 ≤ 2 Este caso corresponde a la figura inicial. Finalmente: ⎧ y1 0 ≤ y1 ≤ 1 g1 ( y1 ) = ⎨ ⎩2 − y1 1 ≤ y1 ≤ 2 Método de la PDF Continuando con el desarrollo anterior. (segmento con trazo grueso). IIb Funciones de variables aleatorias (dos variables) – Métodos • Para x2: límites de la proyección. respectivamente). pero para dos funciones de transformación H. Se observa que es preferible integrar el complemento en lugar de la región sombreada. se muestran con segmentos de trazo grueso. del área sobre el eje x2. 1 1 1 ⎡ x2 2 ⎤ G ( y1 ) = 1 − ∫ ∫y1 − x2 1 2 y1 −1 1dx dx = 1 − ⎢ ⎣ (1 − y1 ) x2 + 2 ⎥⎦ y −1 1 y12 G ( y1 ) = − + 2 y1 − 1 2 En definitiva: ⎧0 y1 < 0 ⎪ 2 ⎪ y1 0 ≤ y1 ≤ 1 ⎪ 2 G1 ( y1 ) = ⎨ 2 ⎪− y1 + 2 y − 1 1 ≤ y ≤ 2 ⎪ 2 1 1 ⎪ ⎩1 y1 > 2 Se observa que ambos volúmenes podrían haberse obtenido de la geometría elemental (las bases son el área de un triángulo y el área de un cuadrado menos el área de un triángulo. Los límites de integración en el orden x1 y luego x2.

x2 ) J ⎜ 1 2 ⎟ ⎝ y1 . y2 ) = P (Y1 ≤ y1 . y2 ⎠ Finalmente: ⎛ x . x ⎞ ⎛ ⎛ y . X 2 ) importantes Resultan de interés las siguientes transformaciones: 122 Jorge Carlos Carrá . Y2 ) Se obtiene la CDF de la Y. ejemplo: ⎧Y1 = H1 ( X 1 . RX 2 ) = ∫∫ f ( x1 . se completa el esquema anterior con una segunda relación ficticia del tipo: Y2 = X1 o Y2 = X 2 resultando. Si solo se plantea una sola relación H1 (como en el método anterior de la CDF). Y2 ≤ y2 ) = P ( X 1 . x2 )dx1dx2 = ∫∫ f ( x1 . integrando la PDF original en una región de integración RX: G ( y1 . X 2 ) ⎨ ⎩Y2 = H 2 ( X 1 . Capítulo 3 Distribuciones de Probabilidades ⎧Y1 = H1 ( X 1 . y2 ⎠ Esta ecuación es la equivalente del caso univariable: g ( y ) = f ( x ) x ' Dada la relación uno a uno.x ⎞ G ( y1 . x2 ) J ⎜ 1 2 ⎟ y1dy2 RX RX ⎝ y1 .x ⎞ dx1dx2 = J ⎜ 1 2 ⎟ dy1dy2 ⎝ y1 . Y2 ) ⎨ ⎩ X 2 = M 2 (Y1 . X 2 ) ⎨ ⎩Y2 = X 1 Funciones Y = H ( X1 . y2 ⎠ ⎝ ⎝ x1 . y2 ) = ∫∫ f ( x1 . surgen las funciones M1 y M2. y ⎞⎞ J ⎜ 1 2 ⎟ = ⎜⎜ J ⎜ 1 2 ⎟ ⎟⎟ = J H −1 ⎝ y1 . y2 ⎠ se obtiene: ⎛ x . X 2 ) Resolviendo el sistema (debe ser una relación biunívoca).x ⎞ g ( y1 . x2 ⎠ ⎠ De esta forma se puede expresar alternativamente: g ( y1 . x2 )dx1dx2 RX Si la relaciones H son biunívocas (uno a uno). y2 ) = f ( x1 . y2 ) = f ( x1 . X 2 ∈ RX1 . x2 ) J H −1 siendo J H el jacobiano de la transformación H. ⎧ X 1 = M 1 (Y1 . se puede utilizar la conocida relación de contenidos que se estudia en análisis matemático (involucra al valor absoluto del jacobiano de la transformación (el cual es un determinante): ⎛ x . se verifica además que: −1 ⎛ x . por .

x2 ) ∞ ∞ g1 ( y1 ) = f ( x1 + x2 ) = ∫ f ( y1 . x2 )dx2 −∞ −∞ Caso particular: X1. x2 ) = ⎨ ⎩0 en otro punto y1 = x1 + x2 123 . IIb Funciones de variables aleatorias (dos variables) – Métodos y1 = x1 ± x2 y1 = x1 x2 x1 y1 = x2 Si se completa la transformación con la ecuación y2 = x2 . respectivamente. integral de convolución y se representa f1 * f 2 . X 2 y la transformación Y1 = H ( X1 . Distribuciones Muestrales. y2 )dy2 = ∫ f ( y1 − x2 . ⎧ y1 = x1 ± x2 ⎨ ⎩ y2 = x2 1 1 JH = =1 0 1 −1 g ( y1 . x2 ) = f ( y1 − x2 . ∞ f1 * f 2 = ∫ f1 ( y1 − x2 ) f 2 ( x2 )dx2 −∞ Propiedad f1 * f 2 = f 2 * f1 Es decir no interesa donde se coloca la resta. y2 ) = J H f ( x1 . X 2 ) . dx2 = −dz . x2 y 1/ x2 . verificar que los valores absolutos de los jacobianos resultan: 1. e invertir el intervalo de integración. Dada la siguiente PDF en X1 . y2 ) = J g f1 ( x1 ) f 2 ( x2 ) = f1 ( y1 − x2 ) f 2 ( x2 ) ∞ ∞ g1 ( y1 ) = ∫ f ( y1 . veamos los detalles. y2 )dy2 = ∫ f1 ( y1 − x2 ) f 2 ( x2 )dx2 −∞ −∞ Esta integral se llama en matemáticas. Problema resuelto 3. Transformación suma Como la transformación suma tendrá especial importancia en el capítulo 4. hallar la PDF en Y1. pero ahora con el método de la PDF. X2 independientes −1 g ( y1 .38 Transformación suma Resolver el problema resuelto anterior. ⎧1 0 ≤ x1 ≤ 1 0 ≤ x2 ≤ 1 f ( x1 . Demostración Basta hacer el cambio de variables: y1 − x2 = z ⇒ x2 = y1 − z.

⎧y = x + x H ( x1 . Métodos numéricos G G Sea el vector aleatorio X = ( X 1 . y2 )dy2 = 2 − y1 1 ≤ y1 ≤ 2 ⎩ y1 −1 Valores que coinciden con el cálculo por el método de la CDF. x2 = 1 . la cual se ha dibujado en la figura siguiente. Los límites de integración son (observar las rayas de trazo grueso de la figura anterior): ⎧ y1 g ( y . X k ) e Y = H ( X ) una función escalar de variable vectorial. X 2 . resulta: y2 = 0. observamos que reemplazando en las ecuaciones anteriores. y )dy = y ⎪ ∫0 1 2 2 1 0 ≤ y1 ≤ 1 g1 ( y1 ) = ⎨ 1 ⎪ ∫ g ( y1 ... y2 = y1 − 1. x2 ) . y2 = y1 .. y2 = 1. Por lo tanto: g ( y1 . debemos integrar respecto de y2 . x1 = 1. y2 ) = ⎨ 1 ⎩ x2 = y2 Para determinar la región del plano ( y1 . x2 = 0. 124 Jorge Carlos Carrá . Capítulo 3 Distribuciones de Probabilidades Método de la PDF Para aplicar este método completamos la ecuación de transformación con y2 = x1 o y2 = x2 . Figura 3-80 El jacobiano de la transformación es: 1 1 JH = =1 0 1 su valor absoluto es 1. y2 ) = 1*1 = 1 Para hallar g ( y1 ) . y2 ) en el que se transforma la región del plano ( x1 . x2 ) = ⎨ 1 1 2 ⎩ y2 = x2 La función inversa es: ⎧ x = y1 − y2 H −1 ( y1 . la cual es el cuadrado x1 = 0.

sea la función lineal Y = ∑a X i =1 i i donde las ai son constantes.. IIb Funciones de variables aleatorias (dos variables) – Métodos numéricos Valor esperado de Y G G Si la variable X es discreta con función de probabilidad conjunta p ( x ) : G G E (Y ) = ∑∑ .∑ H ( x ) p ( x ) x1 x2 xk G G Si la variable X es contínua con función densidad conjunta f ( x ) : G G G E (Y ) = ∫ ∫ . Valor esperado de Y n E (Y ) = ∑ ai E ( X i ) i =1 Demostración Esta expresión surge de aplicar cualquiera de las expresiones anteriores a Y . (( aX + bZ − (aμ + bμ ) ) ) V (Y ) = E ( (Y − E (Y )) 2 ) = E x z 2 = E ( ( ( aX − a μ ) + ( bZ − bμ ) ) ) = E ( ( aΔ + bΔ ) ) 2 2 x z x z = E ( a 2 Δ x 2 + b 2 Δ z 2 + 2abΔ x Δ z ) = a 2 E (Δ x 2 ) + b 2 E (Δ z 2 ) + 2abE ( Δ x Δ z ) = a 2V ( X ) + b2V (Y ) + 2abCov( X . Demostración La demostración surge de aplicar la definición de varianza a la Y definida anteriormente.. ∫ H ( x ) f ( x )d ( x ) x1 x2 xk La demostración de la ecuación anterior es difícil y no la haremos aquí.. H lineal n En particular. Para ejemplificar el proceso veamos el caso más simple con Y = aX + bZ . j) que resultan de la combinación de n elementos tomados de a 2 (si el alumno conoce el análisis combinatorio reconocerá que esto equivale a i < j).. Varianza de Y n V (Y ) = ∑ ai2V ( X i ) + 2∑∑ ai a j Cov( X i . Z ) Esta demostración se extiende al caso de más de 2 variables. X j ) i =1 i< j donde la suma doble se forma para todos los pares (i. 125 .

vinculándola con la distribución de Bernoulli. Solución Al igual que en la binomial. Probabilidad incondicional En forma directa: r P ( X 1 = 1) = N Esto también es cierto para la segunda extracción. (r-1)/(N-1) 1. Figura 3-80 De este árbol se extrae. X 2 = 1) r r −1 N − r r r N −1 r = + = = N N −1 N N −1 N N −1 N r P ( X 2 = 1) = N El lector puede verificar que los resultados anteriores son válidos para cualquier extracción. X 2 = 1) + P( X 1 = 0. 1 r/N (N-r)/(N-1) 0.. 1-r/N 0 (1-(r-1)/N)/(N-1) 0. no solo para las 2 primeras. Capítulo 3 Distribuciones de Probabilidades Problema resuelto 3. 126 Jorge Carlos Carrá .. Se muestrean n esferas sin reemplazo (MSR) y se observa Y = número de esferas Rojas.39 Distribución hipergeométrica En este problema deduciremos las expresiones de la media y varianza de una distribución hipergeométrica en forma parecida al camino seguido con la distribución Binomial. Hallar E(Y) y V(Y). si X = número de esferas cada extracción: Y =∑X Características de un MSR Analicemos el siguiente árbol de las 2 primeras extracciones sin reemplazo. pues: P( X 2 = 1) = P( X 1 = 1. Una urna con N esferas tiene r esferas Rojas y N–r esferas Negras. . r/(N-1) 1.

Por lo tanto. solo queda el término con X i = 1. en forma similar a la construida para la distribución de Bernoulli. si se conforma la tabla de la distribución. Se tiene: V (Y ) = V ∑ X = ∑V ( X ) = np0 q0 Cov ( X i X j ) = E ( X i X j ) − E ( X i ) E ( X j ) Reemplazando: 2 r ⎛ r ⎞ ⎛ r ⎞ = ⎜1 − ⎟ − ⎜ ⎟ N⎝ N⎠ ⎝N⎠ Operando: ⎛ 1 ⎞ Cov( X i X j ) = − p0 q0 ⎜ ⎟ ⎝ N −1 ⎠ Reemplazando ambos resultados en la expresión de V (Y ) . V (Y ) = V ∑ X = ∑ V ( X )∑ +2∑∑ Cov( X i X j ) i i< j Esta relación corresponde a variables multivariables y es por esta razón que esta demostración se realiza en esta sección. el segundo término es 0 por la independencia entre eventos. j) que resultan de la combinación de n elementos n ( n − 1) tomados de a 2. n y N. finalmente resulta: ⎛ 1 ⎞ V (Y ) = np0 (1 − q0 ) + 2∑∑ − p0 q0 ⎜ ⎟ i< j ⎝ N −1 ⎠ En la sumatoria doble se deben formar todos los pares (i. Dado que en el cálculo de E ( X i X j ) . es decir ( se requiere análisis combinatorio) . resulta: r ⎛ r ⎞ n(n − 1 r ⎛ r ⎞⎛ 1 ⎞ V (Y ) = n ⎜1 − ⎟ − 2 ⎜1 − ⎟⎜ ⎟ N⎝ N⎠ 2 N ⎝ N ⎠⎝ N − 1 ⎠ 127 . Esto no es así en la hipergeométrica. IIb Funciones de variables aleatorias (dos variables) – Métodos numéricos Por lo tanto. X j = 1 . se verifica: r E( X i ) = = p0 N r ⎛ r ⎞ V ( X i ) = ⎜1 − ⎟ = p0 q0 N⎝ N⎠ Probabilidad conjunta r r −1 P ( X 1 = 1. reemplazando esta 2 relación y expresando todos los valores en función de r. se verifica: r r −1 E( X i X j ) = N N −1 E(Y) A partir de la definición de la esperanza y del resultado anterior: E (Y ) = E ∑ X = ∑ E ( X ) =np0 q0 V(Y) En la sección anterior se demostró que. como veremos ahora. Se puede observar que en las distribuciones Binomiales. X 2 = 1) = N N −1 El lector puede verificar que los resultados anteriores son válidos para cualquier extracción.

Capítulo 3 Distribuciones de Probabilidades Realizando algunas operaciones algebraicas que se dejan al lector. se obtiene finalmente: N −n V (Y ) = np0 q0 N −1 128 Jorge Carlos Carrá .

m(yA. Expresiones generales Observemos la siguiente tabla de una distribución de n = 5.a Y tiene k resultados A1. A2.1.3. Dada esta relación.n. Supuesto 4 Dependencia Los n elementos del espacio muestral son independientes. con una variable tricotómica..0) p A4 pB P5(2.1) p A2 pB2 pC … Figura 3-81 129 .2.1.pB.pA. Supuesto 3 Tamaño Como ya se estableció.1 4.2. S ABBBC AAAAB AABBC … G G Y=y 1.0 2.1) pA pB3 pC P5(4. + Yk = n . IIc Modelos teóricos de dos variables – 1 Modelos discretos IIc Modelos teóricos de dos variables 1 Modelos discretos Los modelos discretos de mayor interés son los siguientes: Distribución Multinomial y Distribución Multihipergeométrica Multinomial.pC) Supuestos Es una modificación de la Binomial. las muestras tienen un tamaño n > 1. la variable aleatoria se define como el número de elementos G de cada categoría Ai. Ak. A3. las variables realmente independientes son k–1.1 … G p( y) P5(1. En otras palabras se busca el vector aleatorio: Y tal que Y1 + Y2 + .yB. B y C en lugar de A1.3. Supuesto 2 Variable Aleatoria Dada una muestra de tamaño n..yC. en el supuesto 1. …. Supuesto 1 Multicotómica Una v. A2 y A3. Se presentan solo algunos valores y se utilizaron A.

+ Yk = n .. G m( y A . Caracterización Esperanza Por la relación anterior con la Binomial. un incremento en una variable requiere un decrecimiento en otra. Y j ) Despejando la covarianza. por ejemplo Y1 e Y2.. Y j ) Por la relación anterior con la Binomial. se tiene: ( ) n( pi + p j ) 1 − ( pi + p j ) = npi qi + np j q j + 2Cov(Yi . P Al igual que en la unidad 1. página SSCP1. cada uno de los componentes del vector Varianza tiene la forma: V (Yi ) = npi qi Covarianzas Consideremos solo a dos variables Yi e Yj: V (Yi + Y j ) = V (Yi ) + V (Y j ) + 2Cov(Yi . n. pB . Esta variable es entonces Binomial. yB . puede considerarse una variable dicotómica X con la categoría Y1 e Y2 por un lado y las restantes variables por el otro. cada uno de los componentes del vector Esperanza tiene la forma: E (Yi ) = npi Varianzas Por la relación anterior con la Binomial. Y j ) = − npi p j La covarianza es negativa pues para un fijo n. se presentan todos los resultados de varianzas y covarianzas en el formato de matriz. pA . P. como en la siguiente figura. np1q1 -n p1p2 … -n p1pk … … … … -n p1pk … … npkqk Figura 3-82 130 Jorge Carlos Carrá . pC ) = Pn ( yA . yC ) pA yA pB yB pC yC siendo: ∑y=n Relación con la binomial Si se toma cualquier agrupación de las variables. la cual es una generalización de la binomial: PDF conjunta Observando la figura 3-81 se obtiene la siguiente expresión general de la función de probabilidad. dado que Y1 + Y2 + . resulta: Cov (Yi . Matriz Covarianzas. Capítulo 3 Distribuciones de Probabilidades De la misma se desprende la siguiente expresión.

33 –1. 2. calcular: a) la probabilidad de que 6 alumnos hayan elegido: yA= 1.33 1. a) n=6 m(1. B y C. las muestras tienen un tamaño n > 1.2.a Y tiene k resultados A1. 131 .40 Examen de selección múltiple En un examen de selección múltiple usted debe elegir entre 3 posibles respuestas.33 –1. + Yk = n . PDF conjunta Es una combinación de la multinomial y de la hipergeométrica. Si la elección se realiza al azar. G En otras palabras se busca el vector aleatorio: Y tal que Y1 + Y2 + . la matriz de covarianzas P y la de correlaciones R. Ak.33 Matriz Covarianzas 1 –1 –1 –1 1 –1 –1 –1 1 Matriz Correlaciones Figura 3-83 Distribución Multihipergeométrica Es una modificación de la Binomial en los supuestos 1 y 4. Supuesto 4 Dependencia Los n elementos del espacio muestral son dependientes (muestreo sin reemplazo o población finita).33 –1.33 –1. Supuesto 1 Multicotómica Una v. yC= 3.0823 b) 2 2 2 Vector Esperanzas 1. IIc Modelos teóricos de dos variables – Distribución Multihipergeométrica Matriz de correlaciones. A3.3) (1/ 3)1 (1/ 3)2 (1 / 3)3 = 0. 6. b) expresar el vector esperanzas..3.33 –1.. R Se construye a partir de la matriz de covarianzas como se detalló en la página 114. Supuesto 2 Variable Aleatoria Dada una muestra de tamaño n. Dada esta relación.33 –1. …. Problema resuelto 3.1/ 3) = P6(1. Supuesto 3 Tamaño Como ya se estableció. se busca el número de elementos de cada categoría Ai. las variables realmente independientes son k–1. A.1/ 3.33 1.1/ 3. A2. yB= 2.

Y j ) = − np0i p0 j N −1 Matriz Covarianzas. se presentan todos los resultados de varianzas y covarianzas en el formato de matriz. Capítulo 3 Distribuciones de Probabilidades ⎛ A1 ⎞⎛ A2 ⎞ ⎛ Ak ⎞ ⎜ ⎟⎜ ⎟ .. puede considerarse una variable dicotómica X con la categoría Y1 e Y2 por un lado y las restantes por el otro. Esta variable es entonces Hipergeométrica. resulta: N −n Cov(Yi . Ak ) = ⎝ 1 ⎠⎝ 2 ⎠ ⎝ k ⎠ y y y ⎛N⎞ ⎜ ⎟ ⎝n⎠ Al igual que para el caso univariable. como en la siguiente figura. Caracterización Esperanza Por la relación anterior con la Hipergeométrica. P Al igual que en el caso general. se tiene: ( = n( p0i + p0 j ) 1 − ( p0i + p0 j ) ) NN −− 1n = np q 0i 0i N −n N −1 + np0 j q0 j N −n N −1 + 2Cov(Yi . por ejemplo Y1 e Y2. A2 . n.. cada uno de los componentes del vector Esperanza tiene la forma: E (Yi ) = np0i Varianzas Por la relación anterior con la Hipergeométrica. ⎜ ⎟ G m( y A . P.. la Multihipergeométrica tiende a la Multinomial. Y j ) Despejando la covarianza. A1 . si N tiende a infinito.. Relación con la hipergeométrica Si se toma cualquier agrupación de las variables. cada uno de los componentes del vector Varianza tiene la forma: V (Yi ) = np0i q0i Covarianzas Consideremos solo a dos variables Yi e Yj: V (Yi + Y j ) = V (Yi ) + V (Y j ) + 2Cov(Yi . Y j ) Por la relación anterior con la Hipergeométrica. Var11 Cov12 … Cov1k … … … … Cov1k … … Varkk Figura 3-84 132 Jorge Carlos Carrá . N .

Por la simetría son iguales. encontrar la probabilidad de que el primero en llegar tenga que esperar más de 10 minutos. cada una uniformemente distribuido sobre (0. R La matriz de correlación R se construye a partir de la matriz de covarianzas en forma análoga al caso general. página 114. IIc Modelos teóricos de dos variables – 2 Modelos contínuos Matriz de correlaciones. 2 Modelos contínuos Distribución uniforme PDF conjunta Su PDF conjunta es simplemente: f ( x. Las probabilidades son P ( X + 10 < Y ) y P (Y + 10 < X ) . se dice que tiene una distribución binormal si su distribución de probabilidades es la que se define a continuación. 133 . pues es una condición requerida en algunos procedimientos estadísticos. resulta. y ) = k Problema resuelto 3.41 Encuentro Una pareja decide encontrarse en un cierto lugar. Y ) . Si cada persona arriba independientemente con una distribución del tiempo uniforme entre 17:00 y 18:00. G Dado el vector aleatorio Y = ( X . Llamemos X e Y al tiempo pasadas las 17:00 que cada persona tarda en llegar. por lo tanto: 2 P( X + 10 < Y ) = 2∫ ∫ f ( xy )dxdy = 2∫ ∫ f ( x) f ( y )dxdy x +10 < y x +10 < y Haciendo un gráfico de análisis para definir los intervalos de integración. Es de particular interés presentar la distribución normal conjunta. 60). 60 y −10 2 60 ⎛ 1 ⎞ 2 25 = 2∫ ∫ ⎜ ⎟ dxdy = 2 ∫ ( y − 10 )dy = 10 0 ⎝ 60 ⎠ 60 10 36 Distribución binormal El modelo contínuo de mayor interés es el de la distribución binormal.

μy. μ y ) Varianzas El vector aleatorio de las varianzas es: G V (Y ) = (V ( X ). σ y 2 ) 134 Jorge Carlos Carrá . V (Y )) = (σ x2 . Caracterización Esperanza El vector aleatorio de las esperanzas es: G E (Y ) = ( E ( X ). Capítulo 3 Distribuciones de Probabilidades nXY(μx. los cuales llevan esos símbolos pues se corresponden con los parámetros que se verán a continuación. μ y .σ y 2 ) . ρ ) = 2πσ xσ y 1 − ρ 2 donde: 1 ⎡ ( x − μ x )2 ( x − μ x )( y − μ y ) ( y − μ y )2 ⎤ Q= ⎢ − 2 ρ + ⎥ 1− ρ 2 ⎢⎣ σ x 2 σ xσ y σ y2 ⎥⎦ 1 = ⎡ z 2 − 2 ρ z x z y + z y 2 ⎤⎦ 2 ⎣ x 1− ρ Esta PDF es función de 5 parámetros.σ x 2 ) y N (μ y . PDF marginales Son: N (μ x . entonces fxy se puede expresar como: f xy = N ( μ x . Observar además que si la covarianza es cero. ρ) PDF conjunta e −Q /2 f xy ( μ x . E (Y )) = ( μ x . σy. σ y . σ y2 ) Covarianza Cov ( X . σ x . Y ) = ρσ xσ y Matriz de covarianzas. P σ x2 ρσ xσ y ρσ xσ y σ y2 Figura 3-85 Observar que el denominador del coeficiente de la PDF es 2π por la raíz cuadrada del determinante de la matriz P. es decir ρ = 0. σ x 2 ) N ( μ y . σx.

135 . si la distribución es normal conjunta. R La matriz de correlación R se construye a partir de la matriz de covarianzas en forma análoga al caso general. no significa necesariamente independencia. IIc Modelos teóricos de dos variables – Distribución binormal por lo tanto X e Y son independientes. Sin embargo. Matriz de correlaciones. Recordemos que una covarianza cero. entonces la independencia es equivalente a la incorrelación lineal.

R(t) (Reliability): mide la probabilidad de que un componente no falle en [0. es la confiabilidad. En esta sección ampliaremos el concepto introduciendo la forma de calcular una confiabilidad dependiente de la variable tiempo. Llamaremos f(t) a la PDF de T y F(t) a la CDF. En notación matemática: R (t )= P (T > t ) donde T es la v. Figura 3-86 Conceptualmente. si por ejemplo un componente tiene una confiabilidad de 90% para t1 = 12 horas. En otras palabras t es lo que antes llamamos T1 = tiempo hasta el primer evento o falla. t1] (pues la primera falla sucede luego de t1). t] o equivalentemente que se presente luego de t. t1] (pues la primera falla sucede antes de t1). La cola de la distribución f(t) a partir de t = T1. R(t) En el capítulo 2 definimos la confiabilidad como la probabilidad de que un sistema funcione.a. t] o equivalentemente que dure hasta t. Q(t1 ) : probabilidad de falla en [0. En cambio su complemento F (t ) . entonces si 100 componentes operan 12 horas. duración del componente. mide la probabilidad de que la primer falla no se presente en [0. Capítulo 3 Distribuciones de Probabilidades III Confiabilidad. 136 Jorge Carlos Carrá . En este contexto también suele definirse la falta de confiabilidad (unreliability) o probabilidad de falla en [0. En la siguiente figura se representan gráficamente los sectores de: R(t1 ) : probabilidad de no falla en [0. aproximadamente 90 no fallarán. t]. Definición Confiabilidad.t] como: Q (t ) = 1 − R (t ) = F (t ) Es decir es la CDF F(t). Por lo tanto: R(t ) = P(T > t ) = 1 − F (t )= F (t ) Destaquemos que la F(t) (área de f(t) entre 0 y t) mide la probabilidad de que la primer falla se presente en [0.

Para demostrar que lo es para el resto de valores se debe introducir el requisito que E(t) sea finita. 2 Media E(t) en función de R(t) La media de f(t) será: ∞ E (t ) = ∫ t f (t ) dt 0 Teorema ∞ E (t ) = ∫ R (t ) dt 0 Expresando el límite superior con la letra a: a a E (t ) = ∫ t f (t ) dt = tF (t ) 0 − ∫ F (t ) dt a 0 0 pero: a tF (t ) 0 = aF (a ) = a = ∫ dt . f (t ) h(t ) = 1 − F (t ) 137 . R(t) – Distribución binormal Veamos cómo se obtienen 3 funciones de interés en función de la confiabilidad: 1 FDP f(t) en función de R(t) La FDP se obtiene derivando R(t). En t = 0. es válida siempre. III Confiabilidad. Se deja la demostración al lector. 3 Frecuencia de fallas instantánea h(t) en función de R(t) Se llama también función de riesgo (hazard) y por esta razón se simboliza h(t). Otra demostración ∞ ∞ ∞ ⎛ ⎞ ∫0 R (t ) dt = ∫0 ⎜⎝ ∫t f (s)ds ⎟⎠ dt Integrando por partes (considerando dv= dt): ∞ ∞ ∞ ∞ ∞ ∫ R(t )dt = t ∫ f (s)ds − ∫ −tf (t )dt = t ∫ f (s)ds + ∫ tf (t )dt 0 t 0 t 0 El segundo sumando es E(t). es evidente que lo es. pues: d ( F (t )) R '(t ) = − − = − f (t ) dt Por lo tanto: f (t ) = − R '(t ) Observar que para obtener R(t) de la expresión anterior se debe integrar a f(t) entre t e infinito. a 0 por lo tanto: a a a E (t ) = ∫ dt − ∫ F (t )dt = ∫ 1 − F (t ) dt 0 0 0 Naturalmente esta forma de calcular la esperanza en función de la CDF. por lo cual solo queda demostrar que el primero es 0. pues F ( a ) = 1 .

para un Δt pequeño. observamos que es: Δtf (t ) P(t1 ≤ T ≤ t1 + Δt | T > t1 ) = R(t ) Por lo tanto Δth(t ) representa la probabilidad de fallar en un intervalo pequeño después de t1 dado que sobrevivió hasta t1 o en otras palabras. esta expresión se puede escribir: f (t ) h (t ) = R (t ) Si en la figura siguiente consideramos la probabilidad condicional P(t1 ≤ T ≤ t1 + Δt | T > t1 ) . h (t ) = ω . para la distribución exponencial. Capítulo 3 Distribuciones de Probabilidades Por la definición de confiabilidad. Teorema t ∫ − h ( t ) dt R (t ) = e 0 La demostración es directa a partir de: f (t ) − R '(t ) d (ln( R(t )) h(t ) = = =− R(t ) R(t ) dt Integrando entre 0 y t y bajo la suposición que R(0) = 1. la frecuencia de fallas h(t) es proporcional a esta probabilidad condicional. Figura 3-87 Como veremos luego. la integral deberá ser dividida con límites acordes con los tramos. La PDF se obtiene a partir de: t ∫ − h ( t ) dt f (t ) = − R '(t ) = h (t )e 0 Síntesis Las 3 importantes vinculaciones que hemos demostrado se resumen a continuación: 138 Jorge Carlos Carrá . es decir que la probabilidad de una falla inicial es 0 (suposición que equivale a F(0) = 0 y que mantendremos de aquí en más). Si el elemento tiene una h(t) definida por tramos. se obtiene la expresión que se quiere demostrar. por lo cual podría utilizarse la notación h (t ) = ω (t ) .

la confiabilidad resulta: R(β ) = e−ω /ω = e−1 = 0. Distribución exponencial Se utiliza este modelo cuando la tasa de fallas ω se puede suponer constante y el objeto no cambia con el uso (no tiene memoria. partir de t = 0 . se tiene: R(t ) = e−ωt En particular si t = MTBF = β. f(t) f (t ) = − R '(t ) =ωe−ωt 139 . III Confiabilidad. la de Weibull y la normal. R(t) – Distribución binormal d ( R(t )) f (t ) = − dt ∞ E (t ) = ∫ R (t )dt 0 d (ln( R (t )) h(t ) = − dt Si bien se utilizan varias distribuciones como modelos matemáticos de fallas (Weibull. de la edad de operación. la Gamma. Figura 3-88 La confiabilidad disminuye con el tiempo como es habitual. por la propiedad de las colas de una función exponencial. En este modelo se distingue. ver página 68). las distribuciones más comunes que siguen los componentes. el tiempo de operación a partir de un valor arbitrario t = a . R(t) R (t ) = 1 − CDF (t ) En este caso. etc). son la exponencial. Rayleight.37 valor que puede ser tomado como referencia.

página 71. Dicho de otra forma no interviene el "efecto de uso". que si T es el tiempo requerido para observar r ocurrencias y X es el número de ocurrencias durante [0. entonces: 140 Jorge Carlos Carrá . Exponencial y Poisson Recordemos. la probabilidad de falla no cambia. t]. la frecuencia de fallas h(t) es una constante. lo cual ya adelantamos al estudiar la distribución exponencial en la página 88. lo cual indica que aunque el ítem se encuentre en uso. Capítulo 3 Distribuciones de Probabilidades Figura 3-89 E(t) ∞ ∞ 1 E (t ) = ∫ R (t )dt = ∫ e −ωt dt = =β 0 0 ω Figura 3-90 h(t) f (t ) ωe −ωt h(t ) = = =ω R(t ) e−ωt Observar que para este modelo.

ωt ) Distribución Gamma.β) Es otra generalización de la exponencial para la cual h(t) es polinómica de la forma: h(t ) = ωβ t β −1 donde ω y β son constantes positivas.EXP (t . ω ) = 1 − CDF . IFR (Increasing Failure Rate). Distribución de Weibull. β = 3. III Confiabilidad. por lo cual se lo llama parámetro de forma. DFR (Decreasing Failure Rate) o crecientes. R(t) t t ∫ − h ( t ) dt ∫ − ωβ t β −1dt β R (t ) = e 0 =e 0 = e −ωt β R(t ) = e −ωt En la figura siguiente se muestra la confiabilidad para ω = 1. entonces X sigue una distribución de Poisson.POISSON (0. Al variar β (con valores menores o mayores a 1). En esta distribución se llama a ω parámetro de escala. (t. Se puede observar que la exponencial es un caso particular con β = 1.r. (x. α ) = 1 − CDF . se verifica: 1 − CDF . ω ) = CDF . ωt ) CDF . para el cual también suele usarse la letra α.POISSON ( r − 1.EXP(t . r . la distribución Gamma se convierte en exponencial (con α igual a ω): 1 − CDF .6 se aproxima a una normal.POISSON (0. en tanto las mismas aparezcan de acuerdo a un proceso de Poisson. β = 1 y ω = 1. r . t . α ) = CDF .GAMMA(t . α t ) CDF .α) El apartado anterior permite generalizar la distribución exponencial a una distribución Gamma para tratar el tiempo en el que ocurren r fallas (no una). t .GAMMA(t . Utilizando el formato CDF. α t ) En particular si r = 1. 141 .ω. Con β = 3.POISSON ( r − 1. R(t) – Distribución binormal a) P (T > t ) = P ( X < r ) b) P (T ≤ t ) = P ( X ≥ r ) Además si T tiene una distribución Gamma. varía el exponente y se observa que se obtienen curvas de h(t) con tramos decrecientes.

β = 3. Capítulo 3 Distribuciones de Probabilidades Figura 3-91 f(t) β f (t ) = − R '(t ) =ωβ t β −1e−ωt En la siguiente figura se muestra la PDF para ω = 1. β F (t ) = 1 − e−ωt 142 Jorge Carlos Carrá . β = 1 y ω = 1. Figura 3-92 F(t) A partir de: F (t ) = 1 − R (t ) .

β = 1 y ω = 1. III Confiabilidad. aplicable a casos no comunes en donde h(t) decrece con el tiempo. parabólicas. Cuando β = 1 . lo cual indica un esperable efecto de uso. h(t) es decreciente. β = 3. el valor de h(t) es constante (modelo exponencial) lo cual indica que se trata de un modelo aplicable en los casos en que no existe el efecto de uso. etc. R(t) – Distribución binormal En la siguiente figura se muestra la CDF para ω = 1. lineales. Figura 3-93 E(t) Se puede demostrar que: ⎛1 ⎞ E (t ) = ω −1/ β Γ ⎜ + 1⎟ ⎝β ⎠ h(t) β f (t ) ωβ t β −1e−ωt h(t ) = = −ωt β = ωβ t β −1 R(t ) e Según el valor de β. se obtienen funciones de falla. Cuando β > 1 se obtiene un crecimiento de h(t) con el tiempo. Finalmente cuando 0 < β < 1 . 143 . En la siguiente figura se muestra la h(t) para ω = 1. constantes. β = 3. β = 1 y ω = 1.

Naturalmente. no es el modelo más encontrado. con tablas o programas informáticos. Sin embargo. como T debe ser mayor o igual a 0. debe ser P(T <0) =0 lo cual implica que deben ser −μ truncados los valores de z menores a z = por lo cual la distribución es normal truncada a la σ izquierda (página 101). Capítulo 3 Distribuciones de Probabilidades Figura 3-94 Distribución normal La ley normal de fallas es un modelo apropiado cuando la mayor parte de las fallas se producen alrededor de la media μ y cuando la falla tiene memoria (intervienen efectos del uso). 144 Jorge Carlos Carrá . R(t) R (t ) = 1 − CDF (t ) Valor que deberá ser calculado numéricamente como en cualquier distribución normal.

R(t) – Distribución binormal Figura 3-95 La confiabilidad disminuye con el tiempo como es habitual. f(t) f (t ) = n (t . σ ) Figura 3-96 La mayor parte de los artículos fallan alrededor de μ. los valores que se truncan corresponden a z ≤ − 2 . por lo cual la media es muy similar a μ. 145 . μ . E(t) Si la distribución normal no fuera truncada sería: ∞ E (t ) = ∫ tf (t ) dt = μ 0 Si μ ≥ 2σ . III Confiabilidad.

μ . el T del sistema también está distribuido exponencialmente. Capítulo 3 Distribuciones de Probabilidades h(t) f (t ) n(t . R(t). con una frecuencia de fallas que es la suma de las de los componentes. Elementos en serie Figura 3-98 La confiabilidad equivalente de componentes en serie es el producto de las confiabilidades. μ . σ ) h(t ) = = R (t ) 1 − N (t . Sistemas 1 Sistemas con componentes en serie o paralelo Los teoremas de confiabilidad equivalente para circuitos serie o paralelo con valores constantes R vistos en el capítulo 2. R(t ) = RA RB RC En particular si la ley de falla es exponencial: R(t ) = e−(ωA +ωB +ωC )t En este caso. σ ) Figura 3-97 La frecuencia de fallas aumenta con el tiempo lo cual indica el habitual efecto de uso. 146 Jorge Carlos Carrá . pueden ahora aplicarse a componentes con confiabilidades dependientes de una variable t.

Por su lado.42. otro modelo de aviones B. Además tiene un sistema manual. Considerar que todos los sistemas tienen una ley de falla dad por una distribución exponencial con igual parámetro ω. R = 1 − (1 − RA )(1 − RB )(1 − RC ) Cualquier otra combinación con componentes en serie y en paralelo se resuelve reemplazando las partes serie y paralelo por su confiabilidad equivalente. Ley exponencial de fallas Ver el problema resuelto de página ConfiabilidadPR2. El sistema de controles de un modelo de aviones A es de tipo eléctrico y consiste en 3 circuitos en paralelo. mecánico de emergencia. en serie con un sistema D. aplicando la RP de las probabilidades. Una llave sensa la falla y cambia al componente en espera que funcionará en lugar del primero. 2 Sistemas con componentes en Stand By Son sistemas en los cuales un componente está inactivo y solo funciona cuando otro falla (stand by). 147 . 1992. Expresión por complementos El complemento de la confiabilidad equivalente de componentes en paralelo es el producto de los complementos de las confiabilidades. b) avión B y luego la confiabilidad si ω = 0. Si llamamos S a la llave que funciona con probabilidad P(S). Ambos circuitos se muestran en la figura 3-100. Problema resuelto 3. Hallar la confiabilidad R(t) de cada sistema de control: a) avión A. por simplicidad un sistema de 2 componentes: R(t ) = e−ωAt + e−ωBt − e−(ωA +ωB )t Se observa que en este caso T no está distribuido exponencialmente. R(t) – Distribución binormal Elementos en paralelo Figura 3-99 Expresión directa R(t ) = R A + R B + R C − R AR B − R AR C − R B R C + R AR B R C En particular si la ley de falla es exponencial y expresando. III Confiabilidad. para aumentar la redundancia. B y C. se tiene (Billinton R. C. tiene un sistema similar pero con 2 circuitos eléctricos en paralelo. página 96): Q = Q(sistema | S ) P(S ) + Q(sistema | S ) P(S ) El componente redundante está normalmente inactivo con lo cual se reduce el tiempo de uso.0001 y el tiempo de operación es de 1000 horas. A.

t0 ) t > t0 Obtener la PDF f(t) y la R(t).997 Problema resuelto 3. Frecuencia de fallas variable La tasa de fallas h(t) de un componente está dada por: ⎧C0 0 ≤ t ≤ t0 h(t ) ⎨ ⎩C0 +C1 (t . Capítulo 3 Distribuciones de Probabilidades Avión A Avión B Figura 3-100 Modelo A RABC (t ) = 1 − (1 − e−ωt )3 R(t ) = e−ωt (1 − (1 − e−ωt )3 ) Modelo B RAB (t ) = 1 − (1 − e−ωt )2 RABD (t ) = e−ωt (1 − (1 − e−ωt )2 ) ′ RABD (t ) = 1 − e−ωt (1 − (1 − e−ωt )2 ) R(t ) = 1 − (1 − e−ωt )(1 − e−ωt (1 − (1 − e−ωt )2 )) La confiabilidad para los valores numéricos establecidos resulta: RA = 0.43.t0 ) 2 Por lo tanto: t ∫ − h ( t ) dt R (t ) = e 0 148 Jorge Carlos Carrá .904 RB = 0.t )dt = C t 0 0 0 t0 0 1 0 0 0 + C0t − C0t0 + 2 (t . R(t) 0 ≤ t ≤ t0 t t t ∫ h(t )dt = ∫ h(t )dt = ∫ C0 dt = C0t 0 0 0 t > t0 t t0 t C1 ∫ h(t )dt = ∫ C dt + ∫ C +C (t .t0 )2 t C1 ∫ h(t )dt = C t + 0 0 2 (t .

III Confiabilidad. R(t) – Distribución binormal ⎧e−C0t 0 ≤ t ≤ t0 ⎪ R(t ) ⎨ −C t − C1 (t -t )2 ⎪⎩e t > t0 0 0 2 f(t) t ∫ − h ( t ) dt f (t ) = − R '(t ) = h (t )e 0 ⎧C e−C0t 0 ≤ t ≤ t0 ⎪ 0 f (t ) ⎨ C − C t − 1 ( t -t ) 2 ⎪⎩C0 +C1 (t .t0 )e 0 2 0 t > t0 149 .

El término jugador podrá entonces identificar a personas. En los siguientes apartados aplicaremos esta utilización entretenida de las matemáticas y de la estadística. La obtención de la matriz de ganancias para todas las acciones de una situación real determinada. que conviene hacer y que no. De todas formas es oportuno aclarar que no se necesita conocer los valores de la matriz de pagos exactamente. es un modelo de cómo deberían comportarse las personas en las experiencias reales. además de un lenguaje común para poder dialogar y comunicar los resultados. Eventos: alternativas no controladas por el usuario y asociadas con una distribución de probabilidades. Llamaremos: Acciones: alternativas controladas por el usuario. la teoría de los juegos también podría llamarse Teoría de la Decisión Multipersonal. puesto que solo nos concentraremos en el análisis y resolución de juegos ya diseñados. Los economistas ganadores del Premio Nobel de Economía 2005. Por su parte. acciones de guerra. 150 Jorge Carlos Carrá . Aumann y Thomas C. crimen organizado. Para analizar un juego basta con saber sus magnitudes relativas. Poder modelar todas las estrategias propias y del competidor. máquinas e incluso animales. comportamiento de mercados competitivos. Entre los beneficios de este modelo se encuentra el de proveer un sistema lógico con el cual poder analizar los razonamientos. Por esta razón. empresas. que buscará lo mismo que uno. es decir la mejor posible dada la competencia. negociaciones salariales o discriminación racial y sexual. con los cuales se puede saber. puede ser la parte más difícil para el diseñador del juego y queda fuera del objeto de esta introducción. La teoría de los juegos interactúa con más de una persona (acciones). por adelantado. estará en mejores condiciones de competir que el que no la conoce. Robert J. Sin embargo debe decirse que. relaciones empresariales. habilidad imprescindible para poder tomar decisiones inteligentes. Estrategia Es una regla de decisión acerca de que acción elegir en cada instante del juego. Schelling ganaron este premio por utilizar la teoría de juegos para explicar y facilitar la resolución de conflictos. disputas comerciales. Objetivo El objetivo del juego es encontrar una solución que implique la mayor ganancia estable. la teoría de las decisiones económicas que veremos luego involucra a una sola persona interactuando con estados de la naturaleza. más que un modelo predictivo. Se suelen llamar también Estados de la Naturaleza. proporciona un mejor entendimiento de los escenarios posibles. con o sin la presencia de estados de la naturaleza (eventos). De cualquier forma debe quedar claro que aquel que conoce la teoría de los juegos. decisiones políticas. a simples juegos de mesa o deportes. Capítulo 3 Distribuciones de Probabilidades IV Teoría de los juegos La teoría de los juegos provee un modelo para tratar la complejidad relacionada con aprender a pensar e interactuar estratégicamente con otras personas.

Simultáneo o secuencial Estos términos se relacionan con el tiempo y se refieren a si las jugadas se realizan en forma simultánea o luego de conocer la jugada del adversario. 3. no pueden acordar entre ellos. EM cuando en la elección de las mismas interviene además el azar y por lo tanto la teoría de probabilidades (el resultado es una distribución de probabilidades de las ganancias dadas). lo cual se aprecia con los ejemplos secuenciales del ajedrez y el póker. EP cuando éstas son deterministas (el resultado es alguna de las ganancias dadas). • Conocimiento común Consiste en una iteración de lo que cada jugador sabe. donde S significa Sabe. en cambio el póker o el truco son con información imperfecta. IV Teoría de los juegos – Distribución binormal Supuestos • Racionalidad Todos los jugadores actúan racionalmente buscando maximizar sus ganancias. Cuando esto no es posible. Un jugador A sabe que otro jugador B es racional: S(R). Cooperativos y no cooperativos En los juegos cooperativos los jugadores pueden hacer compromisos de cooperación al margen de los equilibrios del juego que veremos luego. combina jugadas para aumentar su imprevisibilidad. 2. En los no cooperativos. Además B sabe que A sabe que B es racional: S(S(R)) Además A sabe que B sabe que A sabe que B es racional: S(S(S(R))) y así sucesivamente hasta el infinito. Puro o mixto Se llama juego de estrategias puras. Información perfecta IP o imperfecta II La diferencia esencial se encuentra en la cantidad de información que tiene cada jugador a la hora de decidir (derivada de causas de orden legal. utilizando una estrategia mixta. Información completa o incompleta Se refiere a la información privada que un jugador tiene antes de comenzar el juego. Se llama de estrategias mixtas. • Conocimiento Todos los jugadores conocen todas las reglas del juego. 1. El juego del ajedrez o el tatetí son juegos con información perfecta. Aquí solo trataremos a los no cooperativos. Un juego es de información perfecta cuando el jugador conoce todo lo que desea antes de realizar su movida. un juego simultáneo. 5. físico o técnico). Es incompleta cuando la naturaleza mueve primero y al menos un jugador no la observa. tiene siempre información imperfecta. Un jugador buscará primero analizar si existen estrategias puras que le permitan establecer por adelantado todo lo que debe hacer. cuando la ganancia de 151 . 4. 6. Simultáneo ⇒ II IP ⇒ Secuencial La clasificación entre decisiones simultáneas o secuenciales se presenta rutinariamente en la competencia entre empresas. Esto se observa claramente en juegos como el tenis en el que un jugador que no tiene un juego dominante. Clasificación Los juegos pueden clasificarse de acuerdo a distintas consideraciones. Solo trataremos juegos con información completa. R Racional y se sobrentiende que el ordenamiento alterna a los distintos jugadores. lo mejor que puede hacer es ser impredecible. actuando aleatoriamente o en otras palabras. En relación con la clasificación anterior. En cambio un juego secuencial puede tener cualquier tipo de información. Suma cero o suma variable Un juego se llama de suma cero o también estrictamente competitivo. Naturalmente existen juegos que combinan ambas situaciones.

es conveniente resaltar que no todas las personas reaccionan de igual forma ante el riesgo. etc. realizando el cálculo de la esperanza con estas últimas. Aunque la probabilidad de una pérdida sea baja. para luego convertir las sumas de dinero en utilidades. debido a sus importantes consecuencias económicas. utilizando una simple transformación lineal de variables. o viceversa. Simultáneos con estrategias mixtas 3. solo la última. pero no puede interferir con el desarrollo del mismo. Estas ganancias se pueden resumir en una tabla llamada tabla del juego o bimatriz de 152 Jorge Carlos Carrá . aceptando el riesgo de corto plazo. Utilidad La ganancia no tiene por qué ser solo monetaria. incluirá necesariamente eventos con pérdida y ganancia de dinero. Forma normal o estratégica Todo juego debe incluir las ganancias (en general utilidades) para determinar cuánto gana o pierde cada jugador. Número de acciones El mínimo número de acciones para cada jugador es naturalmente 2. para todas las estrategias. Secuenciales 4. probabilidades. 8. Así por ejemplo. Juego repetido: Cada jugador se encuentra varias veces con el otro. al adicionar un jugador no influyente llamado en inglés “dummy player”. Capítulo 3 Distribuciones de Probabilidades uno es igual a la pérdida del otro. los jugadores pueden evaluar las acciones pasadas y determinar si deberían repetirla o cambiarlas. Dividiré esta sección en 4 partes: 1. Si las sumas de ganancias no es constante. los buscadores de riesgos y los indiferentes al riesgo. Simultáneos con estrategias puras 2. una persona puede decidir no participar (y por lo tanto quedarse sin ganancias o pérdidas). De todas formas siempre es posible convertir las ganancias de un juego de suma constante en uno de suma cero. Por otra parte. promediadas. Número de jugadores Los juegos pueden ser de 2 jugadores (2-personal) y de más de 2 jugadores (n-personal). En realidad la suma de ambas no requiere ser 0. Los evitadores de riesgos. Se desarrolla una curva de utilidad para la persona. Los juegos de suma no cero de n jugadores se pueden convertir siempre en juegos de suma cero de n +1 jugadores. En cambio otra persona puede ser más proclive al riesgo y aceptar el juego sabiendo que puede hacerse más rica con rapidez. especialmente si el valor monetario de ésta pérdida es muy importante. podrían ser tiempos. 9. El análisis de estas posturas se puede resumir en 3 grandes grupos. en el mismo juego. con ganancias sumadas. En este caso se presentan muchas formas en que esto puede hacerse: con repetición finita o infinita. Esta conversión no será tratada aquí. por lo cual sería más correcto llamarlos de suma constante. Si un juego es de 2 jugadores y cada uno solo tiene 3 acciones posibles se llama juego de 2 jugadores 3 × 3. Solo trataremos juegos de 2 jugadores. 7. Esto se llama Teoría de la Utilidad. Número de repeticiones Juego de una sola ronda o estático: cada jugador juega una sola vez. se llaman de suma variable o de suma no cero y son los juegos más habituales. distancias. una E(G) > 0. Dado que se tienen en cuenta los resultados de las jugadas anteriores. sino un valor siempre constante k (por ejemplo 100 en porcentajes). el cual recibe la ganancia neta del juego. etc. Teoría de las decisiones económicas 1 Simultáneos con estrategias puras a Formas del juego Se puede representar a un juego con 2 formatos: tabla y árbol.

Se debería agregar además una columna adicional que contiene los valores de la variable G (equivalente a la matriz de ganancias). Acciones B b1 b2 a1 4. el formato usual en teoría de juegos.4 –3. Recodemos que un árbol es un grafo. En ellas se ubican los resultados o ganancias de ambos jugadores. La siguiente matriz de juego es simétrica. solo los jugadores reales las tienen.GB11 GA12.5 Acciones A a2 5. nodos finales. IV Teoría de los juegos – 1 Simultáneos con estrategias puras ganancias.–6 Figura 3-102 Tabla del juego puro Una celda es simétrica si ambos valores de ganancia son iguales. Acciones B b1 b2 a1 GA11. Forma extensiva Un árbol del juego es la expresión de la tabla en forma de árbol y se lo llama forma extensiva del juego. rama. por lo cual se sobreentienden y no se colocan. vistos en el capítulo 2.GB21 GA22. como indica la siguiente figura. nodos de eventos. En el caso de estrategias mixtas y en los nodos de eventos de la naturaleza. Si el juego es de suma cero. En cada celda se cruzan 2 acciones Acción A × Acción B. 153 . en el orden en el que están los jugadores reales en el árbol.GB22 Figura 3-101 Tabla del juego puro Simetría Un juego es simétrico si la matriz de ganancias tiene simetría respecto de la diagonal principal (de izquierda a derecha y de arriba hacia abajo) atendiendo a los índices de posición de cada celda. Convencionalmente se utiliza una bimatriz colocando primero la ganancia del jugador colocado en filas (A en la figura siguiente). En esta aplicación. camino y estrella. se incluirán en las ramas también a las probabilidades. conjunto de nodos (puntos) unidos por ramas (rectas). en las ramas a las acciones y en los nodos finales a las ganancias de cada camino. es colocar en los nodos a los jugadores. a los nodos de decisión de cada jugador se los llama nodos de acciones y a los nodos de acción de la naturaleza. En cada fila o columna se encuentran las acciones posibles de cada uno de ellos. Sin embargo. La naturaleza no tiene ganancias.GB12 Acciones A a2 GA21. tal que en cada nodo solo entra una rama.–3 –6. Por lo tanto los resultados a1b1 y a2b2 del juego de la figura anterior son simétricos. Repasar los conceptos de nodo inicial. el otro tendrá los mismos valores cambiados de signo (suma 0) o los valores complementarios (suma constante).

Capítulo 3 Distribuciones de Probabilidades

|
| b1 GA11,GB11
|
|B
a1 |
|
| b2 GA12,GB12
A |
a2 |
| b1. GA21,GB21
|
|
|B.
| b2.
| GA22,GB22
|

Figura 3-103
Árbol del juego puro

Conjunto de información
Una forma de diferenciar un juego simultáneo de uno secuencial es colocando una línea vertical (si
el árbol se dibuja horizontal) al final de las acciones de cada jugador (ver figura). De esta forma se
recuerda que el siguiente jugador no conoce lo que hizo el anterior (está impedido de "verlo" por este
límite). Una forma alternativa es agrupando con un óvalo a los nodos que tienen información
imperfecta, lo cual indica que no se sabe cuál de ellos se presentará en el juego (en la figura anterior
los nodos B).
Este conjunto de nodos se llama conjunto de información. Observar que:
• El número de acciones de cada nodo en un conjunto de información debe ser idéntico para todos,
de otra forma el jugador podría distinguir entre estos nodos.
• Los conjuntos de información de los juegos con información perfecta, solo contienen un nodo,
en tanto que los juegos con información imperfecta, contienen más de uno.

b Equilibrio de Nash
El concepto de equilibrio de Nash se aplica a la forma normal no a la forma extensiva.

Estrategias dominantes
En los juegos de 2 acciones es conveniente utilizar flechas para indicar el sentido de las ganancias
dominantes, tal como se indica en la figura 3-104a. Las flechas verticales se refieren a las ganancias
de A dentro de cada acción de B (recordar que es el primer valor dentro del paréntesis).
Así por ejemplo la flecha vertical de la izquierda indica que dentro de b1 la ganancia de A con la
acción a2 (2) es mayor que la de la acción a1 (1).
Análogamente, la flecha horizontal superior hacia la izquierda indica que dentro de a1 la ganancia
de B con la acción b1 (4) es mayor que la de la acción b2 (3).
B B
b1 b2 b1 b2
a1 1,4 3,3 a1 1,4 3,3
A A
a2 2,2 4,4 a2 1,2 4,4

a b
154 Jorge Carlos Carrá

IV Teoría de los juegos – 1 Simultáneos con estrategias puras

Figura 3-104
En los juegos con estrategias puras, las acciones dominantes fuertes son las acciones que tienen
ganancias dominantes para todas las elecciones. En la figura anterior la acción a2 es dominante fuerte
pues todas las flechas verticales se dirigen a ella. Eso no sucede con las acciones de B, quien no tiene
ninguna acción dominante (las flechas horizontales no tienen igual sentido).
En particular, si un valor de salida es igual al de llegada, se representa por una flecha doble y si en
este caso existe dominancia, se llama débil. En la figura siguiente la acción a2 es dominante débil.
En los juegos con más de 2 acciones, más cómodo que las flechas, es el marcado de las ganancias
dominantes en cada fila o columna, con un recuadro o asterisco. Lo mismo sucede con la
representación en forma de árbol.

Equilibrio de Nash
La estrategia dominante se refiere a las filas o columnas, en cambio el equilibrio se refiere a los
resultados o celdas (cruce de 2 estrategias llamada también, estrategia conjunta).
La siguiente definición del equilibrio es debida al matemático norteamericano John Nash, quién
recibió el premio Nobel de economía de 1994 por sus aportaciones a la teoría de los juegos, en
especial la que se deriva de su tesis doctoral de 1951: Juegos no cooperativos. Observar que fue
elaborada 43 años antes del premio5.

Dos estrategias cruzadas conforman un equilibrio de Nash si ningún jugador tiene incentivos
para cambiar la suya unilateralmente y por lo tanto lo mejor que puede hacer es quedarse en
la estrategia elegida.

Un equilibrio de Nash para estrategias puras se detecta cuando 2 flechas (o 2 marcas) se encuentran
en una celda, pues en este caso cada jugador está utilizando la mejor estrategia dadas las estrategias
de los demás.
Cadena de conjeturas
El análisis de juegos siempre se comienza pensando nuestra acción, la reacción racional del otro
jugador, nuestra nueva reacción racional, …. De este análisis surge nuestra mejor estrategia en
consecuencia. La palabra "pensando" es conducente en este párrafo pues al ser un juego simultáneo,
todo este proceso solo tiene lugar en la mente de cada jugador. Apreciar que la reacción del otro se
asociará con un perfil fila o columna.
Observar el juego de la figura 3-104b.
• Acción: el jugador B elige por ejemplo b1.
• Reacción: el jugador A elegiría la acción dominante en ganancias a2, dado b1 (dentro del perfil
b1).
• Reacción: el jugador B elegiría la acción dominante en ganancias b2, dado a2.
• Reacción: el jugador A seguiría eligiendo a2, con lo cual las acciones a2, b2, conforman un
equilibrio estable.
Formalmente se tienen las siguientes correspondencias6:
RA (b1 ) = a2
RB (a2 ) = b2
RA (b2 ) = a2

5
Su vida fue llevada al cine en la película: "Una mente brillante", protagonizada por Russell Crowe. Este film
narra sus dificultades para relacionarse con las personas, su esquizofrenia paranoide y sus delirios de
persecución, todos los cuales finalmente pudo controlar.
6
Estas relaciones no son funciones pues podrían existir valores iguales y por lo tanto expresiones del tipo:
RA (b1 ) = a2 , a3 , sin un valor único. Los economistas las llaman correspondencias.

155

Capítulo 3 Distribuciones de Probabilidades

En síntesis, si el jugador B elige b2, entonces el jugador A elegirá a2, pues no tiene incentivos para
cambiarla y tener mayores ganancias (y viceversa). El equilibrio se detecta comenzando desde
cualquier acción de cualquier jugador.
En la figura siguiente se aprecia este equilibrio con un diagrama de relaciones como el que se utiliza
en matemáticas. Si B elige b2, A elige a2, y B se queda en b2, lo cual indica un punto de equilibrio
estable.

RA RB
b1 a2 b2

RA.

Figura 3-106
El valor de la ganancia en el equilibrio, se llama Valor del juego, en este ejemplo (4, 4).
Los equilibrios pueden naturalmente también obtenerse tildando en la forma extensiva, como se
muestra en la figura siguiente (con un * dentro de A y con un ' dentro de B). El equilibrio se detecta
ahora cuando las 2 marcas se encuentran en el mismo nodo final.

|
| b1 1,4*
|
|B
a1 |
|
| b2 3,3
A |
a2 |
| b1. 2',2
|
|
|B.
|
| b2.
4',4*
|

Figura 3-107
Equilibrio de Nash
Se deja al lector concluir que el juego de la figura 3-107 tiene 2 equilibrios de Nash. En general un
juego puede tener 0, 1 o más equilibrios de Nash.
Un equilibrio no produce necesariamente el mejor resultado posible para cada jugador individual,
pero es una situación que conforma a todos ante la amenaza de resultados peores.
Más adelante veremos cómo obtener (si existen) los equilibrios de Nash para estrategias mixtas.

Teorema de Nash (Nash, 1951)
Cualquier juego de n jugadores (de suma variable o constante), tiene al menos un equilibrio de Nash
(puro o mixto).

156 Jorge Carlos Carrá

IV Teoría de los juegos – 1 Simultáneos con estrategias puras

Condiciones necesarias y suficientes para una solución
Condición necesaria
Un equilibrio de Nash es una condición necesaria (pero no suficiente) para ser solución del juego,
esto es:
Solución ⇒ Equilibrio
Esto implica que una situación que no es un equilibrio, no puede ser solución. Pero un equilibrio
podría presentarse con ambas estrategias no dominantes, dominantes o dominadas.
Condición suficiente
Una condición suficiente para una solución del juego en estrategias puras, es que el equilibrio de
Nash sea con ambas estrategias dominantes.
Equilibrio con estrategias dominantes ⇒ Solución
Esto se comprende pues sería ilógico que una estrategia dominada sea solución.
Conocimiento común
Cuando las estrategias son dominantes, podemos visualizar una aplicación directa de la cadena de
razonamientos llamada conocimiento común.
Sea el juego de la siguiente figura.
B
b1 b2
a1 1,4 3,3
A
a2 3,3 4,2

Figura 3-108
La racionalidad de A lo conduce a jugar la estrategia dominante a2 y la racionalidad de B, a jugar la
estrategia dominante b1, por lo cual ambos pueden predecir el equilibrio.
Utilizando el concepto de conocimiento común (página 151):

• R: B es racional y elige b1.
• S(R): A sabe que B es racional y elige b1 => A elige a2
• S(S(R)): B sabe que A elige a2 (B sabe que A sabe que B es racional y elige b1) = > B elige b1.

En general son pocos los juegos que tienen este tipo de equilibrios (un ejemplo es el dilema del
prisionero, en la sección problemas del final del capítulo). A diferencia de los equilibrios con
estrategias no dominantes, estos equilibrios no dependen de las estrategias del otro.
Como consecuencia, si un juego tiene estrategias dominantes no importa quién es el primero. Por lo
tanto nos encontramos con un juego en el que con igual información, se presentan 2 formas
extensivas equivalentes, cada una de ellas con los órdenes invertidos.

Juego de suma cero
Si en particular un juego es de suma cero, el máximo (mínimo) de una fila o columna de un jugador
será el mínimo (máximo) del otro. En la siguiente figura se presenta un juego de suma 10. Se han
colocado por esta vez también las ganancias de B, aunque sabemos que en estos juegos solo se
colocan las de A (jugador de filas), pues las del otro se sobrentienden.
En la figura se ha incluido una columna y una fila adicionales con los valores de ganancias máximas
(expresadas en valores de A), las cuales facilitan la comprensión del siguiente análisis, que cada
jugador pensaría antes de hacer su juego.

157

Capítulo 3 Distribuciones de Probabilidades

• Acción: A por ejemplo elige a1.
• Reacción: B elegiría la acción dominante en ganancias, b1, (coincidirá con el mínimo de A).
• Reacción: A elegiría la acción dominante en ganancias (máximo valor de esa columna), a2.
• Reacción: B elegiría la acción dominante en ganancias (máximo valor de esa fila), b1, (coincidirá
con el mínimo de A).

Observar que en este caso existe un equilibrio de Nash, la celda (a2, b1), pues B elige b1 y A se
queda en a2, lo cual indica un punto de equilibrio estable.
B
b1 b2
a1 1,9 3,7
A
a2 2,8 4,6

Figura 3-109
Como en los juegos de suma cero no se incluyen las ganancias de B, se debe tener en cuenta que las
flechas de B resultan invertidas respecto de las ganancias de A.
B
b1 b2
a1 1 3
A
a2 2 4

Figura 3-110

c Eficiencia y justicia
Eficiencia
Este concepto (como el equilibrio) se refiere a los resultados (celdas) y no a las estrategias (filas o
columnas).
Comparación local (uno a uno)
Un resultado es Pareto Dominante o Dominante en Ganancias sobre otro, si las ganancias son al
menos iguales a la del otro y una es estrictamente mayor. Si todas son estrictamente mayores, el
resultado es estrictamente Pareto Dominante.
Comparación global (todas las celdas)
Un resultado es Pareto Eficiente si no es Pareto dominado por ningún otro. Si esto no ocurre, se
dice que es Pareto Ineficiente.

Un equilibrio no necesariamente coincidirá con un resultado Pareto Dominante o Pareto Eficiente,
pudiendo existir un resultado Pareto Dominante o Eficiente que no es un punto de equilibrio. Como
es un desequilibrio no puede subsistir y sus ganancias, aunque altas, son efímeras, por lo cual no
debe ser considerado.

Justicia
Un resultado es justo si cada jugador gana lo mismo, es decir si es simétrico.
Este concepto normalmente se encuentra en conflicto con el concepto de eficiencia, en el sentido de
que eficiencia y justicia no puedan satisfacerse a la vez. Este conflicto aparece frecuentemente en
economía, por lo cual no debe sorprender que lo haga en juegos de economía.

158 Jorge Carlos Carrá

IV Teoría de los juegos – 1 Simultáneos con estrategias puras

Juegos de coordinación
Es habitual que 2 equilibrios (puros o mixtos) contrapongan características deseables, como por
ejemplo:
• Dos equilibrios eficientes (tienen iguales ganancias totales). Esto sucede siempre en los juegos
de suma cero con 2 jugadores que presentan varios equilibrios puros.
• Un equilibrio es eficiente y el otro es dominante.
• Un equilibrio es eficiente y el otro es justo.
En estos casos, con varias soluciones posibles, el juego se llama juego de coordinación. Si los
jugadores desearan una estrategia común, deberán coordinar entre ellos dado que el que mueve
primero tendrá una ventaja, pues induciría al otro a adoptar el mismo equilibrio.

d Estrategias Minimax y MaxiMin
MiniMax y Maximin
Son definiciones aplicables a cualquier matriz (pertenezca o no a un juego).
MiniMax
Se halla el máximo de cada fila o columna y luego el mínimo de ese vector.
MaxiMin
Se halla el mínimo de cada fila o columna y luego el máximo de ese vector.

A modo de ejemplo, en la figura siguiente se colocaron en los márgenes de la tabla, los máximos o
mínimos de cada fila o columna con los subíndices R por Row (fila) y C por Column (columna).
Luego se colocó un * o un ' para marcar los MiniMax y MaxiMin.

MaxR MinR
1' 6 0 6 1 6 0 0
2 0 3* 3* 2 0 3 0
3 2 4 4 3 2* 4' 2*
MinC 1' 0 0 MaxC 3 6 4'

Figura 3-111

Aplicación a la forma normal de un juego
A modo de ejemplo aplicaremos los conceptos de MiniMax o MaxiMin a la bimatriz de un juego.
Acciones B
MaxR
b1 b2
a1 4,4 –3',5 5
Acciones A
a2 5,–3* –6,–6 –3*
MaxC 5 –3'

Figura 3-112
Minimax

Estrategia MiniMax (con la matriz del adversario)
Supongamos que nos enfocamos en las estrategias de A.
• Acción: A elige una acción cualquiera (fila).
• Reacción: la estrategia usual de B es elegir la dominancia de sus ganancias en esa fila, Max(B)
(máximo dentro de ese perfil fila).

159

Capítulo 3 Distribuciones de Probabilidades

Consecuencia
Si A prevé que B tenga la estrategia de dominancia en sus ganancias, elegiría de entrada la fila que
contenga el mínimo de esos máximos (la solución menos mala), esto es el Mini(Max(B))7, al que
llamaremos simplemente MiniMax de B.
B luego elegiría la celda de ese MiniMax. ¿Podrá B terminar eligiendo el Mini(Max(A))? Esto
ocurre algunas veces y será desarrollado en la siguiente sección.

En la figura anterior se colocaron en la columna marginal los máximos que puede elegir B a cada
acción de A (máximos de fila = MaxRow) y en la fila marginal los máximos que puede elegir A para
cada acción de B (máximos de columna = MaxColumn).
Se colocó una marca * al lado de cada ganancia para resaltar el MiniMax de fila y un tilde ' para el
MiniMax de columna.
Columna : MiniMaxR = −3
Fila : MiniMaxC = −3
Observar que la intersección de ambas acciones no se encuentra en la misma celda.
Estrategia MaxiMin (con la matriz propia)
• Acción: A elige una acción cualquiera (fila).
• Reacción: en lugar de maximizar sus ganancias, B podría optar por elegir como estrategia
mínimizar las ganancias de A, Min(A) (la cual es una acción algo paranoica). En este caso le
convendrá a A calcular previamente el máximo de esos mínimos, lo cual lo conduce a la
estrategia llamada Maxi(Min(A))8, es decir el MaxiMin de A.

Ambas estrategias se llaman estrategias conservadoras o de seguridad y por lo tanto son contrarias
a la expresión de mercado: mayor riesgo, mayor beneficio: No es aplicable, por ejemplo, en la
apertura de un mercado si una empresa busca captar mayor participación, en donde se debería
pretender bastante más que una estrategia mínima de seguridad para explotar las debilidades del
adversario.
El valor numérico del MiniMax (o del MaxiMin) se llama nivel de seguridad.

Equilibrio MiniMax o MaxiMin
Sucede cuando el par de estrategias (acciones elegidas) de ambos jugadores se interceptan en la
misma celda.
Equilibrio MiniMax -MiniMax
Se presenta cuando ambos usan la estrategia MiniMax (por lo tanto utilizan la bimatriz) y se cumple
que:
MiniMaxR ≡ MiniMaxC
En los juegos de suma no cero, no tiene porque existir o coincidir con el equilibrio de Nash (que
siempre existe).
Equilibrio MaxiMin -MaxiMin
En forma totalmente análoga se puede analizar si existe equilibrio cuando los jugadores deciden
minimizar las ganancias del otro en lugar de maximizar las suyas (por lo tanto usan la bimatriz).

7
El anidamiento indica las estrategias de cada jugador, en este caso: A(B).
8
El anidamiento indica las estrategias de cada jugador, en este caso nuevamente: A(B).
160 Jorge Carlos Carrá

En la figura siguiente la celda sombreada contiene el máximo de su columna y el mínimo de su fila. pues el 2 es el máximo de su columna y el mínimo de su fila. Punto de silla Es una propiedad que tienen algunas matrices. es que esa celda sea un punto de silla. la estrategia MiniMax. 161 . utiliza la estrategia MaxiMin y el otro A. se aprecia la estabilidad del la estrategia a2-b1. por la cual el mínimo de fila coincide con el máximo de columna. La estabilidad del punto de equilibrio se percibe razonando así: • Acción: si por ejemplo A eligiera a1. Este punto. por ejemplo B. • Reacción: B elegiría b1. En la figura siguiente. • Reacción: B elegiría b1. • Reacción: A elegiría a2. no tiene que ser necesariamente único. Acciones B G(A) MinR b1 b2 a1 1 3 1 Acciones A a2 2*' 4 2* MaxC 2' 4 Figura 3-114 Punto de silla 9 Esto también ocurrirá si esta matriz fuera de un juego de suma constante (por ejemplo igual a 10). si existe. IV Teoría de los juegos – 1 Simultáneos con estrategias puras Equilibrio MaxiMin -MiniMax Si un jugador. a este punto se lo llama punto de silla. Observar que el punto de silla requiere que sea la misma matriz para ambos jugadores. ambos jugadores utilizarán una sola matriz para el análisis. Si suponemos ahora que esta matriz representa la ganancia de A de un juego. dada la semejanza con la silla de montar en la cual existe un punto que cruza el mínimo en una dirección (curva cóncava hacia arriba) con el máximo en la dirección perpendicular (curva cóncava hacia abajo). pues A elegiría la acción a2 del MaxiMinR y B la acción b1 del MiniMaxC9. Por esta razón. MinR 0 1 7 0 4 2*' 3 2* 9 0 0 0 MaxC 9 2' 7 Figura 3-113 Punto de silla Se puede demostrar el siguiente teorema: La condición necesaria y suficiente para un equilibrio MaxiMin–MiniMax. en este ejemplo solo la matriz de B. por lo cual el equilibrio debe ser MaxiMin–MiniMax. Observando las 3 últimas reacciones. el punto de silla sería el punto de equilibrio de las estrategias MaxiMin–MiniMax. la celda inferior izquierda es un punto de silla.

se obtienen los siguientes valores. el primero calculado con las ganancias de A y el segundo con las ganancias de B. Sin embargo. observando la fila marginal. Si por ejemplo se utilizan solo las de A. Corresponden a la acción b2. 1928) Cualquier juego de 2 jugadores de suma constante. MaxiMinC = 7 ≡ MiniMaxC = 3 162 Jorge Carlos Carrá . • Reacción: B elegiría el mínimo de esa fila Min(A) (coincidirá con el máximo de la fila de su matriz). con las matrices de A y de B. Obviamente que si el equilibrio fuera puro sería un punto de silla. estas estrategias no necesariamente coincidirán en la misma celda. Se llega a la misma estrategia utilizando la matriz de ganancias de B. Corresponden a la acción a2. el primero calculado con las ganancias de B y el segundo con las ganancias de A. se tiene: • Acción: A elige una acción. Teorema MiniMax (Von Neumann. MaxiMinR = 2 ≡ MiniMaxR = 8 En forma análoga. Ejemplo En la figura 3-115 se presenta un juego de suma constante 10. tiene exactamente un equilibrio MiniMax- MaxiMin (puro o mixto). el equilibrio de Nash coincide con el equilibrio MiniMax. Esta analogía solo es válida para juegos de 2 jugadores. se obtienen los siguientes valores. B B G(A) MinR G(B) MaxR b1 b2 b1 b2 a1 1 3' 1 a1 9 7' 9 A A a2 4 2* 2* a2 6 8* 8* MaxC 4 3' MinC 6 7' a b Figura 3-115 Observando la columna marginal de ambas figuras a y b. es decir el MaxiMin de A. En un juego de suma constante. • Reacción: A concluirá que su solución menos mala será el máximo posible de estos valores. Se aprecia que este teorema un caso particular del teorema de Nash. aplicable a cualquier juego. Equilibrio Como es un juego de suma cero se podrían utilizar siempre los valores de las ganancias de un solo jugador en el análisis y por lo tanto una sola matriz. Capítulo 3 Distribuciones de Probabilidades e Juegos de suma cero MiniMax = MaxiMin En estos juegos se verifica que el MaxiMin de una matriz es siempre igual al MiniMax de la otra.

Valores del juego Los valores del juego son 1. Obtener las estrategias MiniMax. La matriz de pagos se muestra en la siguiente figura. resulta la siguiente tabla: B MaxR Beta VHS Beta 1'. Problema resuelto 3.45 Sistemas de video Una empresa debe decidir entre adoptar la tecnología de un sistema de video VHS o la de Beta. los equilibrios puros de Nash. 1 para ambos jugadores en ambos equilibrios.0 1. Ambos son igualmente buenos. B Beta VHS Beta 1. no podrá trabajar con la que utilice la otra. la eficiencia. en el que ambas empresas deberían coordinar una única estrategia. Los equilibrios MiniMax coinciden aquí con los 2 equilibrios de Nash. 163 . pero una vez adoptada una tecnología. Equilibrio de Nash Con las flechas se aprecia que ninguna acción es dominante. en los cuales las empresas elegirían el mismo sistema. nos encontramos en un juego de coordinación.0 A VHS 0. IV Teoría de los juegos – 1 Simultáneos con estrategias puras Observar que esta matriz no posee un equilibrio MiniMax en estrategias puras. los valores del juego e interpretar la situación.1* 1* MaxC 1' 1' Figura 3-117 Equilibrio MiniMax-MiniMax Columna : MiniMax ( para A) = 1 Fila : MiniMax( para B ) = 1 Se encuentran 2 celdas en las que coinciden los MiniMax.1 Figura 3-116 Solución Colocando los máximos de columna y de fila y las flechas.1 0.1* 0. Eficiencia Como los equilibrios no son dominantes y la eficiencia es igual para ambos.0 1* A VHS 0.0 1'. En la sección siguiente se estudiará como calcular el equilibrio en estrategias mixtas.

100 –30.46 El juego de la contaminación Una empresa preferiría contaminar a instalar un caro sistema para controlar la contaminación.100* 100* contaminación MaxC 120 100' Figura 3-119 Equilibrio MiniMax-MiniMax Estrategias MiniMax Columna : MiniMaxR = 100 Fila : MiniMaxC = 100 La estrategia conjunta Mucha Contaminación – Mucha Contaminación es un equilibrio MiniMax-MiniMax. La siguiente tabla muestra los beneficios para todos los cruces. 164 Jorge Carlos Carrá .100* –30. B elegiría Mucha contaminación. Capítulo 3 Distribuciones de Probabilidades Problema resuelto 3.–30 100'. los equilibrios puros de Nash. En este caso. de fila y las flechas. Cuando un jugador A tiene una estrategia dominante y el otro B no.–30 100. resulta la siguiente tabla: B Poca Mucha MaxR contaminación contaminación Poca 100.120 contaminación A Mucha 120.120 100* contaminación A Mucha 120. B Poca Mucha contaminación contaminación Poca 100.100 contaminación Figura 3-118 Solución Colocando los máximos de columna. B debe suponer que A la va a elegir y por lo tanto elegirá la mejor jugada dado este supuesto. Equilibrio de Nash Es la celda en que ambas empresas eligen Mucha contaminación. Valor del juego El valor del juego del equilibrio de Nash es 100 para ambos jugadores. La acción Mucha contaminación es dominante para la empresa A. la eficiencia. los valores del juego e interpretar la situación. Obtener las estrategias MiniMax.

pag 136. cuando la competencia es secuencial en cantidades se llama de Stackelberg y cuando es secuencial en precios se llama Liderazgo en precios. 10 Ejemplo tomado de Gardner. b = 1 y el costo C = 10$ para ambas firmas. Además consideremos por simplicidad que solo existen 3 posibles cantidades qi. apareciendo en el último capítulo de su libro. 165 . Asumiremos que el precio de mercado P se determina por la demanda. si A elige q1=30 y B elige q2=60. se llama modelo de competencia de Cournot. b) Obtener los equilibrios puros de Nash. Por ejemplo. Solución a) Resolviendo P para cada valor de los cruces. Cuando la competencia simultánea es en precios. Problema resuelto 3. Games for Business and economics. La ley de la oferta y la demanda establece que los precios y las cantidades se relacionan en forma inversa. Recordemos que en los paréntesis. quien lo estudió por primera vez en 1838. Lo contrario se llama competencia perfecta.47 Competición Cournot10 Un juego simultáneo en el que dos firmas compiten en cantidades. 11 Un oligopolio es una industria formada por n empresas con capacidad para modificar los precios en función de su producción. Supongamos que a = 130. se llama competencia de Bertrand. 1995. debido al economista francés Agustín Cournot. El estado puede resolver este problema con exenciones impositivas para imponer un equilibrio en la celda superior izquierda. se obtiene la siguiente tabla de ganancias. En particular si n = 2 se llama duopolio. en función de la siguiente ecuación lineal: P = a − b( q A + qB ) si a > b( q A + qB ) P=0 en caso contrario Observar que P es función de la cantidad que producen ambas empresas. Observar que el equilibrio de Nash es en este caso antisocial. 30. debido a lo cual aparece entre ellas una relación estratégica. a) Construir la matriz de pagos. los valores del juego y la eficiencia. es decir A. convencionalmente se colocan primero las ganancias del jugador colocado en filas. Sea un duopolio11 conformado por 2 chocolaterías A y B que desean maximizar sus beneficios y cuyas cantidades de unidades enviadas al mercado llamaremos qA y qB. El mercado no siempre conduce al resultado deseable. Interpretar. IV Teoría de los juegos – 1 Simultáneos con estrategias puras Eficiencia El equilibrio de Nash no es eficiente pues no domina al resto de las ganancias. Recherches sur les príncipes mathématiques de la Theorie des richesses. • La ganancia para A es: ( P − c)q1 = (40 − 10)30 = 900$ . • La ganancia para B es: ( P − c)q2 = (40 − 10)60 = 1800$ . se tiene: P = 130 − (30 + 60) = 40$ Por lo tanto. 40 y 60.

Celda por celda Colocar las flechas verticales y horizontales indicando el sentido de las ganancias. se pierden los equilibrios de Nash que pudieran existir en estas estrategias. 166 Jorge Carlos Carrá . pero que no es un equilibrio. se eliminarían las acciones 1 de cada fábrica. Estas acciones pueden eliminarse del análisis pues nunca serán elegidas.1500 1600.1600 800.2000 900.1800 1500.900 1200. Ambas fábricas elegirían las producciones de 40 unidades pues es la mejor estrategia dada la estrategia del otro.1500 1600. en este caso la celda (1600.1600 Figura 3-122 Si existe una celda en la que concurren todas las flechas. al eliminar estrategias débilmente dominadas.1600 Figura 3-121 Repitiendo la reducción de estrategias fuertemente dominadas.1500 1600. Nota Por la condición de suficiencia antes vista (página 157).2000 A qA2=40 2000. lo cual produce unos beneficios totales de 1600$.1600).800 0. Cada empresa producirá 40 unidades y por lo tanto el precio de mercado será: P = 130$ − 2(40)$ = 50$ 40$ por arriba de los costos (10$).1800 A qA2=40 2000.2000 A qA2=40 2000.1800 1500.0 Figura 3-120 b) Eliminación de estrategias fuertemente dominadas Se observa que en este problema. Este es entonces el equilibrio de Nash de esta competición y 1600 es el valor del juego. B qB1=30 qB2=40 qA1=30 1800. Capítulo 3 Distribuciones de Probabilidades B qB1=30 qB2=40 qB3=60 qA1=30 1800. Se obtiene así la tabla reducida siguiente. las acciones 3 para ambas fábricas son estrategias fuertemente dominadas. Un método alternativo es el siguiente. resultando como equilibrio de Nash. Eficiencia Observar que la solución es ineficiente pues existe una situación (1800. La tabla resulta: B qB1=30 qB2=40 qA1=30 1800. será la estrategia común para ambos jugadores.1800) con ganancia s mayores para los jugadores. la estrategia de elegir la acción 2 para ambas empresas.1200 qA3=60 1800.1800 1500.

Una estrategia mixta es una distribución de probabilidades sobre el conjunto de estrategias. algunas veces elige la acción a1. Esto es deseable en el caso de que no exista un equilibrio de estrategias dominantes.pA)pB (1–pA)(1–pB) 1. En este sentido. adaptado al formato habitual en la teoría de juegos. 167 .pA T pB 1–pB 1 Figura 3-123 Tabla del juego mixto Forma extensiva Un árbol del juego sería simplemente el árbol de probabilidades condicionales correspondiente a la tabla anterior (recordando que los eventos son independientes). pB = probabilidad de que B juegue la ación b1. resulta entonces el esquema que se muestra en la siguiente figura. pn an = 1 La selección de cualquiera de las acciones es un evento aleatorio para el jugador. IV Teoría de los juegos – 2 Simultáneos con estrategias mixtas 2 Simultáneos con estrategias mixtas El equilibrio de estrategias mixtas implica volverse impredecible. Esta conducta es la que se observa por ejemplo en los jugadores de póker que desean tener algún tipo de éxito. Acciones B b1 b2 T a1 GA11. GB11 GA12. Por lo tanto: p1a1 + p2 a2 + . otras veces la a2. cada jugador aleatoriza su decisión.. GB12 pApB pA(1–pB) pA Acciones A a2 GA21. pues evitará conductas sistemáticas que puedan ser aprovechadas por el otro jugador. GB22 (1. su estrategia resulta una mezcla aleatoria de las estrategias puras. Dado que las acciones son independientes entre sí. se debe incluir la tabla de contingencias con las probabilidades de cada acción. etc. Como resultado. a Formas del juego Forma normal Además de la tabla de ganancias. GA21 GA22. Llamamos: pA = probabilidad de que A juegue la acción a1.. con la tabla de contingencias y la de ganancias en una sola tabla.

GB11 pApB. Esto solo es verdad en el equilibrio. 1 Método de maximización Consiste aplicar el análisis infinitesimal a la expresión general de la ganancia conjunta del juego. De todas formas. Capítulo 3 Distribuciones de Probabilidades | | pB b1 GA11. 2 Método de igualación de ganancias Este método se basa en la igualación de ganancias esperadas. si se resolviera por el enfoque de estrategias mixtas. GB22 (1-pA)(1-pB) | Figura 3-124 b Equilibrio de Nash El equilibrio de Nash de estrategias mixtas se materializa con la obtención adecuada de los valores de pA y pB necesarios para que cada jugador maximice sus respectivas ganancias. En un juego de n×m se llega a un sistema superdeterminado (más ecuaciones que incógnitas). | | (1-pB) b2. para obtener el valor máximo de la misma. Existen 3 métodos de resolución. En este último caso se dice que el juego de 2 jugadores 2 × 2 de suma cero. es neutro. A continuación los describiré conceptualmente y dejaré los detalles para el próximo problema resuelto. se obtendría un valor de probabilidad mayor que 1 o menor que 0. el valor del juego es en este caso un valor al cual tenderá la ganancia del promedio de muchos juegos. Esto se podrá apreciar desde el punto de vista gráfico en el siguiente problema resuelto. La resolución proveerá los valores de pA y pB. lo cual indica esta situación al modelador. no existirá un equilibrio en estrategias mixtas y por lo tanto finaliza el análisis. Si el número de repeticiones no es muy alto. la suerte podrá aumentar o disminuir la ganancia. Si un juego verifica la condición suficiente de solución de un equilibrio puro con estrategias dominantes (página 157). GB21 (1-pA)pB (1-pA) a2 | |B. GB12 | | | pB b1.Los dos métodos principales de resolución de estos sistemas son el de mínimos cuadrados ya visto en la 168 Jorge Carlos Carrá . GA21. Por lo tanto primero deberá derivarse la misma respecto de sus variables pA y pB y luego igualar esta expresión a 0. Esto se comprende pues sería ilógico que se le asignara una probabilidad a la estrategia dominada. Notar que al derivar respecto de una probabilidad se considera a la otra como si fuera constante. GA22. | | pA a1 |B | | (1-pB) b2 pA(1-pB) A | GA12. Esta estrategia también es llamada estrategia óptima. Sin embargo. La esperanza obtenida es el valor del juego y será favorable a alguno de ellos o 0.

Scheid. Best Response Function) Son las gráficas de una probabilidad pA en función de la otra pB. los equilibrios de Nash coinciden con los equilibrios MiniMax.…. S (Sacador) y Federer. una ecuación W = f(X. Ambas situaciones se presentan en el siguiente problema resuelto.48 Estrategia de juego en el saque Un jugador de tenis sabe que cuando espera el saque. Apreciar que este es un problema de suma cero pero el procedimiento es totalmente general.Z. pag 368. Sin embargo. se puede resolver en forma gráfica en el plano. de suma no cero. Supongamos que los jugadores Del Potro. Del Potro Sacador Derecho Revés Federer Derecho 90% 20% Receptor Revés 30% 60% Figura 3-125 Obtener los equilibrios de Nash (puros y mixtos) e interpretarlos. ¿Son los equilibrios eficientes? Solución Primero se debe analizar la existencia o no de estrategias puras dominantes (fila o columna con valores sistemáticamente superiores a la otra). podremos resolver los siguientes dos casos particulares sin usar ninguna de estas técnicas: • Juegos n×n En estos casos se llega a un sistema determinado. IV Teoría de los juegos – 2 Simultáneos con estrategias mixtas regresión (capítulo 1) y la programación lineal12. Se construirán luego en un problema resuelto. el cual se resuelve como es habitual. por ser un juego de suma cero. De la siguiente tabla se concluye que en este caso no existen estrategias puras dominantes para las ganancias de ninguno de los jugadores. 169 . predecir la jugada del contrario tiene muchas ventajas. c Funciones de mejor respuesta (BRF. 3 Método de Williams Es el resultado de la aplicación de la geometría a 2 triángulos semejantes que se encuentran en la solución gráfica del método de igualación de ganancias de un juego 2×2. Problema resuelto 3. R (Receptor) tienen una matriz de ganancias como la de la figura siguiente. 12 El objetivo de esta técnica es optimizar (en general maximizar). F. 1972. tiene éxito el 90% de las veces. Además. Si bien las decisiones son simultáneas. Se llama lineal pues todas las ecuaciones e inecuaciones son lineales. con inecuaciones de vínculo (desigualdades en lugar de igualdades). no debe decidirse a cubrir un determinado lado de la cancha hasta el último momento pues de lo contrario el sacador puede aprovecharse y tirar la pelota en sentido contrario. Estas probabilidades pueden ser calculadas de las estadísticas correspondientes a los partidos previos entre ambos. • Juegos 2×n El sistema es superdeterminado pero al ser 2 el número de filas o columna). Compararlos con los equilibrios MiniMax.Y. Indican por ejemplo que si R prevé correctamente el saque derecho. Luego en los problemas finales se pedirá resolver por ejemplo el juego del gallina.

pR T pS 1.40 GR = 48% Observar que si el sacador utiliza este valor de pS. las complementarias de las anteriores).pS) pR Federer 2 Revés 30% 60% Receptor (1. resulta: GS = pS ((10 pR + 70(1 − pR )) + (1 − pS )(80 pR + 40(1 − pR )) = = pS (−60 pR + 70) + (1 − pS )(40 pR + 40) = = pS (−100 pR + 30) + 40 + 40 pR Diferenciando con respecto de pS. Capítulo 3 Distribuciones de Probabilidades Del Potro Sacador Derecho Revés Derecho 90% 20% Federer Receptor Revés 30% 60% Figura 3-126 1 Método de maximización El paso siguiente es analizar las estrategias mixtas. debido a lo cual. no interesa cual sea el valor de pR que elija el receptor. en la siguiente tabla se muestran las probabilidades pR y pS de que el receptor prevea un saque derecho o que el sacador realice un saque derecho. se obtiene: 100 pS − 40 = 0 ⇒ pS = 0.pS 1 Figura 3-127 La expresión de la ganancia conjunta del receptor es: GR = pR ((90 pS + 20(1 − pS )) + (1 − pR )(30 pS + 60(1 − pS )) = = pR (70 pS + 20) + (1 − pR )(−30 pS + 60) = = pR (100 pS − 40) + 60 − 30 pS Diferenciando con respecto de pR. Es decir que la 170 Jorge Carlos Carrá . Del Potro Sacador 1 Derecho 2 Revés T 1 Derecho 90% 20% pR pS pR (1.pS) 1. Una breve reflexión indicará que esto siempre ocurrirá (en un juego de 2 jugadores 2×2).30 GS = 52% Nuevamente observar que si el receptor utiliza este valor de maximización de ganancias. se obtiene la tabla de la siguiente figura.pR)(1. Análogamente para la ganancia del sacador (utilizando en la matriz de ganancias. se obtiene: −100 pR + 30 = 0 ⇒ pR = 0. pues en la ecuación de GR se anula el término que contiene a pR. El método de maximización consiste en obtener los valores de pR y pS de la distribución conjunta. no interesa cual sea el valor de pS que elija el sacador. Si se expresa en forma tabular. dado el formato con el que resulta la ecuación.pR) pS (1. pues en la ecuación de GS se anula el término que contiene a pS.

Para igualar los pagos se ha agregado a la tabla una columna y fila marginal. Para que estos resultados tengan validez. Del Potro Sacador 1 Derecho 2 Revés T 1 Derecho (90. equivale a la obtención de un pR tal que esa ganancia sea independiente de pS. 171 .70) (60.6 1 Figura 3-128 2 Método de la igualación de ganancias Utilizando el concepto deducido en el método anterior. por lo tanto la estrategia es Pareto Ineficiente pues sus ganancias no son iguales o mayores que las de cualquier otro resultado. Las ganancias del equilibrio mixto son (48.80) 0. Así por ejemplo se extrae que si ambos jugadores utilizan sus estrategias mixtas. Además. De todas formas recordar que las ganancias tenderán a los valores esperados del juego.10) (20.40) Receptor 0. esta solución no domina a ninguna de las estrategias de la matriz del juego (la bimatriz se muestra en la figura siguiente).18 0. Observar que para obtener estas ecuaciones. que contienen las expresiones de las esperanzas dentro de cada perfil. IV Teoría de los juegos – 2 Simultáneos con estrategias mixtas maximización de la ganancia conjunta en un juego de 2 jugadores 2×2. la probabilidad de que el Sacador lo haga con el revés y el Receptor reciba también con el revés es del 42%.80) 70pS+20 pR pS pR (1-pS) pR Federer 2 Revés (30.70) (60. si existieran estrategias puras y mixtas.7 T 0. deben ser aplicados en forma totalmente aleatoria (por ejemplo mirando la posición del minutero de un reloj. Del Potro Sacador 1 Derecho 2 Revés T 1 Derecho (90.10) (20. no solo de 2×2).12 0.40) -30pS+60 Receptor (1-pR) pS (1-pR)(1-pS) 1-pR T pS 1-pS 1 -60pR+70 40pR+40 Figura 3-129 13 Además de ser los perfiles fila (columna) iguales entre sí por tratarse de eventos independientes. solo si el número de repeticiones es suficientemente grande. debería elegirse aquella que domine en ganancias.4 0.3 Federer 2 Revés (30. 52). se deben utilizar las ganancias de la distribución que corresponda. La matriz de ganancias con las probabilidades encontradas se muestra en la figura siguiente. asignando sectores o cuadrantes al tiro derecho y al revés).Esto implica igualar las esperanzas dentro de cada perfil (luego se ampliará el concepto para cualquier juego de 2 jugadores. De esta forma se minimiza la habilidad del oponente de reconocer comportamientos sistemáticos en nuestras propias elecciones y nada de lo que haga afectará el resultado. la maximización de ganancias conduce a que cada jugador obtenga siempre la misma ganancia esperada con independencia de la acción del otro jugador13 . con las cuales el Receptor tendrá una probabilidad de éxito del 60% (ganancia de 60).28 0.42 0. Claramente.

12 | | 0.90) 0. | 0. GR = 48% GS = 52% Se obtienen así los mismos valores que con el método anterior. es decir siempre juega Derecho. Diagrama de árbol Contiene los valores condicionales. daría ER1 = 90. | | | 0.30 Federer debe posicionarse para recibir el 30% de los tiros de derecha y el 70% de revés.40 Derecho |Federer | | 0.18 0. se llega a un sistema de 2 ecuaciones con 2 incógnitas.60 Revés | Federer. el cual naturalmente coincide con el valor de la celda superior izquierda.60) Revés.42 | 0.40 Del Potro debe sacar el 40% de los tiros de derecha y el 60% de revés.70 Recibe (70.70. si solo juega Derecho.30 Recibe | Derecho.30 Recibe | Derecho (10. Figura 3-130 172 Jorge Carlos Carrá . Del Potro Revés | | 0. El valor del juego para cada jugador se obtiene reemplazando el valor obtenido en cualquiera de los miembros de la igualdad.30) 0. al que procedemos a resolver. Análogamente se puede analizar el valor pS = 0 y la otra ecuación. Recibe (40. Análogamente: ES1 = −60 pR + 70 ES 2 = 40 pR + 40 −60 pR + 70 = 40 pR + 40 ⇒ pR = 0. los conjuntos y las ganancias.20) | 0. 70 pS + 20 = −30 pS + 60 ⇒ pS = 0. Notar que las ganancias se colocan en el orden en el que se construye el árbol. la esperanza de S. Capítulo 3 Distribuciones de Probabilidades Analíticamente ER1 = 70 pS + 20 ER 2 = −30 pS + 60 Observar que si el sacador S eligiera pS =1.28 . (80. Igualando las esperanzas.

Debido a esto. superior al 48%. pues es la única que no puede ser aprovechada por el sacador. Es por esto que el punto 40:60 es ciertamente un punto de equilibrio. con un porcentaje de éxito de 55%. • Reacción: R elige la dominancia de sus ganancias. se pueden obtener también del diagrama de árbol. Cualquier otra. es decir sacando siempre de revés. Si el sacador S eligiera cualquier otra estrategia. por ejemplo 30%. los valores máximos que elegiría racionalmente el Receptor. Matemáticamente: pS < 0. R tendría una ganancia de 60%. Razonando en forma análoga.7(30) = 48% . si S eligiera pS = 0%. nos retorna al mismo. el receptor R contestará con la estrategia ER2 anticipando al revés. se encuentran en la poligonal superior. IV Teoría de los juegos – 2 Simultáneos con estrategias mixtas Comprobar que los valores del juego para cada jugador. le proporciona un porcentaje superior al 52%. es decir el vértice inferior de esa poligonal. en la figura siguiente puede verse que la combinación 30:70 del receptor es la mejor que tiene. Figura 3-131 En la figura anterior puede verse que la combinación 40:60 del sacador es la mejor que tiene el servicio pues es la única que no puede ser aprovechada por el receptor.4 ⇒ ∀pR pS > 0.4 ⇒ pR = 1 Observar además que este razonamiento se corresponde con una estrategia MiniMax del Sacador. Dado que las rectas corresponden a las ganancias del receptor. 173 . superior al 48%. dada cualquier acción del otro. Lo mismo sucede si por ejemplo S eligiera el 50%. en el sentido de que cualquier alejamiento de él. Gráficamente Estas ecuaciones pueden resolverse en forma gráfica. Así por ejemplo: GFederer|Derecho = 0. lo cual le proporcionaría un porcentaje de éxito de 51%. tal como indica la matriz de pagos. pues: • Acción: S elige una estrategia. si se aprovecha por el sacador.4 ⇒ pR = 0 pS = 0. dibujando las esperanzas ER1 y ER2 en un solo diagrama. En el límite. anticipando a la derecha. el Sacador reaccionaría con el mínimo de esos valores. pues R contestaría eligiendo la estrategia ER1.3(90) + 0.

La grafica de estas rectas puede anticipar la existencia o no de solución real. 1]. se tendrían 3 rectas E1. Capítulo 3 Distribuciones de Probabilidades Figura 3-132 Matemáticamente: pR < 0. 174 Jorge Carlos Carrá . como se muestra en la figura siguiente.3 ⇒ pS = 1 pR = 0. consiste en la igualdad de esperanzas. entonces podrá decirse que no se presenta un equilibrio en estrategias mixtas. valores que pueden leerse directamente en la bimatriz. E2 y E3.3 ⇒ ∀pS pR > 0. Pueden dibujarse ambas rectas a partir de los 2 valores extremos (ver figuras anteriores). Si por ejemplo fuera un juego de 2×3. pero esto ya no es cierto para un juego de 2×n.3 ⇒ pS = 0 Notas 1. o no existe. 2. Juegos 2×n El MiniMax para un juego de 2×2. Si la intersección se presenta fuera de este intervalo. en una posición cuyo patrón podrá el lector fácilmente encontrar y recordar. es decir con la intersección de las mismas dentro del intervalo [0.

como puede apreciarse. el oponente contestará con una estrategia que le produce mayor ganancia. pues para cualquier otro valor. Para la probabilidad del Receptor (primer gráfico): pS 60 − 20 = 1 − pS 90 − 30 ⇒ pS = 0. el equilibrio no consiste en igualar las 3 esperanzas entre sí. Observar que si se calculara el valor p correspondiente a la igualación entre E2 y E3. 3 Método de Williams Método solo válido para un juego 2×2. el oponente B contestará con la estrategia E1. Juegos n×n En este caso simplemente deberá resolverse el sistema determinado de n ecuaciones con n incógnitas. graficando a mano alzada las rectas del diagrama respectivo.40 Para la probabilidad del Sacador (segundo gráfico): pR 70 − 40 = 1 − pR 80 − 10 ⇒ pR = 0. este vértice inferior corresponde a la igualación de E1 con E2. 175 . Este es un problema típico de programación lineal pero. se deducen las siguientes relaciones. se resuelve perfectamente graficando las rectas y hallando la intersección que corresponda al vértice más bajo de la poligonal superior.30 La forma más directa para obtener estas relaciones es hacer una figura de análisis. En la figura. de donde se extraen los valores de pR y pS. IV Teoría de los juegos – 2 Simultáneos con estrategias mixtas Figura 3-133 En este caso. pues le produce una mayor ganancia y por lo tanto no sería la estrategia óptima. sino en encontrar el vértice inferior del polígono delimitado por los ejes y la parte superior de las rectas. en forma similar al del sistema de 2 ecuaciones con 2 incógnitas correspondiente a este ejemplo. Comparando los 2 triángulos semejantes que se observan a cada lado de la recta vertical que pasa por la intersección de las rectas inclinadas.

muestra en forma gráfica las relaciones encontradas: pS < 0.49 Estrategia de juego en el saque Para el problema anterior. Best Response Function) La siguiente figura de pS en función de pR. Capítulo 3 Distribuciones de Probabilidades Problema resuelto 3.3 ⇒ ∀pS pR > 0.3 ⇒ pS = 0 176 Jorge Carlos Carrá .4 ⇒ pR = 0 pS = 0. Best Response Function) La siguiente figura de pR en función de pS.4 ⇒ pR = 1 Figura 3-134 Función de mejor respuesta (BRF.3 ⇒ pS = 1 pR = 0. obtener las funciones de mejor respuesta.4 ⇒ ∀pR pS > 0. muestra gráficamente las relaciones: pR < 0. Función de mejor respuesta (BRF.

Los equilibrios de Nash son las intersecciones de ambos. BRF. (1. pB) = (0. puede ser interpretado como un caso particular del de estrategias mixtas con p = 0 o p = 1 . en este caso solo el equilibrio mixto. 1). (0. Figura 3-136 Notas 1. 2. 1). se tendrían 3 equilibrios. 0. BRF. 177 . es decir con algunas de las soluciones: (pA. 0) y (1. 0) o (1.30. Un juego que tiene un equilibro de estrategias puras. fueran como las de la siguiente figura.40) y los 2 puros en las intersecciones (0. 0). IV Teoría de los juegos – 2 Simultáneos con estrategias mixtas Figura 3-135 En la figura siguiente se muestra la combinación de las funciones de mejor respuesta. Si se construyen las BRF para un juego 2×2 que contenga una sola estrategia pura. el mixto en (0. 1). Si por ejemplo las funciones de mejor respuesta.

Se marcaron con un * los resultados dominantes de columna y con un ' los dominantes de fila. Es decir. Capítulo 3 Distribuciones de Probabilidades se observará que las rectas solo se pueden cortar en los vértices del cuadrado delineado en la figura anterior. también contiene la recta que los une. 178 Jorge Carlos Carrá . y ∈ A ⇒ ax + by ∈ A Conjunto convexo de ganancias Dado un juego de 2 oponentes A y B.2' 1.1' 3*. El conjunto convexo de ganancias es el menor conjunto convexo que contiene a dichos puntos. Sea por ejemplo la bimatriz de un juego. b3 es un equilibrio puro de Nash y que además es Pareto eficiente. B b1 b2 b3 a1 2*. Se aprecia por lo tanto que la estrategia a2.0 A a2 1. Por lo tanto será el contorno de esos puntos. los puntos de cada celda de la bimatriz. d Conjunto convexo de ganancias Conjunto convexo Un conjunto es convexo si al contener 2 puntos.-1 -1.1' Figura 3-138 El conjunto convexo de ganancias se muestra en la figura 3-139. de la siguiente figura. por lo cual no existirá la posibilidad de un equilibrio en estrategias mixtas. A es convexo: Si x. G(B). Figura 3-137 Del análisis gráfico precedente puede apreciarse que los juegos presentan en general un número impar de equilibrios. graficamos en un sistema de ejes G(A).0 2*.

por lo cual es más adecuada para los juegos secuenciales. se encuentra implícito el orden del juego. observando la decisión de su oponente. a Formas del juego Forma extensiva En la forma extensiva. Ejemplos habituales son por ejemplo: • un comprador hace una oferta y el vendedor debe decidir si acepta o no. • un político debe decidir si realiza una costosa campaña. es decir con un diagrama de árbol. IV Teoría de los juegos – 3 Secuenciales Figura 3-139 Cualquier punto del interior de este conjunto podría ser una estrategia conjunta entre ambos jugadores. Esta estrategia podría incluso provenir de un acuerdo cooperativo entre los jugadores. 3 Secuenciales Los juegos secuenciales se presentan a menudo. Al igual que los juegos simultáneos. 179 . los secuenciales pueden representarse en forma normal o en forma extensiva. aunque no coincida con un resultado de la teoría. sea pura (un punto ya existente en la bimatriz) o mixta (un punto cualquiera no perteneciente a la bimatriz).

cada acción de B debe contemplar la reacción para cada una de las acciones que A previamente ha decidido. (b2|a1 o b3|a2). contiene la respuesta a la acción que elija A. b4 G(b4|a2) Figura 3-140 Observar en la figura que se colocaron distintas acciones de B en cada estrella. La tabla de ganancias será de 2×4. B b1|a1 o b3|a2 b1|a1 o b4|a2 b2|a1 o b3|a2 b2|a1 o b4|a2 a1 G(b1|a1) G(b1|a1) G(b2|a1) G(b2|a1) A a2 G(b3|a2) G(b4|a2) G(b3|a2) G(b4|a1) Figura 3-141 Por razones de simplicidad podría sobreentenderse la condicionalidad y entonces la tabla quedaría como en la figura siguiente (la primera acción de B es |a1 y la segunda es |a2). las acciones de B son solo 2. Juego secuencial Tomando el mismo ejemplo. Capítulo 3 Distribuciones de Probabilidades G(b1|a1) b1 a1 B b2 G(b2|a1) A b3 G(b3|a2) a2 B. las acciones del segundo jugador B. como se muestra en la figura 3-141. cualquier acción que elija B. pues dado que modelan un juego sucesivo. Forma normal La representación normal de un juego secuencial requiere modificar las acciones del jugador B que sigue al primero A. 180 Jorge Carlos Carrá . (b1 y b2) y la tabla de ganancias es de 2×2. (b2|a1 o b4|a2). Esto se hizo así pues en un juego secuencial no es imprescindible que las acciones de un jugador en las distintas estrellas sean las mismas. (b1|a1 o b4|a2. deben ser 4: (b1|a1 o b3|a2). Juego simultáneo Tomando como ejemplo el juego 2×2 de la figura anterior. exactamente como si se actuara en forma sucesiva. De esta forma.

Contener todos los nodos de los conjuntos de información que incluya el subjuego. constituye por sí mismo un juego independiente. Debe cumplir las siguientes propiedades: 1. Contener todos los sucesores de ese nodo en el árbol. con subjuegos con IP y subjuegos con II. los juegos pueden contener ambas modalidades. Se resuelven cada uno de los subjuegos y luego se colocan los resultados en el juego general. no puede tener más subjuegos que el mismo pues debe comprender en forma completa al conjunto de información. • en un juego de m×n. 3. • R El último jugador actuará racionalmente => se comienza hallando la ganancia dominante de cada uno los subjuegos finales (se elige esa rama de cada una de las estrellas finales. marcándola por ejemplo con una flecha). Todas las estrategias que no satisfacen esta condición. Un juego con información imperfecta. c Equilibrios Forma extensiva Condición suficiente La condición suficiente para resolver un juego en forma extensiva es la siguiente: Un equilibrio es perfecto en subjuegos si cada jugador lo hace en forma óptima (ganancia dominante) en cada subjuego. basado en el conocimiento común (página 151). • S(R) El penúltimo jugador sabe que el último jugador actuará racionalmente => se retrocede en el árbol hallando la ganancia dominante de cada subjuego mayor que anida a los 181 . II. IP. que al ser separado. B tendrá n m acciones. • en un juego de 3×2. Por ejemplo: • en un juego de 2×3. se llaman imperfectas. tiene subjuegos. Todo juego con información perfecta. Sin embargo. Inducción hacia atrás El procedimiento para construir un equilibrio perfecto en subjuegos es el principio de inducción hacia atrás. B tendrá 2*2*2 = 8 acciones. Comenzar en un solo nodo. b Subjuego Es una parte de un juego. IV Teoría de los juegos – 3 Secuenciales B b1b3 b1b4 b2b3 b2b4 a1 G(b1|a1) G(b1|a1) G(b2|a1) G(b2|a1) A a2 G(b3|a2) G(b4|a2) G(b3|a2) G(b4|a1) Figura 3-142 Se aprecia así que las columnas están formadas por las combinaciones de cada una de las acciones de B de una estrella con cada una de las otras estrellas. Se busca la mejor estrategia mirando hacia adelante y razonando hacia atrás. B tendrá 3*3 = 9 acciones. 2.

se resaltó la rama superior b1 pues 3 es mayor que 2. el conformado por las ramas superiores y el equilibrio se conforma con las ganancias (4. por lo tanto. Recordemos que las ganancias se colocan al final del árbol. El sendero del equilibrio será. por lo cual se resaltó la superior c1. En estos juegos debe utilizarse la solución del equilibrio de Nash. lo cual descartará a las estrellas finales existentes no elegidas). tienen al menos un equilibrio perfecto en subjuegos. Análogamente para la estrella que se encuentra por debajo se resaltó la rama superior. se han marcado con una flecha las ramas que en cada estrella tienen las mayores ganancias. las ganancias del jugador C son 3 para la rama superior y 1 para la inferior. 182 Jorge Carlos Carrá . Capítulo 3 Distribuciones de Probabilidades últimos (nuevamente se elige y se marca con una flecha a una rama de cada estrella penúltima. El siguiente paso es analizar las estrellas penúltimas. Así por ejemplo. El estudiante puede averiguar si en este juego el orden importa. Los juegos finitos de información perfecta. antes estudiado para estos juegos. para juegos secuenciales. colocando a los jugadores en por ejemplo. a diferencia de los juegos simultáneos. Si existiera algún empate entre 2 acciones. 3. ubicada en la parte superior derecha del árbol. Teorema de Nash En realidad se trata de un caso particular del teorema ya visto (página 156). Esto es simplemente la consecuencia de que la inducción hacia atrás necesariamente termina después de una serie de pasos. en el orden de los jugadores. se llama Trayectoria o Sendero del equilibrio. Siguiendo con el ejemplo. El camino continuo de ramas con flechas que resulta. en los juegos secuenciales siempre existe un equilibrio en estrategias puras. se deberían realizar 2 diagramas. 3). Se continúa con este proceso hasta llegar al inicio del árbol. Ejemplo En el ejemplo del siguiente árbol. Se sigue con el conocimiento común hasta llegar al principio del juego. solo de ubicación). el orden BAC y resolviendo nuevamente el equilibrio (las ganancias no cambian de valor. Notar que el jugador A obtiene una ganancia de 4 aunque existe una ganancia mayor de 5. los cuales impiden aplicar este principio. Esta solución es un equilibrio perfecto en subjuegos pues es dominante en todos los subjuegos La inducción hacia atrás no puede ser usada en juegos simultáneos pues existen nodos desde los cuales no se puede observar todo lo que ha pasado (conjuntos de información con más de un nodo). en la estrella (subjuego). Observar entonces que. pues 5 es mayor que 1. la cual no es alcanzada por la racionalidad de los otros jugadores. comenzado desde el final. uno por cada una de las elecciones.

0) (0. IV Teoría de los juegos – 3 Secuenciales 4.4 b2. Si la columna dominada se elimina primero.....2. A modo de ejemplo. 100) (100. se obtienen diferentes resultados. Si la fila dominada se elimina primero. 3.5.5 b2 C. 0) Figura 3-145 183 . 1.1 A c1. 0) (0. para obtener igual resultado. 1. por las dudas. queda la columna derecha. 0) (0.4. queda la fila inferior. 100) Figura 3-144 En la figura que sigue.2.3. a2 c2. 4.4 b1. Esto se cumple siempre. si se eliminan las estrategias dominadas en un orden distinto. c1. pero debe tenerse una precaución por la existencia de estrategias débilmente dominadas. c2. el mismo orden de eliminación de ramas de la inducción hacia atrás. 5..2 B. 1) (1. c2. (1. 100) se pierde si se eliminan las estrategias débilmente dominadas correspondientes a su fila o columna. C.1 a1 B c1. debiendo seguirse. C..4.5 Figura 3-143 Forma normal En la forma normal equivalente aparecen tanto los equilibrios perfectos como los imperfectos..3 c1 C b1 c2 4. Esta particularidad se analizará con un ejemplo en el siguiente problema resuelto. 1. Estrategias dominadas y la inducción hacia atrás La eliminación de ramas de la inducción hacia atrás de la forma normal es equivalente a la eliminación de estrategias dominadas de la forma normal.. (0..5.3. en la siguiente figura se presenta un ejemplo en el cual el equilibrio de Nash (100. 1) (100.

Por su parte. 5. la flecha de B es el resultado de las ganancias dominantes dentro de c1. Pero ¿es esto equivalente a la resolución con la inducción hacia atrás con la forma extensiva? La respuesta es no. | c2. Veamos porque. | 3. en el juego de la figura anterior las flechas de C corresponden a dentro de b1 o dentro de b2. 184 Jorge Carlos Carrá . Capítulo 3 Distribuciones de Probabilidades d Juegos simultáneos Simultáneo en forma extensiva Sabemos resolver los juegos simultáneos buscando los equilibrios con su forma normal. 2. 3 4. las flechas se colocan dentro de las estrategias ya elegidas por los anteriores. 1 B b2 2.1 | Figura 3-146 A modo de ejemplo.3 c1 | |C b1 | c2 4. Recordemos que el equilibrio en la forma normal se basa en colocar flechas según las dominancias de ganancias dentro de cada acción (fila o columna) independientemente de la elección del otro (son simultáneos). Dado que en este caso la acción c1 fue dominante en ambas estrellas. En este caso existe coincidencia con el procedimiento de la forma normal.1 | B | c1. La flecha de B debe ser ahora dentro de la estrategia c1c2. 1 Figura 3-147 Pero veamos ahora la siguiente figura en la cual se intercambiaron las ganancias de la mitad inferior. lo cual puede corroborarse con el diseño del juego en forma normal que se muestra en la siguiente figura. la cual deja de ser una acción pura de C (en la tabla 2×2 de la forma normal se correspondería con dentro de diagonal en lugar de dentro de fila o columna). la inducción hacia atrás. C c1 c2 b1 3. del cual resulta un equilibrio de Nash para el par b1c1. Luego de C se coloca la flecha de B. 5 5. excepto para el último jugador.5 b2 | C.

.3 c1 | |C b1 | c2 4. Forma extensiva | G11 b1 | |B a1 | G12 | b2 | G21 a2 | b1.1 | B | c1. Secuencial con partes simultáneas A modo de ejemplo.. IV Teoría de los juegos – 3 Secuenciales | 3. G31 B. observar la forma normal del siguiente juego dado en la forma extensiva. b2.5 | Figura 3-148 Este ejemplo muestra que.1 b2 | C. 5. Ejemplo Consideremos las siguientes ganancias. | b2. 2. salvo para el caso particular de estrategias dominantes en ambos jugadores.. G32 Figura 3-149 Forma normal La parte simultánea puede reemplazarse por su solución de equilibrio. | c2. A | | B. en un juego simultáneo la inducción hacia atrás no puede aplicarse. 185 . G22 a3 b1.

2 A b1 a3 4. 2 A a3 4. | b2. 5 Figura 3-151b Volviendo a la forma extensiva y resolviendo ahora por inducción hacia atrás. b2.1 | b2 | 1. b1.5 Figura 3-151a La forma normal equivalente es la siguiente. B b1b1 b1b2 a1 3. 6 3.6 B. Capítulo 3 Distribuciones de Probabilidades | 3... 2 3. resulta finalmente el camino de equilibrio a3 b1. 4.. resultando..6 B.3 a3 b1. 186 Jorge Carlos Carrá .5 a2 | b1. 3. 3.5 Figura 3-150 Si se resuelve el equilibro de Nash del subjuego simultáneo se obtiene (verificarlo) el equilibrio a1. A | | B. por lo tanto el siguiente juego. a1 3.. b2.2 b1 | |B a1 | 0. -1.

4.50 Educación parental Considerar un juego entre un padre y su hijo. 187 . IV Teoría de los juegos – 3 Secuenciales | 3. b2.6 B. realiza lo que se llama una amenaza (o promesa) no creíble y es por esto que un problema de credibilidad siempre acompaña a estas acciones. Por su parte las ganancias del padre que no castiga suben –2 si el hijo se comporta M y 0 si se comporta B. quienes realizan promesas que luego no pueden cumplir por los costos que les acarrea. En el caso de que un jugador prometa elegir un equilibrio imperfecto.5 Figura 3-152 e Racionalidad secuencial y credibilidad Los equilibrios imperfectos conformados por caminos del árbol que contienen flechas no elegidas en una etapa posterior. -1.1 | b2 | 1. 3. Consideremos como referencia a la ganancia del hijo BN como 0.. Por el contrario. perdiendo credibilidad.. El hijo puede elegir entre ser Bueno (B) o Malo (M). El padre puede Castigar (C) o No castigar (N). A | | B. por lo cual presentan un problema de credibilidad. La promesa es un ritual en los políticos en campaña. si MC es 1–2 = –1 y si BC es 0 – 2 = –2. Por lo tanto la ganancia del hijo si MN es 1. es decir una estrategia que contradiga su dominancia en ganancias. pues implica que cada jugador actuará en forma racional en todo punto del juego. cuyo cumplimiento generalmente tiene un coste para el jugador que la efectúa. Dos de estas acciones son las promesas y amenazas (según el carácter de la acción). Problema resuelto 3. Esta propiedad de la inducción hacia atrás se llama Racionalidad Secuencial. Racionalidad secuencial Los caminos de equilibrios imperfectos no serían elegidos por un jugador racional pues no obedecen a una dominancia en ganancias.. presentan dos características. una amenaza (o promesa) resulta creíble si para el jugador que la realiza es dominante en ganancias. Las estrategias imperfectas no son dominantes en ganancias en algún momento del juego. | b2. Además el hijo tiene una ganancia de 1 siendo M y se le resta –2 si es castigado C.2 b1 | |B a1 | 0.3 a3 b1.5 a2 | b1. que lo transforman. Credibilidad Se llaman movidas estratégicas a las acciones realizadas afuera del juego.

se encuentra que el equilibrio del juego es M. el Padre elegiría N.-2 Figura 3-153 Aplicando la inducción hacia atrás. por lo que el Padre elige No castigar. NN) pues ese nodo no es alcanzado nunca si el Hijo elige el nodo 3. C N C. Como entre estas 2 estrategias del Padre. el óptimo para el Hijo es Malo. 0' 0. Se podría argumentar que no es necesario agregar que en el nodo 2. • NN. Solución a) Representación extensiva de un juego secuencial 1 Hijo B M 2 Padre 3 Padre. Por lo tanto. son: • CC. a) dibujar la forma extensiva (el árbol del juego) y encontrar el camino del equilibrio. este razonamiento es incorrecto pues el equilibrio resulta de pensar todas las alternativas. 0' Hijo Malo *–1.0 -1. N. NN. No castigar si es Bueno o Castigar si es Malo. Se marcaron con * las ganancias dominantes del Hijo dentro de las estrategias del Padre y con ' las de Padre dentro de las estrategias del hijo. –1 –2. Castigar si es Bueno o Castigar si es Malo (Castigar siempre). Si el Hijo llegara al nodo 2. • CN. la dominancia en ganancias para el Hijo es el nodo 3 (1 es mayor que 0). No castigar si es Bueno o No castigar si es Malo (No castigar siempre). el Padre elegiría N (primera N de la estrategia M. Padre CC CN NC NN Bueno –2. Castigar si es Bueno o No castigar si es Malo.-1 0. b) Representación normal de un juego secuencial El Padre tiene 4 estrategias. –2' –1. Si el hijo juega primero y el padre reacciona observando su comportamiento. si BC es 0–1=–1. pues debe contemplar lo que hará el Hijo. el Hijo elegiría este nodo. –3 *1. a saber: 188 Jorge Carlos Carrá . Los equilibrios de Nash son los sombreados (pues contienen 2 marcas en una misma celda). • NC. el Padre elegiría N y si llegara al nodo 3. b) dibujar la forma normal y encontrar los equilibrios de Nash. la ganancia del padre si BN es 0. -2. –3 *1. –2' Figura 3-154 Las 4 estrategias del Padre. Capítulo 3 Distribuciones de Probabilidades Además el padre que castiga obtiene –1. Sin embargo.-3 1. si MN es –2 y si MC es –3. –1 *0.

4 Teoría de las decisiones económicas Es un caso particular de la Teoría de los Juegos en la cual solo interviene un jugador contra la naturaleza. En esta introducción he presentado los conceptos básicos de la teoría de los juegos. estos programas pueden ganarle actualmente a cualquier oponente (incluidos los campeones de ajedrez). Observar que si se eliminan las estrategias débilmente dominadas de la forma normal (columnas CC. Trata de establecer algún criterio que permita a una persona elegir una de varias alternativas económicas que se presenten en condiciones de incertidumbre. pues contradicen la dominancia en ganancias de algún jugador. aparece como el más consistente). (M. votaciones. A partir de aquí el lector que lo desee puede profundizar en la abundante bibliografía existente. NN) y (M. CN) El Padre decide jugar: Castigar si es Bueno o No castigar si es Malo y el óptimo para el Hijo es Malo. 3. La computadora decide su movimiento aplicando el principio de inducción hacia atrás. llamada Racionalidad Secuencial. (M. Por lo tanto el Padre elige No castigar. negociaciones. CN y NC y luego la fila Bueno). 189 . El equilibrio de Nash 1 es coincidente con el equilibrio perfecto obtenido con la forma extensiva. Credibilidad Estos equilibrios imperfectos contienen una promesa no creíble. por otra parte. (B. Las ganancias se establecen de acuerdo a la importancia de cada pieza. agregando nuevos conceptos como. se obtiene la celda del equilibrio de Nash (M. Por último los equilibrios (M. etc. se tendrían 205 = 32000000 posibilidades para analizar en los 3 minutos asignados a cada jugada. f Aplicación: juego de ajedrez Veamos someramente el procedimiento para analizar por computadora el juego secuencial de ajedrez. 2. subastas. NC) El Padre decide jugar: No castigar si es Bueno o Castigar si es Malo y el óptimo para el Hijo es Bueno. Si bien no es posible para el computador tener almacenado el árbol completo pues se estiman en alrededor de 101050 jugadas de ajedrez. en el equilibrio (B. dada la racionalidad del Padre. Por lo tanto el Padre elige No castigar. IV Teoría de los juegos – 4 Teoría de las decisiones económicas 1. NN). NC) el Hijo es Bueno y el Padre elige No castigar (el cual. por la cual cada jugador actúa en forma racional en todo punto del juego. Los dos equilibrios de Nash restantes son equilibrios imperfectos. CN) son equivalentes pues producen las mismas ganancias. se elimina en la forma extensiva pues si el Hijo es racional nunca elegiría el nodo 2. Racionalidad secuencial Estos equilibrios imperfectos contradicen la propiedad de la Inducción hacia atrás. Así por ejemplo. Si por ejemplo fueran 20 alternativas por cada jugada y el programa analizara un árbol de 5 jugadas sucesivas. igual a las del equilibrio perfecto de la inducción hacia atrás de la forma extensiva. arbitrajes. Los computadores no pueden pensar pero el programa contiene un diagrama de árbol con las jugadas más comunes (digamos 20) que pueden hacerse en cada situación. más fáciles de detectar en la forma normal y que presentan las siguientes características derivadas de la dominancia en ganancias. Por lo tanto el Padre elige No castigar. NN) El Padre decide jugar: No castigar si es Bueno o No castigar si es Malo y el óptimo para el Hijo es Malo.

En la figura siguiente. p11 G12. Esta última es en realidad una tabla de contingencias (con frecuencias relativas) que cruza las variables Acciones y Eventos. p31 G32. p32 Figura 3-156 Tabla de decisiones 190 Jorge Carlos Carrá . p12 Acciones a2 G21. es decir el valor máximo de las esperanzas de las acciones que se derivan de ese cuadrado. G1 y G2 expresan los valores esperados de las respectivas estrellas. En realidad son 2 tablas en una. La que contiene las ganancias y la que contiene las probabilidades. es decir: G1 = G11* p11 + G12 * p12 G 2 = G 21* p 21 + G 22 * p 22 p11 G11 a1 G1 A p12 G G12 dominante G21 a2 p21 G2 p22 G22 Figura 3-155 Árbol de decisiones b Forma normal La tabla de decisiones es una tabla de doble entrada con las acciones controlables por el usuario en la primera columna y los eventos de la naturaleza incontrolables o aleatorios en la primera fila. Con el objeto de favorecer el cómputo de las ganancias dominantes. p21 G22. Dentro del círculo se coloca el valor esperado de las ganancias correspondientes a ese nodo y dentro del cuadrado la ganancia dominante. Naturaleza e1 e2 a1 G11. en la teoría de decisiones económicas suele complementarse el árbol expresando los nodos de los eventos con un círculo y el nodo del jugador con un rectángulo. p22 a3 G31. Capítulo 3 Distribuciones de Probabilidades a Formas de la decisión a Forma extensiva Es el formato habitual dado que intervienen eventos aleatorios de estados de la naturaleza. Se deja la decisión de utilizar o no esta notación a juicio del lector.

0 Figura 3-157 Árbol de decisiones Como ya sabemos. Tabla de decisiones Se muestra en la figura 3-158. IV Teoría de los juegos – 4 Teoría de las decisiones económicas Problema resuelto 3. Observar que se ha remarcado con flechas el camino del equilibrio y que se han colocado además las ganancias esperadas o dominantes en cada nodo. Árbol de decisiones 0. si se adopta el criterio de maximizar este valor. 1 0.75 7 a3 0. la construcción del árbol se realiza de izquierda a derecha pero el llenado de los valores numéricos de las ganancias se hace aplicando el principio de inducción hacia atrás (página 181). E1 E2 E(G) a1 10. 0. 0.67 -60. No Invertir 1 5 5. de derecha a izquierda.33 7 a3 5. 0.75$ a2 E (G ) = 7$ a3 E (G ) = 5$ Por lo tanto.15.67 a2 40 Invertir 7. 0 5 Figura 3-158 Distribución de x=G Las ganancias de cada alternativa son: a1 E (G ) = 7.67 y la de decrecer a 40$ es 0. deberá elegirse la alternativa a1. 0. a3: plazo fijo al 5% anual. 191 .85 -5.75.33..75.51 Mejor inversión Un operador desea invertir 100$ ¿Cuál de las 3 siguientes es la mejor inversión? a1: acciones A cuya probabilidad de aumentar en un año a 110$ es 0.15 7.15 -5 0. a2: acciones B cuya probabilidad de aumentar en un año a 140$ es 0.75 Acciones a2 40. según corrsponda.85 10 a1 7. El primer valor de cada celda es la ganancia para cada evento y el segundo la probabilidad de cada evento.85 y la de decrecer a 95$ es 0. 0.33 -60 7.

85 0.085 0. 0.52 Acciones y la economía Antes de tomar una decisión.072 Las probabilidades de la inversión a plazo fijo. el 60% del tiempo ha habido recesión económica • cuando las acciones B suben . 0.6365 Sube Sube 0.09 R. Figura 3-159 Árboles de probabilidades condicionales Por consiguiente. resultan: Para la acción A: 0.60 0.33 Baja Baja R.206 Para la acción B: 0. el operador del problema resuelto anterior desea evaluar el comportamiento de las acciones según las condiciones de la economía.50.0335 . Problema resuelto 3. el 50% del tiempo ha habido recesión económica En el momento de la inversión.165 0. Acciones A Acciones B 0. sabe que: • cuando las acciones A suben. utilizando el teorema de Bayes para calcular las probabilidades a posteriori de la nueva evidencia.10 R 0. Tomando como base a la experiencia.95 P 0. Capítulo 3 Distribuciones de Probabilidades Aplicación del teorema de Bayes Las probabilidades incluidas en el árbol de decisiones pueden actualizarse mediante la aplicación del teorema de Bayes.765 P(S | P) = = 0. Revisar las probabilidades a priori del ejemplo 3. .40 P.67 0. originando un árbol de probabilidades anexo al árbol de decisiones. no cambian. resultan ahora: 192 Jorge Carlos Carrá . la situación era de prosperidad. a la luz de la nueva información.765 + 0. 0. Las ganancias actualizadas de cada alternativa. el 90% del tiempo ha habido prosperidad económica • cuando las acciones A bajan.6365 + 0.90 P 0. estudiado en el capítulo 2. 0.50 P.5.15 0.794 0.06 P ( B | P ) = 0.165 P ( B | P ) = 0.05 R 0. 0.165. llamando S al evento Sube y B al evento Baja.el 95% del tiempo ha habido prosperidad económica • cuando las acciones B bajan.765 0.928 0. 0.06 0.6365 P(S | P) = = 0.

Problema resuelto 3. IV Teoría de los juegos – 4 Teoría de las decisiones económicas a1 E (G ) = 8. En este contexto. el árbol de decisiones es un caso particular del caso anterior y se muestra en la figura 3-160. la cual contiene varios eventos aleatorios. b Caso particular: una sola acción Un caso particular del anterior se presenta cuando existe una sola acción voluntaria elegida y controlada por el usuario: la de participar. si se desea que sea equilibrada.4$ a3 E (G ) = 5$ Por lo tanto. En realidad. en forma implícita. 193 . que debe tener una rifa para juntar fondos de 1000 números y con un premio de 200$. Criterio del signo del valor esperado • Si E(G) > 0 => decisión favorable (a la larga conduce a la fortuna) • Si E(G) < 0 => decisión desfavorable (a la larga conduce a la ruina) • Si E(G) = 0 => decisión neutra. p1 G1 a1: E(G) participar p2 G2 A E(G) a2: no participar 0 Figura 3-160 Árbol de decisiones La decisión se corresponde con el siguiente criterio. esta acción siempre se contrasta con la acción de no participar. decisión óptima es ahora invertir en la acción B. pero esta acción no tiene eventos y su E(G) = 0.25$ a2 E (G ) = 27. b) ¿Cuál es el valor esperado si C = 1$? c) ¿Cual deberá ser el premio si C = 1$ y la rifa es neutra? a) Tabla de decisiones Como alternativa de presentación se han colocado las probabilidades en una fila separada de las ganancias.53 Rifa para juntar fondos a) Determinar el valor C.

resulta P = 1000$. Problema resuelto 3. Capítulo 3 Distribuciones de Probabilidades Eventos S Pierde Gana G=g -C 200-C p(g) 999/1000 1/1000 Figura 3-161 Distribución de x=G Árbol de decisiones G 999/1000 -C E(G) 1/1000 200-C Figura 3-162 Árbol de x=G Operando para un juego neutro: −999C + 200 − C E (G ) = =0 1000 Por lo tanto: C = 0. b) Comparar las siguientes acciones: a1: situación anteriormente descripta. Basar el cálculo en E(G)=0. resulta E(G) = -0. es decir sin ganar ni perder. Luego se agregarán las utilidades y los gastos administrativos.80$ c) Reemplazando en E(G) = 0. a2: persona que no compra el seguro. el valor de C y el número 200 por una variable P (premio). La póliza cubre siniestros que por experiencias previas ocurren 1 de cada 200.20$ b) Reemplazando el valor de C en la ecuación de E(G).54 Costo de la prima de seguros a) Determinar la prima anual C para un seguro de daños de un auto de 10000$. a) Tabla de decisiones Eventos S No Siniestro Siniestro G=g -C 10000-C p(g) 199/200 1/200 Figura 3-163 Distribución de x=G 194 Jorge Carlos Carrá .

-50 1/200. es decir contratar el seguro. IV Teoría de los juegos – 4 Teoría de las decisiones económicas Árbol de decisiones G 1/200 10000-C E(G) 199/200 -C Figura 3-164 Árbol de x=G Operando para un juego neutro: 10000 E (G ) = − C + =0 200 Por lo tanto: C = 50$ b) Tabla de decisiones Eventos S No Siniestro Siniestro a1 -50 9950 a2 0 -10000 p(g) 199/200 1/200 Figura 3-165 Distribución de x=G Árbol de decisiones G 199/200 -50. 0. 0. -10000 Figura 3-166 El E(G) de a1 es 0 y el de a2 es -50$.. 195 . Por lo tanto si se adopta el criterio de maximizar este valor. 1/200 9950 0 199/200. se deberá elegir la acción a1.

18 negross y el 0 de coloor verde).027$ 37 37 37 7 c) 196 Jorge e Carlos Carrrá . b)) calle.555 Ruletaa europea Una rulleta europea (siin doble 0). Capíítulo 3 Distrib buciones de Probabilidade P es Prob blema ressuelto 3. Ver figura f 3-167. es decir 3$$). Hallar la E((G) si se apuessta 1$ a: a) al númeroo 17 (pleno). tieene números deel 1 al 36 (18 roojos. d) d ¿Cuánto debería pagar la banca para que el juego seea neutro? F Figura 3-167 Ruleta a) Eventos S no saale el 17 saale el 17 G=g -1 35 p(g) 36/37 1/37 F Figura 3-168 Distribución de probabilidaades de G 36 1 1 E (G ) = − 1 + 35 =− = −0. El casino paga p 36$ por cada c pleno y paara el resto de llas jugadas en forma proporcional (por ejem mplo en cada columnna hay 12 plenoos y por lo tanto se pagará 36/12. c) negro o (color).027$$ 37 37 37 b) Evento os S no saale la calle sale la calle G=g -1 11 p(g) 334/37 3/37 F Figura 3-169 Distribución de probabilidaades de G 34 3 1 E (G ) = − 1 + 11 = − = −0.

resulta: E (G ) = − 10$ Por lo tanto conviene comprar en A. ¿Dónde conviene comprar? Calculemos la distribución de la ganancia de comprar en B. 36/37 No sale -1 Figura 3-171 Distribución de probabilidades de G Por lo tanto: 1 36 E (G ) = C+ ( −1) = 0 37 37 Despejando resulta: C = 36$ A partir de este valor. PP. IV Teoría de los juegos – 4 Teoría de las decisiones económicas Eventos S colorado o cero negro G=g -1 1 p(g) 19/37 18/37 Figura 3-170 Distribución de probabilidades de G 19 18 1 E (G ) = − 1 +1 = − = −0. Eventos S no gana gana G=g -20 10000-20 p(g) 999/1000 1/1000 Figura 3-172 Distribución de probabilidades de G De aquí que la ganancia de comprar en B respecto de A. definida en el capítulo 2 (página PP2). resulta: G 36 PP = = = 36 A 1 En síntesis y generalizando.56 Estrategias de ventas Un comercio A vende una mercadería a 280$. respecto de comprar en A. puede concluirse que la Posibilidad de Pago. Otro comercio B la vende a 300$ pero regala una rifa de 1000 números con un premio único de 10000$. equivale a un monto total de 36$). Problema resuelto 3. si el juego es neutro. los casinos fijan las posibilidades de pago en un valor inferior. en este caso. en este caso 35:1 (una ganancia del jugador de 35$ por cada 1$ colocado en un pleno. 36:1. 197 . Naturalmente.027$ 37 37 37 d) Sale C 1/37 . las posibilidades de pago resultan ser iguales a las posibilidades en contra de ganar.

Capítulo 3 Distribuciones de Probabilidades 198 Jorge Carlos Carrá .

El procedimiento que veremos a continuación es válido para la generación aleatoria de cualquier distribución. se agrupan una serie de procedimientos que reproducen por muestreo aleatorio. NAU15. Si por ejemplo la F(x) en estudio es normal. al esquema anterior se le agrega este generador. 14 Simbolizamos con F(x) a la probabilidad acumulativa P(X < x). (ver figura 3-173). justificaremos esa construcción. como se muestra en la figura 3-174. Estas características que son parte esencial de un algoritmo por SMC. En este caso. En esta última sección del capítulo 3. SMC. NAE. 199 . Figura 3-173 Simulación Montecarlo SMC Los paquetes de software que contienen técnicas estadísticas disponen en general de números aleatorios que generan varios de los modelos vistos en este capítulo (ver resumen para SPSS y EXCEL en el apéndice B). etc. sea o no uno de los modelos vistos y se inicia con un generador de Números Aleatorios Uniformes. V Simulaciones – 4 Teoría de las decisiones económicas V Simulaciones 1 Simulación de distribuciones En el capítulo 2. distribuciones poblacionales arbitrarias F(x)14 de variables aleatorias x. se generarán NAN. sección simulaciones. si es exponencial. hemos utilizado la serie de frecuencias acumuladas de una distribución particular en estudio para recodificar números aleatorios uniformes a esa distribución. 15 Una utilización de los mismos fue realizada en el capítulo 2. normalmente con la intervención de la computadora. Llamaremos NAF a los Números Aleatorios de cualquier distribución F(x). También hemos adelantado que bajo el nombre de Método Monte Carlo o Simulación Monte Carlo. página NAU2.

Su PDF. 2 Muestra: Método de la CDF inversa Uno de los métodos de generación de NAF de cualquier distribución. F ( x ) . ya utilizado intuitivamente en el capítulo 2. y Se genera un NAU y. Figura 3-175 Método CDF inversa Esta propiedad se utiliza para generar un muestreo aleatorio de una x. derecha). conocida su CDF. La CDF de una CDF es una distribución uniforme comprendida entre 0 y 1. g ( y ) es entonces una distribución uniforme comprendida entre 0 y 1.02) Pero hasta ahora no conocemos su valor. Capítulo 3 Distribuciones de Probabilidades Figura 3-174 SMC con NAU Recordemos del capítulo 2. procediendo de forma inversa al desarrollo anterior (ver nuevamente la figura): 1. y = F ( x) ⇒ x = F ( y) Analíticamente Igualamos la ecuación de F(x) a este número y despejamos la x. centro). y por lo tanto igual a 1 (ver figura 3-175.52) = P( X ≤ 6. izquierda es: G(0. Si además la F(x) es la CDF de x. que existen 3 pasos en la obtención de una simulación: 1 Población Definida con su distribución de probabilidades y por lo tanto es conocida su F(x).52) = P( F ( X ) ≤ 0. podemos conocer la función G ( y ) pues el penúltimo miembro es: G ( y ) = P ( X ≤ F −1 ( y ) ) = F ( F −1 ( y ) ) = y Por lo tanto se trata de una CDF G ( y ) igual a una recta a 45° (ver figura 3-175. Propiedad de las CDF Sea una función cualquiera F(x). aún sin conocer su nombre.52.52) = P( X ≤ F −1 (0. Se cumple siempre que: G( y) = P ( F ( X ) ≤ y ) = P ( X ≤ F −1 ( y) ) = P( X ≤ x) . se llama de la CDF inversa. En el ejemplo de la figura 3-175. Gráficamente Lo buscamos en el eje de ordenadas de la CDF a simular (si admitimos que la distribución es 200 Jorge Carlos Carrá . −1 2. Supongamos que éste valor es y = 0.

21 Figura 3-176 P(x) a) 1 Población Se conforma la siguiente tabla. b) Confrontar luego con el valor teórico: b(2.57 Simulación Montecarlo Dada la siguiente distribución arbitraria de x. problemas que por su complejidad no podrían ser estudiados por los alumnos. x 0 1 2 3 u= F(x) 0-19 20-44 45-78 79-99 Figura 3-177 CDF inversa El lector observará que este proceso de codificación de valores ya fue utilizado en el capítulo 2. por ejemplo entre 0 y 100. en la que se definen los intervalos. 3 Repetición Se repite el procedimiento para obtener varias muestras que luego se podrán aplicar al proceso en estudio. los NAU deben ser enteros.34 0. en donde se tildan las veces que este valor se encuentra entre 45 y 78. calculadora. 2 Muestra Se generan NAU entre 0 y 100 3 Repetición Repitiendo el paso 2 se conforma una tabla como la siguiente.25 0. y dada la fructífera relación modelo-experiencia inherente al método.34). a) simular un muestreo aleatorio para hallar la P(x = 2) en 40 extracciones. Bajamos al eje x. Se deja al lector el llenado de esta tabla. Por otra parte. Nota Si los elementos a muestrear son objetos.80). usando el generador que prefiera (tabla. se recomienda su utilización. por lo cual se deberá multiplicar a los anteriores NAU entre 0 y 1 por el tamaño de la muestra. etc). existen en forma directa números aleatorios de la mayoría de las distribuciones teóricas vistas en este capítulo (ver resumen en el apéndice B). podríamos tomar el siguiente mayor es decir: 0.02. pero el método anterior de SMC permite resolver cualquier tipo de distribución y por lo tanto encarar. nE sale 2 no sale 2 201 .0.40. urna con 100 papeles. aunque sea en forma aproximada. aún en los casos en los que la resolución matemática del problema sea sencilla. de donde extraemos el valor final de la simulación de x = 6. Problema resuelto 3. tal como el SPSS. SPSS. En los programas informáticos. n y obtener así NAU entre 0 y n. x 0 1 2 3 P(x) 0. para ubicar los NAU. V Simulaciones – 4 Teoría de las decisiones económicas discreta.20 0.

8% 2 Simulación de juegos ComLabGames No hay mejor manera para entender las estrategias de un juego que jugar con otros. Marko Gorbelnik y Vesna Prasnikar de la universidad Carnegie Mellon. Permite correr y analizar los resultados de juegos entre computadoras conectadas por Internet o dentro de una red.4: clg_standalone. Una PC (server) actúa como moderadora. Para esta función se han creado algunos programas informáticos. Pero además de poder simular escenarios y testear hipótesis acerca del comportamiento humano. creado por Robert Miller. Se abre la siguiente ventana. Cliente a Moderador El creador del juego se llama moderador y es el que define el juego. ComLabGames (Computational Laboratory Games) es un software libre implementado en Java. esta simulación. versión 0.jar. quienes pueden actuar simultáneamente o secuencialmente. Se dividirá esta sección en 2 partes: a. en donde el moderador diseña el juego y en las restantes PC (clientes) están los jugadores.0.34) = 0. Desde la página con el nombre de este software descargar y ejecutar el archivo ComLabGame. Para dar al juego un incentivo que semeje a la realidad y motivar a los participantes a probar la eficacia (o no) de aprender la teoría de estrategia de juegos.118 = 11. al igual que la simulación Monte Carlo. la cual puede extraerse de un pago inicial requerido a cada participante. Graduate School of Industrial Administration. podrá crear datos experimentales para luego analizarlos estadísticamente. se suele ofrecer como incentivo una ganancia proporcional a la obtenida por cada estudiante al final del juego. Moderador b. 202 Jorge Carlos Carrá . con la pestaña Design (Diseño) pre-seleccionada. Observar que figura el nombre Server en la parte superior para indicar que se trata de la computadora del moderador. Capítulo 3 Distribuciones de Probabilidades Figura 3-178 P(x = 2) b) Confrontar el valor anterior con: b2 (40.

Execution: análisis del juego. a Design Los elementos de diseño se muestran en los botones de la columna izquierda. Assignment: asignación de parámetros específicos del juego. duración. Design: diseño del juego. Las Ganancias (Payoff) se aplican específicamente al caso de un diseño por árbol. Con un doble clic en los elementos arrastrados se les cambia el nombre. Los 3 últimos se utilizan para crear los jugadores (Players) y los estados de la naturaleza (Nature) que modela un jugador especial con decisiones aleatorias. V Simulaciones – a Moderador Figura 3-179 Se aprecia que las pestañas siguen la secuencia normal de un proceso de investigación: 1. 2. Los 3 primeros se refieren a subastas. 4. Los 2 siguientes se usan para elegir el tipo de diseño: tabla (Matrix) o árbol (Tree entry). 3. tipo de juego que no será analizado en esta introducción. tales como número de repeticiones. etc. La última ventana Client Play es utilizada por el jugador y no por el moderador. con las ganancias en los nodos terminales. 203 . Data: resultados de la simulación. Con un doble clic derecho se abre una ventana de edición. Para incorporarlos al modelo se los debe arrastrar hacia el espacio de trabajo y soltar.

previamente seleccionada. Player Arrastrando un elemento Player (Jugador) al espacio de trabajo. Si se desea otro color. Matrix (forma normal) Diseño de un juego simultáneo. Borrar Para borrar un elemento. Duplicar Con el botón Duplicate se puede duplicar cualquier parte del diseño. Arrastrar Matrix (matriz) para crear la tabla del juego. Automáticamente cambiará el color. Se observará que los nombres de los jugadores aparecen en la parte inferior dentro del panel Others y todos los elementos Nature en el panel Nature. editar con un clic derecho. Capítulo 3 Distribuciones de Probabilidades HTML El programa acepta algunos comandos de código HTML para editar los nombres. lo incorpora al juego. como jugadores existan en el juego y Nature. En particular si se desea que el nombre aparezca en varias líneas. seleccionarlo (a varios con el botón Ctrl) y presionar el botón Remove de la barra de herramientas. Cambiarle el nombre con un doble clic sobre el icono. seleccionándolo de la ventana de edición. en el caso de que existan estados aleatorios de la naturaleza. Figura 3-180 204 Jorge Carlos Carrá . Arrastrar tantos elementos Player. colocar una barra invertida \ al comienzo de la nueva línea. Hacer un doble clic derecho sobre Matrix. Se abre la ventana de la siguiente figura para editar la tabla del juego.

Si un jugador permanece en Others será solo observador del juego. Para volver a abrirlos. V Simulaciones – a Moderador • Show player's values only Esta opción se usa para determinar si los jugadores solo pueden mirar sus ganancias o también las de los restantes jugadores. se conectará automáticamente con el próximo elemento que se arrastre. Tree Entry (forma extensiva) Diseño de un juego secuencial. eligiéndola de un editor de funciones que se abre al hace un clic derecho sobre la celda. se anida en la tabla. Si se arrastra un tercer jugador. • Simultaneous move Esta opción determina si el juego es simultáneo o sucesivo. Si por ejemplo se desea que la ganancia sea un valor aleatorio entre 10 y 20. Editar el nombre con un doble clic sobre él. Para conectar sucesivos elementos al árbol (entrada del árbol. Arrastrar el nodo inicial Tree Entry (Entrada del árbol) al espacio de trabajo para iniciar el árbol del juego. Los archivos tendrán la extensión . Número de filas y columnas Si se desean agregar filas o columnas arrastrar el icono superior Insert Column a las filas o columnas y soltar. estados de la naturaleza y ganancias al nodo final). Si se desea borrar alguna fila o columna. sus iconos pasan del panel inferior Others al panel Payoffs (Ganancias). Se puede arrastrar un jugador no seleccionado directamente de Others al Payoffs. se selecciona previamente el icono al cual va a ser conectado y se arrastra el nuevo elemento del panel izquierdo.mgd. ejecutar el programa y luego File > Open. Seleccionar jugadores fila y jugadores columna Hacer clic derecho sobre las filas o columnas y seleccionar el jugador de la lista. se selecciona el que va a recibir la conexión y se arrastra el símbolo + inferior al elemento a conectar. Luego de asignar los jugadores. Guardar el modelo con File > Save. El orden entre las acciones puede modificarse arrastrando el encabezamiento a la posición deseada. se tienen 2 formas: • Cuando ambos elementos ya se encuentran en el espacio de trabajo. En particular y dado que un elemento arrastrado al espacio de trabajo queda seleccionado. Asignar el nombre a las acciones con un doble clic en los encabezamientos.20). En lugar de un valor numérico se puede escribir una función. Alternativamente arrastrar el icono del jugador del panel inferior y soltarlo en filas o columnas. jugadores. 205 . se colocaría Uniform(10. Introducir las ganancias Clic en cada celda y escribir la ganancia de cada jugador. arrastrar el icono Remove column y soltar en la que se desea borrar. Este jugador no interviene en las decisiones pero tendrá asignadas ganancias. • Con el botón Standard layout de la parte inferior de la ventana seleccionado.

Con un doble clic. Si se desea poner un nombre a la acción. En este caso cualquiera de los 2 jugadores puede elegir su acción pero el movimiento de uno no es observado por el otro hasta después de completar ambos sus movimientos. Se observará que quedarán conectados con una línea punteada para indicar el conjunto de información. es imprescindible colocar la probabilidad correspondiente (en forma absoluta o relativa. colocar el valor numérico o función (ver párrafo anterior) en el panel Number del jugador deseado. contendrá todos los jugadores que intervienen en el diseño. En base a estas probabilidades el software utiliza un mecanismo aleatorio para seleccionar las ramas conectadas a Nature. Simultaneidad Si parte del árbol implica simultaneidad (página 153). Introducir las ganancias La tabla de ganancias que se coloca en el nodo final. • Probability to continue Se puede indicar una probabilidad de que el juego continue luego de la última corrida. • Number of rounds No olvidar elegir aquí el número de corridas de la sesión. debe estar separado de la probabilidad por un espacio. en el cual cada jugador solo podrá mover cuando le llegue el turno. Repetir para todos los nodos involucrados. se puede colocar una etiqueta particular para la ganancia de ese nodo. b Assignment • Number of subjects Se puede configurar para un mayor número de participantes que el requerido por el juego. Con Label > Append. con un doble clic. equivale a la situación ya vista en la sección Teoría de las decisiones económicas (página 189). 206 Jorge Carlos Carrá . con el objeto de que el número de corridas sea aleatorio. hacer clic en el icono de uno de los nodos y arrastrar el símbolo + superior al otro nodo. Simulación de decisiones económicas Observar que un juego con Nature y con un solo jugador. para poder repetir el juego para otras personas. pues el programa siempre divide por la suma de los valores colocados). Capítulo 3 Distribuciones de Probabilidades Figura 3-181 El cuadro intermedio que aparece en cada rama se utiliza para colocar el nombre de la acción. En el caso particular de Nature. Comparar con un diseño secuencial.

probar el juego y corregir posibles errores. un 1 en rojo (en general se verá la frecuencia acumulada absoluta de elecciones para esa celda). Definir el ítem de comienzo En el espacio de trabajo. Pruebas Test session(s) El moderador puede probar el juego antes de conducir el experimento. La dirección y puerto de la computadora del moderador se muestra en la parte superior. V Simulaciones – a Moderador c Execution Posibilita probar y ejecutar el juego. Forma normal En la figura siguiente se observa una de estas ventanas (tiene el nombre Client). lo cual le permite visualizar la ventana que verá cada uno de los jugadores (clientes). Luego se muestra en la celda elegida. En este ejemplo se muestra un juego secuencial. Figura 3-182 Forma extensiva En la figura siguiente se observa la ventana que vería el jugador. Estos datos deben ser informados a los jugadores para que puedan conectarse al juego (ver Client play. El nombre del juego aparece al pie de la pantalla. debe cambiar la puerta de cada uno de ellos. Matrix o Tree Entry y luego en el botón Toggle start de la barra de herramientas. más adelante). Las ramas que cada jugador puede seleccionar se destacan al pasar el mouse por ellas y se eligen con un clic del mouse en el nombre de la acción. El icono del elemento toma un color rojo claro para indicar que el juego comenzará por él. En este ejemplo se simuló con un clic del mouse que B eligió b2 y A eligió a1. por lo cual luego de que el primer jugador 207 . hacer clic en el elemento de comienzo. Si el moderador desea correr varios juegos desde la misma PC (abriendo distintas sesiones del software). Ninguno de los jugadores ve la elección del otro hasta que ambos confirmen sus elecciones con Continue.

duplicando el número de jugadores. el moderador presiona Start sessions y en la barra de estado se observa Started. En el ejemplo de la figura siguiente se simuló que A eligió Entra y luego de verla. B eligió Sale. 208 Jorge Carlos Carrá . dentro de una carpeta llamada log que se crea dentro de la carpeta en donde se encuentra el archivo del juego. se muestra la misma en la ventana de los restantes jugadores. Start sessións Para correr el juego. por lo cual se muestra en la celda inferior de las ganancias de este camino. En la barra de estado se observa Waiting. Abrir la carpeta log. Dentro de los iconos que aparecen en la ventana. Trace Windows Muestra informaciones relativas a la prueba. un 1 en rojo y los totales en la raíz del árbol. Figura 3-183 Two session(s) Prueba dos sesiones corriendo a la vez. e Data Los datos son almacenados en un archivo en la computadora del moderador. Después de ejecutado el juego ir a Data > Open log. Stop sessions Detiene el experimento. Capítulo 3 Distribuciones de Probabilidades en el árbol elige su acción. arrastrar los deseados al panel Viewer.

Con el icono Matrix de color turquesa se muestra información que el sujeto eligió. b Jugador (cliente) Los clientes pueden entrar al juego luego de haber sido iniciado por el moderador (ver pestaña Execution. Si el jugador usa un navegador en lugar del programa. se muestran entre otros.1. • Password no es necesario. V Simulaciones – b Jugador (cliente) Con el icono Matrix de color rojo. Client Play Tal como se indica en la siguiente figura. Notar que luego del IP se colocan dos puntos y el puerto del servidor (9789). el número de celda y las ganancias que recibió cada jugador. Con un nuevo clic se ordena en forma descendente. se deben ingresar: • Server datos que provee el moderador. Con la selección adecuada de elementos a la izquierda.jar e ir a la pestaña Client Play (podría ser ejecutado en la misma PC del moderador abriendo otra sesión del programa).47:6789. el nombre del jugador. el tiempo que demandó la decisión. 209 . • Username puede ser cualquier nombre. Cada jugador en su PC debe ejecutar el archivo clg_standalone. se puede parcializar la vista de los datos. el número de sesión. página 208). Para ordenar los valores en forma ascendente. hacer clic en el encabezamiento de la columna deseada.168. debe colocar http:// antes de la dirección. por ejemplo: 192.

Se puede parcializar la información según la selección que se realice con los botones de la izquierda. Si se presiona el botón Statistics. En la ventana Execution del moderador. los nombres de los jugadores pasan de color rojo a verde. En el capítulo 5 nos servirán para probar hipótesis acerca de la cercanía o no de las experiencias con las predicciones teóricas. en función del rol que se le haya asignado. Figura 3-185 La simulación de un juego con jugadores reales provee datos experimentales. Pasar los 2 iconos Matrix al panel Viewer. tab separated value). Asignación de roles Cada cliente es asignado a un jugador en forma aleatoria. tal como se indica en la siguiente figura. Presionando Export table. Presionar el botón Continue. con lo cual se muestran todos los datos de las corridas. luego de lo cual cada jugador deberá comenzar a jugar eligiendo con el mouse una de las acciones (las de los otros jugadores están desactivadas). tanto en la PC del jugador como en la del moderador. Se muestra una ventana similar a la de la prueba realizada en la sección anterior. luego de cada selección para confirmarla. Datos Al finalizar el juego se muestra un resumen en la PC del moderador. el cual se puede abrir con Excel. 210 Jorge Carlos Carrá . Capítulo 3 Distribuciones de Probabilidades Figura 3-184 Presionar el botón Login para conectarse al juego. mínimo y máximo) de la distribución de ganancias correspondiente a las selecciones realizadas en el panel de la izquierda. se puede exportar la tabla como un archivo de texto delimitado por tabulación (tsv. mediana y modo) y de dispersión (varianza. se muestran las medidas de posición (media.

b) La muestra está de acuerdo con las predicciones teóricas respecto de por ejemplo una selección al azar de los nodos (o cualquier .5( −15) + 0.5(10) + 0. En la siguiente figura se muestran las posibles 4 posibles acciones. En particular extraer datos para probar luego las siguientes hipótesis.5 El camino del equilibrio. resulta entonces como se muestra en la siguiente figura. a) Asignar libremente p y q y obtener teóricamente el camino del equilibrio Diseñar el juego con ComLabGame y realizar experimentos (juegos) con jugadores sin conocimientos teóricos acerca de la teoría de juegos.58 El empresario y el capitalista Un empresario decide si buscar o no un inversor para un proyecto.otra opción). 1 El empresario ignora la idea y continúa su trabajo.5(20) = 2. 211 . secuencial o simultáneo (el juego simultáneo no se refiere a la forma normal equivalente del juego secuencial. 2 El empresario decide buscar un inversor y el inversor acepta con una probabilidad de falla q.5(100) = 55 E (Capitalista ) = 0. En este caso y tal como hemos visto en la sección. V Simulaciones – b Jugador (cliente) Problema resuelto 3. c) Los resultados dependen del tipo de diseño. sino a un diseño distinto de tipo simultáneo). en la cual se incluye la codificación de nodos realizada por ComLabGame en la figura 3-187. Estos datos experimentales luego podrán ser utilizados para analizar inferencias en el capítulo 5. 4 El empresario decide buscar un inversor y el inversor no acepta. la contribución de los estados de la naturaleza se reemplaza por la esperanza matemática: E (empresario) = 0. Teoría de las decisiones económicas en condiciones de incertidumbre.50. 3 El empresario decide buscar un inversor y el inversor acepta con una probabilidad de éxito p. Figura 3-186 Solución a) Supongamos que p = 0.

Se calculará entonces el valor χ2. Luego se realizará el análisis comparando este valor con una elección al azar de los nodos (considerando los nodos 2 y 3 como uno solo).67 6. Sean por ejemplo 20 juegos.67) 2 (12 − 6. Nodos 1 Nodo2 Nodos 3y 4 Total Frec observada 3 5 12 20 Nodo 1 Nodo2 Nodos 3 y 4 Total Frec esperada 6. es otro equilibrio de Nash. no interesa la acción del inversor. con los resultados observados que se muestran en siguiente figura. Se puede apreciar que en este diseño el resultado Empresario Busca Inversor – Capitalista Invierte.0 Nodos 2 y 3 Nodo 4 Figura 3-187 El equilibrio perfecto de dominancia en ganancias conduce.67) 2 (5 − 6. es un equilibrio de Nash y que el resultado Empresario Ignora la idea – Capitalista No Invierte.69 6.5 -5. Invierte.67 6.67 6. b) Para la toma de datos de esta prueba se requiere realizar varias experiencias (al menos 20 repeticiones) para obtener la frecuencia de resultados que conducen a los nodos que predice la teoría. utilizando por ejemplo una prueba de la bondad del ajuste (capítulo 1). Empresario y Capitalista con las ganancias mostradas en la figura 3-189. En este caso se tienen 2 jugadores.67)2 χ2 = + + = 6. 212 Jorge Carlos Carrá .67 20 Figura 3-188 (3 − 6. Observar que ambas celdas inferiores de la forma Normal tendrán igual valor pues si el Empresario Ignora la idea. con estas ganancias.2. al equilibrio: Empresario: Busca Inversor –Capitalista.69 + 20 No puede anticiparse ninguna conclusión hasta completar la prueba estadística en el capítulo 5. Capítulo 3 Distribuciones de Probabilidades Empresario Busca Inversor Ignorar la idea Capitalista 10. es decir a los nodos 2 y 3.67 6.50 6.67 6.69 C= = 0. c) Para esta prueba se requiere crear otro modelo en el cual otro juego se realice en forma Estratégica o Normal (tabla).0 Nodo1 Invierte No invierte 55.

en la cual se muestra un ejemplo ficticio de 25 juegos. V Simulaciones – b Jugador (cliente) Para la toma de datos se debe realizar ahora la experiencia con esta tabla.5 25 Total 17 26 7 50 Figura 3-191 (15 − 8. Por lo tanto.5) 2 (6 − 13) 2 χ2 = + + . Nodo 1 Nodos 2 y 3 Nodo 4 Total Observados Celda Inf Izq Celda Sup Der Celda Sup Izq Forma Extensiva 15 6 4 25 Forma Normal 2 20 3 25 Total 17 26 7 50 Figura 3-190 Comparar esta tabla con la de valores esperados en el caso de que exista independencia y calcular el valor χ2. Se obtendrán así las frecuencias en cada celda.5 13 3. con igual cantidad de repeticiones que la forma extensiva.5 13 17. Nodo 1 Nodos 2 y 3 Nodo 4 Total Esperados Celda Inf Izq Celda Sup Der Celda Sup Izq Forma Extensiva 8.5 25 Forma Normal 8. con los valores de frecuencias de ambas experiencias y los valores esperados en caso de independencia entre la forma Extensiva y la forma Normal. Figura 3-189 El análisis se realizará con una prueba chi-cuadrado de la bondad del ajuste.622 + 50 213 .510 17. se deberá preparar una tabla con el formato que se muestra en la figura 3-190.622 C= = 0. = 17...5 13 3.622 8.

Es conveniente ofrecer algún tipo de incentivo a los jugadores. Resolverlos teóricamente (incluso con varias matrices de ganancias) y luego crearlos con ComLabGame. En la sección problemas del final del capítulo. Capítulo 3 Distribuciones de Probabilidades Si este valor fuera cercano a 0. aunque sea mínimo. para aumentar el interés. la forma de presentación sería independiente del resultado. 214 Jorge Carlos Carrá . y elegir algunos juegos de 2 jugadores. si realizaron o no coordinaciones fuera del juego o si se detectaron errores a corregir. Con los resultados obtenidos se podrán realizar interesantes pruebas estadísticas en el capítulo 5. si buscaron o no los equilibrios del juego. Aplicaciones Buscar en Internet o en la biblioteca documentación concerniente a teoría de juegos o economía. se incluyen algunos. para experimentar las estrategias utilizadas por 2 oponentes. En este caso no puede anticiparse la conclusión hasta completar la prueba estadística en el capítulo 5. lo cual indicaría que estos no varían significativamente en las 2 presentaciones. si tenían o no una base teórica. Acompañar los datos indicando cuáles fueron las estrategias utilizadas por los jugadores.

Ensayo: ¿Creer en Dios mejora la existencia? – El peso de la decisión. el que cree en Dios o el que no? El enfoque se basa en la interrelación conjunta de utilidades y probabilidades. Blas Pascal Ensayo: ¿Creer en Dios mejora la existencia? En el capítulo 2 hemos presentado un ensayo acerca de la existencia de Dios. eligiendo naturalmente la acción que maximiza las ganancias. cruzaron desbocados un puente. 16 A pesar de que en algunos textos también se la enuncia incorrectamente también como ¿Dios existe? 215 . B. En conclusión. un análisis basado en probabilidades y utilidades. como consecuencia de haberse salvado milagrosamente de morir ahogado. la esperanza es mayor si optamos por creer en él. Veamos el detalle. por cuya razón se ha colocado una doble raya en la rama eliminada. cuando los caballos del coche en el que viajaba. El peso de la decisión. no importa cuán pequeña sea la probabilidad de la existencia de Dios pues la esperanza matemática de este camino del árbol siempre será mayor que la de los demás. sin importar el valor de las probabilidades acerca de la existencia de Dios. dice Pascal. Pascal plantea que en el caso de creer en la existencia de Dios. De esta forma. En este caso es la que le corresponde a ganancia infinita. En este ensayo veremos un enfoque histórico para responder a otra pregunta relacionada pero distinta16. las ganancias serán finitas (sean positivas o negativas). De acuerdo a la teoría de las probabilidades. en su libro "Pensamientos" (Pascal. Veamos su razonamiento a la luz de las 4 alternativas que se muestran en el árbol de decisiones de la figura 3E-1. según Pascal. Un círculo significa un nodo de eventos no controlables por la persona. Un rectángulo simboliza un nodo de decisiones controladas por la persona. el valor esperado para el creyente y el ateo son. ¿Quién tiene el mejor modo de existencia. planteó en el siglo XVII. Si se cree que Dios existe. como ganancias de esas ramificaciones. que luego sería conocido como la Apuesta de Pascal. La historia cuenta que Pascal se convierte en un ferviente religioso. respectivamente: G ( creyente ) = ∞ ∗ p1 + a ∗ p 2 = ∞ G ( ateo ) = b ∗ p 3 + c ∗ p 4 = finito Estos valores se colocan en cada uno de los círculos. el creyente recibirá la felicidad eterna (ganancia infinita) y en cambio para el resto de las alternativas. Blas Pascal ¿Es más conveniente creer en Dios? El filósofo francés Blas Pascal (1623-1662). Al final de cada una de estas ramas se encuentran las ganancias o utilidades que proporciona cada evento. 1996). En los nodos de decisión se decide finalmente cual es la decisión más conveniente. la decisión es más favorable hacia los creyentes. pero de los cuales se conocen las probabilidades p de cada uno.

el lector podrá sumar su interpretación y opinión personal a la discusión que seguirá generando la respuesta de Pascal. el cual no es infinito. La primera es que debe exceptuarse el valor de p1 igual a cero. 216 Jorge Carlos Carrá . b p3 Finito p4 c No Existe. p1 creyente Infinito. de esta forma. pues produce un resultado indeterminado (0 por ∞ ). un valor legítimo. Entre ellas se encuentran las siguientes dos. el argumento de Pascal. Al igual que para el ensayo sobre la existencia de Dios (página Dios1). lo cual producirá una ganancia finita. Figura 3E-1 Árbol de decisiones Para finalizar el razonamiento de Pascal. comprometiendo. La segunda crítica es planteada por quienes no ven en la noción de infinito. siempre se podrá asignar a p1 el valor inverso. deben mencionarse algunas críticas matemáticas al mismo. Capítulo 3 Distribuciones de Probabilidades Ganancia Existe Infinito. El argumento es que si se reemplaza ∞ por un valor muy grande pero finito. p2 No existe a Infinito ateo Existe..

217 . presenta las siguientes tendencias: • para un determinado tipo de apuestas. Veremos en cambio ahora una extensión de la teoría matemática en condiciones de incertidumbre. calle. por ejemplo: docena. Por lo tanto la respuesta a la pregunta será: lo mejor es realizar pocas jugadas de altos pagos. Casinos Conocemos del capítulo 3 que en una ruleta la esperanza matemática de la ganancia a la larga. Ensayo: Intimidades de un casino – Introducción Ensayo: Intimidades de un casino Introducción Sabemos que la teoría de las probabilidades tiene amplia aplicación tanto en Casinos como en Compañías de Seguros. Utilizando la distribución binomial veremos aquí una consecuencia que resultará sin duda sorprendente y que resulta aplicable en ambas actividades. por cada peso apostado es la misma independientemente del tipo de apuesta. para establecer algún criterio que nos permita elegir una de las dos siguientes alternativas: ¿Cuál es la mejor acción: realizar pocas apuestas grandes o muchas apuestas chicas? Para responder a esta pregunta demostraré previamente que la probabilidad de salir ganando (por lo menos 0 $) en un número dado de jugadas. aumenta al elegir los mayores pagos (y por lo tanto las menores probabilidades). etc. decrece a medida que el número de jugadas aumenta. 1. Observaremos experimentalmente el comportamiento anterior simulando con el SPSS un gran número de apuestas en distintos juegos. • para un determinado número de jugadas. mayores.

Vinculación entre e XyG En un casino c europeeo B. se debe restar r 1$ a la cuenta anterio or. n. se pprocede en foorma similar. resuultando una G = 35$. la disstribución de la l variable X: número de aciertos a en n jugadas es una binomial b ( x. un jugaddor A juega n veces 1$. Si se juuega a pleno. Capíítulo 3 Distrib buciones de Probabilidade P es F Figura 3E-2 Ruleta En unaa ruleta. Si denotamoss a las pérdidaas con unn asterisco. ressulta: 218 Jorge e Carlos Carrrá . S F E X 0 1 G ––1 35 F Figura 3E-3 Ganancia dde pleno en unaa jugada Para esstablecer la reelación para n jugadas. s paga 36/1 = 36$. j la ruleeta siempre paga p un montoo M (incluyenndo la apuestaa): 36$ M = pleno Por lo tanto para obtener la ganan ncia G del jueego. 2) 2 docena. si no sale. comencemos por razzonar los valoores de G parra: 1) pleno. se pierde 1$ (G G = –1$) y si sale. Pleno o Por cad da 1$ que se juegue. p ) . Paara obtener laa relación entrre X y G.

enunciada al principio.X'A Figura 3E-6 Ganancia de Docena en n jugadas Hallar. es: 219 . válida para todas las jugadas: G = M ∗ XA −n La cantidad de éxitos XA necesarios para salir por lo menos a la par. se obtendrá haciendo G = 0. b) la probabilidad de que A salga ganando o empatando al término de las n veces. X0. Si llamamos a este valor de X. S F E X 0 1 G –1 2 Figura 3E-5 Ganancia de Docena en una jugada S E F X XA X'A G 2 XA . resultando una G = 2$. Es decir: G = 2 X A′ − X A′ Como: 2 = X A + X A′ Se obtiene: G = 36 X A − 2 Si se hace intervenir la ecuación de pagos M. a) E(GA) a la larga. si no sale. se tiene entonces: n X0 = M Elección de la mejor acción El número de éxitos que se deben obtener para estar a la par. paga 36/12 = 3$. puede observarse que estas ecuaciones responde a la siguiente ecuación general. c) el número de éxitos necesario para salir ganando o empatando. Ensayo: Intimidades de un casino – 1. Las tablas son las de las figuras 3E-5 y 3E-6. es decir ganando o empatando. Casinos S E F X XA X'A G 35 XA – X'A Figura 3E-4 Ganancia de pleno en n jugadas Es decir: G = 35 X A − X A′ Como: 2 = X A + X A′ Se obtiene: G = 36 X A − 2 Docena Si se juega a docena. se pierde 1$ (G = –1$) y si sale.

por ejemplo 0. n.BINOM ( − 0. Si se generan las 3 variables anteriores.n. Por ejemplo para los juegos Pleno.01. Cuadro y Color. Esto se realiza fácilmente con EXCEL hasta un límite de 65536 (es decir 216) y luego se pasa a una columna de SPSS con copiar y pegar. Capítulo 3 Distribuciones de Probabilidades n . restemos un valor pequeño.4 / 37) 9 Color: n 1 − CDF .18 / 37) 2 Nota Para que cuando x0 coincida con un valor entero. p ) .BINOM(x0. n. Llamaremos n a dicha columna. ¿Cómo se explican estos ciclos? (si no se le ocurre nada.1 / 37) 36 Cuadro: n 1 − CDF.BINOM ( − 0.01. seguir leyendo).BINOM ( x 0 . X0 = M Analizando la gráfica 3E-7 se concluye que la probabilidad de ganar por lo menos 0 $ deberá ser 1 − CDF . 220 Jorge Carlos Carrá . n. Para la simulación solo basta generar los valores de n. n.p) P(ganar o empatar) x0 x 0 G Figura 3E-7 Histograma Combinando las dos expresiones anteriores se obtiene una fórmula para calcular la probabilidad de salir ganando del casino para cualquier juego y para cualquier valor de n. se observarán las 2 tendencias enunciadas al principio de esta actividad y además ciclos bien definidos de 36. 9 y 2 elementos. resultará: Pleno: n 1 − CDF. CDF.01 a dicho valor x0). la ganancia 0 se compute correctamente a la probabilidad de salir ganando.01.BINOM ( − 0.

Observar como la probabilidad de salir ganando del casino converge a cero con el número de jugadas y lo hace más rápidamente para los juegos con menores pagos. en tanto que en la figura 3E-9 se amplifica la escala para observar los ciclos. se muestra la tendencia general al aumentar n.0 1 COLOR 33 66 3 99 5 13 7 16 4 9 19 6 1 23 7 3 26 5 29 9 7 33 0 9 36 2 1 39 3 3 43 4 5 46 5 7 49 6 9 52 8 1 56 9 3 59 0 5 62 1 7 1 2 3 2 5 8 18 4 8 1 4 7 0 3 6 9 3 6 92 9 Número de apuestas Figura 3E-8 Probabilidad de ganar en función del número de apuestas Las tendencias se aprecian nítidamente generando gráficos como los que se muestran. En la figura 3E-8. Los gráficos que representan a una variable categórica tienen en SPSS un límite de 3000 niveles por lo cual. Si se desea representar a todas las variables en un mismo gráfico como se muestra en las figuras. seleccionar solo un valor de cada ciclo con Data > Select Cases…> If condition is satisfied > If > buscar la función módulo o teclear mod(n. y también computando la probabilidad de salir ganando (no empatando).4 .2 PLENO CUADRO 0. Casinos . los ciclos de 36 valores. limitar los casos a n < 3001 (con Select Cases) y para ver la tendencia del primer gráfico para los 65536 valores de n.5 Probabilidad de ganar 0 ó más .3 .8 Probabilidad de ganar 0 ó más . Ensayo: Intimidades de un casino – 1. ¿Por qué?). para ver los ciclos del segundo gráfico.6 . Repetir la simulación anterior para otros juegos distintos a los ejemplificados.36)=1 (esto elimina por ejemplo. es decir sin restar ningún valor a x0 .4 .1 CUADRO 0.6 . . 221 .0 COLOR 1 301 601 901 1201 1501 1801 2101 2401 2701 151 451 751 1051 1351 1651 1951 2251 2551 2851 Número de apuestas Figura 3E-9 Probabilidad de ganar en función del número de apuestas (amplificado) Para obtenerlos se utilizará el ya conocido menú Graphs. utilizar Graphs > Sequence…> colocar todas las variables en el cuadro Variables y la variable n en el cuadro Time Axis Labels.2 PLENO .

como se indica en el diagrama 3E-10. Todos los Casinos buscan atraer a muchos jugadores (que equivale a jugar muchas veces para el Casino). esto se puede ver nítidamente limitando los casos a por ejemplo 100. es decir sociedades que aseguran a las aseguradoras. incluso con hoteles y restaurantes baratos. aparece la figura de las reaseguradotas.00 28.00 19.00 82. como se observa en la figura 3E-9.00 64. Por razones similares a los Casinos es conveniente para ellas asociarse en lugar de operar cada una por su cuenta.00 10. El negocio redondo sería tener una ciudad atractiva. quien al distribuir el riesgo lo minimiza. pues al término de la CDF se le agrega el salto correspondiente a la barra de probabilidades de x0 . crece en los tramos comprendidos entre valores enteros de x0 y decrece en forma brusca exactamente en dichos valores.00 46. Por lo mismo.2 . para atraer siempre a una gran cantidad de jugadores.3 . 222 Jorge Carlos Carrá . Además de observarlo en la planilla de datos. Aseguradoras Estas compañías también utilizan la teoría de las probabilidades en su gestión. es decreciente con el número de jugadas. con sorteos gratis. La probabilidad de salir ganando. correspondiente a la apuesta cuadro.00 55. Capítulo 3 Distribuciones de Probabilidades Sugerencia para explicar los ciclos Crear la variable x0 y analizar el siguiente comportamiento.00 91.00 37. pero lo que interesa realmente es la tendencia general.4 . .7 Probabilidad de ganar 0 ó más . 2.6 .0 1. la cual. En otras palabras estos ciclos se originan por las discontinuidades de una distribución discreta. En la punta de la pirámide se encuentra el Lloyd de Londres. pues de esta forma disminuyen el riesgo de perder.1 0.00 73.5 .00 Número de apuestas Figura 3E-10 Probabilidad de ganar en función del número de apuestas Esta actividad ayudará a comprender los efectos de la ventaja que tiene un Casino en la esperanza matemática (ciertamente muy moderada) y porque no es negocio para el Casino que se juegue poco.

Aseguradoras 223 .Ensayo: Intimidades de un casino – 2.

b) 0. c) 0. b) 0. c) 0. 2.549. ¿cuál es la probabilidad de que el primero hable un solo idioma extranjero y el segundo por lo menos uno? Realizar primero el cálculo exacto y luego suponiendo que los eventos son independientes. b) ¿cuál es la probabilidad de que salgan no más de 2 secas? R: a) µ=1. σ=0.54. 4. b) 0. 40% tenían la A y el 50% la B.56. σ=0. Inglés y francés En un conjunto de 330 estudiantes argentinos.53.9. 90 hablan francés y 70 no hablan ni inglés ni francés. a) la distribución de probabilidades de X: el número de impurezas encontradas si se elige un tanque al azar.928. b) ¿Cuál es la probabilidad de que una rama este abierta sabiendo que por lo menos una lo está? c) Calcular la confiabilidad del sistema. Si X es el número de lanzamientos. Se elige un estudiante al azar. c) si se elige un tanque del que se sabe que tiene por lo menos 1 impureza. b) Si se elige 1 estudiante ¿cuál es la probabilidad de que hable un solo idioma extranjero.88. R: a) µ=0.8. 200 hablan inglés. R: a) μ = 0. 3. b) 0. Se encontró que el 20% no revelaban impurezas. c) 0.697. σ=1. a) hallar la distribución de probabilidades de x: número de idiomas extranjeros que habla. Tanques de agua con impurezas Se examinan tanques de agua en la búsqueda de 2 impurezas A y B. hallar la probabilidad de que tenga una sola.44. Válvulas de agua En el circuito de la figura. R: a) µ=1. a) hallar µ y σ de la distribución. 224 Jorge Carlos Carrá . cual es la probabilidad de que el primero tenga 1 impureza y el segundo por lo menos 1.62. b) si se eligen 2 tanques independientes. A B y C son válvulas de agua que se abren con una probabilidad p=0. a) Hallar el histograma de probabilidad de X: el número de ramas abiertas luego de haber enviado la señal. Hallar. c) Si se eligen 2 estudiantes. σ = 0. Lanzamiento de una moneda Se lanza una moneda hasta que aparezcan 1 cara o 5 secas.94.19.875.875. Capítulo 3 Distribuciones de Probabilidades Problemas Ia Una variable 1.448.

hallar la distribución de probabilidades de Y. b) si.0005 (el número de ensayos y equivale en este problema al número de horas). ¿será esta sobreventa un problema real para los pasajeros? Resolver manualmente y con el SPSS. Si A juega 4 partidos. b) 0. b) 8/27. d) de que gane más de la mitad de los partidos. 6. 225 . su esperanza y su varianza. Las otras son de reserva en caso de falla.5. f) SPSS. 7. c) cuantos radares debe haber para que la probabilidad de detección de por lo menos 1 de ellos sea 15/16. cuál es la probabilidad de que no sea detectado y cuál de que sea detectado por 2 radares por lo menos. b) al menos 10 de un total de 15. R: a) 5. Examen de selección múltiple Hallar la probabilidad de que un estudiante en un examen de selección múltiple. R: a) 8/3. f) SPSS. d) cuál es la probabilidad de que uno de los equipos detecte 3 aviones antes de fallar e) ¿Es poco común que un avión sea detectado por menos de 2 aviones? f) Si Y = 2-X. b) la probabilidad de que A gane 2 partidos. 1. hallar la distribución de probabilidades de Y. 0. si tiene 2 respuestas posibles? Resolver manualmente y con el SPSS. µ y σ de X: resultados (número de partidos ganados) de A. b) Si consideramos como un valor inusualmente bajo cuando la probabilidad sea menor al 5%.069.8%. R: a) 6000 horas. d) 10. c) de que gane un partido por lo menos. Cara reticente Dado que se ha lanzado 5 veces una moneda normal sin obtener una cara. 9. a) ¿Cuál es el tiempo promedio de falla de las 3 computadoras? b) ¿Cuál es la probabilidad de que las 3 fallen en un vuelo de 5 horas (es decir: P ( y ≤ 5) = P ( y = 3) + P ( y = 4) + P ( y = 5) )? c) ¿Es poco común que las 3 fallen en un vuelo de 5 horas? Resolver manualmente y con el SPSS. a) Dibujar el histograma con µ y σ. ¿cuál es la probabilidad de que se tenga que lanzar al menos dos veces para obtener la primera cara? R: 0. c) ¿Es poco común que conteste más de 15 de un total de 20.2511. Equipos de radar Siete equipos de radar están disponibles para detectar cualquier avión. R: a) 0.006%. d) 16/27. Resolver manualmente y con el SPSS. habiendo registrado 20 pasajeros. R: 0. conteste correctamente y al azar. no haya asientos disponibles. Problemas – Ic Modelos teóricos de una variable Ic Modelos teóricos de una variable Discretas 5. 8. c) 80/81. Cada equipo tiene una probabilidad p = 3/4 de detección. c) 2. Equipos y la probabilidad de ganar El equipo A tiene 2/3 de probabilidad de ganar cuando juega. b) 1. Vuelos sobre registrados Una compañía aérea tiene aviones pequeños con capacidad para 18 personas y tiene la política de registrar hasta 20 personas pues la experiencia anterior indica que el 80% de los pasajeros registrados realmente toman el vuelo.14. Sea X el número de radares detectores. a) Calcular la probabilidad de que.54%. hallar: a) la distribución de probabilidades. b) 0.25E-9. la probabilidad de falla es 0.943. su esperanza y su varianza. si tiene 5 respuestas posibles. e) ¿Es poco común que A gane menos de 1 partido? f) Si Y = 2X+4. 99. Resolver manualmente y con el SPSS. b) si un avión entra en el área.25. Computadoras de un avión Un avión tiene 3 computadoras pero solo una de ellas se encuentra en servicio. Durante una hora de operación. si tiene 2 respuestas posibles. 10. a) 12 o más de un total de 20.

b) el número esperado de uniones defectuosas. Elección de trabajadores Un capataz de una fábrica tiene 3 hombres y 3 mujeres trabajando para él.63.10-3. b) 5. 17. V(X) = 0. ¿cuántas truchas se estima que haya en el lago? R: 390.7363. d) ¿Es poco común que compre menos de 2 acciones ordinarias? R: b) µ=1. σ=0. Acciones preferentes y ordinarias Un inversionista desea comprar 3 acciones. 226 Jorge Carlos Carrá . b) µ=1. sin reposición. 13. se las marca y luego se las devuelve al lago.2246. Se muestrean 5 artículos de cada lote y se rechaza el lote si se encuentra más de 1 defectuoso.285. σ=0.2. Si toma la decisión al azar. el test les dé positivo (predice enfermedad). Si se ha determinado por este proceso que la frecuencia relativa de X=1 es 0. a) ¿cuál es la probabilidad de ser rechazado?. Tiene 5 alternativas de las cuales 2 son preferentes y 3 ordinarias.marcación. b) Si hay 4 personas que el test les da positivo. Resolver manualmente y con el SPSS. 2 del tipo B y el resto del tipo C. cual es la probabilidad de que entre éstas exactamente 2 estén sanas. 12. Soldadura defectuosa La probabilidad de que se haga una soldadura defectuosa en una conexión dada es 10-4. a) Hallar la probabilidad de que menos de 5 estén a favor de la medida de fuerza. b) µ y V(X). d) 0. R: a) 0. c) la probabilidad de que x caiga a no más de dos σ de µ. Posteriormente se toman muestras al azar de 2 truchas y se anota el número X de animales marcados. 3 son del tipo A.159.marcación. a) Hallar la probabilidad de que a 4 personas de las 10. ¿Cuál es la probabilidad de que el cliente reciba exactamente 2 del tipo A. 14.recaptura. Resolver manualmente y con el SPSS. Se sabe que el test acierta un 80% a un individuo enfermo y un 75% a un individuo sano. Hallar: a) el número de soldaduras en un sistema si la probabilidad de que no se presenten defectos en dicho sistema es 6. b) ¿Es poco común que elija menos de 1 mujer? Resolver manualmente y con el SPSS. b) si X es el número de defectuosos encontrados en el lote. 16. Muestreo de aceptación Un producto se embarca en lotes de 20. 18. hallar el µ y σ de la distribución.05.36.5407. R: a) 0.2047. c) 0. 15. De estos 12 artículos. Suspensión de clases como medida de protesta De los 800 alumnos de una facultad. Capítulo 3 Distribuciones de Probabilidades 11.248. c) hallar la probabilidad de que el test se equivoque en 2 personas de las 10. a) Hallar el histograma de probabilidad de X: el número de mujeres en su selección. d) calcular la probabilidad de que el test acierte a por lo menos 8 personas de las 10. Resolver manualmente y con el SPSS. R: 9%. c) 1. 560 están en contra de la suspensión de clases como medida de protesta resuelta por el gremio. b) ¿Es poco común que menos de 4 estén a favor de la medida de fuerza? Resolver manualmente y con el SPSS. Envío de artículos Una empresa debe enviarle a un cliente 5 artículos y posee en existencia 12. R: a)5 104. 1 del tipo B y 2 del tipo C? R: 0. Veinticinco estudiantes son elegidos al azar. Test para detectar una enfermedad Un médico aplica un test a una muestra de 10 personas para detectar una enfermedad que afecta al 10% de los trabajadores de una fábrica. Utilizando este procedimiento para estimar el tamaño de la población de truchas de un lago se capturan 10 truchas.recaptura Muchas veces se estima el tamaño de la población de animales utilizando la técnica de captura. R: µ=1. Si un lote contiene 4 defectuosos. hallar: a) el histograma para X: el número de acciones preferentes que comprará.. b) 0. Desea elegir 2 trabajadores al azar. Técnica de captura.7947.

Páginas con avisos comerciales Forme un grupo de estudiantes que cuenten las páginas con avisos comerciales en una revista. el número de fallas que un requerimiento puede generar es de 1 por cada 100 requerimientos y el servidor procesa 500 requerimientos por hora. c) la proporción de páginas con avisos comerciales a partir de la cual sería un suceso poco común. Errores de inventario En un supermercado el número promedio de errores de un cierto empleado es 2. la probabilidad de que se presenten: a) 7 fallas en 1. sea mayor a 0. Con ambas distribuciones: a) calcular la probabilidad de que la proporción de veces que sale cara. p ) o con una p ( y . ¿Que hubiera sucedido con las diferencias si la muestra hubiera sido de 500? ¿Puede ser usada la distribución de Poisson para aproximar esta distribución observada? 227 . ¿cuál es la probabilidad de que el número de errores se aleje de la media en.3. Con ambas distribuciones: a) hallar la probabilidad de recibir menos de 1 error.60. a) Si una compañía de seguros tiene 100000 personas de este grupo. su sueldo tendrá un descuento del 10%. b) Calcular el descuento esperado por período de inventario. Búsquedas en Google Realizar 20 búsquedas de un tópico cualquiera y registrar el número de errores que se presentan debido a páginas que no se conectan. a) Si se consideran 3 períodos consecutivos. 20. comparar esta distribución real con una binomial b ( y .42%. b) 0. 21. p ) (forma de la CDF y parámetros). Hallar manualmente y con el SPSS.456.5 horas b) al menos 3 fallas en media hora c) ¿Es poco común que se presenten menos de 2 fallas en media hora? R: a) 0. su sueldo tendrá un descuento del 5%. su sueldo no se verá afectado por descuentos.00001. a lo sumo. Seguros por enfermedad La probabilidad de que una persona de entre 20 y 30 años muera de cierta enfermedad durante un período de un año es de 0. n . R: a) 0. anotar el número de caras y repetir el experimento 30 veces. una desviación estándar? Un programa de incentivos para disminuir la cantidad de errores consiste en: 1) si comete menos de 5 errores.1465.09 de la media. Luego debe crear una distribución de frecuencias en una columna del SPSS y comparar esta distribución real con una binomial b ( y . 3) si comete por lo menos 10 errores. para ambas distribuciones: a) la probabilidad de que la proporción muestral de páginas con avisos comerciales se encuentre a menos de 0. b) $ 12. 2) si comete por lo menos 5 pero menos de 10 errores.778. b) el percentil 59 de la distribución binomial de la proporción de páginas con avisos comerciales. 23. ¿cuál es la probabilidad de que deba pagar más de 4 seguros por esta enfermedad? b) Si la póliza de seguros es de $ 200000. b) 0. Lanzamiento de una moneda Cada estudiante debe lanzar 10 monedas. 22. p ) (forma de la CDF y parámetros). ¿cuál debe ser la prima anual si la compañía desea tener un beneficio de $ 10? R: a) 0. Número de fallas En un servidor web. n . b) hallar el percentil 50. b) hallar la AIC. Problemas – Ic Modelos teóricos de una variable 19. Calcular en forma manual y con la computadora. Luego deben crear la distribución de frecuencias en una columna del SPSS.00366. Repetir para otras 30 búsquedas. n . Colocar los resultados en una columna de 30 filas del SPSS y comparar esta distribución real con una binomial b ( y . c) ¿es poco común que el número de caras sea mayor a 28? 24. λ ) (forma de la CDF y parámetros).

05 de µ). si − 2 < x < 2 f ( x) = ⎨ ⎩0 en otros puntos a) Obtener la media y la varianza. R: a) 0. c) 0. μ = 0. σ2 = 0. encolumnados con la PDF.5 10 < x < 10. la desviación estándar y graficarla encolumnada con la PDF. d) ¿cuál es la probabilidad de que X sea mayor que 1 sabiendo que es positiva? e) dibujar la CDF y el diagrama de caja. R: a) 12. R: a) 0. si 1 < x < 2 ⎪3a si 2 ≤ x < 4 ⎪ f ( x) = ⎨ ⎪1. si x = 5 ó x = 6 ⎪⎩0.9 < x < 10 b) f ( x) = ⎨ ⎩−100 x + 1010 10 < x < 10. d) 0. a) Hallar la probabilidad de que el error respecto de 10 sea superior a ± 0. encolumnados con la PDF. ⎪⎧50x -990x+4900. b) hallar la CDF.615. σ2 = 0. la media y la varianza. Distribución definida con una PDF cuadrática Dada la siguiente función: f ( x) = ax 2 (1 − x) 0 < x <1 a) Hallar a para que sea una PDF. c) hallar la moda.001667.1 d) 10. c) 2. b) obtener la CDF. 26.5% (es decir de que X se encuentre a mas de 0. b) 4 x 3 − 3 x 4 .333. b) la PDF analítica con la media y la varianza. c) hallar la AIC. 228 Jorge Carlos Carrá . d) la AIC. b) (x+2)/4.9707= 0. 28. d) 0. la media. c) la CDF.5) b) la CDF.9 < x < 10 2 c) F ( x) = ⎨ 2 ⎪⎩-50x +1010x-5099.25. para los demás valores de x Hallar: a) p( X ≤ 1.5 9.5.0293-9. d) hallar la mediana. 0. Distribución definida con una PDF Triangular Un error X se distribuye de acuerdo a la PDF que se muestra en la figura. Capítulo 3 Distribuciones de Probabilidades Contínuas 25.0586 27. e) dibujar la CDF y el diagrama de caja.04.60.667. Dibujar encolumnadas la PDF y la CDF. ⎧100 x − 990 9. Distribución definida con una PDF constante Si X es una variable aleatoria distribuida con la siguiente función densidad: ⎧k . Distribución definida con una PDF por tramos La densidad de probabilidades del tiempo de duración (en horas) de un determinado producto se puede suponer representada por la f(x) que toma los valores siguientes: ⎧a.1 μ = 10. c) la amplitud intercuartílica y el diagrama de caja.

1. b) 6.5). b) Hallar los cuartiles y dibujar el diagrama de caja. Determinar la probabilidad de que en 5 mediciones independientes todas resulten con error superior a 0. Q2 = 2. g) P(-0. d) 0.154. 31.258. R: 0. f) P(x>1. manualmente y con el SPSS.3 y 2. hallar manualmente y con el SPSS: a) P(0<x<1. Admisión de un colegio Los resultados de admisión de un colegio tienen una distribución normal con µ=7.e) 2. Dado el valor del eje de una normal.37<x<2.833. b) –0. el dígito 3 aparezca 950 veces a lo sumo. determinar su valor. 33.732. b) CDF=0. 34. e) Se seleccionan 10 productos en forma independiente. d) 1. hallar el valor del eje Sabiendo que Z está distribuida normalmente con µZ=0 y σZ=1.13. c) A−1. Dada la probabilidad de una normal.16. -1. d) A−∞ z = 0.8621. c) –1.73<x<0).757 c) AIC = 1.75%.79<x<-0. a) ¿Qué fracción de resultados se encuentra entre 8 y 9? b) Hallar la puntuación máxima del 10% inferior de la clase. 1. d) P(0.01). si: a) A0 z = 0.5 (en ambos sentidos).. b) ⎧1 1 ⎪⎪ 7 x − 7 .31. g) 0. Cantidad de chocolate La cantidad de chocolate utilizada por una fábrica en un día se puede modelar con una distribución exponencial con media β = 300 kg.167. R: a) ±1.09. e) P(-1. R: a) 0.0714. Calcular la probabilidad de que por lo menos 9 tengan una duración superior a 3 horas. 30.99 10-3. Resolver manualmente y con el SPSS.631. c) 1.69. e) graficar la PDF y la CDF en forma encolumnada. R: a) 0. la media y la varianza. R: a) 24.13). a) Hallar la probabilidad de que la fábrica utilice más de 300 kg en un día determinado. b) P(-0. Resolver manualmente y con el SPSS.333 35. Resolver manualmente y con el SPSS. f) 0. d) hallar la PDF.35.2673. μ = 4/3. R: a) si. 32.368. c) 0. b) El gerente le pide que calcule qué cantidad de chocolate tendría que almacenar para que la probabilidad de agotar la existencia sea poco común.377.5 y σ=1.377. R: 4.42). b) 0. σ2 = 2/3. 229 . R: a) 0. si 1 < x < 2 F ( x) = ⎨ ⎪3 x − 5 si 2 ≤ x < 4 ⎪⎩ 7 7 μ = 2. c) hallar el percentil 80.5 z = 0. e) 0.0217.17%. b) 898 kg.422. b) 1.5<x<0.65<x<1.4 horas. Problemas – Ic Modelos teóricos de una variable d) Si un producto ha tenido una duración comprendida entre 1.892. 29. d) x/2.54).785.26). Dígitos al azar Hallar la probabilidad de que entre 10000 dígitos al azar con reposición.414. hallar la probabilidad Si X es una variable aleatoria distribuida normalmente con µX=0 y σx=1.789. hallar la probabilidad de que haya superado 2 horas. c) P(-1.383. σ = 0. d) 0. Error con distribución normal En una medición se comete un error e que se distribuye normalmente con µ=0 y σ=2.22. Distribución definida con una CDF cuadrática Dada la siguiente función: x2 F ( x) = 0< x<2 4 a) Determinar si cumple las propiedades de una función de distribución.

Un persona.4%. e) si se juega a pleno 1$ en 500 jugadas. hallar la probabilidad aproximada de que. Dos máquinas independientes E n un proceso de fabricación de una pieza mecánica intervienen 2 máquinas: la A taladra y la B corta en trozos.5 10-6. e) 0. a)¿Cuál es la probabilidad de salir ganando del casino?. b) 15. b) 0. se realizan 64 apuestas de 1$ a colorado.5. e) 4. Calcular la probabilidad de que a) el número de caras difiera de 200 en más de 10.5 mm y 11. Cuál es la probabilidad de que en la primera salgan menos de 194 caras y en la segunda menos de 190 secas. compra algo. c) ¿Cuál es la probabilidad de que haya menos de 10 habitantes con dicha característica? d) ¿Cuál de que haya más de 5 con dicha característica? R: a) 7. b) ¿cuál es la probabilidad de ganar exactamente 20$?.4). su padre y su abuelo paterno tengan el mismo cumpleaños? b) En una ciudad de 2000000 de habitantes. c) 56%. Probabilidad de salir ganando del casino Con una ruleta americana (con 0 y 00). b) 68.0014. Hallar la probabilidad de que la suma de todos los dígitos sea menor que 200.242. e) Se realizan 2 pruebas. R: 0.7%. su padre y su abuelo ¿Cuál es la probabilidad de que una persona. Hallar manualmente y con el SPSS: a) la probabilidad exacta de que en cualquier período dado de media hora lleguen menos de 4 automóviles. R: a) 0.8%. 38.3%. d) 0. d) ~0. cual es la probabilidad de que hayan salido más de 203.999. Persona que entra a un shopping y compra.019. c) Si el número de caras resultó menor que 212. El diámetro del taladro de A en mm sigue una n(23. a) ¿Qué porcentaje de las piezas tienen un diámetro entre 22. b) 0.367. b) el número de caras se encuentre en el intervalo 200 ±20.2358 40. b) 0. ¿qué porcentaje de piezas será aceptado? R: a) 81.53%. c) 0.337. b) 95.7 mm? c) Si solo son aceptadas las piezas que cumplen a) y b). c) ¿cuál es la probabilidad de perder al menos 10$?. 0. 42. cuantos habrá término medio con esta característica. ¿cuál es la probabilidad de ganar al menos 40$?.767 230 Jorge Carlos Carrá . Los dueños de un shopping saben que una de cada cuatro personas que entra. c) 30%. Lavado automático Los automóviles llegan un lavado automático en promedio 20 cada hora. y el grosor producido por B. una n(11. Si se selecciona una muestra de 5 personas.5%. R: a) 0. d) 99. b) la probabilidad aproximada de que en cualquier período dado de 30 minutos lleguen menos de 4 automóviles (usar la cpc). Capítulo 3 Distribuciones de Probabilidades 36. (pensar en el número mínimo de éxitos que aseguran esto). c) 0. d) si se realizan 10000 jugadas. 0. d) En que intervalo se encuentra el 77% de los resultados (número de caras) alrededor del valor medio. 41. d) 200±12. hallar la probabilidad de que a) 2 o más realicen alguna compra b) a lo sumo 4 realicen alguna compra Si se selecciona una muestra de 90 personas. Ambas son independientes.010.025.78%. ¿cuál es la probabilidad de salir al menos a la par?. 39. R: a) 31. Suma de los dígitos de un dado Se tira un dado 60 veces. c) menos de 15 realicen alguna compra d) al menos 20 realicen alguna compra R: a) 0. Resolver manualmente y con el SPSS. 37.295.5).5 mm y 24 mm? b) ¿Qué porcentaje tiene un grosor entre 10. Lanzamiento numeroso de una moneda Una moneda se lanza 400 veces. c) 7.

a) Obtener los equilibrios de Nash (puros y mixtos). Problemas – IV Teoría de los juegos 43. b) cuanto menos 18. se le libera.5. 46. siendo inminente un choque. El juego del gallina Dos adolescentes conducen cada uno un auto en sentidos contrarios. el valor del juego y la probabilidad de que ambos adolescentes se salven. cada uno tiene una estrategia dominante y que existe un solo equilibrio de Nash dominante. Si ambos delatan se les rebaja la condena y son sentenciados a 10 años de prisión. consumo de agua de red.5. Si ambos continúan.919. Repita el juego y 231 . son interrogados por separado. Si solo uno delata. pagar impuestos o no. El dilema del prisionero Dos prisioneros. El juego de la contaminación: no tiene equilibrios en estrategias mixtas. C o No Delatar. c) Para un posterior análisis. pero al otro se le sentencia con la condena máxima establecida por el código que es de 15 años. genere datos experimentales creando una simulación con el programa ComLabGame y confronte a 2 jugadores. c) 0. ¿Cuál es el valor del juego? ¿Cuál es el dilema? ¿Subsiste si el juego se repite? ¿El equilibrio es Pareto eficiente? b) Convertir el problema simultáneo en secuencial y verificar que. Problemas Resueltos Obtener los equilibrios en estrategias mixtas de todos los problemas resueltos de la sección: "Simultáneos con estrategias puras".925. ambos mueren lo cual se representará con una ganancia de –3. d) dibujar el histograma de probabilidades R: a) 0. presenten la tesis.919. 47. al tener estrategias dominantes. Ejemplos: guerra de precios de 2 empresas duopólicas (Coca y Pepsi). conducir siempre por la izquierda o respetar la norma. c) 3 no presenten la tesis. 0. pero el que vira tiene una ganancia de 0. 0. quiebra de bancos por retiros en masa. licitaciones. Si solo uno de los dos continúa se cubre de gloria (ganancia 2). N. la sentencia es solo 1 año por evidencias menores. a) Confeccionar la matriz de ganancias (años de prisión) y verificar que en este juego simétrico. se salvan (ganancia 1) pero pierden prestigio. Se toma una muestra aleatoria de 20 alumnos. los cuales comienzan en la página 163. Competencia Cournot: no tiene equilibrios en estrategias mixtas. A y B.925. el 5% de los alumnos de estadística no presentan la tesis. que efectivamente cometieron un delito. b) 0. 45. negociaciones políticas. 0. 0. c) Para un posterior análisis. no importa quién es el primero. Luego adaptar el juego a por lo menos 2 situaciones en las que se presente una dicotomía entre el incentivo individual para no cooperar y el incentivo social para cooperar.059. etc.0613. Si los 2 niegan. carrera armamentista. Si ambos viran. ¿Son los equilibrios Pareto eficientes? ¿Existen estrategias dominantes débiles o fuertes? b) Convertir el problema simultáneo en secuencial y analizar si importa quién es el primero. R: Sistemas de video: 0. divorcio amigable o con juicio. Cada uno tiene 2 acciones posibles: Delatar. tragedia de los comunes. Entrega de la Tesis De acuerdo a estudios anteriores. IV Teoría de los juegos 44. Aplicación del dilema del prisionero Documentarse en el dilema del prisionero para involucrar los conceptos de cooperación y confianza (es una situación muy común en el combate del crimen). Repita el juego y exporte los principales datos de la experiencia a un archivo EXCEL. hallar las siguientes probabilidades en forma exacta y con todas las formas de aproximación válidas: a) no más de 2 no presenten la tesis. hacer o no publicidad (existe un ejemplo testigo con las empresas tabacaleras y la publicidad en TV). Cada uno puede decidir Continuar o Virar hacia un lado. genere datos experimentales creando una simulación con el programa ComLabGame y confronte a 2 jugadores sin base teórica.

b) Repetir el análisis si la matriz de pagos cambia de tal forma que B gane 400000$ si entra sola. a) Obtener los equilibrios de Nash (puros y mixtos) y el valor del juego. Construir la tabla de pagos y el árbol del juego. –5$ y 1$. ¿Son los equilibrios Pareto eficientes? Construir las formas normal y extensiva del juego. Este problema será continuado en el capítulo 5. Roca. Valor del juego = 22. genere datos experimentales creando una simulación con el programa ComLabGame y confronte a 2 jugadores sin base teórica. N. a) Obtener los equilibrios de Nash (puros y mixtos) y el valor del juego. a) Obtener los equilibrios de Nash (puros y mixtos) y el valor del juego (deberá resolver un sistema de ecuaciones de 4×4). ¿Qué concluiría? R: a) estrategia mixta p = (0. y si selecciona Seca. Si un decide E y la otra N. R: a) dos equilibrios de Nash de estrategias puras no dominantes y un equilibrio de Nash de estrategias mixtas con p(continuar) = 0. Copa.33. El general Gonzalez puede defender por Tierra o por Mar.80. R: a) probabilidades = 0. Las estrategias son Entrar. Ambos acuerdan la siguiente matriz de pagos (los valores representan las ganancias del general Smith). General Gonzalez Tierra Mar Tierra –25$ 75$ General Smith Mar 90$ –50$ R: a) Estrategia mixta con pSmith = 0. R. tijera Dos amigos Juana y Juan realizan este conocido juego en forma simultánea mostrando los dedos. b) o tuvo mucha suerte o su compañero es un ignorante. recibe un pago de –10$. Si las 2 empresas deciden N. si usted elige Cara.5). 0. Valor del juego: –2$.583. b) La probabilidad para Entrar de A cambia de 0. El valor del juego no cambia. Si Juana gana. –2$. E y No entrar. Repita el juego y exporte los principales datos de la experiencia a un archivo EXCEL. b) Para un posterior análisis. la firma que entra gana 30000$.75 para Entrar. c) Para un posterior análisis. Repita el juego y exporte los principales datos de la experiencia a un archivo EXCEL.9375. Si ambas deciden E. Roca rompe Tijera. Capítulo 3 Distribuciones de Probabilidades exporte los principales datos de la experiencia a un archivo EXCEL. 232 Jorge Carlos Carrá . la ganancia será 0 para ambas.521. Los generales juegan a la guerra Dos generales Smith y Gonzalez deciden jugar un juego de guerra.92$. Repita el juego y exporte los principales datos de la experiencia a un archivo EXCEL. Valor del juego = 0. ¿Son los equilibrios Pareto eficientes? Construir las formas normal y extensiva del juego. ambas pierden 10000$ pues no ha suficiente demanda para ambas. 48. recibe un pago de 15$. a) ambas deben utilizar una estrategia mixta de 0. El general Smith puede atacar por Tierra o por Mar. Monedas y ases En un juego usted elige cara o seca y su compañero elige uno de 4 ases. ¿Son los equilibrios Pareto eficientes? b) Para un posterior análisis. obtiene 1$ de Juan y viceversa.5. 4$. 51. La probabilidad de que se salven es: 0. 1$ y –5$.25. b) Si aceptó el juego y luego de 4 repeticiones ganó 5$. genere datos experimentales creando una simulación con el programa ComLabGame y confronte a 2 jugadores. Tijera corta Papel y Papel envuelve Roca. pGonzalez = 0. papel. 50. Espada o Bastos. G = 0. Juego de entrada al mercado Dos empresas A y B deben decidir si abrir un restaurant en un shopping. genere datos experimentales creando una simulación con el programa ComLabGame y confronte a 2 jugadores sin base teórica.75 a 0. Dependiendo de si él elige: Oro. 49. a) ¿Está de acuerdo con jugar? Deberá obtener el valor del juego para las estrategias puras o mixtas que posea (utilice el método gráfico para resolver la igualdad de ganancias).

Laboratorio A X 1 2 3 P(X) 0. R: a) (3. calcular la esperanza y varianza del gasto total G.2). Hallar el costo esperado para las 10 exploraciones. ¿Cuál de los bonos aconsejaría? R: B. Los bonos A tienen un rendimiento anual del 6. independientemente de las fallas que tenga.001 y pérdida del cincuenta por ciento con p=0. Calcular la ganancia esperada mensual por envase.01. Además cada exploración exitosa cuesta $ 30000 y las fallidas $ 15000. el cual está interesado en 2 bonos con riesgos.44$. 55. b) Si U es el número total de ensayos en le empresa.150$.4) y (4. a) ¿Cuál es el laboratorio con mayores gastos diarios y cuál es el de gastos más irregulares. Instrumentos de laboratorio Todas las mañanas debe ajustarse un sistema de instrumentos en 2 laboratorios A y B de la misma empresa. El senador A mueve primero y debe decidir si invierte en una costosa campaña publicitaria. Número de fallas por envase 0 1 2 3 4 Cantidad de envases 86 112 83 47 22 R: 1. El senador B mueve después y debe decidir si entra o no en el juego. 56. b) hallar el equilibrio si se mantienen las ganancias pero B mueve primero.2 0.3).2 0. R: $ 120. El conjunto tiene un costo fijo de $ 20000. 53. 3 y 4. Modelar las 4 ganancias de cada uno con los valores 1. El control de calidad de la misma realiza un muestreo mensual de 350 envases para detectar la cantidad de fallas. (2. 54. (3. 10. con una tasa de incumplimiento del 2%. Si en el orden A (Campaña. No entra). cuyo último resultado se indica en la tabla siguiente.20$. Campaña publicitaria Dos senadores compiten por la reelección. b) 11. cuyas probabilidades se dan en la siguiente tabla. ¿Importa quién mueve primero? ¿Por qué? c) rediseñar las ganancias de tal forma que el orden no importe y calcular el equilibrio. Problemas – IV Teoría de los juegos 52.40$. La probabilidad de una exploración exitosa es 0. No campaña) y B (Entra. El costo de cada uno es de 3$.1). Cada ensayo cuesta 3$.3 R: a) A. 2. Los bonos B tienen un rendimiento anual del 8. pero tienen una tasa de incumplimiento del 1% (se pierden los $1000). Cada puesta a punto requiere una serie de ensayos que no superan a 3. b) (4. en forma independiente. Los envases que tienen hasta 2 fallas se corrigen y los que tienen 3 o más se descartan.6%. se utilizan las siguientes ganancias en los nodos finales: (1. R: $ 185000.3).5%. 57. Ignorar todas las otras pérdidas parciales.2). Bonos de inversión Usted debe aconsejar a un cliente que tiene $1000 para invertir.2 Laboratorio B Y 1 2 3 P(Y) 0.5 0. a) ¿Cuál es el equilibrio del juego?.6 0. B sabe que le será más fácil ganar si A no realiza una campaña publicitaria. Por cada envase la empresa cobre 6$. pero si debe ser corregido se incrementa en 1. B. Empresa petrolera Una empresa petrolera va a realizar 10 exploraciones. Póliza de seguro Hallar la prima anual (de equilibrio) de una póliza de seguro contra incendio de $ 20000 en una zona que por experiencia anterior puede tener pérdida total con p=0.1. Envases defectuosos Una empresa provee envases para distintas industrias. 233 .

R: a) E(G)=-0.054. Apuesta 1 $ siempre a cara (apuesta simple). b) cantidad de telefonistas por hora entre las 8 de la mañana y 234 Jorge Carlos Carrá . e) jugar tres veces a pleno con apuesta doble.0. La empresa en la que usted trabaja atiende pedidos por teléfono. Problemas con base de datos Todos los archivos que se mencionan en los problemas.027.sav Supondremos en principio que el número de llamadas por hora sigue una distribución normal lo cual será validado en el capítulo 7. d) E(G)= . R: a) E(G)=0. b) 0 $. b) E(G)=-0. a) Apostar a obtener por lo menos un 6 en 4 tiros de un dado. 60. Repetir entonces la pregunta anterior pero ahora analizando la cantidad requerida de telefonistas por cada una de las horas entre las 8 de la mañana y las 4 de la tarde. la ruina o es equilibrado. ¿Qué diferencia se observa en los histogramas? Justificarlas. 59. (ídem anterior). Suponer que en cada uno se apuesta 1 $.php?f=52&t=267 61. c) 0 $. e) E(G)= . la ruina o es equilibrado.108.Normal).0. (pleno).035. El gerente desea bajar los costos y le pide que estudie optimizar el número de telefonistas. conduce a: la fortuna. Como primera medida necesita datos para analizar. c) E(G)=-0. Telefonistas en la mira Abrir el archivo Llamadas. b) apostar a una línea. por lo cual le solicita evaluar una solución menos costosa que utilice por ejemplo distinta cantidad de telefonistas en cada hora. en la fórmula de cálculo del percentil (IDF. d) repetir b). conduce a: la fortuna. Dados y el equilibrio Establecer cuál de los siguientes juegos.sav. se encuentran en la dirección (acceso restringido a alumnos): http://www. b) juega 3 veces. c) repetir a). Las inquietudes del gerente son las siguientes: a) ¿Qué cantidad de telefonistas por hora recomendaría para estar 98 % seguro de que cada uno de ellos solo tenga que atender 8 clientes por hora? Sugerencia: calcular primero el número de llamadas por hora asociado al 98 % (percentil 98). b) El gerente observa que los datos parecen indicar algunas horas pico. por lo que solicita que le confeccionen un registro del número de llamadas que se reciben de los clientes. Para calcular los percentiles 98 de las nueve distribuciones en un solo paso. suponiendo que en cada uno se apuesta 1 $. Capítulo 3 Distribuciones de Probabilidades 58. a) Apostar al número tres.01718. colocar en dos columnas de la vista de datos los valores de μ y σ para cada una de las 9 horas pedidas (tomándolos del visor con: Frequencies > Pivoting Trays > pasar Statistics a Layer > seleccionar las medias y luego las desviaciones estándar). b) E(G)=-0. Estos datos se obtienen durante el transcurso de 22 días y le son entregados en el archivo Llamadas. establecer cuál de los siguientes juegos. Casino de ruleta europea y el equilibrio En un casino de ruleta europea. R: a) 0 $. para lo cual cuenta con un grupo de telefonistas.net/JCC/viewtopic. b) apostar a obtener por lo menos un doble 6 en 24 tiros de dos dados. Apuestas simples y dobles Un jugador a cara o seca tiene un capital de 3 $. Luego decide usar la técnica de la apuesta doble.aprehender. c) apostar a la primer docena. R: a) 6 telefonistas por hora. es decir duplica la apuesta (2 $) si pierde. d) jugar a pleno dos veces con apuesta simple. en tanto tenga capital suficiente. Hallar el valor esperado de la ganancia si a) juega 2 veces.027.027. ¿Cuántas horas de telefonistas se ahorraría el gerente? Sugerencia: Usar Split File para dividir los datos por hora. d) 0 $. Luego colocar el nombre de estas dos variables generadas. agrupados por hora desde las 8 de la mañana hasta las 4 de la tarde.

4-6-5-6-5-6-7-7-4. Problemas – Problemas con base de datos las 4 de la tarde. 235 . Se ahorra 4 horas de telefonistas por día (por ejemplo reasignándolos en otras funciones) y puede mejorar la deficiencia que se observa en la solución a) a las 2 de la tarde y a las 3 de la tarde.