UNIVERSIDAD DE LOS ANDES

Facultad de Ingeniera
Departamento de Ingeniera Industrial Departamento de Ingeniera Industrial
Probabilidad y Estadstica I
Sesiones # 9 y 10
Variables Aleatorias
Valor Esperado, FGM, Varianza
Distribuciones Discretas de Mayor Aplicacin:
1
Distribuciones Discretas de Mayor Aplicacin:
Bernoulli, Geomtrica, Binomial y Poisson
Mario Castillo (Coordinador General del Curso)
Valor Esperado de una Variable Aleatoria
Ejemplo: Caso V.A. X, nmero de bolas rojas
Cul es el nmero de bolas rojas esperado?
{ } 3 , 2 , 1 , 0 ) ( = X R
30
1

30
9

30
15

30
5
(.) g
3 2 1 0
x
30 30 30 30
2 . 1 ) (
2 . 1
30
36


30
1
* 3
30
9
* 2
30
15
* 1
30
5
* 0 ) (
=
= =
+ + + =
X E
X E
2
Valor Esperado de Una Variable Aleatoria
Definicin
- Caso discreto
Sea X una V.A. discreta con rango R(X).
El valor esperado de la V.A. X se define por:

e
=
) (
). ( ) (
x R
i
x
i x i
x g x X E
- Caso continuo
Sea X una V.A. continua con rango R(X)
El valor esperado de la V.A. X se define por:
De las definiciones anteriores se infiere que E(K) = K
e ) ( x R
i
x
}
=
) (
) ( ) (
X R
x
dx x f x X E
3
Valor Esperado Ejemplo Caso Discreto
Distribucin Geomtrica
{ }
p p
p
p
p
p n p p p n X E
p p n g n X R X
n
n
n
n
n
x
1
)] 1 ( 1 [

) 1 ( ) 1 ( ) (
) 1 ( ) ( ; ,... ,..., 2 , 1 ) ( con
2 2
1
1
1
1
1
= =

=
= =
= =


=

p
X E
p p p
1
) (
)] 1 ( 1 [
=

4
Valor Esperado Ejemplo Caso Continuo
2
1
2
E(X)
2
2
2
= =
} }
dx x dx
x
x
2, x 0 ,
2
) ( s s =
x
x
x
f Para la VA X con fdp

3
4
6
8
3 2
1

2 2
2
0
3
0 0
= = =
} }
x
5
Valor Esperado de una Funcin de la V.A. X
Sea X una V.A. y u(.) una funcin real. Entonces, Y= u(X) es, a su
turno, una V.A.
Se puede demostrar que

}
=
= = continuo Caso ) ( ) ( )) ( ( ) (
) ( x R
dx x f x u x u E Y E
Propiedades del Valor Esperado
De la definicin anterior se obtiene que:
E(kX) = kE(X)

= ) ( ) ( ) (
i x i
x g x u Y E
6
Varianza de una Variable Aleatoria
( ) ( )
X
X E X E X VAR
x
x
var
2
2
=
= =

Sea X una V.A. discreta o continua. La varianza y la desviacin estndar de la V.A. X
se definen por:
De acuerdo con la definicin, la varianza la podemos calcular a travs de la expresin:
Var(X) = para X V.A. discreta y
Var(X) = para X V.A. continua.
La varianza de X tambin se puede expresar como: Var(X) = E(X
2
) [E(X)]
2

=
n
i
x i i X
x x g
1
2
) ( * ) (
}

) (
2
) ( * ) (
X R
x X
dx x x f
7
Ejemplo: VE y Varianza de una VA X
Condicin del
Mercado
Retorno
Accin 1 Accin 2 Accin 3
Bueno (1/3) 15 16 1
Promedio (1/3) 9 10 10
Malo (1/3) 3 4 19 Malo (1/3) 3 4 19
Media 9 10 10
Varianza 24 24 54
Desviacin 4.9 4.9 7.35
Var(R
1
) = [(15 9)
2
+ (9 9)
2
+ (3 9)
2
]/3
=
24
Desv(R ) =
24
8
Desv(R
1
) =
24
Ejemplo
Caso Continuo
( )
3
4
x E que puesto ,
2 3
4

) ) (( ) (
2
2
2
= |
.
|

\
|
=
=
}
dx
x
x
x E X Var
la varianza de X estar dada por: 2, x 0 ,
2
) ( s s =
x
x f
x
Para el ejemplo ya presentado en el que la VA X tiene f.d.p.
16 8 1
9
16
3
8
2
1

9
16
3
8
2
1

3 2 3
2
2 3 4
2
0
2
3
2
0
2
0
(
(
(

+ =
(

+ =
. \
}
}
}
x x x
dx
x x
x
xdx
x
x
9
9
0.222 ) (
18
64
9
64
4
16
2
1

18
16
9
8
4 2
1

0
2 3 4
=
(

+ =
(
(

+ =
X Var
x x x
Funcin Generatriz de Momentos
i) Si X es una VA discreta con FP g
x
(.),
se define la funcin generatriz de momentos (FGM) de X por :
+
x
(t) = E (e
tX
)

=
=
1 i
i x
tx
) x ( g e
i
, donde R(X) = {x
1
, x
2
, ..., x
i
, ...}
ii) Si X es una VA continua con FDP f
x
(.), se define la funcin generatriz de
momentos (FGM) de X por :
+
x
(t) = E (e
tX
)
dx ) x ( f e
R(X)
x
tx
}
= , siempre que dicha integral exista.
Propiedad Fundamental
Sea X una VA con FGM +
x
(.). Entonces,
10
+
x
(n)
(0) = E(X
n
) (Momento de orden n de X).
Es decir, si conocemos la FGM de una VA X, podemos obtener los momentos de orden
n de X para cualquier n.
En particular, los momentos de orden n=1 y n=2, a partir de los cuales se pueden
calcular la media y la varianza de la VA X.
Funcin Generatriz de Momentos - Ejemplos
Ejemplo 1: (Distribucin de Bernoulli - X VA discreta, finita)
Sea X
b
una VA de rango R(X) = {0,1} y con FP g
Xb
(x ; p) =
x - 1 x
p) - (1 p ,
x e {0,1,}; p, 0 < p < 1, representa la probabilidad de xito en un experimento de
Bernoulli.
La FGM de la VA X est dada por : La FGM de la VA X
b
est dada por :
t
t
t
n
x x tx tX
b
X
pe q
pe p
p p e p p
p p e e E p t
+ =
+ =
+ =
= = +

=

) 1 (
) 1 ( ) 1 (
) 1 ( ) ( ) ; (
0 1 1 0
1
0
1
Por tanto,
t
b
X
pe p t = + ) ; (
y
t
b
X
pe p t = + ) ; (
, de donde,
11
) ( ) 0 (
) ( ) 0 (
2
X E p
X E p
B
X
B
X
= = +
= = +
Luego Var(X) = E(X
2
) [E(X)]
2
= p p
2
= p(1-p) = pq
Funcin Generatriz de Momentos - Ejemplos
Sea X
E
una VA continua con FDP
; 0 , 0 , ) ( > > =



x e x f
x
E
X entonces su FGM de la VA X
E
est dada por :
dx e dx e e t
t x x tx
X
E
= = +

} }


) ; (
0
) (
0
t
t

=
<

=

} }

t si e
0
) - x(t
0 0
2
) (
1
) ; 0 (
) (
) ; (
2
X E
t
t
E
X
E
X
= = +

= +

12
) (
2
) ; 0 (
) (
2
) ; (
2
2
3
X E
t
t
E
X
E
X
= = +

= +

Por tanto:
2 2 2
2
E X E
1 1 2
) X ( E ) 0 ( ) X ( V
E

= + =
Distribucin de Bernoulli
Se dice que un EA es un experimento aleatorio de Bernoulli si su espacio
muestral asociado consta nicamente de dos elementos, es decir, = { E, F }
* X
b
es la VA asociada al EA de Bernoulli, y est definida por:
X
b
(E) = 1 y X
b
(F) = 0
Caracterizacin: FP, FGM, media y varianza.
* Rango (X ) = {0, 1} * Rango (X
b
) = {0, 1}
* P(X
b
= 1) = p y P (X
b
= 0) = 1 - p
Por tanto, su FP es: g
X
(x) = p
x
(1 p)
1-x
, para x = 0, 1.
Se acaba de demostrar (diapositiva 11) que su FGM est dada por:
y que su media y su varianza estn dadas, respectivamente, por:
) t (
b
X
+ = E (
b
tX
e ) = pe
t
+ (1 p) = pe
t
+ q
13
y que su media y su varianza estn dadas, respectivamente, por:
E(X) = p y Var(X) = p (1-p) = pq
Distribucin Geomtrica
Si se realizan sucesivamente experimentos independientes de Bernoulli de
parmetro p, a la VARIABLE ALEATORIA X
G
: nmero de ensayos hasta obtener el
primer XITO se le conoce como una VA con DISTRIBUCIN GEOMTRICA de
parmetro p.
En una sesin anterior ya se demostr que:
- R(X) = {1, 2, 3, ,n, , }
p p n g
n 1
) 1 ( ) (

=
Geomtrica
- R(X) = {1, 2, 3, ,n, , }
- E(X) = 1/p
Adicionalmente se puede demostrar, que
i)
) p ; t (
G
X
+

=
1
1
) 1 (
n
n nt
p e p
t
t
t
t
qe
pe
e p
pe

=

=
1 ) 1 ( 1
para t e R tal que qe
t
< 1; y que
ii) Var(X
G
; p) =
2 2
) 1 (
p
q
p
p
=

p p n g
n
x
1
) 1 ( ) (

=
14
Geomtrica
0,00
0,05
0,10
0,15
0,20
1 3 5 7 9 11 13 15 17 19
p p
x
x
x
x
x
n
n
n
n

=
1
1
1
1
0
Recuerde que:
Distribucin Binomial
Ejemplo Introductorio
La tarjeta de crdito VIVAGRATIS conoce que el 30% de sus clientes quedan con
sobrecupo en los cortes mensuales. Si se elige una muestra aleatoria (MA) de 10
clientes de dicha tarjeta:
a. Cul es la probabilidad de que exactamente cuatro tengan sobrecupo? a. Cul es la probabilidad de que exactamente cuatro tengan sobrecupo?
b. Cuntos clientes esperara usted que tengan sobrecupo?
c. Cul es la probabilidad de que ocho o ms de ellos tengan sobrecupo?
Sea p = 0.3 la probabilidad de XITO, i.e., que el cliente quede con sobrecupo.
X: la VA asociada al nmero de XITOS en los n = 10 ensayos.
R(X) = {0,1,2, , n}
15
Nos preguntan P(X = 4); observemos que:
representara el EM del experimento, en donde en c/u de las 10
posiciones slo puede aparecer E F.
El resultado siguiente es favorable al evento:
y la probabilidad de que este evento particular se produzca es:
10
...
2 1
F E F F E
7 . 0 7 . 0 7 . 0 3 . 0 3 . 0 7 . 0 7 . 0 3 . 0 7 . 0 3 . 0
F F F E E F F E F E
y la probabilidad de que este evento particular se produzca es:
De cuntas formas posibles
se pueden presentar 4 xitos?
En general:
( ) ( )
( ) n k p p
k n
k
s

, 1
7 . 0 3 . 0
6 4
( ) ( ) ( )
( ) ( ) ( ) n k p p
n
k X P
X P
k
n
k n k
,..., 1 , 0 1
7 . 0 3 . 0
4
10
4 por tanto, ;
4
10
6 4
=
|
|
|

|
= =
|
|
.
|

\
|
= =
|
|
.
|

\
|
=
|
|
.
|

\
|

16
En general:
( ) ( ) ( ) n k p p
k
k X P ,..., 1 , 0 1 =
|
|
.

\
= =
DEFINICIN: Si se hacen N experimentos independientes cuyo resultado en cada
ensayo puede ser nicamente XITO (con probabilidad p) o FRACASO (con
probabilidad 1-p ), a la VA X: nmero de xitos en los N ensayos, se le conoce como la
VA BINOMIAL y su FUNCION DE PROBABILIDAD es conocida como la
DISTRIBUCION BINOMIAL.
Caracterizacin
Rango:
Distribucin Binomial Definicin y Propiedades
( ) { } N X R ,..., 2 , 1 , 0 = Rango:
Funcin de Probabilidad:
Funcin Generatriz de Momentos:
Valor Esperado y Varianza: Con base en la FGM se puede demostrar que:
E(X
B
; N, p) = Np y Var (X
B
; N, p) = Npq
( ) { } N X R ,..., 2 , 1 , 0 =
( )
N ..., 2, 1, k , ) p 1 ( ) p (
k
N
p) N, (k; g
X P p) N, (k; g
k - N k
X
B X
=
|
|
.
|

\
|
=
= =
B
B
k
) p , N ; t (
B
X
+ = (pe
t
+ q)
N
, t e R, q = 1 - p
17
b. Nos preguntan
( ) 3 . 0 , 10 ;
B
X E
( ) 3 3 . 0 * 10 = =
B
X E
c. Nos preguntan
( ) 8 > X P
Ahora podemos contestar las preguntas que nos faltaba responder:
( ) ( ) ( ) ( ) 10 9 8 8 = + = + = = > X P X P X P X P
18
En cierta ciudad se quiere analizar el experimento aleatorio que consiste en observar
cmo se comportan los nacimientos de bebs con respecto al tiempo, en el sentido de
ver el nacimiento de un beb como un evento puntual (el instante en que nace el beb)
que tiene lugar a lo largo de tiempo. El nacimiento de un beb en la ciudad lo podemos
interpretar como una llegada del proceso que tiene lugar en el tiempo.
El tiempo lo podemos representar a travs de la recta real y las llegadas como puntos
de dicha recta, as:
El Proceso de Poisson
de dicha recta, as:
Respecto a dicho proceso (experimento aleatorio) podemos definir la VA X
P
para un
intervalo de tiempo de longitud t por:
19
intervalo de tiempo de longitud t por:
X
P
(t) = "nmero de nacimientos (llegadas) en el intervalo de tiempo de longitud t"
Consideremos un EA en el cual cierto "evento puntual" (nacimiento de un beb, llegada de
un avin a un aeropuerto, un imperfecto en la produccin de una tira plstica) tiene lugar en
un continuo (tiempo, volumen, longitud) de manera aleatoria.
Suponemos que dicho experimento tiene las siguientes caractersticas:
i) El continuo, que representamos por la variable real "t", puede ser dividido en
partes que llamaremos At suficientemente pequeas como para que a lo sumo
El Proceso de Poisson - Descripcin y Supuestos del Modelo
partes que llamaremos At suficientemente pequeas como para que a lo sumo
uno de los sucesos puntuales tenga lugar en dicho intervalo de tiempo.
ii) Para dos intervalos disyuntos (A t)
1
y (A t)
2
el hecho de que haya una llegada
en (At)
1
, es independiente de que haya o no una llegada del proceso en (At)
2
.
iii) La probabilidad de que el suceso puntual (llegada) tenga lugar en un intervalo
A t depende nicamente de la longitud del intervalo y de una constante que
caracteriza el proceso, i.e.,
P (haya una llegada en el intervalo At) = . At
Ntese, por tanto, que dicha probabilidad no depende de la ubicacin del intervalo t en el
continuo t. En ese sentido, podemos decir que las llegadas estn uniformemente
20
continuo t. En ese sentido, podemos decir que las llegadas estn uniformemente
distribuidas en el tiempo.
Sea t un intervalo de tiempo dado, arbitrario pero fijo. Queremos examinar la VA X
P
definida por,
X
P
(t) = "nmero de llegadas en el intervalo de tiempo t",
y deducir su distribucin,
= P (X
P
= n; , t)
= P (haya exactamente n llegadas del proceso en el intervalo
de tiempo t).
El Proceso de Poisson - Deduccin y Caracterizacin de la Distribucin
) t , ; n ( g
P
X

de tiempo t).
Dividamos el intervalo de magnitud t en N intervalos de magnitud t/N, de tal manera que
t/N sea tan pequeo como sea necesario para que se cumplan los supuestos del
modelo.
El evento B "que haya exactamente n llegadas del proceso en el intervalo de
tiempo t" es equivalente al evento "obtener exactamente n xitos en los N
21
tiempo t" es equivalente al evento "obtener exactamente n xitos en los N
experimentos independientes de Bernoulli que consisten en observar si ha habido o no
una llegada del proceso en el intervalo de tiempo de longitud t/N".
La probabilidad de obtener xito (que haya una llegada) en cada uno de estos experimentos de
Bernoulli es p = (t/N) (supuesto iii).
Es decir, tenemos N experimentos independientes de Bernoulli de parmetro p = (t/N).
La probabilidad del evento B est dada por:
P(B) = P( haya exactamente n llegadas del proceso en el intervalo de tiempo t)
El Proceso de Poisson - Deduccin y Caracterizacin de la Distribucin
= P( obtener exactamente n xitos en los N experimentos independientes
de Bernoulli de parmetro p = (t/N))
= P(X
B
= n; N, .(t /N)) (*)
Para poder obtener un modelo completamente general que represente a cualquier tipo de proceso
que cumple con los supuestos i, ii y iii antes descritos, se debe tomar el lmite de la expresin (*)
cuando N tiende a infinito, es decir, cuando los intervalos t/N son tan pequeos como se quiera.
n N n
N
t
1
N
t
n
N

|
.
|

\
|

|
.
|

\
|
|
|
.
|

\
|
=
22
( )
( )
N
n
N
n
N
n
N
n n
n
N
n N n
N
N
t
N
t
N n N
N
n
t
N
t
N
t
N
t
n n N
N
N
t
N
t
n
N
(
(
(
(
(

|
.
|

\
|

|
.
|

\
|

(

=
(
(
(
(
(

|
.
|

\
|

|
.
|

\
|

=
(
(

|
.
|

\
|
|
.
|

\
|
|
|
.
|

\
|

exista. lmites estos de uno cada que siempre ,
1
1
lim *
)! (
!
lim *
!
1
1
! )! (
!
lim 1 lim
a
n
n
e
n
a

= |
.
|

\
|
1 lim
: que sabemos clculo Del
( )
N
n
N
N
N
n
N
t
N
t
N
N
N
n N
N
n N
n
t
N
|
.
|

\
|

|
.
|

\
|

(

+ +
=
(
(

|
.

1 lim
1 lim
* * ... *
) 2 (
*
) 1 (
lim *
!
1
( ) ( )
t
e
n
t
t
e
n
t
n n

= = *
! 1
* 1 *
!
( )
.. . 2, 1, 0, n ,
!
) , ; ( = =
t
n
p
x
e
n
t
t n g

23
Distribucin de POISSON de parmetros , t.
Interpretacin de : Nmero de llegadas por unidad de tiempo.
Si t = 1, entonces la funcin de probabilidad se expresar por:
,... 2 , 1 , 0 ,
!
) ; ( = =

n e
n
n g
n
x
p

Ejercicios
) 1 (
= =
s
e

Ejercicio 1
Demostrar que la FGM, el valor esperado y la varianza de la VA X
P
de parmetro
(para t = 1) estn dados por:
) 1 (
) ; (

= =
s
e
P
X
e s


= = )) ( ( ar y )) ( (
P P
X V X E
24
Ejercicios
Ejercicio 2
ABC Petroleum va a iniciar la perforacin de varios pozos en un nuevo campo. En el proceso de
perforacin de cada pozo, la compaa puede alcanzar dos tipos de formaciones geolgicas que se
encuentran a un nivel de profundidad diferente: Mirador o Barco. El nivel de reservas de petrleo de
cada pozo, depende de la formacin que se alcance en el proceso de perforacin. Si ABC alcanza la
formacin Mirador, el nivel de reservas obtenido ser alto con probabilidad 0.2, medio con
probabilidad 0.3 y bajo con probabilidad 0.5. Cuando se alcanza la formacin Barco, se estima que el probabilidad 0.3 y bajo con probabilidad 0.5. Cuando se alcanza la formacin Barco, se estima que el
nivel de reservas es alto en el 40% de los casos, medio en el 50% de los casos y bajo en el 10% de
los casos.
Con base en estudios geolgicos, ABC estima que la probabilidad de que la perforacin llegue hasta
la formacin Mirador en cualquiera de los pozos es 0.7, mientras que la probabilidad de llegar a la
formacin Barco es 0.3. Asumiendo independencia en los resultados del proceso de perforacin de
cada pozo, responda las siguientes preguntas:
a. Calcule la probabilidad de que, en un pozo cualquiera, ABC obtenga un nivel de reservas alto,
medio y bajo, respectivamente.
b. Cul es la probabilidad de que ABC deba perforar 10 pozos para encontrar el primero con un
25
b. Cul es la probabilidad de que ABC deba perforar 10 pozos para encontrar el primero con un
nivel medio alto de reservas?
c. Cul es la probabilidad de que ms de 2 de los primeros 5 pozos perforados presenten un nivel
bajo de reservas?
d. Si de los primeros 10 pozos perforados 4 presentaron un nivel alto de reservas, cul es la
probabilidad de que el decimoquinto pozo perforado sea el quinto con un nivel alto de reservas?
e. Calcule el valor esperado del nmero de pozos con reservas bajas o medias que se perforarn
hasta obtener el quinto pozo con reservas altas.
Ejercicios
Ejercicio 3
El nmero de llamadas que entran a una central telefnica durante un viernes en la noche se
puede representar por medio de un proceso de Poisson. De acuerdo con los datos del ltimo
mes, se ha estimado el nmero de llamadas entre las 8 PM y las 9 PM es una variable
Poisson con una tasa de 70 llamadas por hora, entre las 9 PM y la 1 AM es una variable
Poisson con una tasa de 50 llamadas por hora, mientras que entre la 1 AM y las 3 AM es una Poisson con una tasa de 50 llamadas por hora, mientras que entre la 1 AM y las 3 AM es una
variable Poisson con una tasa de 40 llamadas por hora.
a. Cul es la probabilidad de que entre las 8 PM y las 9 PM entren 70 llamadas?
b. Cul es la probabilidad de que entre las 9 PM y las 11 PM entren ms de 80 llamadas?
c. Cul es el nmero esperado de llamadas que entran entre las 2 AM y las 2:30 AM?
d. Cul es la probabilidad de que entre las 8:30 PM y las 9 PM entren 30 llamadas y que
entre las 2 AM y las 3 AM entren 60 llamadas?
e. Se sabe que entre las 9 PM y las 10 PM entraron 50 llamadas, cul es la probabilidad de
que entre las 9 PM y las 11:30 PM entren ms de 120 llamadas?
26