Upload
vale-go-fa
View
219
Download
0
Embed Size (px)
Citation preview
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 1/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Probabilidad II
Programa de la asignatura
Clave
50920415
Octubre de 2011
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 2/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Índice
Ficha de identificación ........................................................................................................................ 3
Descripción ............................................................................................................................................ 3
Propósitos .............................................................................................................................................. 4
Competencia general ........................................................................................................................... 4
Temario ................................................................................................................................................... 4
Metodología de trabajo ....................................................................................................................... 6
Evaluación .............................................................................................................................................. 6
Fuentes de consulta ............................................................................................................................ 7
Unidad 1. Arreglos Aleatorios ..................................................................................................... 8
UNIDAD 2 Momentos ................................................................................................................... 26
Unidad 3 Convergencia de variables aleatorias ................................................................... 51
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 3/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Información general de la asignatura
Ficha de identificación
División Ciencias Exactas, Ingenierías y
Tecnología
Nombre de la licenciatura Licenciatura en Matemáticas
Nombre la asignatura Probabilidad II
Clave de asignatura 50920415
Seriación Probabilidad I
Cuatrimestre Cuarto
Horas contempladas 72
Descripción
La asignatura de probabilidad II es la continuación de la asignatura de Probabilidad I. Cabeseñalar que las competencias que se pretende desarrollar en esta disciplina te permitirán
resolver modelos matemáticos probabilísticos de tucontexto social.
El azar está muy presente en la vida cotidiana (lacomparación de edades con estaturas, el tiempo deestancia de una persona dentro de un restaurante,el tiempo de vida de un foco etc.). Pese a esto,nuestros razonamientos, en general, siguen más lavertiente determinista que la aleatoria, sin tener encuenta que una no excluye a la otra. Tenemos unpasado en donde la vertiente del razonamiento
aleatorio se ocultaba bajo toda clase desupersticiones.
La teoría de probabilidades trabaja con experimentos aleatorios, es decir, con experimentoscuyo resultado no podemos prever de antemano (experimento: modo de obtener observaciones;para Toranzos “los acontecimientos aleatorios se caracterizan porque admiten dos o más
resultados posibles, y no tenemos elementos de juicios suficientes para predecir cuál de ellos
ocurrirá en una determinada realización”).
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 4/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Puntualmente deben cumplirse tres condiciones: no se puede predecir el resultado; se conocentodos los resultados posibles; el experimento se puede repetir sin cambiar esencialmente lascondiciones. Las condiciones anteriores, o lo que se llama experimento aleatorio, son comunes
a todos los juegos de azar, los cuales dieron origen a la Teoría de la Probabilidad.
En la unidad 1 se hace mención de los diferentes tipos de arreglos, sus definiciones básicas yejemplos para reforzar el conocimiento, también se abordan las diferentes distribucionesconjuntas, marginales.
En la unidad 2 se mencionan los momentos, como la varianza, esperanza de un resultado y lacovarianza y coeficiente de relación. También se mencionan las funciones generadoras demomentos que te permitirán medir el cúmulo de resultados de una población dada. Paracondicionar un resultado, tendrás la posibilidad de manipularlo mediante la esperanzacondicional, la cual le permite anticiparse a resultados.
Por último, en la unidad 3 se establecen las diferentes leyes que permiten lograr unaconvergencia de variables aleatorias, mediante el lema de Borrel-Cantelli, ley débil de losgrandes números y la ley fuerte de los grandes números.
Propósitos
El propósito de esta asignatura es formar profesionales capaces de aplicar sus conocimientosen probabilidad partiendo de los siguientes puntos:
Identificar las definiciones básicas para comprender los arreglos aleatorios. Analizar y resolver problemas por medio de la teoría de las probabilidades y las técnicas
de estadística. Analizar y resolver problemas por medio de la teoría de las probabilidades, las técnicas
de estadística y la convergencia de variables aleatorias.
Competencia general
Interpretar datos de diversas áreas de estudio para emitir juicios que incluyan una reflexiónsobre temas relevantes de índole social, científica o ética.
Temario
Unidad 1. Arreglos aleatorios
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 5/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
1.1 Definiciones básicas1.1.1. Sigmas algebras1.1.2. Ejemplos
1.2. Distribuciones1.2.1. Distribución conjunta1.2.2. Distribuciones marginales1.2.3. Vectores aleatorios discretos1.2.4. Densidades y densidades marginales1.2.5. Distribuciones condicionales
1.3. Independencia1.3.1. Convolución1.3.2. Aplicaciones de convolución
Unidad 2. Momentos
2.1. Conceptos Básicos2.1.1. Esperanza2.1.2. Varianza2.1.3. Covarianza y coeficiente de correlación
2.2. Funciones generadores de momentos2.2.1. Función generadora de momentos factoriales
2.2.2. Momentos Factoriales para generar una función
2.3. Esperanza condicional2.3.1. Caso discreto2.3.2. Caso continuo2.3.3. Caso mixto
Unidad 3. Convergencia de variables aleatorias
3.1. Convergencia de variables aleatorias3.1.1. Lema de Borel Cantelli
3.1.2. Ley débil de los grandes números3.1.3. Ley fuerte de los grandes números
3.2. Convergencia en distribución3.2.1. Definición y propiedades3.2.2. Función característica
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 6/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
3.3. Función Característica3.3.1. Teorema del límite central3.3.2. Simulación
Metodología de trabajo
En esta asignatura se trabaja mediante la metodología de enseñanza y evaluación: el Aprendizaje basado en la resolución de ejercicios y problemas matemáticos y el Aprendizajebasado en la resolución de casos prácticos. La primera de estas se aplica en la unidad 1,denominada Arreglos aleatorios.
Entre las actividades se proponen existen diversos foros, y tareas colaborativas donde elestudiante buscara las técnicas que le auxilien a la resolución de ejercicios y problemas por elcual se basa la enseñanza de esta asignatura. Además intercambiar información, a base deejemplos podrás advertir la aplicación y utilidad de los temas revisados en cada unidad.
Evaluación
En el marco del Programa de la ESAD, la evaluación se conceptualiza como un procesoparticipativo, sistemático y ordenado que inicia desde el momento en que ingresas al aulavirtual. Por lo que se le considera desde un enfoque integral y continuo.
Por lo anterior, para aprobar la asignatura, se espera tu participación responsable y activa, asícomo que establezcas una comunicación estrecha con tu facilitador para que este puedaevaluar objetivamente tu desempeño. Para lo cual es necesaria la recolección de evidenciasque permitan apreciar el proceso de aprendizaje de contenidos: declarativos, procedimentalesy actitudinales.
En este contexto la evaluación es parte del proceso de aprendizaje, en el que laretroalimentación permanente es fundamental para promover el aprendizaje significativo yreconocer el esfuerzo. Es requisito indispensable la entrega oportuna de cada una de lastareas, actividades y evidencias así como la participación en foros y demás actividadesprogramadas en cada una de las unidades, y conforme a las indicaciones dadas. La calificación
se asignará de acuerdo con la rúbrica establecida para cada actividad, por lo que es importanteque las revises antes realizarlas.
A continuación presentamos el esquema general de evaluación:
ESQUEMA DE EVALUACIÓN Evaluacióncontinua
Interacciones individuales ycolaborativas
10%
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 7/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Tareas 30%
E-portafolio. 50% Evidencias 40%
Autorreflexiones 10%Examen 10%
CALIFICACIÓNFINAL 100%
Cabe señalar que para aprobar la asignatura, se debe de obtener la calificación mínimaindicada por la ESAD.
De manera particular, las actividades se encuentran dispuestas de la siguiente manera:La unidad 1 se evalúa con tres actividades que contemplan la resolución de ejercicios yproblemas.
En la unidad 2, además de la resolución de ejercicios y problemas matemáticos, el estudiantecreará una base de datos de las técnicas de estadística descriptiva que le servirá no sólo parael desarrollo del resto de las actividades de la asignatura, sino como un apoyo para el curso deasignaturas posteriores.
Finalmente, en la unidad 3 el alumno deberá resolver ejercicios de reforzamiento.
Fuentes de consulta
Milton J y Arnold J. (2004). Probabilidad y estadística con aplicaciones para ingeniería y
ciencias computacionales. México: Mc Graw Hill.Rincon L. (2007). Curso intermedio de probabilidad . México: Departamento de matemáticas,Facultad de Ciencias, UNAM.Spiegel M. (2006). Probabilidad y estadística. Madrid: Mc Graw Hill.
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 8/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Unidad 1. Arreglos Aleatorios
Presentación de la unidad
Cuando se analizan situaciones aleatorias del entorno, generalmente no se interesa en unespacio muestral (conjunto) sino en un evento (subconjunto), cuyos miembros tienen unacaracterística común, se debe analizar las probabilidades de ocurrencia y no ocurrencia de talevento. Para esto, es necesario que aprendas a hacer análisis cualitativo y cuantitativo desituaciones que se le presentan, para su interpretación es necesario emplear estrategias quesurgen de la probabilidad.
De acuerdo con este planteamiento, la presente unidad proporciona elementos teóricos sobrearreglos aleatorios, distribuciones e independencia para estimar las posibilidades de ocurrencia
y no ocurrencia de resultados, incluido en las lecturas y ejercicios, que permitirán el logro delaprendizaje a través de la práctica.
Propósitos
Al finalizar la unidad:
Clasificarás elementos dentro de un conjunto para formar subconjuntos. Determinarás una función de densidad conjunta mediante la distribución de dos
variables. Utilizarás variables aleatorias condicionadas para obtener una distribución condicional.
Competencia específica
Generar un sentido teórico y práctico para estimar las posibilidades de ocurrencia de resultadosen las diversas situaciones que así lo requieran en problemas de su profesión.
1.1. Definiciones básicas
Dentro de la ciencia de las matemáticas, la teoría de la probabilidad esresponsable del estudio de los experimentos aleatorios. Un experimentoaleatorio es aquel que al repetirse bajo las mismas condiciones iniciales, noproduce el mismo resultado.
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 9/66
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 10/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
1.1.2. Ejemplos
Ejemplo 1.
Se tiene S= {1, 2, 3, 4}Evaluar si S={Ǿ, {1, 2, 3, 4}} es -álgebraPara resolver este planteamiento, Tendríamos que consultar las tres condiciones que nospermiten verificar su pertenece a un -álgebra o no.
Solución:
La condición 1 se cumple, si A= {Ǿ} entonces su complemento Ac = {{ 1, 2, 3, 4}}, y de estamanera también se cumple la condición 2.
Verificando la condición 3 si A1 = Ǿ, A2 = {1, 2, 3, 4} entones la condición de ambos conjuntostambién pertenece al -álgebra An € S
Ejemplo 2.
Sea el conjunto S = {1, 2, 3, 4,}
2. Evaluar si el conjunto S es -álgebra: S = {Ǿ, {1}, {2}, {2, 3, 4}, {1, 3, 4}, {1, 2, 3, 4}}
Como se puede apreciar que las dos primeras condiciones se cumplen fácilmente. Para el casode la segunda condición A={2}, su complemento Ac está en el conjunto S y todo esto se da
para todo conjunto potencial A.
Actividad 1. Sigma álgebra
Al finalizar la actividad serás capaz de:
Identificar un sigma álgebra. Clasificar elementos en conjuntos y subconjuntos.
De acuerdo a lo descrito en el tema 1.1 Definiciones básicas. Realiza lo siguiente:
1. Descarga el documento sigma álgebra. Ubicado en la pestaña de la unidad 1.
2. Observa la imagen y clasifica los elementos que pueden ser un conjunto y unasigma álgebra.
3. Entra al foro sigma álgebra y presenta tu propuesta en el foro.
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 11/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
4. Entra al foro, lee con atención las propuestas de tus compañeros y comenta unade las propuestas de tus compañeros. No olvides que debes realizar tuscomentarios con claridad, precisión y respeto.
5. Concluye la actividad del foro mencionando un ejemplo de conjuntos con loselementos que lo componen.
6. Consulta la Rúbrica de participación del foro en la sección Material de apoyo.
1.2. Distribuciones
Por medio de las distribuciones podemos explicar y resolver algunos problemas de probabilidad,en donde está implícito el azar y donde podemos tener diversas variables para dar solución oenfoque a los resultados solicitados.
Entre las principales distribuciones para Variables Aleatorias discretas tenemos:
Distribución Uniforme
Distribución de Bernoulli
Distribución Binomial
Distribución Poisson
Distribución Hipergeométrica
Distribución Multinomial
Distribución Gamma
Distribución Exponencial 0xa1)x(Fae)x(f axax
Distribución Beta
b,axab
1)x(f
)b,a(xab
ax)x(F
)1,0(xP1)x(F)x1)(P1(Px)x(f
r nr )P1(P
r
n)r S(P)r (f
!ke)kX(P
k λ λ
kx x
k
x
1
k1
kk11 PPxx
!n)xX,,xX(P
0x,dueu)a(
1)x(Fex
)a(b
1)x(f
b/x
0
u1ab
x
1a
a
Γ Γ
)1,0(x)x1(x)b,a(
1)x(f 1b1a
β
)!nN!*(n
!N
)!knN)!*(kn(
!N
)!kN!*(k
!N
n
N
kn
N
k
N
)xX(p 2
2
1
121
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 12/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Distribución de Weibull
Distribución de Gumbel
Distribución Logística
Distribución de Pareto
Distribución de Laplace
Distribución de Cauchy
Distribución Geométrica
Distribución Erlang f x x x x( ; , )( )
exp( / ),
101
1.2.1. Distribución conjunta
Si X y Y son dos variables aleatorias sobre un espacio de probabilidad común (£. A, P ). Se lesllama función de distribución conjunta o simplemente distribución conjunta de X y Y, a lafunción.F(x, y) = P (X ≤ x , Y ≤ y )
0x0)X(F
0xe1)X(F
0x0)x(f
0xxea2)x(f
22
22
xa
xa2
xb
xaexpexp)X(F
xb
xaexp
b
xaexp
a
1)x(f
x
b
axexp1
1)x(F
x
b
axexp1b
b
axexp
)x(f
bx0)x(f
bxxab)x(f 1aa
bxaexp
211)x(Fy
baxexp
21)x(F
xb
axexp
b2
1)x(f
x
b
axarctan
1
2
1)x(F
b)ax(
b)x(f
22π π
r )P1(P)r (f
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 13/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Para representarlos podemos utilizar dos formas FX,Y (x, y) o en su caso F(x,y). Estas dosformas indican que es una distribución conjunta de X e Y.
Para representarlo gráficamente y poder darle una definición, se pude mencionar que la F(x,y)
es la probabilidad de que el punto (x,y) se localice dentro del cuadrante que queda abajo y a laizquierda del punto ( x,y), incluyendo el borde.
Si analizamos las dos figuras podemos obtener de esta manera:
F(x,y) = P({w: X(w) ≤ x} ∩ {w: Y(w) ≤ y})
Si unimos la formula anterior con los elementos de la formula obtenemos.
P(a < X ≤ b, c<Y ≤ d) = P(X ≤ b, Y ≤ d) – P(X ≤ b, Y ≤ c)
- P ( X≤ a, Y ≤ d) + P(X ≤ a, Y ≤ c)
= F (b, d) – F(b, c) – F(a, d) + F(a, c)
Propiedades
Si manejamos una distribución conjunta de dos variables debemos de tomar en cuenta lassiguientes propiedades:
F( x, y) es creciente en cualquiera de las dos variables. Un ejemplo, si x<x´ entonces:{w: X(w) ≤ x} {w: X(w) ≤ x }
Por lo tanto
F(x; y) = P ({w: X(w ) ≤ x} ∩ {w: Y (w) ≤ y })≤ P ({w: X(w ) ≤ x } ∩ {w: Y (w) ≤ y })
= F (x´, y)
= ; Como la función F es creciente en ambas variables se referencia para cualquiera x, y,
0 ≤ F(x,y) ≤ 1
y (x,y)
x
a
d(x,y)
b
b
c
a
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 14/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
La función F(x, y) es continua por la derecha en cualquiera de sus variables.
Ejemplo: Restaurant de comida rápida cuenta con ventanilla de atención a clientes en auto o
caminando sea X=el tiempo de atención a clientes en auto y Y= el tiempo que se destina a losclientes que acceden caminando. De tal forma el conjunto de valores posibles (X,Y) es elrectángulo D={(x,y): 0 ≤ x ≤ 1,0 ≤ y ≤ 1. Supongamos que la función de densidad deprobabilidad conjunta de (X,Y) está dada por
Para comprobar que ésta es una función de densidad de probabilidad legitima, se observa que
1.2.2. Distribuciones marginales
Las funciones de probabilidad marginal de X y de Y son representadas por y Se denotan por
∑ ∑
De tal forma que para poder obtener la función de probabilidad marginal de X ∑ , con un valor por ejemplo de 100, la distribución de ∑ se
suman a los valores posibles de y para de esta formar obtener la función de probabilidadmarginal de X, sin hacer ninguna referencia a Y. De esta manera es posible calcular lasprobabilidades de eventos en los que interviene de manera excluyen X o Y.
Ejemplo:
En un experimento se obtuvieron los siguientes resultados que muestra la tabla de frecuenciasabsolutas y que corresponde a 180 observaciones de una variable bidimensional. Calcular lasdistribuciones marginales de X y de Y,
X \ Y 10 15 20 25 30 35
8 8 10 10 6 0 10
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 15/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
10 10 20 0 14 10 012 24 10 10 6 20 10
Respuesta:
La última fila contiene la distribución marginal de la variable Y, y la última columna contiene ladistribución marginal de la variable X.
X \ Y 10 15 20 25 30 35 nI
8 8 10 10 6 0 10 44
10 12 20 0 14 10 0 5612 24 10 10 6 20 10 80n j 44 40 20 26 30 20 180
Ejercicios
Sea ( x, y) un vector aleatorio discreto con las siguientes distribuciones de probabilidad.
x/y 0 1 2 31 0 3/5 2/5 1/52 1/5 0 0 1/5
Calcular las distribuciones marginales de X e Y.
1.2.3. Vectores aleatorios discretos
Un vector aleatorio discreto es un modelo de probabilidad conjunta y se caracteriza por unafunción de probabilidad conjunta, que es el resultado de cada uno de sus posibles valores.
Entonces, un vector aleatorio (X, Y) es discreto cuando sólo puede tomar un número finito onumerable de valores, podemos apreciar lo anterior mediante una tabla de doble entrada
X\Y y1 y2 y… yn
x1
x2
x… P( X=xn,; Y=yn )xn
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 16/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
1.2.4. Densidades y densidades marginales
Las funciones de densidad de probabilidad marginal de X y Y, denotadas por y
vienen dadas por
1.2.5. Distribuciones condicionales
Sean X,Y dos variables aleatorias continuas con función de densidad de probabilidad conjunta
y la función de densidad de probabilidad marginal , se tiene que para cualquiervalor de x de X para el que , la función de densidad de probabilidad condicional de Ydado que X=x es
*Notese que la formula es muy proxima a la probabilidad condicional de que
Es decir la probabilidad de que ocurra B dado que ya ocurrio AYa sabemos que si P(A) > 0
Si X y Y son variables aleatorias discretas y tenemos los eventos (A:X =x), (B: Y = y), entonces(a) se convierte en
Donde f(x,y) = P(X=x, Y=y) es la función de probabilidad conjunta y f 1 (x) es la función deprobabilidad marginal para X. Definimos
Y la llamamos función de probabilidad condicional de Y dado X. de igual manera, la función deprobabilidad condicional de X, dado Y, es
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 17/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Definición. (Función de distribución condicional). Sea (X, Y) un vector aleatorio absolutamentecontinuo con función de densidad f X,Y (x, y ), y sea y tal que fY (y) ≠ 0 . A la función
Se le conoce como la función de distribución condicional de X dado que Y toma el valor y.
Actividad 2. Identificación de variables
Propósitos
Al finalizar la actividad serás capaz de resolver un ejercicio en el cual tienes que
identificar la función de distribución de dos variables.
1. Resuelve los siguientes ejercicios en un documento de Word.
Ejercicio. Revisa las siguientes variables y asigna la letra que corresponda:( ) Variableindependiente
a)
( ) Variable continua b)
( ) Variable aleatoriadiscreta
c)
( ) Variable aleatoria d)
2. Envía tu documento con la nomenclatura:PRO2_U1_A2_XXYZ. Sustituye las XXpor las dos letras de tu primer nombre, la Y por la inicial de tu apellido paterno y laZ por la inicial de tu apellido materno. El peso del archivo no debe exceder los 4MB.
3. Espera la retroalimentación de tu facilitador(a).
Actividad 3. Agencia automotriz
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 18/66
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 19/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Se puede mencionar que dos eventos son independientes cuando uno de ellos no afecta elresultado del otro, para representar esta definición podemos ejemplificarlo de la siguiente
manera:
Ejemplo 1: Eventos independientes.
Lanzamiento de moneda (Primer evento)
El resultado puede ser cara o cruz
Lanzamiento de moneda (2° evento)
El resultado puede ser cara o cruz y nodepende del resultado del primer evento
Estos dos eventos son independientes
Ejemplo 2: Eventos no independientes
¿Cuál es la probabilidad de lanzar dos dados. La suma de los resultados sea 7?
Son eventos no independientes o dependientes
Ejemplo:
Un equipo de ventas tiene una probabilidad de ganar en un negocio de 0.6 una probabilidad deno ganar, ni perder de 0.3 y una probabilidad de perder el dinero invertido de 0.1, si este equipo
El resultado del tirodel Primer dado
El resultado del tiro
del segundo dado
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 20/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
de ventas participa en dos negocios con las mismas características determine la probabilidadde que:
a) Obtenga ganancias en el segundo negocio
b) Obtenga ganancias en ambos negociosc) Obtenga ganancias en uno de los dos negociosd) Obtenga ganancias en el primer negocio y pierda en el segundo negocio
Si representamos gráficamente el problema tendríamos lo siguientes:
Si identificamos el espacio muestral nos quedaría de la siguiente forma:(GG, GE, GP, EG, EE, EP, PG, PE, PP)
Solución:
a) p (Ganancias en el Segundo Negocio)= p (GG, GE, GP)
= (0.6) (0.6) + (0.6) (0.3)+ (0.6) (0.1)
= 0.18+ 0.06 + 0.18+ 0.06= 0.48
b) p (Gane en ambos negocios)
p (G, G)= (0.6) (0.6)
= 0.18
0.6gane
• 0.6
• 0.3
• 0.1
0.3 nigane , nipierda
• 0.6
• 0.3
• 0.1
0.1pierda
• 0.6
• 0.3
• 0.1
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 21/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
c) p (Gane en uno de los negocios)= p (GE, GP, EG, PG)
= (0.6)(0.3)+(0.6)(0.1)+(0.3)(0.6)+(0.1)(0.6)= 0.18 + 0.06 + 0.18 +0.06
=0.48
d) p (Gane en el primer negocio y ni gane, ni pierda en el segundo negocio)= p (GE)
= (0.6)(0.3)= 0.18
Ejercicio:
Resuelve el ejercicio siguiente para medir el avance de tu conocimiento.
En los juegos panamericanos del 2011, un boxeador mexicano gana 5 de 8 peleas en las quecompite, si este boxeador participara en tres peleas en categorías diferentes, en los próximos 5meses, determina la probabilidad de que:
a) Gane dos de las peleasb) Si ganara dos peleas, ¿Cuál es la probabilidad sea que sea la primera y la tercera?c) Qué gane la segunda pelea
1.3.1. Convolución
La convolución se puede mencionar que es un operador matemático por el cual dos funcionesde transforman f y g en una tercera función, la cual se estudia, para ver la magnitud en la quese superponen f y una versión trasladada e invertida de g.
La convolucion de f y g se denota como f * g, se determina como la integral del producto deambas funciones después de desplazar una de ellas una distancia Ƭ, es decir:
( f * g ) ( t ) = ∫
El intervalo de integración dependerá del dominio sobre el que estén definidas las funciones, enel caso de un rango de integración finito, f y g se consideran a menudo como extendidas.
Tomemos el siguiente ejemplo, sean dos funciones:
f ( t ) = e t y g ( t ) = Sen ( t )
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 22/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Encontremos la convolucion de f y g, para esto emplearemos de la integración por partes:
e t * Sen (t) =
∫
=
Cabe mencionar que las leyes conmutativa, asociativa y distributiva se pueden aplicar, como seaprecia a continuación:
Ley Conmutativa: f * g = g * f
Ley Asociativa ( f * g ) * h = f * ( g * h )Ley Distributiva f * ( g + h ) = f * g + f * h
La convolucion la podemos encontrar en muchas aplicaciones de ingeniería y matemáticas,como veremos a continuación.
1.3.2. Aplicaciones de la Convolución
Algunas de las aplicaciones de convolución, las enlistamos a continuación:
Cuando se manejan la suma de dos variables independientes se puede mencionar quees la convolución de cada una de sus distribuciones de probabilidad
En estadística, un promedio móvil ponderado es una convolución.
En óptica muchos tipos de manchas se describen con convoluciones. Por ejemplo lasombra que proyecta un cuerpo entre una fuente de luz y un fondo es la convolución dela forma de la fuente de luz que crea la sombra y del cuerpo que se está proyectando
En el campo de la acústica se representa una convolución cuando el sonido originalestán en función con los objetos que la reflejan.
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 23/66
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 24/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Evidencia de aprendizaje. Caso de estudio distribución condicional
Al finalizar la actividad serás capaz de resolver ejercicios que implican el desglose dedistribución condicional.
1. Descarga el documento llamado “Estudio distribución condicional”.ubicada en la
pestaña de la unidad 1.
2. Resuelve el problema que en el documento se plantea.
3. Guarda tu documento con la siguiente nomenclatura PRO2_U1_EA_XXYZ.
4. Recuerda sustituir las XX por las dos primeras de tu primer nombre, la Y por lainicial de tu apellido paterno y la Z por la inicial de tu apellido materno.
5. Envía el documento a tu facilitador (a) mediante la herramienta de Portafolio deEvidencias.
Autorreflexiones
Al finalizar, consulta el Foro: Preguntas de autorreflexión para realizar el ejercicio
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 25/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
correspondiente y enviarlo a través de la herramienta Autorreflexiones, recuerda quetambién se toman en cuenta para la calificación final.
Cierre de la unidad.
Durante esta unidad, revisamos los arreglos aleatorios, partiendo desde una sigma álgebra,donde tomamos un subconjunto del espacio muestral, a la vez determinamos como evaluarun subconjunto de datos mediante un sigma álgebra.
En la segunda unidad podremos generar momentos para esos arreglos aleatorios mediantetécnicas de probabilidad. Te recomiendo que sigas estudiando los temas que se presentarondurante esta unidad, ya que serán parte fundamental para la adquisición del conocimiento de lasegunda unidad.
Para saber más
Puedes revisar la siguiente página:http://www.gestiopolis.com/recursos/experto/catsexp/pagans/eco/45/probabeco.htm
La información mencionada en la página de Gestiopolis.com te permitirá obtener un panoramamás amplio de distribución de probabilidad, variable aleatoria y valor esperado. Podrás obtenerun ejemplo específico y determinar procesos de mejora para resolver los ejercicios planteados
en el programa desarrollado.
Otra página que te recomendamos consultar es:http://www.uaq.mx/matematicas/estadisticas/xu4-5.html
Fuentes de consulta
Milton J y Arnold J. (2004). Probabilidad y estadística con aplicaciones para ingeniería y
ciencias computacionales. México: Mc Graw Hill.
Rincon L. (2007). Curso intermedio de probabilidad . México: Departamento de matemáticas,Facultad de Ciencias, UNAM.Spiegel M. (2006). Probabilidad y estadística. Madrid: Mc Graw Hill.
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 26/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
UNIDAD 2 Momentos
Presentación de la unidad
En esta unidad se revisaran algunos momentos de orden y las funciones generadoras de losmismos, entre ellos la esperanza, la varianza, la covarianza y el coeficiente de correlación.
De igual forma se revisaran contenidos y ejercicios prácticos que permitan que el alumnogenere funciones de casos discretos, continuos y mixtos dependiendo del orden de las variablesque se le presenten.
Propósitos
Al concluir esta unidad el alumno será capaz de: Identificar algunos momentos de orden como la esperanza, varianza y covarianza
revisar y comentar las distintas características de los mismos. Calcular casos discretos, continuos y mixtos en algunas situaciones reales.
Competencia específicaUtilizar la teoría de las probabilidades y las técnicas de la estadística descriptiva comoherramientas en el estudio de otras asignaturas y en la solución de problemas reales de lasmismas en la vida profesional.
2. Momentos
Los momentos se definen como ∫ y caracterizan la función de distribución.
Denotamos al momento de orden 1, como la media y denotamos al momento de orden 2 comola varianza, ambos los estudiaremos más adelante
2.1 Conceptos básicos
Una forma de generalizar toda la teoría relativa a los parámetros estadísticos y la relación queguardan con una buena parte de ello son los momentos, más adelante veremos la aplicaciónque tienen dentro de la probabilidad. Una definición general del momento es la siguiente:
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 27/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
El momento de orden r (r pertenece al conjunto de los naturales): µr nos podrá auxiliar paracalcular la esperanza matemática y la varianza por lo que hay que partir de otras medidas:
De la misma manera se denomina momento central de orden r , mr , como se muestra:
Continuaf(x)dxE(X)x
DiscretaX)f(xE(X)x
)(r
i
x
r
ir
r X E X E m
Se pueden calcular los momentos a partir de un conjunto de variables, por ejemploCalcular los primeros cuatro momentos del conjunto A= {2, 3, 7, 8, 10}
∑
∑
∑
∑
De igual forma se pueden calcular los momentos con respecto a la media, como se muestra enel siguiente ejemplo
( ) ∑
( ) ∑
( ) ∑
x
r r X E
DiscretaXf(x)x
ContinuaXf(x)x)(
r
r
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 28/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
( ) ∑
2.1.1 Esperanza
La esperanza matemática (o simplemente esperanza) es el momento que aparece en primerorden y la varianza es el momento central de segundo orden
2
2
1
1 mV(X)σμ)E(Xμ
Denotamos el momento por medio de µ y a la varianza como 2 respectivamente De una
manera más coloquial podemos decir que si p es la probabilidad de que una persona recibauna cantidad X de dinero, podemos definir la esperanza como p(X).
Entonces tenemos que si X denota una variable aleatoria discreta que tiene valor X1+ X2 +X3+… +Xn y probabilidades p1+ p2 +p2+ … + pn y la sumatoria de estas es igual a 1 o el 100%, laesperanza se define de la siguiente manera:
Ejemplo 1.
La probabilidad de que una señora gane un premio de $1,000.00 es de 1/8 la esperanza se
obtiene de la siguiente manera:
($1,000.00) (1/8)= $125.00
Ejemplo 2.
Se va a realizar una rifa que ofrecerá dos premios, uno de $10,000.00 y otro de $5,000.00 y quetienen probabilidades de ocurrencia de 0.001 y 0.003 respectivamente ¿Cuál sería el precio
justo por a pagar por cada boleto?
La esperanza sería igual a
( $ 10,000.00)(0.001) + ($5,000.00)(0.003)= $10.00 + $ 15.00
= $25.00
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 29/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Se puede utilizar la esperanza conjuntamente con otras distribuciones de probabilidad. Porejemplo si realizamos un muestreo de 10 artículos realizados al día, los cuales deseamossaber cuál es el número de artículos que salen defectuosos.
Si denotamos a p como la probabilidad de encontrar un artículo defectuoso, tomando a “Y”como una distribución binomial y sabiendo que “ p” varia diariamente, tomamos el intervalo (0,¼) para calcular el valor esperado de “Y”.
Sabemos que E (Y)= E [E(Y|p)] donde E(Y|p) = np
Entonces
E (Y|p)= n (¼-0/2) = n/8
Sustituyendo n=10 tenemos E (Y) = 10/8 =1.25
podemos decir que se promediaran 1.25 defectos día
En la mayoría de las veces puede ser complicado calcular directamente los momentos dealgunas variables aleatorias, por lo cual debemos utilizar otras técnicas más favorables.Posteriormente utilizaremos la función generadora de momentos de una variable aleatoria X, lacual está definida por
Mx(t)=E(etX)=ΣetX*f(x)
2.1.2. Varianza
El momento de segundo orden es conocido como varianza, la cual esta denotada por 2 yrepresenta el cuadrado de las desviaciones (esperanza) anteriormente vista, la formula máscomún para definir la varianza viene dada por
Para variables discretas o continuas la varianza se calcula deguiente manera:
ContinuaX.f(x)dxE(X)x
DiscretaX).f(xE(X)x
E(X)XEV(X)2
x
i
2
i2
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 30/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Ejemplo 1.
Sea X la variable aleatoria del número de equipos de computo que se utilizan como en unaempresa. Mostrar que la distribución de probabilidad de la compañía B es mayor que en la
compañía A. Compañía AX 1 2 3f(x) 0.3 0.4 0.3
Compañía BX 0 1 2 3 4F(x) 0.2 0.1 0.3 0.3 0.1
Solución. Obtenemos la media y la varianza para la compañía A
µ= E(X) = (1)(0.3) + (2)(0.4) +(3)(0.3) =2
En el caso de la compañía B
µ= E(X) = (0)(0.2) + (1) (0.1) + (2)(0.3) +(3)(0.3)+(4(0.4) =2
Así vemos que la compañía B utiliza más el equipo de cómputo que la compañía A
2.1.3. Covarianza y coeficiente de correlación
La covarianza definida por X y Y denotada por Cov (X, Y ), es el numero
.
Y en términos de la función de densidad de probabilidad conjunta , tenemos
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 31/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
De igual forma es posible hacer observaciones para dos variables discretas. Para este tipo decasos las formulas anteriores son reemplazadas por
En donde las sumatorias toman todos los valores discretos de X y Y
Teoremas para covarianza:
Cuando X y Y son variables independientes Var (X±Y)=Var(X) + Var (Y) ±2Cov(X,Y) o
Estas son algunas proposiciones con respecto a X y Y y sea c una constante.Tenemos
PROPOSICI N DEMOSTRACI N a) Cov(X, Y ) = E [(X − E(X))(Y − E(Y ))]
= E [XY − Y E(X) − XE(Y ) +E(X)E(Y )]
= E(XY ) − E(X)E(Y ).b) Por definiciónc) Por definiciónd) Por definicióne) Por definición y linealidad de la esperanzaf) Por definición y linealidad de la esperanza
g) E(XY ) =E(X)E(Y ) cuando X y Y sonindependientes.
h) En general,
independientes. Sea (X, Y ) un vector aleatorio discreto confunción de densidad
El coeficiente de correlación
El coeficiente de correlación de dos variables aleatorias es un número real con el que se mide elgrado o estado de dependencia lineal que existe entre ellas. Su definición es la siguiente.
Por definición el coeficiente de correlación de las variables aleatorias X y Y, denotado porρ(X,Y), es el numero
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 32/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
En esta definición se necesita tomar en cuenta que las varianzas son únicamente positivas yfinitas.
Vista como función de dos variables aleatorias, el coeficiente de correlación es una funciónsimétrica pero no es lineal pues no separa sumas ni multiplicaciones por constantes.
De igual forma podemos entender la variación total como∑ es decir la suma de loscuadrados de las desviaciones de los valores de Y menos la media de Y. Se denota al valorde Y para los valores dados X
Al primer término de la ecuación anterior se le denomina variación total o variación explicada,mientras que al segundo término se le llama variación inexplicada.
Del mismo modo el coeficiente que existe entre la variación explicada y la variación total ladenotamos como el coeficiente de determinación. Si la variación explicada es cero, entoncestoda la variación es inexplicada, del mismo modo si la variación inexplicada es cero, toda lavariación es explicada, en cualquier otro caso variación siempre estará entre el intervalo de[0,1], y al no ser negativo denotamos ese cociente como r, llamada coeficiente de correlación de
acuerdo a
∑ ∑
Si lo que se busca es una relación lineal entre dos variables, podemos utilizar la siguienteformula
∑ ∑ ∑
Actividad 1. Foro: Identificación de momentos
Al finalizar la actividad serás capaz de Identificar los tipos de variables aleatorias alreconocer las aplicaciones de los distintos momentos de orden.
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 33/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
De acuerdo a lo descrito en el tema 2.1 Conceptos básicos. Realiza lo siguiente:
1. Investiga 3 aplicaciones de momentos.
2. Analiza y responde las respuestas para las siguientes preguntas
¿Cómo identificas un momento para las variables discretas?
¿Cómo identificas un momento para las variables continuas?
3. Ingresa al foro, comparte tus respuestas con tres de tus compañerossosteniendo la postura de tus respuestas.
Actividad 2. Base de datos Relación de variables
Al finalizar la actividad serás capaz de Identificar la relación entre dos variablesmediante el coeficiente de relación.
De acuerdo a lo descrito en el tema 2.1.3 Covarianza y coeficiente de correlación.Realiza lo siguiente:
1. Determina el coeficiente de correlación de variables del siguiente ejemplo,
tomando las variables que se mencionan en la tabla.
Tenemos la variable edad (X) y la variable peso (Y) determina el coeficiente decorrelación, para la muestra de tres personas.
Utilizamos la formula ∑ ∑ ∑ y encontramos las sumatorias de (xy),
(x2) y de (y2) y son 6174, 3817 y 10845 respectivamente, sustituimos en laformula dando por resultado
R= 0.9596
X 24 35 28 47 12 44 56
Y 2 4 6 4 7 2 8
2. Sube tu documento a la plataforma que indica la base de datos y espera los
X Y
15 48
26 54
54 75
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 34/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
comentarios de tus compañeros.
3. Recuerda que debes seguir la siguiente nomenclatura PRO2_U2_A2_XXYZ, parasubir tu archivo.
2. 2. Funciones generadores de momentos
En este apartado trabajaremos con las aplicaciones de las funciones generadoras demomentos. El propósito de la función generadora de momentos es la determinación de losmomentos de las distribuciones. Sin embargo lo más importante es el establecer distribucionesde funciones de variables aleatorias.
Si g(X)= Xr donde r= 0,1,2,3,… y la siguiente definición
{
Nos da un valor esperado que es denominado el r-ésimo momento alrededor del origen y quedenotamos por
Algunas de las distribuciones mencionadas en la unidad anterior y que son las principalesfunciones generadoras de momentos son:
0
0
)1(
0
,)(:
!)(:
)1()1()(:
0,)(
)(:
parametrodxeet M l Exponencia
eeek
eet M Poisson
p pe p pk
net M Binomial
t t ab
eedx
ab
et M Uniforme
xtx
x
k
eek
tk
x
n
k
nt k nk tk
x
b
a
at bt tx
x
t t
2.2.1. Función generadora de momentos factoriales
Teorema. Si X1,X2,…,Xn son variables aleatorias independientes y Y=X1+…+Xn, entonces,
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 35/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
n
1i
XY )t(M)t(Mi
Donde Mxi(t) es el valor de la función de generación de momentos de xi en t
Ejemplo1
Obtenga la distribución de probabilidades de la suma de n variables aleatorias independientesX1,…,Xn que tengan distribución Poisson con parámetros ʎ1,…, ʎ n, respectivamente.
Solución, Sabemos que )1e(
X
ti
ie(t)M
Y por tanto, siendo y=x1+…,xn, se tiene
)1e)(n
1i
)1e(
Y
ti1
ti ee)t(M
La función generadora de momento de X se limita como
Esto es, infiriendo que existe convergencia
Teoremas sobre funciones generadoras de momento
Primer teorema.- Si es la función generadora de momento de una variable aleatoria X ya y b (b≠0) son constantes, entonces la función generadora de momento de (X + a) / b es:
Segundo teorema.- Si X y Y son variables aleatorias independientes con funciones
generadoras de momento de y respectivamente, entonces la función generadorade momento de la suma de variables aleatorias independientes es:
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 36/66
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 37/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
El área R2 se calcula como
Por otra parte el siguiente suceso se representa por medio de la región
R2 ={(x,y) ϵ [0.60] |0 <x-y< 15}
Esta región se representa el espacio entre la diagonal y la recta
Y= x-15
El área de la R2 se calcula de la siguiente manera.
Finalmente, sumando ambas áreas y dividiendo por el área total obtenemos la probabilidad deencontrarse.
P=
Esto quiere decir que existe un 37% de probabilidad
b) En el caso de que A llegue antes que B. si existe el encuentro (Y-X<10)
Entonces:
A estará en la tienda hasta que B compre dentro de sus 15 minutos.
Es decirT A =15+Y-X, si 0 <Y-X< 10
Si suponemos que B llega antes que A, y A llega 5 minutos después de B.
Entonces se tiene:
T A =15-(X-Y) si 0 <X-Y< 5
Si A permanece 10 minutos en la tienda podemos resumir la siguiente expresión, donde seutilizan los siguientes indicadores.
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 38/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
T A =10(1{Y-XP10}+1{X-YP5 )+(15+Y-X)1{0<Y-X<0}+(15-(X-Y))1{0<X-Y<5}
Si notamos que T A es una función de X, Y el valor esperado lo calculamos integrando respectoa la densidad conjunta y recordando que la esperanza de un indicador es la probabilidad.
E(T )=10(P(Y-XP 10)+P(X-Y P5))+ f R2 (15+y-x)dxdy/3600+ f R3(15+y-x)dxdy3600
En donde:
R3 = {(xy)ϵ [0.60]2 | 0 <x- y< 5}.
La probabilidad de que ambas se calculen de manera sencilla ya que ambas son dostriángulos.
La integral sobre R1 se escribe como
* +
Donde (y-10)+ es la parte positiva de y - 10, que vale 0 si y< 10 y vale y - 10
Cuando yP 10.
La última integral podemos escribirla como
Que es igual a
Calculando las primitivas obtenemos
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 39/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Así, la integral sobre R la calculamos como
* +
Entonces (5+y)60 es el mínimo dado entre 5 + y y 60.Entonces la integral se transforma en
* +
* +
Por ultimo tenemos que:
Ahora el cálculo de E(TB ), en donde el razonamiento es totalmente semejante
Si A llega primero (0 <Y-X), entonces: TB =15,no importa saber si se encuentran o no.
Así mismo,
Si B llega primero y A llega antes de 5 minutos (0 <X- Y< 5), también se tiene T B =15.
Por ultimo si A llega más de 5 minutos después de B y se encuentran (5 <X-Y< 15)
Entonces
TB =10+X-Y. Usando la notación de los indicadores tenemosTB =15(1{X-YO5} +1{X-YP15} )+(10+X-Y)1{5<X-Y<15}
Como antes, debemos evaluar las probabilidades de los sucesos que producen el valor 15.
P(X-YO 5)+P(X-Y P15)=1-P(5 <X-Y< 15)
De esta forma la integral correspondiente al segundo término es
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 40/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Por ultimo obtenemos que:
c) Nombremos a G A como el gasto que realiza A por un minuto y a GB como el gasto querealiza B.
Entonces, Tenemos que ver el gasto G en función de los tiempos de estancia en el súpercomprando.
Definimos una nueva variable aleatoria T AB como el tiempo en las dos juntas en la tienda. Y larepresentamos de la siguiente manera:
G = G A T A +GBTB +(G A +GB )T AB
De tal forma calculamos E(T AB ) mediante la siguiente suposición:
A llega primero y que se encuentran y B llega antes de 10 minutos (0 <Y- X< 10); entonces eltiempo que ambas amigas están juntas será:
T AB =15
Si B llega primero y A llega antes de 5 minutos (0 <X-Y< 5), entonces T AB =15-(X-Y).
Si B llega primero y A llega después de 5 minutos y se encuentran (5 <XY< 15), entonces T AB =10.Por último, si no se encuentran T AB = 0, en la notación de indicadores tenemos:
Calculando el valor esperado encontramos en primer término,
Hacemos uso de una integral ya calculada
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 41/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Para obtener,
Así que tenemos que
Sustituyendo los valores calculados obtendremos
Que seria la suma del gasto que realizan Ana y Bety estando de compras juntas
2.2. Momentos Factoriales para generar una función
Si existe una función generadora de momentos de una variable aleatoria X, se puede utilizarpara generar todos los momentos de dicha variable. El método puede ser descrito a través delsiguiente teorema.
Sea X una variable aleatoria con función generadora de momentos Entonces:
.Aplic ación de la función generadora de momentos en una variable aleatoria
Ejemplo 1.- Encuentre la función generadora de momentos de una variable aleatoria binomial Xy después utilícela para verificar que y .
Solución:
De la definición de la función generadora de momentos tenemos:
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 42/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Si reconocemos a la última suma como la expansión binomial de , obtenemos:
Ahora bien.
y
[ ] Al hacer , obtenemos:
y .Por tanto,
y
.
Que está de acuerdo con lo que se obtiene por medio de las distribuciones de probabilidaddiscreta
Ejemplo 2.- Exprese que la función generadora de momentos de la variable aleatoria X quetiene una distribución de probabilidad normal con media y varianza está dada por:
Solución:
Aplicando la definición de la función generadora de momentos de la variable aleatoria normal Xtenemos:
√ , -
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 43/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
√ [ ]
Al completar los cuadrados en el exponente, se puede exponer lo siguiente:
Por lo tanto,
√ }
√
⁄ }
Sea ⁄ ; entonces con lo cual tenemos
∫ √ ⁄ ,
Ya que la última integral representa el área bajo una curva de densidad normal estándar y porello es igual a 1.
Ejemplo 3.- Demuestre que la función generadora de momentos de la variable aleatoria X que
tiene una distribución ji cuadrada con
grados de libertad es
.
Solución:
La distribución ji cuadrada se obtuvo como un caso especial de la distribución gamma al hacer y . Al sustituir por de la definición de la función generadora de momentos
de una variable aleatoria X, se obtiene lo siguiente:
⁄ ⁄ ⁄ ⁄
⁄ ⁄ ⁄ ⁄
Al escribir ⁄ y ⁄ , se obtiene:
⁄ ⁄ ⁄
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 44/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
⁄ ⁄ ∫ ⁄ ⁄ ,
Debido a que la última integral es igual a ⁄ .2.3. Esperanza condicional
Sea x una variable aleatoria continua o discreta y f(x|y) es el valor de la distribución deprobabilidad condicional de x dada y, la esperanza condicional, de u(x) es la siguiente:
dx)y/x(f )x(uy/)x(uE
)y/x(f )x(uy/)x(uE
x
Ejemplo, la densidad conjunta de dos variables aleatorias x y y esta denotada por
1y0y1x0valores para)y2x(3
2)x(f
Compruebe que la media y la varianza condicionales de x dada y=1/2 es la siguiente:
18
7)1(
3
2)2/1/(
9
5)1(
3
2)2/1/(
)1(3
2
2
1/
)41(3/1
)2(3/2
)(
),()/(
)41(31)2(
32),()(
1
0
22
1
0
1
0
dx x x x E
dx x x x E
x x f
y
y x
yh
y x f y x f
ydx y xdx y x f yh
2.3.1. Caso discreto
Cuando el número de valores posibles de X es finito, es decir que se pueden anotar los valores
de X como, x xn1,...,
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 45/66
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 46/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
b
a1dx)x(f 0)x(f
Además verifica que dado a<b, se tiene que
como se muestra en la grafica
Debido a que f es una función integrable, la probabilidad de un punto es nula,
a
a0f(x)dxa)XP(aa)P(X
2.3.3 Caso mixto
Debido a que una variable aleatoria puede ser indistintamente discreta y continua, es decirpuede asumir valores puntuales con una probabilidad distinta de cero, o valores por intervalos.
Ejemplo. Sea el experimento de conocer la vida útil de equipos de computo, donde X es eltiempo que funcionara el equipo, pero existe una probabilidad de que el artículo no funcione deltodo, falla en el tiempo X = 0;
Ejemplo. También cuando Y es la variable aleatoria que representa la demora de un repartidorde pizza al hacerlo detenerse de manera obligatoria, existe una probabilidad de que no hayatráfico y el repartidor no tenga demora X = 0, sí tiene que esperar, lo debe hacer por un tiempocontinuo.
b
a
curvala bajoâreaf(x)dx b)XP(a
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 47/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Como se aprecia en la grafica superior, para encontrar la probabilidad de que una ciertavariable x tenga un desempeño entre a y b, a < b, se escribe como sigue:
Cuando Y es una variable aleatoria mixta, su función de distribución es:
FY(y) = P1 F1(Y) + P2 F2(Y): DondeF1 = Función de distribución escalonada (parte discreta)F2 = Función de distribución continuaP1 = Probabilidad acumulada de los puntos discretosP2 = Probabilidad acumulada de los puntos continuos
Actividad 3 Ejercicio “Clasificación de familias”
Al finalizar la actividad serás capaz de Utilizar los tipos de variables aleatorias en unasituación de la vida diaria.
De acuerdo a lo descrito en el tema 2.2.1 y 2.2.2 caso discreto y caso continúorespectivamente, realiza lo siguiente:
1. Descarga el archivo llamado Clasificación de familias. Ubicado en la pestaña dela unidad 2
2. Resuelve el ejercicio que se presenta en el documento
3. Guarda tu documento con la siguiente nomenclatura PRO2_U2_A3_XXYZ yespera la retroalimentación de tu Facilitador(a).
Autoevaluación
Para verificar tus conocimientos adquiridos en la unidad, deberás ingresar a laautoevaluación y responder las preguntas que ahí se te plantean. La calificaciónobtenida quedará registrada en el portafolio de evidencias.
Instrucciones: A partir de las gráficas anteriores, realiza las gráficas de manerasimétrica y anota los datos asignados a cada variable para que comprendas la diferenciaentre variables continuas y variables discretas
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 48/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Por ejemplo
Representación de una gráfica de variables discretas (Caso discreto)
Representación una gráfica de variables continuas (Caso continuo)
Representación una gráfica de variables continuas (Caso continuo)
Para ingresar a la autoevaluación: En la ruta (parte superior izquierda del aula) da clicen Probabilidad II. Se enlistarán las actividades, da clic en Autoevaluación
0
2
4
6
8
10
12
1er trim.
0
2
4
6
8
10
12
1er trim.
0.00
1.00
2.00
3.00
4.00
5.00
6.00
7.00
Simetría
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 49/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Evidencia de aprendizaje. Resolución de problemas “Un caso de laindustria”
Al finalizar la actividad el estudiante será capaz Identificar y utilizar los tipos devariables aleatorias para determinar si existe correlación entre ellas.
1. Descarga el documento llamado “Un caso de la industria”. Que se encuentra enla pestaña de la unidad 2
2. Resuelve el problema que en el documento se plantea.
3. Guarda tu documento con la siguiente nomenclatura PRO2_U1_EA_XXYZ.
4. Recuerda sustituir las XX por las dos primeras de tu primer nombre, la Y por lainicial de tu apellido paterno y la Z por la inicial de tu apellido materno.
5. Envía el documento a tu facilitador (a) mediante la herramienta de Portafolio deEvidencias.
Autorreflexiones
Al finalizar, consulta el Foro: Preguntas de autorreflexión para realizar el ejerciciocorrespondiente y enviarlo a través de la herramienta Autorreflexiones, recuerda quetambién se toman en cuenta para la calificación final.
Cierre de la unidad.
En esta unidad aprendiste cómo se desarrolla una esperanza matemática, un covarianza y sucoeficiente de correlación, determinaste variables aleatorias discretas y continuas y la forma enque están cambian dependiendo la situación en la que estén.
Identificaste como una variable aleatoria discreta o continua, puede generar un momento quepermite establecer parámetros de solución dentro de una problemática.
Te invitamos a que sigas estudiando en este mundo de la probabilidad, donde se puedenrepresentar muchos casos que nos ayudan a pronosticar eventos de la vida cotidiana, y encierta forma predecir resultados anticipadamente.
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 50/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Referencias bibliográficas
Probabilidad y Estadística, 2001, ediciones Instituto de Investigación Tecnológica Educativa dela Universidad Tecnológica de México S.C., México
Milton J. Susan , 2003, Probabilidad y Estadística con aplicaciones para Ingeniería y CienciasComputacionales, Mc Graw Hill, México
Spiegel MurrayR. 2002, Probabilidad y Estadística, Mc Graw Hill 3° edición, México
Seymour, 2001, Probabilidad, Mc Graw Hill, 2° edición , Colombia
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 51/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Unidad 3 Convergencia de variables aleatorias
Presentación de la unidad
En esta unidad veremos las propiedades asintóticas que se ocupan en las sucesiones devariables aleatorias para la aplicación en inferencia estadística. Revisaremos la convergenciade variables aleatorias y la convergencia en distribución, proponiendo ejemplos y ejerciciosprácticos para contribuir con tu aprendizaje.
Es importante mencionar que te brindamos información teórica y práctica, sin embargo esindispensable que revises temas previos y, de ser necesario revises nuevamente algunos temaspara que alcances los propósitos establecidos para ésta unidad. En cada tema se te sugierenalgunos temas que te recomendamos revisar para la apropiación de éstos contenidos.
Propósitos
Al finalizar la unidad:
Identificarás una función que contiene valores complejos para clasificarla como unafunción característica mediante la aplicación de métodos analíticos.
Utilizarás la ley de los grandes números para aproximarse al resultado exacto mediantela repetición de sucesos.
Determinarás mediante la campana de Gauss y la tabla Z, el límite central a través desucesos repetitivos.
Competencia específica
Utilizar las distribuciones especiales cuando sea necesario y podrá manejar eficientementegrupos de observaciones a fin de obtener información útil de ellos.
3.1. Convergencia de variables aleatorias
Se considera una sucesión de variables aleatorias al conjunto {Xn}= {X1, X2, X3,… Xn} dondecada X corresponde a una variable aleatoria y puede tener una convergencia con unadistribución de probabilidad.
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 52/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
De tal forma que si se tienen todas las variables aleatorias comprendidas en una sucesión,estas podrán converger hacia una variable aleatoria X de distintas formas, entre las quetenemos:
Convergencia en probabilidad Convergencia casi segura Convergencia en media cuadrática Convergencia en distribución o en ley (que se estudiara más adelante)
Convergencia puntual
Si manejamos X1, X2…. Una sucesión infinita de variables aleatorias, si evaluamos cada unade las variables en un elemento , se determina la siguiente sucesión numérica X1(),X2(
),……. Si esta sucesión converge a un cierto número real representado por X(
). Se puede
mencionar que la condición se cumple para todos los elementos de
, entonces la sucesión de
variables aleatorias converge y su límite se representa por medio de la siguiente función.
La siguiente representación queda definida mediante la siguiente representación:
Luis Rincón (2007) menciona un claro ejemplo de este tipo de convergencia. A continuación sehace referencia a ella.
Consideramos el espacio medible ( [0,1],
[0,1]). Defina la sucesión de variables aleatorias
continuas X n () = .
Si graficamos el subconjunto de números reales, quedaría representado de la siguiente manera.
Grafica de la variable aleatoria X n() =.
Para cada ∈, la sucesión numérica X n() converge a 0, mientras que para =1, y para
cualquier valor de n, X n()= 1, por esto la sucesión converge puntualmente a la variable aleatoria. ∈
1
1
X n()
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 53/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Convergencia casi segura
En algunas ocasiones se necesita la convergencia de la sucesión evaluada en todos y cadauno de los elementos del espacio muestral, por lo cual la convergencia puntual resulta ser una
condición demasiado fuerte, por ejemplo, se puede mencionar que se verifique en todo elespacio .
La sucesión de las variables aleatorias Converge casi seguramente a la variable X, si.
∈ }
Si tomamos el ejemplo anterior tomando como espacio de probabilidad ([0,1] [0,1], P ),tomando a P como la medida de probabilidad de un intervalo es su longitud. Esto se representa,mediante la siguiente gráfica.
Grafica de la variable aleatoria * +
Si analizamos la variable X n tiene una distribución de Bernoulli con parámetro , y converge
a la variable aleatoria constante cero, para esto se necesita corroborar que:
.
Esta igualdad es evidente a partir del hecho que el conjunto
{
∈
} El cual tiene probabilidad 1
El punto es el único punto muestral para cual no converge a cero, esto demuestraque:
→
1
*
+
1/n 1
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 54/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Convergencia en probabilidad
Cuando una variable aleatoria X n converge en probabilidad a una constante c si:
Para cualquier
Esto nos quiere decir que cada vez que X n tome valores distintos a c, a medida que n, eltamaño de la muestra aumente.
Ejemplo 1:
Se tiene una variable aleatoria X n cuya distribución de probabilidad es la siguiente:
En este caso
Describiendo lo anterior, podemos decir que X n converge en probabilidad 0. Por qué a medidaque n aumenta, X n toma el valor de n con una probabilidad cada vez menor (1/n converge acero a medida que
).
En caso general, podemos mencionar que si X n converge a c, representamos:
0
Convergencia en media cuadrática
Cuando se usa el concepto de esperanza, aplicado al segundo momento se tiene laconvergencia en media cuadrática, que está ligada a la a la convergencia media que no esmotivo de estudio en estos momentos.
Este tipo de convergencia se puede denotar de la siguiente manera:
Una sucesión de variables aleatorias X 1, X 2 ,…….converge en media cuadrática a X, si.
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 55/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
este tipo de convergencia establece que tanto los elementos de la sucesión como el limite sonvariables aleatorias con un segundo momento finito, el cual se le denomina convergencia en L2 y se representa por medio de la siguiente expresión.
→
en conclusión podemos mencionar que la convergencia de L2, para cada número enterok≥1,cumple con la condición
Por lo que mientras mayor es el valor de k , más restrictiva es la condición de la convergencia.
3.1.1. Lema de Borel Cantelli
Sea P una medida de probabilidad en (2x) donde 2x es una σ-algebra.Luego P es continua en todo X ∈ 2x. y sea P una medida de probabilidad aditiva en (S,2x) donde2x en un σ algebra que es continua en φ. Luego P es una medida de probabilidad σ -aditiva.
Para entender el lema de Borel-Cantelli. Es necesario definir lo que se conoce como límitesuperior e inferior de una sucesión de eventos.
Si Consideramos un espacio de probabilidad (S, 2x, P). Sea {Xn} una sucesión de eventos.Definimos el límite superior de esta sucesión como
De igual forma definimos el límite inferior como
Así también escribiremos ∈ } donde i.o. significa con frecuenciainfinita.
Entonces podemos partir de que la razón por la que tales límites se conocen así proviene de laobservación
y
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 56/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
De acuerdo a lo anterior podemos entender el Lema de Borel-Cantelli como: Sea {Xn} unasucesión de eventos en un espacio de probabilidad (S,2x, P). Luego si
∑ , entonces P (Xn i,o) = 0
Por ejemplo podemos considerar el experimento que consiste en tirar una moneda n veces.Dicho experimento lo diseñaremos en base a (S,2x, P) teniendo como espacio S= {0, 1}n, con laσ-álgebra y la medida de probabilidad P que tiene probabilidad de ½ (sol o águila) a cada valor0 o 1 independientemente de otros resultados
3.1.2. Ley débil de los grandes números
Para estudiar la ley débil y fuerte de los grandes números, veremos primeramente la relaciónexistente que existe entre ellos.
CONVERGENCIA LEY DE LOS GRANDES NÚMEROSEN PROBABILIDAD LEY DÉBIL
CASI SEGURA LEY FUERTEDISTRIBUCIÓN TEOREMA DEL LIMITE CENTRAL
Una vez comprendido lo anterior, tenemos que una sucesión de variables aleatorias {X n}pertenece a ley débil de los grandes números, si de acuerdo a una sucesión de constantes {Cn}
la variable en donde µn es el promedio o el valor medio de las n variables dela sucesión y se comprueba que
Cumple con
Interpretándose que para un valor alto de n no deben existir diferencias entre ambos ( .
Para adentrarte más en estos temas te presento los teoremas fundamentales dentro de la leydébil de los grandes números.
Teoremas de Chebyshev
Cuando al desviación estándar σ de una variable aleatorio X mide la dispersión de dichosvalores alrededor de la media μ de X. si los valores de σ son bajos, entonces X estaría máscerca de su media μ. Este tipo de esperanza se puede precisar por medio del teorema deChebyshev. Presentado por el matemático ruso P.L. Chebyshev (1921-1994), el cual se puededefinir de la siguiente manera.
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 57/66
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 58/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
c) buscando la solución para k , sería.
Así pues el intervalo deseado sería:
Teorema de Khintchine
Se basa en condiciones que el teorema de Chebyshev, incidiendo en que la variables queforman la sucesión debe ser independientes y todos con una misma y común distribución deprobabilidad, si eso es la ocurrencia la sucesión sería:
Siendo μ la media común de las variables que forman la sucesión.
Teorema de Bernouilli
Es tipo de teorema es un caso especial de la ley de los grandes números donde se representala aproximación frecuencial de un suceso en la cual la probabilidad P ocurra a medida que se
repite el experimento.
El teorema lo podemos representar de la siguiente manera.
Dados un suceso A, su probabilidad p de ocurrencia, y n pruebas independientes paradeterminar la ocurrencia o no ocurrencia de A.
Sea f el número de veces que se presenta A en los n ensayos y £ en un número positivocualquiera, la probabilidad de que la frecuencia relativa discrepe de p en más de £ (en valorabsoluto) tiende a cero al tender a n a infinito. Es decir
| |
3.1.3. Ley fuerte de los grandes números
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 59/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Ahora tenemos que una sucesión de variables aleatorias {Xn}pertenece a ley fuerte de los
grandes números, si teniendo dos sucesiones de constantes {an} y {bn} se crea una nuevavariable denotada por
y se combina con las sucesiones de constantes
→
en donde
es la suma de constantes, así que entonces tenemos a
Por consecuencia tenemos que si
y entonces por lo tanto
→ De la misma manera que existen teoremas para la ley débil se recomienda para adentrarse másen estas leyes, estudiar lo siguiente:
Teorema de Kolmogorov Teorema de Glivenko-Cantelli
Actividad 1. Métodos análiticos
Propósito
Al finalizar la actividad serás capaz de Identificar la relación entre la ley débil y fuerte delos grandes números.
1. De acuerdo a lo abordado en el tema 3.1 Convergencia de variables aleatorias,realiza lo siguiente.
2. Entra a tu Blog y agrega un comentario que incluya al menos un ejemplo respectoa la tabla que explica la relación de las leyes de los grandes números, la cual semuestra a continuación.
CONVERGENCIA LEY DE LOS GRANDES NÚMEROSEN PROBABILIDAD LEY DÉBIL
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 60/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
CASI SEGURA LEY FUERTEDISTRIBUCIÓN TEOREMA DEL LIMITE CENTRAL
3. Revisa los comentarios de 3 tus compañeros, recuerda que no debes responder.
4. Entra nuevamente a tu blog y realiza una conclusión, retomando tu comentario yel de tus compañeros.
3.2. Convergencia en distribución
Antes de comenzar a definir la convergencia de distribución podemos relacionar y ver cómointeractúan los tipos de convergencia, mediante el siguiente esquema:
3.2.1. Definición y propiedades
Se dice que una sucesión de variables aleatorias {Xn} converge en distribución o en ley, a unavariable aleatoria X cuando se cumple
Para toda función se efectúa Para todo real Para todo par de puntos a y b siempre que b>a
CONVERGENCIA
DEPROBABILIDAD
CONVERGENCIAEN
DISTRIBUCIÓN
CONVERGENCIA ENMEDIA CUADRATICACONVERGENCIA
CASI SEGURA
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 61/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Para todo punto de X con podemos interpretar como
3.2.2. Función característica
Para encontrar la función característica es necesario remplazar , donde i es la unidad
imaginaria en la función y la media o valor esperado de una distribución. La denotamos por
Siendo para variables discretas ∑
Y para las variables continuas ∫ Sabiendo que | , las series y la integral siempre convergen de manera absoluta
Los siguientes son teoremas que aplican para la función característica
Teorema I Si () es la función característica de la variable X y a y b donde B0 sonconstantes, entonces la función característica de (X+a)/b es
θ _X (ω/b)
Teorema II Si X y Y son variables aleatorias independientes de función características y, entonces
De esta manera la suma de funciones es igual al producto de sus funciones características.Teorema III Si X y Y son variables aleatorias con funciones características y ,respectivamente. Podemos afirmar que y , tienen la misma distribución deprobabilidad si y solo si
=
.
Otra característica para la utilización de la función característica es que esta siempre existe,mientras que la función generadora de momentos puede no existir.
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 62/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
3.3 Función Característica
Como vimos en el subtema anterior la función característica es una situación de variable realque permite tomar valores complejos y que permite la aplicación de métodos analíticos, como
podría ser el análisis funcional entre otros, en el estudio de la probabilidad.
Esto lo podemos ilustrar en el siguiente ejemplo
La variable aleatoria X puede tener los sig-1 y 1, cada una con probabilidad 1/2. Encuentre lafunción característica
La función característica viene dada por
(
)
(
)
Y utilizando la fórmula de Euler
Definimos .
3.3.1. Teorema del límite central
El teorema nos dice que si existe un grupo numeroso de variables, que siguen una mismatendencia o distribución, al sumarlas obtendremos una distribución gausiana o comúnmentellamada distribución normal.
Si el teorema se basa en la distribución normal, lógicamente utilizaremos la formula que nospermite obtener los valores estandarizados para este proceso.
Si es la media de una muestra aleatoria de tamaño n tomada de una población con media µ y
varianza finita 2, entonces la forma límite de la distribución queda
Conforme n→, es la distribución normal estándar n(z;0,1).
Por ejemplo: Se obtiene una muestra de alumnos que estudian en la ESAD y cuyo promedio decalificación es de 8.4 con una desviación estándar de 0.9, de una población cuyo promedio esde 8.6, determinar:
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 63/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
a) El porcentaje de alumnos con promedio superior a 8.6b) Si la población actual de la ESAD es de 11,500 alumnos, encontrar el número de
alumnos con este promedio
Solución.
a) Si =8.4, µ=8.6 y =0.9 sustituimos en la formula y obtenemos =-0.22 encontramos el valor en tablas y obtenemos 0.0871 de 0 a Z y
restamos el valor 0.5 (media campana de Gauss) y obtenemos 0.4129 por cien, nos dael 41.29%
b) Multiplicamos 0.4129 por 11500 y obtenemos 4748.35 que serían los 4748 alumnos conpromedio superior a 8.6 en la ESAD
Actividad 2. Calificaciones.
Propósito
Al finalizar la actividad serás capaz de Utilizar el teorema del límite central en un casopráctico que representa actividades de la vida diaria.
1. Descarga el documento llamado “Calificaciones” ubicado en la pestaña de launidad 3.
2. Resuelve el planteamiento que ahí se te propone, respetando las instruccionesmencionadas dentro del archivo.
3. Envía tu documento con la nomenclatura: PRO2_U3_A2_XXYZ. Sustituye las XXpor las dos letras de tu primer nombre, la Y por la inicial de tu apellido paterno y laZ por la inicial de tu apellido materno. El peso del archivo no debe exceder los 4MB.
4. Espera la retroalimentación de tu facilitador(a).
3.3.2. Simulación
En la actualidad los sistemas de simulación permiten realizar proyectos a un bajo costo y singenerar cambio alguno en el modelo original al que se aplica la simulación.Por ejemplo si queremos saber el número de cajeras que se requieren para la atención de undeterminado número de clientes en un supermercado, el sistema quedaría cerrado en cajeras-
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 64/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
clientes, pero si incluyéramos las distintas áreas de outsourcing, el sistema se tendría quereestructurar.
Entonces podemos entender que el estado de un sistema estará definido por las variables que
se requieren para el propósito del estudio.
En el caso del supermercado podemos establecer como variables el numero de cajeras, elnúmero de clientes, el número de artículos comprados, la hora de la compra, etc.Podemos clasificar los sistemas de simulación por:
Discretos, en donde las variables cambian constantemente y generalmente provienen desituaciones condicionadas a que ocurra otro suceso y generalmente se resuelve siguiendo lasecuencia de los eventos o sucesos.
Continuos. En este tipo de casos las variables cambian de manera continua en el tiempo, por
ejemplo, la velocidad de las cajeras para pasar los artículos por el scanner.
En ambos casos es importante identificar las variables endógenas y exógenas, para poderdeterminar el sistema de simulación a realizar.
Autoevaluación
El objetivo de la carrera es ganarle a la ignorancia resolviendo lo siguiente,partiendo de los siguientes datos:
N = 25’000,000
De acuerdo a lo anterior, selecciona la letra asignada a la respuesta correcta.
Encuentra el número de elementos que son:a) b) c)
d)
Evidencia de aprendizaje. Uso en la mercadotecnia.Propósito
Al finalizar la actividad serás capaz de Aplicar sistemas de simulación para
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 65/66
PROGRAMA DESARROLLADOProbabilidad II
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
resolver problemáticas de la vida cotidiana.
En base a lo revisado en el tema 3.3.2 Simulación, realiza lo siguiente:1. Descarga el archivo llamado “ Análisis de caso”
2. Resuelve el planteamiento que ahí se presenta respetando lasinstrucciones que se mencionan.
3. Una vez que hayas terminado Envía tu documento con la nomenclatura:PRO2_U3_A3_XXYZ. Sustituye las XX por las dos letras de tu primer nombre, laY por la inicial de tu apellido paterno y la Z por la inicial de tu apellido materno. Elpeso del archivo no debe exceder los 4 MB.
1. Espera la retroalimentación de tu facilitador(a).
Autorreflexiones
Al finalizar, consulta el Foro: Preguntas de autorreflexión para realizar el ejerciciocorrespondiente y enviarlo a través de la herramienta Autorreflexiones, recuerda que también setoman en cuenta para la calificación final.
Cierre de la unidad.
Durante la unidad analizamos la forma en que una variable aleatoria puede cambiar de acuerdoal tipo de convergencia que se le aplique, además vimos como se establece n lasconvergencias y su relación entre ellas y lo importante que son los teoremas para la resoluciónde un problema.
Así pues te invito a que siguas estudiando y seguir con esta carrera, en el quinto cuatrimestrerevisaremos asignaturas que no se relacionan con la probabilidad pero de la mismaimportancia para tu desarrollo profesional.
Para saber más
Puedes revisar la siguiente página, donde encontraras información acerca de los Teoremas deChebyschev, Khintchine y Bernouilli además de algunos temas que ya revisaste a lo largo de laasignatura:
http://ocw.uv.es/ciencias-sociales-y-juridicas/estadistica/2t13a.pdf
8/12/2019 04_PD_MT_PRO2
http://slidepdf.com/reader/full/04pdmtpro2 66/66
PROGRAMA DESARROLLADOProbabilidad II
También se sugiero revisar el siguiente Link donde encontraras información acerca del teoremadel límite central y la ley de los grandes números además de algunos temas que ya revisaste alo largo de la asignatura:http://www.uam.es/personal_pdi/ciencias/ezuazua/informweb/trabajosdehistoria/salinero_probab
ilidad.pdf
Fuentes de consulta
Milton J y Arnold J. (2004). Probabilidad y estadística con aplicaciones para ingeniería y
ciencias computacionales. México: Mc Graw Hill.
Rincon L. (2007). Curso intermedio de probabilidad . México: Departamento de matemáticas,Facultad de Ciencias, UNAM.
Spiegel M. (2006). Probabilidad y estadística. Madrid: Mc Graw Hill.
Cetina López Wendy.(2005) Teorema De Chebyshev . México
Lipschutz Seymour, Lipson Marc. (2001). Probabilidad. México Editorial Mac Graw-Hill