Conceptos Bsicos de Series,

Distribuciones de Probabilidad
Dr. Ral V. Ramrez Velarde
Dr. Jorge Agustn Olvera

Momentos,

Variables

Aleatorias

1. Series y Sumatorias
Una sucesin es una coleccin de nmeros. Por ejemplo {2, 4, 6, 8, 10} es una
1 2 3 4

sucesin finita mientras que la secuencia {2 , 5 , 7 , 9 , } es una sucesin infinita.

Sea () la funcin de sucesin de tal forma que la sucesin se puede
definida como {()}, mientras que una sucesin tambin se puede
representar usando la notacin de subndice { }. Por ejemplo:

() = 2+1, {1, 2, 3, 4, }
Si { } es una sucesin y = 1 + 2 + 3 + + , entonces { } es una
sucesin de sumas parciales denominada serie infinita y denotada por

= 1 + 2 + 3 + + +
=1

= = 1 + 2 + 3 + +
=1

Los nmeros 1 , 2 , , , son lo trminos de la serie infinita.

Una sucesin es decreciente si |()|<0 y creciente si |()|>0. SI la
sucesin es creciente o decreciente, se dice que es montona (si la
derivada no existe, entonces la sucesin no es montona). Si la sucesin es
montona y acotada, es decir que existe un valor tal que:
lim =

Entonces la sucesin se dice convergente. Esto significa que:

Si
=1 denota una serie infinita dada para la cual { } es la sucesin de
sumas parciales, si lim existe y es igual a S, entonces la serie es

convergente y es la suma total de la serie. Ntese que para obtener la

suma total se la serie es necesario obtener primero la frmula para las sumas
parciales, lo cual no siempre es posible,

1.1 Series Aritmticas

Una serie aritmtica es la suma se una secuencia de trminos aritmticos.
Dos trminos son aquellos en los que dos trminos consecutivos difieren por
una funcin del ndice . En el caso de una constante:
= 1 +
Para encontrar frmulas para las sumas (llamadas frmulas cerradas) para
series aritmticas es necesario encontrar primero la frmula cerrada para la
suma simple (llamada suma de Gauss):
=

=1

=1

Para lograr esto, desarrollemos la serie para N=4 y N=6 y observemos el

primer y el ltimo trmino, y el segundo y el penltimo trmino y as
sucesivamente:
5
=

= 1 + 2 + 3 + 4 = 10

=1

5= 1+4= 1+
5= 2+3
7

= 1 + 2 + 3 + 4 + 5 + 6 = 21

=1

7= 1+5= 1+
7= 2+5
7= 3+4
De donde podemos concluir que
= ( + 1)
Pero, cunto vale x?. Para N=4 x=2. Para N=6, x=3. As es que especulamos

que = 2 . La frmula quedara como:

=1

( + 1)
2

Es posible demostrar que esta frmula funciona tambin para N impares.

Ejemplo: Consumo de memoria de servicio de video bajo demanda:
Supngase que se desea disear un sistema de distribucin de video bajo
demanda. En este sistema, un disco coloca los marcos de video que va a
requerir un usuario para el ciclo de servicio en el bfer de un usuario, para
luego pasar al siguiente bfer y poner los marcos necesarios. Cada bfer de
usuario se vaca en forma paralela al enviarse marcos de video a cada
cliente simultneamente. Supongamos que el sistema est en equilibrio y
que el disco es capaz de reponer todos los marcos de video que se
consumen en cada ciclo (para la figura seran 3 marcos de video por ciclo):
Usuario 1
Usuario 2
Disc
o

Usuario 3
Bufers

En la figura podemos ver que el usuario tiene 1 slo un marco de video

disponible, el usuario 2 dos marcos y el usuario 3 tiene 3 marcos de video
disponibles. El siguiente bfer en ser rellenado sera el del cliente 1 y recibira
3 marcos de video para compensar los 3 marcos que salieron, uno de cada
cliente. En principio, el tamao de memoria que se requiere es de 3 marcos
por cada uno de los 3 clientes, es decir , donde es el
tamao de cada marco de video. Sin embargo, escalando el sistema a una
gran cantidad de clientes y si tomamos en cuenta que debemos tener slo
un marco para el cliente que ser rellenado inmediatamente, tenemos que
se requieren 1+2+3++N marcos, donde N es en nmero de clientes (en la
grfica se muestra 1+2+3). Usando la frmula para la suma de enteros recin
derivada, la cantidad de memoria requerida es en realidad de
(+1)
2

< , lo que nos permite un ahorro de memoria de

casi la mitad. Para = 10, = 100, mientras que

( + 1) = 55.

Ahora podemos generalizar la frmula para las series aritmticas. Se haba

mencionado que una serie aritmtica era una sucesin { } en la que:

 = 1 +
Entonces
= 1 + = 2 + 2 = 1 + ( 1)
De tal forma que:

= = [1 + ( 1)] = 1 + ( 1)
=1

=1

=1

= 1 +
=1

Usando la definicin de la suma Gauss:

( 1)
= 1 +
2

= [21 + ( 1)]
2
Notando que = 1 + ( 1), encontramos que:
=

( + )
2 1

Lo cual nos da una frmula general para la suma parcial de cualquier serie
aritmtica.

Ejemplo: Encuentra la frmula para n sumas si = 2 + 1

3

Si sabemos que 1 = 2, entonces:

=
Para n=35:
35 =
Ntese tambin que:

3
( + + 1)
2 2 2

35 3 35
35 40
( +
+ 1) =
( ) = 350
2 2 2
2 2

() = = 2 + 1, y que
1

() = 2 > 0, por lo que es un serie montona creciente. Sin embargo,

lim = , por lo que no es acotada. Es decir, que no hay una frmula

cerrada para la suma total.

1.2 Series Geomtricas
Una serie geomtrica es una sucesin en la cual la razn entre dos

trminos consecutivos es +1 es una funcin de . El caso ms comn +1 =

, lo que nos da = 0 . Vamos a suponer que 0 = 1, lo que no nos har

perder generalidad. Obervamos que:
=

= 1 + + 2 + + 1 +

=1

Multiplicando ambos lados de la igualdad por :

=

= + 2 + 3 + + + +1

=1

Restando ambas ecuaciones obtenemos:

= 1 +1

(1 ) = 1 +1

1 +1
= =
1
=0

Ntese que la frmula anterior funciona para toda . Como la derivada

existe () = 1 > 0, tal vez es posible encontrar la frmula cerrada para
la suma total. Vemos que el lmite existe slo cuando || < 1:
1 +1
1
=
; || < 1
1
1
lim

=0

1
1

Esta es la sumatoria base y utiliza para encontrar otras sumatorias siguiendo

una sucesin de derivacin y multiplicacin por . Por ejemplo:

1 =

=0

1
1
1
(1)
=
(
)=
=
(1 )2
(1 )2

1
=0

Por lo que:

1
(1 )2

1 =

=0

Para encontrar
=0 , multiplicamos ambos lados de la ecuacin anterior
por y obtenemos:

=0

(1 )2

Podemos seguir el mismo procedimiento para la suma parcial:

= 0 + + 22 + 33 + +

=0

1 =

=0

1 +1

=
(
)

1
=0

= (1 +1 )(1)(1 )2 (1) ( + 1) (1 )1
=

1 +1 ( + 1) 1 +1 ( + 1) (1 )

=
(1 )2
(1 )
(1 )2

1 +1 ( + 1) + ( + 1)+1
1 ( + 1) + +1
=
=
(1 )2
(1 )2

=0

( + 1)+1 + +2
(1 )2

Ejemplo: Encuentre:

Sabemos que:

=0

(1 )2

=0

Derivando en ambos lados de la igualdad:

( ) = 2 1 =
(
) = 2(1 )3 (1) + (1 )2
2
(1

)
=0
=0
2
1
2 + 1
+1
=
+
=
=
3
2
3
(1 )
(1 )
(1 )
(1 )3

Por lo que:

2 =

=0

( + 1)
(1 )3

1.3 Series que no Inician en Cero

Por ejemplo:

2
3

2
3

=1 tenemos que =0 = 1 + + + + y =1 = + + +

Completando la sumatoria:

=1

=1

+ 1 1 =

=0

1 =

1=
1
1

O haciendo el cambio de variable:

=1 =+1

=1

=0

+1 =

=0

Ejemplo: supongamos que deseamos encontrar:

=3

2
3

3
4
5
Tenemos que
=0 = 1 + + + + y =3 = + +

Completando la sumatoria (Procedimiento sugerido por Andrs Seplveda

en Enero de 2015):

=3

+ 2 + + 1 2 1

=3

3
= 1 = =
1
=0
=0
=0

O haciendo el cambio de variable:

=3 =+3

=3

=0

+3 = 3

=0

3
1

En general:

=0

=0

Esto aplica tanto para serie geomtricas como para series aritmticas
Ejemplo: Encuentra
47

2 5
=15

Primero encontramos:
1 = 2(1) 5 = 3
14 = 2(14) 5 = 23
47 = 2(47) 5 = 89
47

2 5 =
=1

47
(3 + 89) = 2021
2

14

2 5 =
=1

14
(3 + 23) = 140
2

Por lo que:
47

47

14

2 5 = ( 2 5) ( 2 5) = 2021 140 = 1881

=15

=1

=1

Ejemplo: Encuentra una forma fraccional para el nmero 1.36363636

1.363636 = 1 + 0.36 + 0.0036 + 0.000036+. ..
36
36
36
=1+
+
+
+. ..
100 10,000 1,000,000
36 1 0 36 1 1 36 1 2
=1+
(
) +
(
) +
(
) +
100 100
100 100
100 100

36
1
=1+
, =
100
100
=0

=1+

36
1
36
1
36 100
36
4
(
)=1+
(
)= 1+
(
) =1+ 1= 1+
100 1
100 1 1
100 99
99
11
100
15
1.363636 =
11

1.4 Otra Sumatoria Importante

De acuerdo con la serie de Taylor (McLurine):

2 3 4
= = 1 + + + +
+. ..
2
6 24
=0 !

Ejemplo: Prueba que la siguiente sumatoria es igual a e:

1
=1 ( 1)!

Haciendo el cambio de variable k=j-1:

1
1
=
= 1 =
!
!
=0
=0

Definiciones Importantes:
1
1
=0

=
(1 )2
=0

( + 1)

2 =
(1 )3
=0

1 + +1

=
1
=0

( + 1)+1 + +2

=
(1 )2
=0

2. Momentos Estadsticos
Momento cero:
0 () =

[ = ]

[ = ] = 1

=0

Momento uno:
1 () =

[ = ]

[ = ] = E[]

=0

Momento dos:
2 () =

2 [ = ]

2 [ = ] = E[ 2 ]

=0

En general, el momento n es:

() =

[ = ]

[ = ] = E[ ]

=0

2.1 Expectancia
El primer momento se llama Valor Esperado, o Expectancia de la variable
aleatoria X. El valor esperado tiene reglas de lgebra. Sean a y b constantes
y X y Y variables aleatorias
1)
2)
3)
4)

E[a]=a
E[aX]=aE[X]
E[aXbY]=aE[X]bE[Y]
E[XY]=E[X]E[Y], si X y Y son independientes

2.2 Varianza
Con estas reglas de algebra, podemos encontrar la varianza de una
variable aleatoria. Definimos:
VAR[] = E[( E[])2 ]
VAR[] = E[ 2 2E[] + E[]2 ]
Aplicando la regla 3):
VAR[] = E[ 2 ] E[2E[]] + E[E[]2 ]
Dado que E[] y []2 son constantes y aplicando la regla 1):
VAR[] = E[ 2 ] E[2E[]] + E[]2
Aplicando la regla 2):
VAR[] = E[ 2 ] 2E[]E[] + E[]2
= E[ 2 ] 2E[]2 + E[]2
Encontramos que:
VAR[] = E[ 2 ] E[]2
En el ejemplo anterior:
VAR[] = 5 42 = 1

Las desviacin estndar o = VAR = 1 = 1

La varianza tambin tiene reglas de lgebra. Supongamos que a y b son
constates y X y Y son variables aleatorias:
1) VAR[] = 02) VAR[ ] = 2 VAR[] + VAR[] + 2COV[]
Y COV[] = E[] E[]E[]
Es importante hacer notar que de acuerdo con la regla 2:
VAR[ ] = 2 VAR[] + VAR[]
Es decir, las varianzas siempre se suman, aun cuando las variables aleatorias
son restadas.
Ejemplo: El Dr. Carlos Pfeiffer est trabajando en un sistema de robots
colaborativos donde la localizacin de los robots se realiza por medio de
GPS. Sabemos que el GPS tiene un rea de incertidumbre de 3 metros. Para
reducir esta rea de incertidumbre, el Dr. Pfeiffer propone hacer 3 lecturas.
Si los discos de incertidumbre son ciertos, la localizacin real del robot debe
estar en la interseccin de los crculos (ver figura de abajo).
Localizacin
Real del Robot

De acuerdo a lo que sabes de la suma de varianzas de variables aleatorias,

cul es el problema de este razonamiento?
El problema es que la interseccin es una resta de conjuntos, y por tanto de
probabilidades. Aunque la media de una resta de variables aleatorias si es
la resta de las medias de las variables, la varianza de una resta de variables

aleatorias es la suma de las varianzas. Lo que en realidad obtiene el Dr.

Pfeiffer es lo siguiente:
Media de la
localizacin
del robot
rea de
incertidumbre
de la localizacin
del robot

Ejemplo: Se tiene la siguiente sucesin de lecturas de una variable aleatoria

x:
1, 1, 2, 4, 3, 1, 3, 2, 2, 1
Encuentra los dos primeros momentos estadsticos:
Valor
Probabilidad
E[] =

E[ 2 ] =

1
0.4

2
0.3

3
0.2

4
0.1

P[ = ] = 1 0.4 + 2 0.3 + 3 0.2 + 4 0.1

=1

= 0.4 + 0.6 + 0.6 + 0.4 = 2

2 P[ = ] = 12 0.4 + 22 0.3 + 32 0.2 + 42 0.1

=1

= 0.4 + 1.2 + 1.8 + 1.6 = 5

3. Variables Aleatorias Discretas

Sea x una variable aleatoria discreta que puede tomar cualquier valor de
un conjunto de valores discretos xk , k .

Sea P x xk la probabilidad de que la variable aleatoria x tome el valor xk

. Se tienen las siguientes propiedades deeste conjunto de probabilidades:

P x xk 0 k

P x xk 1

P xn x xm P x xk

kn

El valor promedio de la variable aleatoria x, X , o valor esperado de x, E x ,

est dado por:

x P x xk

E x X

El ensimo momento de la variable aleatoria x es el valor esperado de x

elevada a la ensima potencia:

E xn

xkn P x xk

El ensimo momento central de la variable aleatoria x est dado por:

E ( x X )n x

( xk X )n P x xk

El primer momento central es cero. El segundo momento central se conoce

2
como la variancia de x, x , y da una idea de qu tan dispersos estn los
valores de la variable aleatoria x respecto a su valor promedio.
Tambin en este caso se puede obtener
una expresin que permita calcular

la variancia de x de una manera ms rpida:

2x E ( x X )2

2x

( xk X )2 P x xk ( xk2 2xk X X 2 ) P x xk

xk2 P x xk 2X xk P x xk X P x xk
k

2x E x2 2XE x X 2 E x2 E x

Sean x, y dos variables aleatorias discretas e independientes y sean P x xk

y P y y las respectivas funciones de probabilidad para estas variables. Si

k

se define una nueva variable w como la suma de las dos variables aleatorias,
la funcin de probabilidad para esta nueva variable est dada por la
convolucin de las funciones de probabilidad de las variables originales:

w xy

P x x j P y wk x j P y y j P x wk y j

P w wk

4. Distribuciones de Probabilidad Discretas

4.1 Distribucin Bernoulli

El resultado puede clasificarse como xito con valor 1 y probabilidad p, o
fracaso con valor 0 y probabilidad q = 1 p.
1
p

0
1-p

E[] = 1 + 0 (1 ) =
[ 2 ] = 12 + 02 (1 )
[] = [ 2 ] 2 [] = 2 = (1 ) =
4.2 Distribucin Binomial
Se llevan a cabo N experimentos Bernoulli independientes cuya
probabilidad de xito es p, de los cuales k = 0,1,,m tienen xito. Supngase
que se llevan a cabo 3 experimentos (m = 3) Bernoulli. De cuantas maneras
se pueden tener 2 xitos?

Cul es la probabilidad de que suceda cualquiera de estas secuencias?

= 2
= 2
= 2
Resultado
FFF
FFE
FEF
EFF
EEF
EFE
FEE
EEE

X
0
1
1
1
2
2
2
3

Probabilidad
q3
q2p
q2p
q2p
qp2
qp2
qp2
p3

Lo cual se traduce al coeficiente binomial:

!

( )=

! ( )!
3!
3
En este caso ( ) = 2!(32)! = 3 lo cual concuerda con el resultado obtenido.
2
De esta forma obtenemos que:

[ = ] = ( )

Dado que la distribucin Binomial es una coleccin de experimentos

Bernoulli independientes, supongamos que . Entonces:
= 1 + 2 + +
[ ] = [1 + 2 + + ] = [1 ] + [2 ] + + [ ]
= + + +. . . + =
[ ] = [1 + 2 + + ] = [1 ] + [2 ] + + [ ]
= + +. . . + =
Solucin de la Expectancia por Binomios de Newton:
( + )2 = 2 + 2 + 2 = (2) 2 + (2) + (2) 2
0
1
2
3
3
3
3
2
2
3
3
2
( + ) = + 3 + 3 + = ( ) + ( ) + (3) 2 + (3) 3
0
3
1
2

( + ) =

( )
=0

Primero, probemos el momento uno, la suma de probabilidades:

[ = ] = ( )

[ = ] = 1

=0

( ) = ( + ) = 1
=0

Para obtener el valor esperado por momentos se tiene que:

[] = 1 [] =

( )

=1

Expandiendo el factorial se obtiene:

=1

!
!
=

! ( )!
=1 ( 1)! ( )!

=1 ( 1)! ( )!

Haciendo el cambio de variable = 1 y = + 1 se rescribe la ecuacin

como:

!
+1 1
(
!

1)!
=0

!
!

+1 1 =
1
(
(

1)!
1)!
=0 !
=0 !

Haciendo el cambio de variable = 1 :

( + 1)!
!

=
= ( + )
(
(
!

)!
!

)!
=0
=0

Sin embargo( + ) = 1 [] = 1 [] =

4.3 Distribucin Geomtrica

La distribucin de probabilidad Geomtrica sea una V.A. que representa
el k-simo intento de una sucesin de experimentos de Bernoulli, teniendo
1 fracasos.
[ = ] = 1
[] =

[ = ] =

=1

1 =

=1

=1

Tomando en cuenta que el trmino = 0 no aporta informacin a la

sumatoria:
[] =

1 =

=0

1
1
1
= 2=
2
(1 )

[] = [ 2 ] 2 []
[ 2 ] =

=1

2 [ = ] =

=1

+1
(1 ) + 1 2
=

= 2
(1 )3
3

=1
2 1
1

[] = 2 2 =
= 2
2

Ejemplo: En un sistema de comunicacin la probabilidad de que in mensaje

llegue con error es p. Si el mensaje se reenva hasta que llega sin error.
a) Cul es la distribucin de probabilidad?
[ = ] = 1 = 1 (1 )
b) Cul es el valor esperado de los intentos si el valor de p es de 0.2?
[] =
= (1 )

1 (1 ) = (1 )

=1

=0

1
1
1
=
=
=
=
= 1.25
3
2
2
2
8
(1 )
(1 )
(1 )
(1 )
10

c) Cul es la probabilidad que un mensaje se tenga que enviar 3 veces

para que llegue bien?
[ = 3] = 0.22 (1 0.2) = (0.04)(0.8) = 0.032

d) Cul es la probabilidad de que el mensaje se enve en 4 intentos o

menos?
a. Forma 1:
[ 4] = [ = 1] + [ = 2] + [ = 3] + [ = 4]
0.20 (1 0.2) + 0.21 (1 0.2) + 0.22 (1 0.2) + 0.23 (1 0.2)
= 0.8 ( 1 + 0.2 + 0.22 + 0.23 ) 0.9984
b. Forma 2:
c.

[ 4] = [ = ] =
=1

1 (1

) = (1 ) 1

=1

: = 1 = + 1
3

[ 4] = (1 ) = (1 ) (
=0

=1

1 4
) = 1 4
1

= 1 (0.2)4 = 1 0.0016 = 0.9984

d. Forma 3:

[ 4] = 1 [ = ] = 1
=5

1 (1

) = 1 (1 ) 1

=5

: = 5 = + 5

[ 4] = 1 (1 )

=5

+51

= 1 (1 ) +4

=0

=0

[ 4] = 1 (1 )4 = 1 (1 )4 (
=0

1
) = 1 4
1

e) Demuestre que el momento 0 de la distribucin de probabilidad es

igual a 1

=1

1 (1 )

Haciendo el cambio de variable = 1

(1 )

=0

= (1 )

1
=1
(1 )

Donde en el ltimo paso se utiliz la definicin de la serie geomtrica.

Ejercicio: Se tienen las siguientes distribuciones de probabilidad:

X
1
2
3
4

P[X]
0.5
0.3
0.1
0.1

Y
1
2
3
4

P[Y]
0.3
0.25
0.25
0.2

a) Cul es la probabilidad de que + = 4?

[ = 4] = [ = 3][ = 1] + [ = 2][ = 2] + [ = 1][ = 3]
= 0.1(0.3) + 0.3(0.25) + 0.5(0.25)
[ = 4] = 0.23
b) Llena la siguiente tabla:
W
1
2
3
4
5
6
7
8

P[W]
0
P[X=1]P[Y=1]
P[X=1]P[Y=2]+P[X=2]P[Y=1]
P[X=1]P[Y=3]+P[X=2]P[Y=2]+P[X=3]P[Y=1]
P[X=1]P[Y=4]+P[X=2]P[Y=3]+P[X=3]P[Y=2]+P[X=4]P[Y=1]
P[X=2]P[Y=4]+P[X=3]P[Y=3]+P[X=4]P[Y=2]
P[X=3]P[Y=4]+P[X=4]P[Y=3]
P[X=4]P[Y=4]

Ejemplo: Muchas personas que van a una tienda de renta de videos, rentan ms
de una video a la vez. X es la variable que indica el nmero de DVD que renta un
cliente. La distribucin de probabilidad de las rentas por cliente de la tienda
BetFlicks se muestra a continuacin:
X
P(X)

0
.03

1
.50

2
.24

4
.07

5
.04

a. Cul es la probabilidad de que un cliente rente 3 DVD?

0.03+0.50+0.24+0.07+0.04+P[x=3]=1 -> P[X=3]=0.02
b. Cul es la probabilidad de que un cliente rente al menos 4 DVD?
P[X4]=P[X=1]+P[X=2]+P[X=3]+P[X=4]=0.96=1-P[X=5]
La tienda BacBusters presenta las siguiente estadsticas. Si se

X
P(X)

0
.35

1
.25

2
.20

3
.10

4
.05

5
.05

c. Si cada tienda espera recibir 300 clientes, cul vender ms videos?

E[BetFlicks]=0(0.03)+1(0.50)+2(0.24)+3(0.12)+4(0.07)+5(0.04)=1.82
E[BacBusters]=0(0.35)+1(0.25)+2(0.10)+3(0.10)+4(0.05)+5(0.05)=1.40
BetFlicks vender ms
d. Cul tienda presenta ms variabilidad en sus ventas?
E[BetFlicks2]=02(0.03)+12(0.50)+22(0.24)+32(0.12)+42(0.07)+52(0.04)=4.66
E[BacBusters2]=02(0.35)+12(0.25)+22(0.10)+32(0.10)+42(0.05)+52(0.05)=4.00
VAR[BetFlicks]=4.66-1.822=1.35
VAR[BacBusters]=4.00-1.42=2.04
BacBusters presenta ms variabilidad
e. La compaa BetFlicks desea comprar a la compaa BacBusters. Calcula la
probabilidad de ambas tiendas vendan 0, 1, 2 y 3 videos
W
1
2
3
4

P[W]

Ejemplo: Cul es la distribucin de probabilidad de dos variables aleatorias

geomtricas?
Si X y Y son dos variables aleatorias idnticamente distribuidas con
distribucin de probabilidad geomtrica, entonces:
[ = ] = 1
[ = ] = 1
Si w x y

[ = ] = [ = ][ = ]

[ = ] = [ = ][ = ] = 1 1 = 2 2
=2

=2

=2


2 2

[ = ] =

1 = 2 2 ( 1)
=2

5. Variables aleatorias continuas

Sea X una variable aleatoria continua que puede tomar cualquier valor del
conjunto de los nmeros reales. La funcin acumulada de probabilidad,
F( x0 ) , representa la probabilidad de que la variable aleatoria X tome
cualquier valor menor o igual a x0 .

P
X x0 F( x0 )

Esta funcin tiene varias propiedades fundamentales. A continuacin se

listan las principales:

F( x) 0 x
F( ) 0
F( ) 1
Si x1 x2
siempre se cumple que F( x1 ) F( x2 )
P x1 X
x2 F( x2 ) F( x1 )

La funcin de densidad
de probabilidad, f ( x) ,
es la derivada de la funcin
de probabilidad
acumulada F( x) . Esta funcin no representa directamente
una probabilidad, pero el rea bajo dicha funcin si representa una
probabilidad.

P X x0 F( x0 )

x0

f ( x ) dx

P x1 X x2 F( x2 ) F( x1 )

x2

f ( x ) dx

x1

f ( x ) dx F( ) F( ) 1

El valor promedio de la variable aleatoria X, X , o valor esperado de X, E X

, est dado por:

E X X

x f ( x ) dx

El ensimo momento de la variable aleatoria X es el valor esperado de X

elevada a la ensima potencia:

EX

f ( x ) dx

El ensimo momento central de la variable aleatoria X est dado por:

E ( X X )n

( x X )n f ( x ) dx

El primer momento central es cero. El segundo momento central se conoce

como la variancia
de X, 2x , y da una idea de qu tan dispersos estn los

valores de la variable aleatoria X respecto a su valor promedio.

Se puede obtener una expresin que
permite calcular la variancia de X de
una manera ms rpida:

2x E ( x X )2
2x

2x

( x X )2 f ( x ) dx

( x2 2xX X 2 ) f ( x ) dx

x2 f ( x ) dx 2xX f ( x ) dx X 2 f ( x ) dx

x2 f ( x ) dx 2X

x f ( x ) dx X 2

f ( x ) dx

2x E x2 2XE x X 2 E x2 E x E x2 X 2

Sean x, y dos variables aleatorias continuas e independientes y sean fx ( x ) y

fy ( y ) sus funciones de densidad de probabilidad respectivamente. Si se
define una nueva variable w como la suma de las dos variables aleatorias,
la funcin de densidad de probabilidad para esta nueva variable est dada
por la convolucin
de las funciones de densidad de probabilidad de las

variables originales:

w xy
fw ( w)

fx ( ) fy ( w ) d fy ( ) fx ( w ) d

5.1 Distribucin Uniforme

() =

1 2
1 2 2 +
[] =
=
| =
=
2 2
2

[ ] =

2]

1
1

=
| =

2
1 3
1 3 3
( )(2 + + 2 )
=
=
| =
=
3 3
3( )

2
2
+ +
=
3

2 + + 2
+ 2
2 2 + 2 ( + )2
[] =
(
) =
=
3
2
12
12
5.2 Distribucin Exponencial
() = , 0

[] =
0

Aplicando integracin por partes e identificando a = y = :

= ( )|0 =
0

1
= ( + 0 )

0
1
[] =

1
( )|

Ejemplo: Un sistema de cmputo puede tiene un tiempo de ejecucin que

sigue una distribucin de probabilidad con media de tiempo de ejecucin
por tarea de 4 segundos.
a) Cuntas tareas puede procesar por segundo?

1
1
= = 0.25 /
[] 4

b) Cuntas tareas puede procesar por minuto?

0.25

60
(
) = 15 /
1

c) Cul es la distribucin de probabilidad

() = 44 , 0
Distribucin de probabilidad acumulada (cpdf):

[ ] = = ( )|0 = + 1 = 1
0

Y para encontrar la varianza:

[ 2 ] = 2
0

Haciendo integracin por tablas e identificando = 2 y = (El

mtodo de integracin tabular fue desarrollado por Jaime Escalante de la
pelcula Stand & Deliver- e introducida al Tecnolgico de Monterrey por
Linda Licn del Campus Obregn):
= 2

= 2

+ =

2 = 2 2

- =

- =

1
2

2
2
2
= ( )|0
( )| 2 ( )| = 2 ( )|

0
0
0

2
2
2
2 = 2 ( ) 2 (0 ) = 2

0
2

[] = [ 2 ] + 2 [] =

2
1
1
2= 2
2

Ejemplo. El tiempo de ejecucin de un programa sigue la siguiente

distribucin de probabilidad:
() = 55 ,

a) Cul es el valor esperado?

[] = 55
0
1

Identificando que = 5 tenemos que [] = 5 = 0.2

b) Cul es la probabilidad de que el tiempo de ejecucin tarde ms de
1 segundo?
Identificando que = 5 & = 1 tenemos que :
[ 1] = 1 [ = 1] = 1 1 + (5)() =

1
0.006732
5

c) Cul es la probabilidad de que el tiempo de ejecucin de 2 tareas

sea mayor a 1 segundo?

() = ()( ) =
0

()

= 2
0

[2 1] = 25

= 5 [

5
5 1

] = 5 (5
+ ) = 0.95
5 0
5
5

5.3 Distribucin Gama

() =

1
; 0
()

Recordando la Funcin Gama

() = 1
0

( + 1) = = ()
0

En Enero de 2013, David Tamez prob la factorizacin de la funcin Gama

( + 1) =
0

Integrando por partes:

=

= 1

+ =

1
( + 1) = [ ]

0 +
0

1
( + 1) = [ ]

0 +
0

( + 1) = 0 + ()
( + 1) = ()

( + 2) = +1 = ( + 1)( + 1) = ( + 1)()
0

() = ( 1)!,

[] =
0

1

=

()
()
0

Haciendo el cambio de variable = tenemos que =

[] =
0

1
=

()
() 0

Haciendo el uso la definicin de la Funcin Gamma identificamos

= ( + 1) = ()
0

[] =
0

1
()
=
( + 1) =
=
()
()
()

Para encontrar la varianza:

[ 2 ] = 2
0

+1
1

1 ()+1
=
=

()
()
0
()
0

Haciendo el cambio de variable = tenemos que =

+1
1
= 2
+1
()
() 0
0

1
[ 2 ] = 2
+1
() 0

[ 2 ] =

Haciendo el uso la definicin de la Funcin Gamma identificamos

+1 = ( + 2) = ( + 1)()
0

[ 2 ] =

1
2 ()

1
2 ()

(( + 1)( + 1)) =

1
2 ()

(( + 1)()) =

( + 1)
2

Por lo que la varianza queda:

[] =

( + 1) 2

2 = 2
2

Ejemplo: Encuentra el valor esperado de la siguiente distribucin de

probabilidad:
() = 3 6 + 8 4

[] = (3 6 + 8 4 ) = 3 6 + 8 4
0

En Agosto de 2010 Luis Eduardo Enciso Osuna desarroll el siguiente

procedimiento:

3 6 = 3 6
0

= 6 =
6
6

3
3
3
1
6
3 = 3 ( ) ( ) =
=
(2) =
1! =
6
6
36 0
36
36
12
0
0
= 6 =

8 4 = 8 2 4
0

= 4 =
4
4

2
8 2
1
1
1
4
8 = 8 ( ) ( ) =
= (3) = 2! =
4
4
64 0
8
8
4
0
0
= 4 =

[] = 3 6 + 8 4 =
0

1 1 (1 + 3)
4
1
+ =
=
=
12 4
12
12 3

Lo cual es consistente con:

1
1
() = 3 6 + 8 4 = 6 6 + 16 4
2
2
Lo que significa que la distribucin de probabilidad es una mezcla entre una
Exponencial y una Erlang ( = 2) al 50%. Por lo tanto:
1
1
[] = 0.5 [ 6 6 ] + 0.5 [ 16 4 ]
2
2
1 1
1 2
1 1 1
[] = ( ) + ( ) =
+ =
2 6
2 4
12 4 3
Ejercicio. Encuentra la distribucin de probabilidad para 1 variable
exponencial y la suma de 2, 3 y 4 variables exponenciales. Encuentra
tambin la media y la varianza y la distribucin de probabilidad acumulada.
Llena la siguiente tabla:
N
1
2
3
4

Media Var
1
1

2
2
2

2
3
3

2
4
4

()
1 () =

F. Acumulada
1 () = 1

2 () = 2

2 () = 1

3 2
2
4 3
4 () =
6

3 () = 1 ()2

3 () =

4 () = 1
()3

()2

6. Teorema de Bayes
El teorema de Bayes permite calcular probabilidades condicionales y se
presenta a continuacin:
Sean A y B dos eventos independientes y sean:
[|] =

[ ]
[]

[|]: Probabilidad condicional de que la V.A. tome este en A dado que

se sabe que est en B
[ ]: Probabilidad de que la V.A. tome el valor de A y B
[]: Probabilidad de que la V.A. este en A
[]: Probabilidad de que la V.A. este en B
Ejemplo. Sea 0, una V.A. y sea [ = ] la probabilidad de que X
tome el valor de k. Calcule la probabilidad de que X sea igual a k si se sabe
que es mayor a > 0,
[] = [ = ] = (1 )1 , 1 & 0 < < 1

[] = [ > ] = (1 )1
=+1

Haciendo el cambio de ndice = 1

[] = (1 )+ =
=0

[ ] = (1 )1 , + 1 & 0 < < 1

[ ] (1 )1
[|] =
=
= (1 )1 , + 1 & 0 < < 1
[]

Ejemplo. Problema de Monty-Hall

Se tienen 1000 puertas, slo una contiene un premio, se escoge una puerta
y posteriormente se abren 998 que no contienen el premio dejando slo 2
puertas cerradas, la elegida inicialmente y otra ms. Tienes la opcin de
cambiar de puerta elegida. Qu es mejor? Cambiar o no cambiar.
Escenario inicial: 1000 puertas cerradas
:

:
1
[ = ] =
1000
999
[ ] =
1000

Escenario Final: 2 puertas cerradas

:

:
[ = ]
[ = | ] =
[ ]

[ ] = [|][]

999
[ | = ] =
1000
1
[ = ] =
1000
999
[ ] =
1000
999
1
1000
1000 = 1
[ = | ] =
999
1000
1000
7. Funciones Generadoras de Momentos
Recordando que la serie de McLaurine para la exponencial es:

2 3
= 1++ + +=
2 3!
=0 !

y que [] =
=0 () ()
Definimos la funcin generadora de momentos como
() = [ ]
= [1 + +

()2 ()3
()2
()3
+
+ ] = 1 + [] + [
]+[
]+
2
3!
2
3!
()
2
3
= + [] + [ 2 ] + [ 3 ] +

2
3!

Evaluando en = 0,

()

= []

2 ()
= + + [ 2 ] + [ 3 ] +
2
Evaluando en = 0,
En general

()

2 ()
2

= [ 2 ]

|=0 = [ ]

7.1 Geomtrica
() = 1

 () =

1 =

=1

( ) = ( )1

=1
=1

Haciendo el cambio de variable = 1, =

() = =
=
1 1
=0

()

( )

1
(1)
|=0 =
+
|
=
=
=0
(1 )2
(1 )2

1
2

()

( )
2
2
|
=
+
(2)
|
=
=
=0
=0
(1 )2
(1 )2
(1 )3
2
2
[] =

2 1
1

=
=
2
2
2
2

7.2 Binomial

() = ( )

() =

( ) =
( ) ( )

=0
=0

Identificando que ( + ) =
se tiene que = & =
=0 ( )

() = ( + )
()
1
|=0 = ( + ) |=0 = ( + )1 =

2 ()
1
2
|=0 = [ ( + )
+ ( 1)( + ) ]|=0
2

= [( + )1 + ( 1)( + )2 ] = [1 + ( 1)]
= [1 + ] = [ + ]
[] = [ + ] 2 2 =
7.3 Poisson

() =
!
() =

=0

!
!
=0

Sea = () =
= (
=0 ! = =

1)

()

|=0 = ( 1) |=0 =

2 ()

|=0 = [( 1) + ( 1) ] |=0 = 2 +
2

[] = 2 + 2 =
7.4 Normal

() =

() =

2
2

=1

2 =

2 +

Completando el binomio en el exponente

()2 +2

2
2

+ =

2 +2 +2
2

2
2

()2
1
() =

2
2 2

Haciendo el cambio de variable =

() =

2
2

()2
2

2
2

Normal Estndar
Sea =

= + & =

() =

1
2

1 2
)

2 (

= (+ )

= (+ )
1 2
2

1 2

2+()2
2

() =

2+()2 2 + 2 2
()
2
|=0 =
|=0 =

2
2
2
2+()
()
2
2
( + 2 )2 |=0 = 2 + 2
|
=

=0
2

[] = 2 + 2 2 = 2
7.5 Exponencial
() =

() = = () =
0

()

1
|=0 =
(1)|=0 =
2
( )

2 ()
2
2
|
=

(1)|
=
=0
=0
( )3
2
2
[] =

2
1
1

=
2 2 2

7.6 Gamma
() =
Funcin Gamma

1
()

() = 1
0

() =
0

=
()1 ()
()
() 0

Haciendo el cambio de variable = ( )

 () =

1
()1 () =
(
)
() 0
() 0

=
1
()( ) 0

Identificando 0 1 = ()
() =

( )

()
1

|=0 =
|=0 =
1
2
( )
( )

2 ()
1
1
( + 1)
|=0 = ( + 1)
|=0 =
2

2
( ) ( )

2
( + 1) 2

[] =

=
2
2 2