CAP

ITULO 2. PROBABILIDADES 41
donde los p
i
son los valores de un probabilidad tal que el espacio muestral tiene n elementos.
Notemos que si e = e
1
+ e
2
+ + e
n
. Con ello tenemos que
< e, e >=
n

i=1
p
i
= 1
Adem as la norma esta dado por
||x||
2
=
n

i=1
x
2
i
p
i
y la distancia esta dada por
d
2
(x, y) =
n

i=1
(x
i
y
i
)
2
p
i
es decir,
d
2
(x, e) =
n

i=1
(x
i
)
2
p
i
Teorema 5 Sean E un experimento, S el espacio muestral, p una probabilidad del E y X
una variable aleatoria discreta. entonces
V ar(X) = E(X
2
) E(X)
2
Demostracion: En l caso nito tenemos que
V ar(E) =
n

i=1
(x
i
E(X))
2
p(x
i
)
=
n

i=1
(x
2
i
2x
i
E(X) + E(X)
2
)p(x
i
)
=
n

i=1
x
2
i
p(x
i
)
n

i=1
2x
i
E(X)p(x
i
) +
n

i=1
E(X)
2
p(x
i
)
= E(X
2
) 2E(X)
n

i=1
x
i
p(x
i
) + E(X)
2
n

i=1
p(x
i
)
= E(X
2
) 2E(X)E(X) + E(X)
2
= E(X
2
) E(X)
2
Ejemplo 22 Un jugador lanza dos moneda corriente. Gana $2, si salen dos cara y $1 si
sale una cara y pierde $3 si salen dos sellos.
Determine la varianza y la desviacion estandar
Solucion: En el ejemplo anterior calculamos E(X) = 0, 25.
E(X
2
) = 4
1
4
+ 1
1
2
+ 9
1
4
=
14
4
= 3, 5
luego tenemos V ar(X) = 3, 5 (0, 25)
2
= 3, 4375 y su desviacion estandar
X
= 1,8540.
CAP

ITULO 2. PROBABILIDADES 42
Ejemplo 23 Consideremos el experimento de lanzar dos dados, luego el espacio muestral es
S = {1, 2, 3, 4, 5, 6}
2
y la probabilidad equiprobable y la variable aleatoria X(a, b) = max(a, b).
Determine la varianza y la desviacion estandar
Solucion: Calculemos la esperanza de X
E(X) = 1
1
36
+ 2
3
36
+ 3
5
36
+ 4
7
36
+ 5
9
36
+ 6
11
36
=
161
36
= 4, 47222
Ahora veremos la esperanza de X
2
E(X
2
) = 1
1
36
+ 4
3
36
+ 9
5
36
+ 16
7
36
+ 25
9
36
+ 36
11
36
=
791
36
= 21, 97222
La Varianza
V ar(X) =
791
36

_
161
36
_
2
=
2555
1296
= 1, 9714
Y su Desviacion Estandar es
X
= 1, 4040
2.1.7. Distribucion Binomial
Sea E un experimento con dos resultados a uno se le llama exito y al otro fracaso. Sea p
la probabilidad del experimento con exito y q = 1 p la probabilidad del experimento con
fracaso.
Nos interesa calcular la probabilidad de tener exito y no importando el orden en que ellos
ocurren.
Consideremos siguiente experimento. Se lanza una moneda y asignemos la probabilidad
es p cuando salga cara y q cuando sale sello.
Al repetir el experimento obtenemos
p(cc) = p
2
; p(cs) = 2pq; p(ss) = q
2
recuerde que no importa el orden.
Al repetir el experimento otra vez obtenemos
p(ccc) = p
3
; p(ccs) = 3p
2
q; p(css) = 3pq
2
; p(sss) = q
3
En general se obtiene que la probabilidad de obtener k resultados exitosos despues de n
experimentos es
_
n
k
_
p
k
q
nk
Demostracion: Sea A = {x S | x tiene k exito }.
El conjunto A se obtiene como un subconjunto de T = F({1, 2, 3, , n}, {e, f}), del si-
guiente modo
A = {g T | #(g
1
(e)) = k}
es decir su cardinal es
n!
k!(nk)!
y la probabilidad de un elemento es p
k
q
nk
CAP

ITULO 2. PROBABILIDADES 43
de este modo la probabilidad de este evento es :
p(A) =
_
n
k
_
p
k
q
nk
Ejemplo 24 En un examen de 10 preguntas de verdadero o falso
1. La Probabilidad de obtener 5 aciertos
2. La Probabilidad de obtener mas de 5 aciertos
3. La Probabilidad de obtener al menos un acierto
Solucion: Ya que la probabilidad de acertar es igual a la de errar tenemos que
1. La Probabilidad de obtener 5 aciertos es
_
10
5
_ _
1
2
_
10
0,246
2. La Probabilidad de obtener mas de 5 aciertos
__
10
5
_
+
_
10
6
_
+
_
10
7
_
+
_
10
8
_
+
_
10
9
_
+
_
10
10
___
1
2
_
10
= 0, 622
3. La Probabilidad de obtener al menos un acierto 1
_
10
0
_ _
1
2
_
10
= 0, 999
Teorema 6 Dada la funcion distribucion o densidad, y usando las notaciones anteriores
tenemos
f : J
n+1
R
k
_
n
k
_
p
k
q
nk
es una probabilidad, llamada distribucion binomial.
Ademas se cumple
1. E(Id) = np
2. V ar(Id) = npq
3.
Id
=

npq
Demostracion: Calculemos la esperanza.
n

k=0
k
_
n
k
_
p
k
q
nk
=
n

k=1
k
n!
k!(n k)!
p
k
q
nk
=
n

k=1
np
(n 1)!
(k 1)!(n k)!
p
k1
q
nk
= np
n1

t=0
(n 1)!
t!(n t)!
p
t
q
n1t
= np(p + q)
n1
= np
CAP

ITULO 2. PROBABILIDADES 44
Calculemos la esperanza.
n

k=0
k
2
_
n
k
_
p
k
q
nk
=
n

k=1
npk
(n 1)!
(k 1)!(n k)!
p
k1
q
nk
= np
n1

t=0
(t + 1)
(n 1)!
t!(n t)!
p
t
q
n1t
= np(p + q)
n1
+ np
n1

t=0
t
(n 1)!
t!(n t)!
p
t
q
n1t
= np(p + q)
n1
+ np(n 1)p(p + q)
n2
= np + n(n 1)p
2
De lo cual tenemos
V ar(Id) = E(Id
2
) E(Id)
2
= np + n
2
p
2
np
2
n
2
p
2
= np np
2
= np(1 p) = npq
Ejemplo 25 La probabilidad que un hombre acierte en el blanco es 1/4. Si dispara 10 veces,
cual es la probabilidad de que acierte exactamente en tres ocasiones?, Cual es la probabi-
lidad de que acierte por lo menos en una ocasion?, Cual es la media?.
Solucion: La probabilidad de acertar es p = 1/4 y de fallar es q = 3/4.
La probabilidad que acierte 3 veces es:
p(X = 3) =
_
10
3
__
1
4
_
3
_
3
4
_
7
= 0,2503
La probabilidad de que acierte por lo menos en una ocasion
p(X 1) = 1 p(X = 0) = 1
_
10
0
__
1
4
_
0
_
3
4
_
10
= 1 0,05631 = 0,9437
La esperanza es E = np = 100 0,03 = 3
Ejemplo 26 Un laboratorio arma que una droga causa de efectos secundarios en una pro-
porcion de 3 de cada 100 pacientes. Para contrastar esta armacion, otro laboratorio elige
al azar a 5 pacientes a los que aplica la droga.
Cual es la probabilidad de los siguientes sucesos?
- Ning un paciente tenga efectos secundarios.
- Al menos dos tengan efectos secundarios.
- Cual es el n umero medio de pacientes que espera laboratorio que sufran efectos secundarios
si elige 100 pacientes al azar?
CAP

ITULO 2. PROBABILIDADES 45
La probabilidad que tenga efectos secundarios es 0,03 y no tenga efectos es 0,97
P(X = 0) =
_
5
0
_
(0,97)
5
= 0,8587
Que al menos tengan dos
P(X 2) = 1 p(X = 0) p(X = 1) = 1 0,8587
_
5
1
_
(0,03)
1
(0,97)
4
= 0,0085
2.1.8. Distribucion Normal
Sean , dos reales positivos y la funcion
f(x) =
1

2
e

(x)
2
2
2
es llamada una distribucion normal, curva normal o curva de Gauss.
Esta funcion es un de los ejemplos mas importantes de una distribucion de probabilidades
continua.
En caso importante lo tenemos cuando = 1, = 0
1
1 2 3 4 1 2 3 4 5
p(Z z) =
_
z

2
e

t
2
2
dt
Una tabla con los valores de esta integral esta al nal del capitulo, por ejemplo
p(Z 2,34) =
_
2,34

2
e

t
2
2
dt = 0,9904
Mas adelante veremos dos ejemplos del uso de la tabla.
Teorema 7 Esta funcion cumple lo siguiente
1. f(x) 0
2.
_

2
e

x
2
2
dx = 1
CAP

ITULO 2. PROBABILIDADES 46
En las siguientes gracas = 1, = 0 (azul); = 1 (rojo); = 2 (plomo).
1
1 2 3 4 1 2 3 4 5
En las siguientes gracas = 0,5 (azul) ; = 1 (roja); = 2 (plomo); = 0.
1
1 2 3 4 1 2 3 4 5
Teorema 8 En las condiciones de la seccion se tiene
1. E(Id) =
2. V ar(Id) =
2
3.
Id
=
Ejemplo 27 Tras un test de cultura general se observa que las puntuaciones obtenidas si-
guen una distribucion N(65, 18) = N(, ). Se desea clasicar a los examinados en tres
grupos (de baja cultura general, de cultura general aceptable, de excelente cultura general)
de modo que hay en el primero un 20 % la poblacion, un 65 % el segundo y un 15 % en el
tercero. Cuales han de ser las puntuaciones que marcan el paso de un grupo al otro?
Solucion: Notemos que la tabla incluye el cambio de variable z =
x

y la funcion es
simetrica respecto al eje y Consideremos z
1
el primer corte, luego
p(Z z
1
) = 0,2 es decir p(Z z
1
) = 0,8
de este modo tenemos z
1
= 0,84, reemplazando z
1
=
x
1
65
18
, obtenemos x
1
= 49,88.
Para calcular el otro valor p(Z z
2
) = 0,85 luego buscando en la tabla determinamos
z
2
= 1,04, de lo cual se obtiene x
2
= 83,72.
CAP

ITULO 2. PROBABILIDADES 47
Ejemplo 28 Se sabe que el peso de los sujetos de una determinada poblaci on sigue una
distribucion aproximadamente normal, con una media de 80 Kg y una desviacion estandar
de 10 Kg.
Cual es la probabilidad de que una persona, elegida al azar, tenga un peso superior a
100 Kg?
Cual es la probabilidad de que una persona, elegida al azar, tenga un peso entre 60 y
100 Kg ?
Solucion: Debemos calcular
p(Z > 100) = p(Z >
100 80
10
) = p(Z > 2) = 1 p(Z 2) = 1 0,9772 = 0,0228
es decir, la probabilidad es de aproximadamente de un 2.3 %.
p(60 Z 100) = p(
60 80
10
Z
100 80
10
) = p(2 Z 2) = p(Z 2) p(2 Z)
pero por simetra de la funcion tenemos p(2 Z) = 1 p(Z 2), es decir
p(60 Z 100) = 2p(Z 2) 1 = 2 0,9772 1 = 0,9544
es decir, la probabilidad es de aproximadamente de un 95 %.
CAP

ITULO 2. PROBABILIDADES 48
Tabla de valores p(Z z),
z 0.00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
0.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
0.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
0.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
0.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
0.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
0.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
0.7 .7580 .7611 .7642 .7673 .7704 .7734 .7764 .7794 .7823 .7852
0.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
0.9 .8159 .8186 .8212 .8238 .8264 .8289 .8315 .8340 .8365 .8389
1.0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9429 .9441
1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
1.8 .9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9699 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767
2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .9871 .9875 .4878 .9881 .9884 .9887 .9890
2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9909 .9911 .9913 .9916
2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3.0 .9987 .9987 .9987 .9988 .9988 .9989 .9989 .9989 .9990 .9990
3.1 .9990 .9991 .9991 .9991 .9992 .9992 .9992 .9992 .9993 .9993
3.2 .9993 .9993 .9994 .9994 .9994 .9994 .9994 .9995 .9995 .9995
3.3 .9995 .9995 .9995 .9996 .9996 .9996 .9996 .9996 .9996 .9997
3.4 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9998
CAP

ITULO 2. PROBABILIDADES 49
2.2. Cadenas de Markov
Hemos estudiados, experimentos aleatorios en los cuales no ha intervenido el resultado
anterior, pero existen otro experimentos en los cuales si interviene el resultado anterior, por
ejemplo
- Como se mueve la poblacion entre las AFP.
- Como se mueve la poblacion entre los fondos en la AFP.
- Como se mueve la poblacion entre los niveles economicos estados de (Pobre, Media, Ricos)
Observacion: El nombre de cadenas de Markov se debe al matematico ruso Andrei An-
dreevich Markov (1856 -1922), quien las denio por primera vez en un artculo de 1906 que
trataba la ley de los grandes n umeros y posteriormente demostr o muchos resultados estandar
sobre ellas.
Su interes en estas sucesiones se origino en las necesidades de la teora de la probabilidad;
Markov nunca trato sus aplicaciones a las ciencias. Los unicos ejemplos reales que utilizo eran
de textos literarios, donde los dos estados posibles eran vocales y consonantes. Para ilustrar
sus resultados, hizo un estudio estadstico de la alternancia de las vocales y las consonantes
en el libro de Pushkin Eugene Onegin. Andrei Markov dio clase en la universidad de San
Petersburgo de 1880 a 1905, y se retiro para dar paso a matematicos mas jovenes.
En el resto del seccion, solamente nos interesa los casos donde interviene los inmedia-
tamente anterior. Consideremos una sucesion de experimentos cuyos resultados X
1
, X
2
,
satisfacen las siguientes condiciones:
a) Cada resultado Rec(X
i
) esta contenido en {a
1
, a
2
, a
3
, , a
m
}, un conjunto nito de
resultados, llamado el espacio de estados del sistema.
Si el resultado de la n-esima prueba es a
i
, entonces decimos que el sistema esta en el
estado a
i
en el tiempo n, o en el n-esimo paso.
b) El resultado de cualquier experimento depende a lo sumo del resultado del experimento
inmediatamente anterior.
A cada par de estados (a
i
, a
j
) se asocia la probabilidad dada p
ij
de que a
i
ocurra
inmediatamente despues de la ocurrencia de a
j
p(X
t+1
= a
i
| X
t
= a
j
) = p
ij
Observacion: Un proceso de este tipo recibe el nombre de Cadena de Markov (nita).
Los n umeros p
ij
se llaman probabilidades de transicion y se pueden organizar en forma
de matriz :
P =
_
_
_
_
_
_
_
p
11
p12 p
1n
p
21
p
22
p
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
p
n1
p
n2
p
nn
_
_
_
_
_
_
_
CAP

ITULO 2. PROBABILIDADES 50
llamada matriz de transicion.
Ejemplo 29 Dos jugadores A y B cada uno con dos moneda, con probabilidad de ganar o
perder (recibir o entregar) una moneda es
1
2
Se gana o pierde el juego cuando uno de los jugadores tiene todas o ninguna moneda
Podemos construir un grafo que represente el problema desde uno de los jugadores
0 1 2 3 4
0.5 0.5 0.5
0.5 0.5 0.5
1 1
La matriz del sistema es
_
_
_
_
_
_
1
1
2
0 0 0
0 0
1
2
0 0
0
1
2
0
1
2
0
0 0
1
2
0 0
0 0 0
1
2
1
_
_
_
_
_
_
Ejemplo 30 Una persona puede escoger entre conducir un automovil o tomar el tren para
ir a su trabajo cada da. Supongamos que la persona nunca toma el tren dos das seguidos;
pero si conduce hasta su trabajo, entonces al da siguiente puede manejar de nuevo o tomar
el tren.
Solucion: El espacio de estados del sistema es:
{a
1
= tomar el tren, a
2
= conducir su automovil }
Este proceso es una cadena de Markov, puesto que el resultado de cualquier da depende
unicamente de lo que ha sucedido el da anterior La matriz de transicion de la cadena de
Markov es:
P =
_
0 1
1
2
1
2
_
Ejemplo 31 Tres ni nos A, B y C juegan con una pelota. A siempre pasa la pelota a B, B
siempre pasa la pelota a C, pero C puede de igual manera pasar la pelota a A o a B.
Solucion: El espacio de estados del sistema es :
{A = tiene la pelota A, B = tiene la pelota B, C = tiene la pelota C}
Este proceso es una cadena de Markov, puesto que cada ni no no esta inuido por quien tenga
la pelota anteriormente. La matriz de transicion es:
P =
_
_
0 1 0
0 0 1
1
2
1
2
0
_
_
CAP

ITULO 2. PROBABILIDADES 51
Denicion 11 (Vector de Probabilidad) .
Un vector u = (u
1
, u
2
, u
3
, .........., u
n
) R
n
se llama vector de probabilidad si y solo si a)
i {1, 2, 3, n}(u
i
0), b)

i=1
nu
i
= 1.
Denicion 12 (Matriz estocastica.) Sea A = [a
ij
] M
n
(R).
Se dice que A es una matriz estocastica, si y solo si cada una de sus columnas (o las)
un vector de probabilidad.
Algunos ejemplos de matrices estoc asticas
_
_
0 1 0
0 0 1
1
2
1
2
0
_
_
_
_
0
1
3
1
3
1
1
6
2
3
0
1
2
0
_
_
Teorema 9 Sean A, B matrices estocasticas de orden n entonces
1. AB es una matriz estocastica
2. para todo k N se tiene que A
k
es un matriz estocastica
Demostracion: Sean A = (a
ij
) y B = (b
ij
) matrices estocasticas de orden n, luego se tiene
que los coecientes son no negativos y ademas
n

i=1
a
ij
= 1,
n

i=1
b
ij
= 1 con j jo
Multiplicando las matrices obtenemos AB = ((

n
k=1
a
ik
b
kj
)
ij
), claramente los coecientes
son no negativos y calculando
n

i=1
_
n

k=1
a
ik
b
kj
_
=
n

k=1
_
n

i=1
a
ik
b
kj
_
=
n

k=1
_
n

i=1
a
ik
_
b
kj
=
n

k=1
b
kj
= 1
Luego la matriz es estocastica, nalmente usando induccion obtenemos que todas las
potencias son estocasticas.
Denicion 13 Una matriz estocastica A es regular si y solo si n N tal que A
n
es una
matriz con todos sus coecientes son positivos.
Ejemplo 32 Determinar si la matriz estocastica es regular
P =
_
_
0 1 0
0 0 1
1
2
1
2
0
_
_
CAP

ITULO 2. PROBABILIDADES 52
Solucion: P es estocastica y
P
2
=
_
_
0 0 1
1
2
1
2
0
0
1
2
1
2
_
_
P
3
=
_
_
1
2
1
2
0
0
1
2
1
2
1
4
1
4
1
2
_
_
P
4
=
_
_
0
1
2
1
2
1
4
1
4
1
2
1
4
1
2
1
4
_
_
P
5
=
_
_
1
4
1
4
1
2
1
4
1
4
1
2
1
8
3
8
1
2
_
_
Luego la matriz es estocastica regular.
Ejemplo 33 Determinar si la matriz estocastica es regular
P =
_
0 1
1 0
_
Solucion:
P
2
=
_
1 0
0 1
_
P
3
=
_
0 1
1 0
_
En general se tiene que, para todo n N
P
2n
=
_
1 0
0 1
_
P
2n+1
=
_
0 1
1 0
_
Luego la matriz estocastica no es regular.
Denicion 14 Un vector no nulo u R
n
, es un punto jo de una matriz estocastica A si y
solo si A[u] = [u]
Observacion: Para tener puntos jos 1 debe ser un valor propio de la matriz.
Ejemplo 34 Determinar los vectores jos de la matriz estocastica
_
0 1
1
2
1
2
_
Solucion: Sean x, y R tal que
_
0 1
1
2
1
2
__
x
y
_
=
_
x
y
_
reescribiendo la ecuacion matricial obtenemos
_
1 1
1
2

1
2
__
x
y
_
=
_
0
0
_
.
La solucion es x = y, luego el vector de probabilidad jo es (
1
2
,
1
2
)
Ejemplo 35 Determinar los vectores jos de la matriz estocastica
_
_
0 1 0
0 0 1
1
2
1
2
0
_
_