Distribuciones de Probabilidad

Captulo3DistribucionesdeProbabilidades ____________________________________7
Objetivos__________________________________________________________________________7
Introduccin ___________________________________________________________________8
Variablealeatoria,v.a._______________________________________________________________8
Distribucindeprobabilidades ________________________________________________________9
IaUnavariable_________________________________________________________________10
1Mtodostabularesygrficos _______________________________________________________10
aVariablescuantitativasdiscretas_____________________________________________________10
Tablas _________________________________________________________________________10
Diagramas______________________________________________________________________10
PF ____________________________________________________________________________10
CDF___________________________________________________________________________11
b.Variablescuantitativasdeescala____________________________________________________15
Diagramas______________________________________________________________________15
PDF ___________________________________________________________________________15
Probabilidaddemasas____________________________________________________________16
CDF___________________________________________________________________________16
2.Mtodosnumricos______________________________________________________________17
Medidasdeposicin________________________________________________________________17
Modo _________________________________________________________________________17
Mediana _______________________________________________________________________17
Valoresperado__________________________________________________________________17
Medidasdedispersin______________________________________________________________18
Amplitudes_____________________________________________________________________18
DesviacinMedia________________________________________________________________18
Varianza _______________________________________________________________________18
Desviacinestndar______________________________________________________________19
Propiedades ______________________________________________________________________19
DesigualdaddeTchebyscheff_________________________________________________________19
Problemaresuelto3.1Seleccinde3esferas________________________________________20
Problemaresuelto3.2Dado1____________________________________________________20
Problemaresuelto3.3Dado2____________________________________________________22
Problemaresuelto3.4Clientesdeunsupermercado__________________________________22
Problemaresuelto3.5Demandadenafta___________________________________________23
Sucesopococomn:criterioconprobabilidades _________________________________________23
Problemaresuelto3.6Dadosdedistintoscolores ____________________________________24
IbFuncionesdevariablesaleatorias(unavariable) ___________________________________25
Eventosequivalentes_____________________________________________________________25
Mtodos_________________________________________________________________________26
1Casodiscreto__________________________________________________________________26
MtododelaPF_________________________________________________________________26
Problemaresuelto3.7Transformacincuadrtica____________________________________26
2Casocontnuo _________________________________________________________________26
MtododelaCDF________________________________________________________________26
Problemaresuelto3.8Transformacincuadrtica____________________________________27
MtododelaPDF________________________________________________________________28
Problemaresuelto3.9Transformacinlineal ________________________________________29
MtododelaMGF_______________________________________________________________30
Mtodosnumricos________________________________________________________________30
ValoresperadodeY______________________________________________________________30
IcModelostericosdeunavariable _______________________________________________31
SPSSyEXCEL____________________________________________________________________31
1
Captulo 3 Distribuciones de Probabilidades
1.Modelosdiscretos _______________________________________________________________32
DistribucindeBernoulli,b(y,1,p)_____________________________________________________32
Supuestos______________________________________________________________________32
Caracterizacin__________________________________________________________________33
DistribucinBinomial,b(y,n,p)________________________________________________________33
Supuestos______________________________________________________________________33
Problemaresuelto3.10Fiestanumerosa ___________________________________________35
Expresionesgenerales ____________________________________________________________37
Caracterizacin__________________________________________________________________37
Proporcinmuestral______________________________________________________________39
Usodetablas ___________________________________________________________________39
Problemaresuelto3.11Paquetesdeunadistribuidora ________________________________39
DistribucinHipergeomtrica,h(y,N,n,k) _______________________________________________40
Supuestos______________________________________________________________________40
Problemaresuelto3.12Fiestanonumerosa_________________________________________41
Caracterizacin__________________________________________________________________43
Aproximacindeunahipergeomtrica_______________________________________________44
Distribucingeomtrica,g(y,p) _______________________________________________________44
Supuestos______________________________________________________________________44
Caracterizacin__________________________________________________________________45
Prdidadelamemoria____________________________________________________________46
Problemaresuelto3.13Auditorasconerrores_______________________________________47
DistribucinbinomialnegativaodePascal,bn(y,r,p)______________________________________48
Supuestos______________________________________________________________________48
Caracterizacin__________________________________________________________________49
RelacionesentrelasCDFBinomialyPascal____________________________________________50
PascalyBinomial ________________________________________________________________50
GeomtricayBinomial____________________________________________________________51
Problemaresuelto3.14GripeH1N1 _______________________________________________51
Problemaresuelto3.15Falladeunmotor __________________________________________52
Distribucionesmultinomialymultihipergeomtrica_______________________________________53
DistribucindePoisson,p(y,)________________________________________________________53
Supuestos______________________________________________________________________53
Caracterizacin__________________________________________________________________56
Problemaresuelto3.16Preguntasaunconsultor_____________________________________57
Aproximacindeunabinomial _____________________________________________________59
Usodetablas ___________________________________________________________________59
Problemaresuelto3.17Erroresenunlibro__________________________________________60
Diseoscontabladecontingencias____________________________________________________60
2.Modeloscontnuos_______________________________________________________________63
DistribucinUniforme,r(x,a,b)________________________________________________________63
Caracterizacin__________________________________________________________________64
Problemaresuelto3.18Distribucinuniforme_______________________________________65
Problemaresuelto3.19Esperadelmnibus_________________________________________65
DistribucinExponencial,e(t,)_______________________________________________________66
Caracterizacin__________________________________________________________________67
Prdidadelamemoria____________________________________________________________68
DistribucinGamma________________________________________________________________68
FuncinGamma_________________________________________________________________68
Problemaresuelto3.20(1/2)____________________________________________________69
DistribucinGamma(x,r,)_________________________________________________________69
Caracterizacin__________________________________________________________________70
2 Jorge Carlos Carr

Introduccin Objetivos
Exponencial_____________________________________________________________________70
RelacionesentrelasCDFdeGammayPoisson_________________________________________71
GammayPoisson________________________________________________________________71
ExponencialyPoisson_____________________________________________________________72
Problemaresuelto3.21Distribucinexponencial_____________________________________73
Problemaresuelto3.22Reparacindeaviones ______________________________________75
DistribucinNormal,n(z,0,1)_________________________________________________________76
Supuestos______________________________________________________________________76
PDF ___________________________________________________________________________77
CDF___________________________________________________________________________80
Caracterizacin__________________________________________________________________80
Propiedades ____________________________________________________________________82
Usodetablas ___________________________________________________________________82
Problemaresuelto3.23Distribucinnormal_________________________________________82
Problemaresuelto3.24MtododeSympson________________________________________83
Problemaresuelto3.25Coeficientedeinteligencia ___________________________________83
Reglaemprica __________________________________________________________________85
AproximacindeunabinomialydeunaPoisson _______________________________________86
Problemaresuelto3.26Estudiantespromocionados__________________________________87
DistribucintdeStudent,f(t,)_______________________________________________________88
Caracterizacin__________________________________________________________________89
Propiedades ____________________________________________________________________90
Usodetablas ___________________________________________________________________90
Problemaresuelto3.27DistribucintdeStudent ____________________________________90
Distribucinchicuadrado,f(2, )_____________________________________________________91
Caracterizacin__________________________________________________________________93
Propiedades ____________________________________________________________________93
Usodetablas ___________________________________________________________________95
Problemaresuelto3.28Distribucin2 ____________________________________________96
DistribucinF,f(F,1, 2)_____________________________________________________________96
Caracterizacin__________________________________________________________________98
Propiedades ____________________________________________________________________98
Usodetablas __________________________________________________________________100
Problemaresuelto3.29DistribucinF_____________________________________________100
Problemaresuelto3.30Propiedadreciproca _______________________________________101
EstimadordeDensidadKernel,KernelDensityEstimate,KDE.____________________________101
Distribucionestruncadas ___________________________________________________________101
Problemaresuelto3.31Normaltruncadaalaizquierda_______________________________102
Momentosdeordenn_____________________________________________________________103
Funcingeneradorademomentos,MGFm(t) __________________________________________103
Problemaresuelto3.32ObtencindeMX(t)________________________________________105
PropiedadesdelaMGF __________________________________________________________107
IIaDosvariables ______________________________________________________________109
1.Mtodostabularesygrficos______________________________________________________109
aVariablesdiscretas_______________________________________________________________109
PF ___________________________________________________________________________109
CDF__________________________________________________________________________109
PFmarginales__________________________________________________________________110
PFcondicionales________________________________________________________________110
Independencia _________________________________________________________________110
bVariablescontnuas______________________________________________________________110
CDF__________________________________________________________________________110
PDF __________________________________________________________________________110
PDFmarginales_________________________________________________________________111
PDFcondicionales_______________________________________________________________111
3
Independencia _________________________________________________________________111
2.Mtodosnumricos_____________________________________________________________111
Medidasdeposicin_______________________________________________________________112
Vectoresperanza _______________________________________________________________112
Esperanzaconjunta _____________________________________________________________112
Esperanzacondicional ___________________________________________________________112
Medidasdedispersin_____________________________________________________________112
Vectorvarianza_________________________________________________________________112
Varianzaconjunta_______________________________________________________________113
Varianzacondicional_____________________________________________________________113
Medidasdeasociacin_____________________________________________________________113
Covarianza ____________________________________________________________________113
Correlacinlineal_______________________________________________________________113
MatrizCovarianzas,P____________________________________________________________113
Matrizdecorrelaciones,R________________________________________________________114
Problemaresuelto3.33.Gnerodeloshijos________________________________________114
Problemaresuelto3.34.Demandadiaria __________________________________________115
Problemaresuelto3.35.Tiempodevidade2dispositivoselectrnicos __________________116
IIbFuncionesdevariablesaleatorias(dosvariables)_________________________________118
Mtodos________________________________________________________________________118
1Casodiscreto_________________________________________________________________118
MtododelaPF________________________________________________________________118
Problemaresuelto3.36Defectuososen2lneasdeproduccin ________________________118
2Casocontnuo ________________________________________________________________119
MtododelaCDF_______________________________________________________________119
Problemaresuelto3.37Transformacinsuma______________________________________120
MtododelaPDF_______________________________________________________________121
Funciones Y = H ( X1 , X 2 ) importantes____________________________________________122
Problemaresuelto3.38Transformacinsuma______________________________________123
Mtodosnumricos_______________________________________________________________124
ValoresperadodeY_____________________________________________________________125
Hlineal _______________________________________________________________________125
Problemaresuelto3.39Distribucinhipergeomtrica________________________________126
IIcModelostericosdedosvariables _____________________________________________129
1Modelosdiscretos_______________________________________________________________129
Multinomial,m(yA,yB,yC,n,pA,pB,pC) ___________________________________________________129
Supuestos_____________________________________________________________________129
Expresionesgenerales ___________________________________________________________129
PDFconjunta___________________________________________________________________130
Relacinconlabinomial__________________________________________________________130
Caracterizacin_________________________________________________________________130
Problemaresuelto3.40Examendeseleccinmltiple________________________________131
DistribucinMultihipergeomtrica ___________________________________________________131
PDFconjunta___________________________________________________________________131
Relacinconlahipergeomtrica ___________________________________________________132
Caracterizacin_________________________________________________________________132
Esperanza_____________________________________________________________________132
2Modeloscontnuos ______________________________________________________________133
Distribucinuniforme______________________________________________________________133
PDFconjunta___________________________________________________________________133
Problemaresuelto3.41Encuentro _______________________________________________133
Distribucinbinormal______________________________________________________________133
nXY(x, y, x, y, )______________________________________________________________134
PDFconjunta___________________________________________________________________134
4 Jorge Carlos Carr
PDFmarginales_________________________________________________________________134
Caracterizacin_________________________________________________________________134
IIIConfiabilidad,R(t)___________________________________________________________136
Distribucinexponencial _________________________________________________________139
DistribucinGamma,(t,r,)_______________________________________________________141
DistribucindeWeibull,(x,,)____________________________________________________141
Distribucinnormal _____________________________________________________________144
Sistemas ______________________________________________________________________146
Problemaresuelto3.42.Leyexponencialdefallas___________________________________147
Problemaresuelto3.43.Frecuenciadefallasvariable ________________________________148
IVTeoradelosjuegos _________________________________________________________150
1Simultneosconestrategiaspuras__________________________________________________152
aFormasdeljuego______________________________________________________________152
bEquilibriodeNash_____________________________________________________________154
cEficienciayjusticia_____________________________________________________________158
dEstrategiasMinimaxyMaxiMin __________________________________________________159
eJuegosdesumacero___________________________________________________________162
Problemaresuelto3.45Sistemasdevideo _________________________________________163
Problemaresuelto3.46Eljuegodelacontaminacin ________________________________164
Problemaresuelto3.47CompeticinCournot ______________________________________165
2Simultneosconestrategiasmixtas _________________________________________________167
bEquilibriodeNash_____________________________________________________________168
cFuncionesdemejorrespuesta(BRF,BestResponseFunction)__________________________169
Problemaresuelto3.48Estrategiadejuegoenelsaque ______________________________169
Problemaresuelto3.49Estrategiadejuegoenelsaque ______________________________176
dConjuntoconvexodeganancias__________________________________________________178
3Secuenciales____________________________________________________________________179
bSubjuego ____________________________________________________________________181
cEquilibrios____________________________________________________________________181
dJuegossimultneos____________________________________________________________184
eRacionalidadsecuencialycredibilidad _____________________________________________187
Problemaresuelto3.50Educacinparental ________________________________________187
fAplicacin:juegodeajedrez _____________________________________________________189
4Teoradelasdecisioneseconmicas_________________________________________________189
aFormasdeladecisin __________________________________________________________190
Problemaresuelto3.51Mejorinversin___________________________________________191
Problemaresuelto3.52Accionesylaeconoma_____________________________________192
bCasoparticular:unasolaaccin __________________________________________________193
Problemaresuelto3.53Rifaparajuntarfondos_____________________________________193
Problemaresuelto3.54Costodelaprimadeseguros ________________________________194
Problemaresuelto3.55Ruletaeuropea ___________________________________________196
Problemaresuelto3.56Estrategiasdeventas_______________________________________197
VSimulaciones _______________________________________________________________199
1Simulacindedistribuciones_________________________________________________________199
Problemaresuelto3.57SimulacinMontecarlo_____________________________________201
2Simulacindejuegos_______________________________________________________________202
ComLabGames ___________________________________________________________________202
aModerador_____________________________________________________________________202
aDesign ______________________________________________________________________203
bAssignment __________________________________________________________________206
cExecution____________________________________________________________________207
eData________________________________________________________________________208
5
bJugador(cliente) ________________________________________________________________209
ClientPlay_____________________________________________________________________209
Problemaresuelto3.58Elempresarioyelcapitalista_________________________________211
Ensayo:CreerenDiosmejoralaexistencia?_______________________________________215
Elpesodeladecisin.BlasPascal ____________________________________________________215
Ensayo:Intimidadesdeuncasino ________________________________________________217
Introduccin_____________________________________________________________________217
1.Casinos _______________________________________________________________________217
2.Aseguradoras __________________________________________________________________222
Problemas ___________________________________________________________________224
IaUnavariable ___________________________________________________________________224
IcModelostericosdeunavariable __________________________________________________225
Discretas______________________________________________________________________225
Contnuas _____________________________________________________________________228
IVTeoradelosjuegos_____________________________________________________________231
Problemasconbasededatos________________________________________________________234
6 Jorge Carlos Carr

Captulo 3
Distribuciones
de
Probabilidades
Objetivos
Introducir las distribuciones de probabilidad ms comunes en la toma de decisiones.
Mostrar cual distribucin utilizar y aprender cmo obtener sus valores.
Apreciar las limitaciones de cada una de las distribuciones que utilice.
7
Introduccin
En este captulo se estudiar la tercera y ltima de las bases necesarias para afrontar en los captulos
restantes, la inferencia estadstica. Como su nombre lo indica, esta tercera base, se apoya en realidad
sobre los hombros de las dos anteriores. Este captulo recorre en gran medida, el esquema del
captulo 1, distribuciones de frecuencias, pero en lugar de tratar muestras, lo haremos con
poblaciones.
Variable aleatoria, v.a.

Las probabilidades se aplican a eventos A, por ejemplo P(A)=0.5, sin embargo, para realizar estudios
matemticos como los del captulo 1, los eventos deben ser numricos. De aqu que resulte necesario
definir una variable numrica asociada a cada evento, X =X(A). Esta variable se llama aleatoria
(v.a.), pues toma cada uno de sus valores (eventos) con una definida probabilidad.
La funcin que relaciona los eventos con la variable numrica aleatoria debe ser biyectiva, es decir
para cada evento A le corresponde uno y solo un valor X(A).
EL grfico de la figura 3-1a indica una v.a. posible para el espacio muestral del lanzamiento de 2
monedas, en el cual la v.a. es el nmero de Caras. El esquema conceptual general es el de la figura 3-
1b.
x=X(A) p=P(x)
A x p
p=P(A)
8 Jorge Carlos Carr

Introduccin Distribucin de probabilidades
Figura 3-1
Variable Aleatoria
La expresin p(x) es una simplificacin de la notacin ms precisa:
P ( A ) = P ( A : X ( A) = x ) = P ( X = x ) = p ( x )
De aqu en ms utilizaremos en general la notacin que prescinde de los eventos A, pero el
estudiante debe comprender el significado que realmente representa esta notacin.
En muchos casos, el evento es numrico por s mismo, como por ejemplo, el nmero de esferas o
mujeres que se extrae de un grupo, la suma de los nmeros de 2 dados, la ganancia monetaria, etc.
Cuando esta situacin no se presente, los nmeros que se asignan a la v.a son en principio
arbitrarios, pero si se relacionan con el evento, mejor.
En general se designa una variable aleatoria con letra mayscula (con dominio sobre los eventos
experimentales) y a un valor especfico o determinista de ella con letra minscula (con dominio
sobre los nmeros reales), aunque algunas letras configuran la excepcin, como por ejemplo: z, t o
p .
Esta notacin se aplicar en este libro para X e Y, en especial cuando la variable aleatoria se
encuentre dentro de una funcin especfica para estas variables, tales como: P(X), E(X), V(X) y
Cov(X,Y), dando a entender que su dominio es el de los sucesos experimentales.
Distribucin de probabilidades
Es una funcin que asocia a cada valor de todos los posibles x, su probabilidad p(x).
En el captulo 1 hemos estudiado las distribuciones de frecuencias de muestras y en el captulo 2
hemos visto que la frecuencia relativa muestral a largo plazo es la probabilidad en una poblacin.
Uniendo ambos conocimientos, podemos generalizar todos los conceptos vistos cambiando la
frecuencia relativa por probabilidad:
Por esta razn, la siguiente seccin es en realidad una adaptacin de conceptos anteriores.
9
Ia Una variable
Comenzamos con los mtodos aplicables a una sola variable. Una variable aleatoria es numrica o
cuantitativa y, como vimos en el captulo 1, se divide en:
1. Discretas
2. Continuas o de escala
1 Mtodos tabulares y grficos

a Variables cuantitativas discretas
Recordemos del captulo 1 que las variables cuantitativas discretas son las variables que resultan de
contar, por lo tanto generalmente se definen como "X = nmero de"
Tablas
Llamamos:
S, al espacio muestral,
E, a cada uno de los eventos del mismo,
X, a la v.a asignada a cada evento,
p = P(X = x) = p(x), a las probabilidades de cada evento.
La distribucin de probabilidades, se puede definir con una tabla como la de la figura 3-2.
S E1 E2 E3 En
X=x x1 x2 x3 xn
p(x) p1 p2 p3 pn
F(x) p1 p1 + p2 p1 + p2 + p3 1
Figura 3-2
Tabla de una distribucin de probabilidades categrica
Diagramas
PF
El histograma de probabilidades equivalente a la tabla se suele llamar PF (Probability Function) y
mostrar un valor de p(x) para cada uno de los valores de discretos de la variable. Para que el rea
mida una probabilidad, la representacin ms adecuada es utilizar una flecha para cada x (figura 3-
3). Esta simbologa matemtica se llama delta de Dirac, (x) (ver ms adelante) la cual permite
expresar correctamente los clculos. De todas formas se acepta tambin un rectngulo para cada x,
10 Jorge Carlos Carr

Ia Una variable a V
Variables cuan
ntitativas disc
cretas
aunquee debe interprretarse que, a diferencia dee un histogram

ma, no existenn valores paraa la base del
mismoo, excepto para el punto meedio.
Propiedades
p( x) 0
+
p( x) = 1
Figura 3-3
Probability Functioon
CDF
F
La ojivva o CDF (Cuumulative Disstribution Funnction), tomarr el aspecto dde la figura 3--4, mostrandoo
una funncin escalnn F ( x ) con discontinuidad
d des o saltos. Cada
C escaln incluye el iniicio y excluyee el
extrem
mo.
Con exxcepcin del punto
p siguiennte, no se utilizar para el escaln
e la notacin E ( x ) , usual en
matemmticas, pues en
e estadstica significa la Esperanza
E de x.
x
Captulo 3 Distrib
buciones de Probabilidade
P es
Figura 3-4
Cumulativee Distribution Function
F
Matem
mticamente:
k
F ( x) = p ( X x) = pi
i
Propiedades
F ( ) = 0
F ( + ) = 1
Relac
cin entre p(x)
p y F(x)
)
Tal com
mo vimos en el captulo 1 para las variaables numriccas:
dF ( x)
p( x) =
dx
x
F ( x) = p( x)dx
d

Expre
esin mate
emtica de la p(x)
1 Deltaa de Dirac
Formallmente la funncin delta de Dirac se defiine a partir dee la funcin esscaln unitariio E(x), de la
siguiennte forma:
dE ( x)
( x) = en x = 0
dx
Generaalizando:
dE ( x a )
a = ( x a) = en x = a
dx
Para innterpretar a essta funcin, approximemos een forma con
ntnua al escalln unitario, con
c E(t), un
salto de altura unitaria y ancho de longitud , tal como se muestra
m en la figura 3.7.
12 Jorge
e Carlos Carrr
Ia Una variable a Variables cuantitativas discretas
Figura 3-5
E(t), aproximacin contnua al escaln unitario
La derivada de E(t) ser un pulso de duracin , de altura 1/ y como su base es , el pulso ser por
lo tanto de rea 1 para todo , como se muestra en la figura 3.8.
Figura 3-6
Derivada de E(t)
Si tiende a 0, entonces (t) se vuelve ms angosto y alto, pero manteniendo su rea unitaria,
tendiendo a (t). En el lmite se puede expresar que el rea es 1.
si x = 0
( x) =
0 si x 0
+

( x)dx = 1
2 Expresin de f(x)
Por definicin:
si x = a
( x a) =
0 si x a
En general para todos los puntos del espacio muestral, la funcin densidad es una funcin definida
por tramos de pulsos modulados por pi (tren de pulsos).
f ( x) = pi ( x xi )
i
Valor de p(x)
Supongamos que en un punto arbitrario a, p(x) tiene el valor pa. La probabilidad es el rea de la
funcin densidad en ese punto, por lo cual debemos integrar entre 2 valores que solo comprendan a
dicho punto:
a+
p( x = a) = pa ( x a)dx = pa 1 = pa
a
Dado que la delta de Dirac se expresa por una flecha, sta es la representacin ms adecuada para la
grfica de la PF. Estrictamente el valor en cada punto es infinito, pero suele expresarse el valor de la
probabilidad con flechas de altura proporcional a dicho valor, sobreentendiendo que se est
expresando el rea.
13
Expresin de F(x)
Integrando la funcin densidad pero ahora entre y el punto a :
( p1 ( x x1 ) + ... + pa ( x a) ) dx
a
F (a) =

es decir:
a
F ( a ) = p11 + ... + pa 1 = pi

Es tambin una funcin definida por tramos, en este caso escalonados.

Notacin
La vinculacin funcional entre los valores de eje, x y valores acumulados de rea por la izquierda,
CDF, se puede expresar de 2 formas alternativas: con subndice o con parntesis:
x(CDF ) = xCDF
CDF ( x) = CDFx = P( x < xCDF )
En la unidad 1 usamos en forma indistinta las notaciones de parntesis y subndice para CDF, con
F = CDF , aunque el subndice fue ms frecuente para los cuantiles ( xF ). Sin embargo, cuando sea
necesario precisar la dependencia a otras variables (media, desviacin estndar, tamao de la
muestra, tamao de la poblacin, grados de libertad, etc), es conveniente normalizar la notacin y
usar la notacin de subndice para la relacin anterior dejando el parntesis para cualquier
vinculacin restante.
Ejemplo:
xCDF ( x , s) = x0.80 ( x , s) = x0.80 (100,15) = 112.6
Esta expresin significa el valor del eje x para una CDF= 0.80, con media 100, y desviacin estndar
15 (los nmeros de este ejemplo corresponden a una distribucin normal que veremos luego).
SIG
El complementario de la CDF, es decir usando valores acumulados por la derecha, se llama SIG,
SIGnificacin, nombre proveniente de la inferencia estadstica (captulo 5), o tambin 1.
SIG = = 1 CDF
Nota
En aplicaciones a la confiabilidad se llama tambin Funcin Supervivencia, (Survival Function).
Notacin
Nuevamente, la relacin entre los valores del eje y del rea se puede representan con un parntesis o
con un subndice.
x( ) = x
( x) = x = P( x > x )
1
Tambin se usa para simbolizar el rea de ambas colas, incluyendo la cola inferior. El contexto indicar el
significado.
Ia Una variable b. Variables cuantitativas de escala
b. Variables cuantitativas de escala

Recordemos del captulo 1 que las variables cuantitativas de escala son las variables que resultan de
medir.
Diagramas
Son la expresin contnua de las relaciones anteriores.
PDF
PDF significa Probability Density Function. El SPSS llama PDF tanto a las PF de las distribuciones
discretas como a las PDF de las continuas, por lo cual seguiremos en general la misma idea.
Un ejemplo se muestra en la figura 3-7.
Figura 3-7
PDF
Propiedades
f ( x) 0
+
f ( x)dx = 1
Notas
1. La funcin densidad f(x) no representa la probabilidad de nada. Es el rea debajo de ella la que representa
una probabilidad.
2. Para el caso contnuo, debe ser P(x = xi) = 0, pues el rea es cero en xi. Desde el punto de vista estadstico
esto se interpreta pensando que entre infinitos valores, es altamente improbable que se presente
exactamente el resultado x = xi. El clculo de probabilidades de variables contnuas solo tiene sentido si se
utilizan intervalos y no puntos.
De aqu que las siguientes expresiones son todas idnticas:
P ( a X b) = P ( a < X b) = P ( a X < b) = P ( a < X < b)
15
Probabilidad de masas
Resulta til una analoga que surge de considerar a la funcin densidad como una densidad lineal de
masa en el eje x. Con esta interpretacin, la probabilidad sera el rea entre la lnea f(x) y el eje x. En
particular si la f(x) es constante (distribucin uniforme) de valor c y la longitud sobre el eje x es L, la
constante deber ser 1/ L .
CDF
Se muestra en la figura 3-8.
Figura 3-8
CDF
Propiedades
F ( ) = 0
F ( + ) = 1
Relacin entre f(x) y F(x)

Tal como adelantamos en el captulo 1:
dF ( x)
f ( x) =
dx
x
F ( x) = f ( x)dx

Ms formalmente,
por definicin de funcin densidad:
x
P( X x) =

f ( x)dx
adems por definicin de funcin distribucin:

P ( X x) = F ( x) F ( ) = F ( x )
Vinculando ambas expresiones, se tiene la relacin buscada.

Ia Una variable 2. Mtodos numricos
2. Mtodos numricos
Parmetros y estadsticos
Al igual que la pendiente y la ordenada al origen son parmetros que caracterizan a una recta, los
mtodos numricos que veremos a continuacin proveen parmetros que caracterizan a la
distribucin de probabilidades.
En cambio, las magnitudes de los mtodos numricos aplicados a muestras aleatorias del captulo 1,
se llaman estadsticos Y, definidos como cualquier funcin aplicada a los n valores de la muestra
( x1 , x2 ,...xn ) , es decir Y = H ( x1 , x2 ,...xn ) . Observar que al ser las X variables aleatorias, los
estadsticos Y tambin lo son.
As por ejemplo, la media x de la unidad 1 es un estadstico, en cambio la media que se ver en
este captulo es un parmetro de la distribucin.
Para obtener la versin para la poblacin, se deber en:

Discretas
Reemplazar la frecuencia fx por p
Contnuas
Reemplazar la sumatoria por la integral y la frecuencia fx por f(x)dx..
Adems, dado que las distribuciones de probabilidades corresponden a una poblacin, en el clculo
de la varianza se deber dividir por n en lugar de n 1 .
Medidas de posicin
Modo
M es el valor de x que le corresponde al mximo de la distribucin.
Contnua
Como es el mximo de la distribucin, surgir de las races de:
df ( x )
=0
dx
Mediana
Q2 se obtiene con las mismas expresiones vistas en el captulo 1.
Contnua
Q2 ser el valor de x que le corresponde a un rea del 50% contada desde los extremos.
Q2

f ( x)dx = 0.5
De forma similar se define cualquier percentil.
Valor esperado
La media de una variable aleatoria poblacional se llama adems, valor esperado, pues es el valor
promedio que esperaramos obtener si las repeticiones se pudieran realizar en forma indefinida. La
notacin de la media y la desviacin estndar para muestras del captulo 1, se realiz con letras del
17
alfabeto latino. Para las distribuciones de probabilidades de poblaciones, se utilizan en cambio, letras
del alfabeto griego.
x = E(X )
s = V (X )
Discretas
Reemplazando la frecuencia relativa por la probabilidad, se tendr:
= px
El valor esperado es entonces un promedio ponderado de los valores de x, donde el peso est dado
por la probabilidad de cada x.
Contnuas
E ( x) = x f ( x )dx
Medidas de dispersin
Amplitudes
Son idnticas a las ya vistas para las distribuciones de frecuencias.
Desviacin Media
Discretas
DM = p x
Contnuas
DM = x f ( x ) dx
Varianza
Discretas
V ( X ) = p 2x
Suma de cuadrados
Las expresiones de los SSxx se mantienen, cambiando la frecuencia f por p:
SS xx = px 2 n 2
La varianza ser entonces:
V ( x) =
SS xx
=
px 2
2 = E( x2 ) 2
n n
La varianza de una poblacin es la media de los cuadrados menos el cuadrado de la media.
Contnuas
V ( x) = ( x ) 2 f ( x)dx
Suma de cuadrados
Ia Una variable Propiedades
Las expresiones de los SSxx se mantienen, cambiando la frecuencia f por f ( x ) dx :
SS xx = x 2 f ( x) dx n 2
La varianza ser entonces:

SS xx
V ( x) = = E ( x2 ) 2
n
Desviacin estndar
= V (X )
Propiedades
Se repiten a continuacin las propiedades ya estudiadas y demostradas en el captulo 1. Las
demostraciones para variables contnuas son anlogas a las de variables discretas, cambiando la
sumatoria por la integral.
1 E (c ) = c 1 V (c ) = 0
2 E ( cX ) = cE ( X ) 2 V (cX ) = c 2V ( X )
3 E (c X ) = c E ( X ) 3 V (c X ) = V ( X )
4 E ( X Y ) = E ( X ) E (Y )
5 E ( XY ) = E ( X ) E (Y ) Cov ( XY ) 5 V ( X Y ) = V ( X ) + V (Y ) 2Cov ( X , Y )
6 Cov ( aX , bY ) = abCov ( X , Y )
7 Cov ( a + X , b + Y ) = Cov ( X , Y )
8 Cov( aX , bY ) =
abCov( X , Y )
Recordemos que en las propiedades 5 si los eventos son independientes, la covarianza es cero.
Desigualdad de Tchebyscheff
La demostracin de esta desigualdad se realiz en el captulo 1 (pgina Tchevy1), simplemente
ahora la expresaremos en trminos de probabilidades:
Esto resulta directamente de reconocer que una sumatoria de frecuencias relativas se corresponde
con una probabilidad, la cual se expresa en el campo contnuo con una integral:

2 colas
fx = f ( x)dz = P(| X |> zk )
2 colas
en donde la ltima expresin indica valores de X en las 2 colas: zk > X > + zk .

Por lo tanto la desigualdad se expresa:
1
P (| X |> zk ) <
zk 2
19
Problema resuelto 3.1 Seleccin de 3 esferas
Tres esferas se eligen aleatoriamente de una urna conteniendo 20 esferas numeradas. Si X es el mayor nmero
de las 3 esferas, a) construir la PF, b) cul es la probabilidad de que solo una de las esferas tenga por lo menos
el nmero 17?, c) hallar F(6).
a)
Veamos algunos ejemplos:
2 3 4
1 1 1
2 2 2
P ( X = 3) = = 0.000877 P ( X = 4) = = 0.00263 P ( X = 5) = = 0.00526
20 20 20

3 3 3
17 18 19
1 1 1
2 2 2
P ( X = 18) = = 0.119 P( X = 19) = = 0.134 P ( X = 20) = = 0.150
20 20 20

3 3 3
La distribucin es:
X 3 4 5 6 7 8 9 10 11
P(X) 0.001 0.003 0.005 0.009 0.013 0.018 0.025 0.032 0.039
X 12 13 14 15 16 17 18 19 20
P(X) 0.048 0.058 0.068 0.080 0.092 0.105 0.119 0.134 0.150
Figura 3-9
b)
P ( X 17) = 0.105 + 0.119 + 0.134 + 0.150 = 0.508
c)
F (6) = P ( X 6) = 0.00087 + 0.00263 + 0.00526 + 0.00877 = 0.03
Notar que la FDP no es P ( X < 6) pues siempre debe incluir al valor.
Problema resuelto 3.2 Dado 1
Se arroja un dado. Si se define x = nmero que sale, a) obtener la distribucin de probabilidades, b) hallar el
valor esperado y la varianza.
a)
S
X=x 1 2 3 4 5 6
p(x) 1/6 1/6 1/6 1/6 1/6 1/6
F(x) 1/6 2/6 3/6 4/6 5/6 1
Figura 3-10
Tabla

Ia Una variable Desigualdad de Tchebyscheff
Figura 3-11
PDF
Figura 3-12
CDF
b)
21
E ( x) = = 3.50
6
35
V(x)= 2.917 V ( X ) = = 2.917
12
= 1.707
21
Figura 3-13
Caracterizacin
SPSS
En la figura 3-13 se ha colocado la salida del SPSS. Sin embargo debe tenerse en cuenta que el programa
realiza el clculo muestral y por lo tanto divide la varianza por n-1. Para obtener el valor poblacional se debe
por lo tanto multiplicar por n-1 y dividir por n. Por lo tanto:
5
V ( x) = 3.5 = 2.917
6
Problema resuelto 3.3 Dado 2
Se arroja un dado 160 veces. Si x es el nmero que sale, calcular la media y la varianza de:
Y =X
160
En lugar de realizar 6 clculos, resulta mucho ms prctico aplicar las propiedades de la esperanza y de la
varianza y utilizar los resultados del problema anterior.
21
E (Y ) = E ( X ) = ( E ( X ) = 160 x = 160
= 560
6
35
V (Y ) = V ( X ) = (V ( X ) = 160V ( X ) = 160 = 466.7
12
Problema resuelto 3.4 Clientes de un supermercado
El 20% de los clientes de un supermercado leen los precios antes de comprar un artculo. Si 2 clientes entran,
hallar la distribucin de probabilidades de x = nmero de clientes que leen los precios, su media y su varianza.
Si llamamos N al evento No leen y L al evento Leen, se tiene:
P(N) = 0.8
P(L) = 0.2
Por lo tanto:

Ia Una variable Suceso poco comn: criterio con probabilidades
S NN NL LN LL
X=x 0 1 2
p(x) 0.8(0.8) 0.8(0.2)2 0.2(0.2)
Figura 3-14
Distribucin de x
E(x)=0.40
V(x)= 0.32
Problema resuelto 3.5 Demanda de nafta
La funcin densidad de una variable que representa la demanda semanal de nafta de una estacin de servicio
(en miles de litros) es:
2 x 0 x 1
f ( x) =
0 en otro lugar
Obtener a) la F(x), b) la esperanza y la varianza, c) la P(0.5< X < 0.8).
a)
x
F ( x) = P( X x) = 2 xdx = x 2
0
b)
1
E ( X ) = x (2 x ) dx = 2 / 3
0
V ( X ) = E( X 2 ) ( E( X ))
2
1
E ( X ) = x 2 (2 x)dx = 1/ 2
2
V ( X ) = 1/ 2 (2 / 3)2 = 1/18
c)
0.8
0.8
P(0.5 < x < 0.8) = 2 xdx = x = 0.39
2
0.5
0.5
Suceso poco comn: criterio con

probabilidades
La identificacin de sucesos poco comunes ya fue presentada en el captulo 1, en el cual se
utilizaron:
Criterio del diagrama de caja
Este criterio hace uso de los valores extremos a ms de 1.5(AIC), pgina outliers1.
Criterio del intervalo z
Este criterio solo hace uso de la media y de la desviacin estndar de la distribucin de
probabilidades, pgina reglaintervalo1.
23
Veamos ahora otro criterio para una identificacin ms precisa, pues utiliza las colas de la
distribucin de probabilidades.
Criterio con probabilidades
Si bajo determinados supuestos, existe una probabilidad extremadamente pequea de
obtener resultados al menos tan extremos como los observados, debemos concluir que el suceso
es poco comn y por lo tanto los mencionados supuestos probablemente no sean correctos.
Ampliaciones
1. La expresin " resultados al menos tan extremos como los observados" es equivalente a decir
"resultados dentro de la cola de la distribucin" a partir del valor observado2.
2. Esta probabilidad extremadamente pequea que se sita en las colas de la distribucin, se
llamar valor p en el captulo 5, constituyendo un aspecto esencial de una prueba de hiptesis.
Este valor p se combina con los valores mximos convencionales, llamados comnmente valores
, usualmente 1% y 5% (pgina 14). A menos que se indique lo contrario adoptaremos
= 5% .
Luego de estudiar la distribucin normal (pgina 76), podremos concluir que los 2 ltimos criterios
coinciden si la distribucin es normal y z = 2.
Problema resuelto 3.6 Dados de distintos colores
Se lanzan un dado rojo y otro negro. a) Hallar la distribucin de x = suma de los 2 nmeros, la media y la
desviacin estndar. Se observa que las probabilidades son simtricas respecto de la suma 7 y que estos valores
siempre suman 14 (en el caso de 3 dados sucede lo mismo y los totales suman 21). Por qu sucede esto?
b) Es un suceso poco comn que se lance un par de dados y que la suma sea mayor a 11?
a)
X=x 2 3 4 5 6 7 8 9 10 11 12
p(x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
Figura 3-15
Distribucin de x
E(X)= 7
= 2.42
b) Si, es poco comn pues la probabilidad es 2.77%, menor al 5%. Si sucede al azar, es lcito dudar de la
confeccin de los dados.
2
Segn el contexto puede interesar la cola derecha, la cola izquierda o ambas colas. Este aspecto se
profundizar en el captulo 5.
Ib Funciones de variables aleatorias (una variable) Suceso poco comn: criterio con
probabilidades
Ib Funciones de variables
aleatorias (una variable)
Muchas veces se conoce la distribucin de probabilidad de una v.a. por ejemplo, X y se desea la
distribucin de probabilidad de otra variable Y, relacionada con X a travs de: Y=H(X). Este es el
objetivo de esta seccin, para el caso de una variable. Ms adelante en la seccin IIb, se estudiar el
caso de 2 o ms variables.
Llamaremos:
f(x), F(x) y RX a la PDF, CDF y campo de valores de X, respectivamente.
g(y, G(y) y RY a la PDF, CDF y campo de valores de Y, respectivamente.
Eventos equivalentes
Si X es una v.a. definida sobre el espacio muestral S y s es un elemento de S, se tiene que por cada
s S , existe la relacin: X ( s ) . Si adems Y = H ( X ) , se verificar que y = H [ X ( s )] = Y ( s ) .
Si la relacin definida por H es inyectiva, los dos conjuntos, RX y RY, definidos por:
{s | X (s) Rx } y {s | Y (s) RY }
son iguales. Por lo tanto:
P(Y RY ) = P( X Rx )
El esquema visual se presenta en la figura 3-16.
H
s X Y
P(s) = P(xeRx) =. P(yeRy)
Figura 3-16
Siendo RX el conjunto de valores de x asociado por la funcin H al conjunto Y y .

Observar que aunque sea P(Y RY ) = P(Y y) = G( y) , P( X Rx ) no es en general
P ( X x ) = F ( x ) (solo es cierto para una H creciente, como se intuye si se realizan grficas de H
tanto creciente como decreciente).
25
Mtodos
Se divide el desarrollo, segn sea una variable discreta o contnua.
1 Caso discreto
Se tiene un solo mtodo.
Mtodo de la PF
g ( y) = P(Y = y) = P( H ( X ) = y) = P( X = H 1 ( y)) = P( X = x) = f ( x)
Dado que la distribucin no cambia, solo habr que agrupar las probabilidades para los valores de y
coincidentes.
Problema resuelto 3.7 Transformacin cuadrtica
Dada la siguiente PF en X y la transformacin Y=H(X), hallar la PF en Y y el valor esperado E(Y).

x -1 0 1
p(x) 0.20 0.30 0.50
y = x2
Figura 3-17
Mtodo PF
y 1 0 1
p(y) 0.20 0.30 0.50
Agrupando valores:
y 0 1
p(y) 0.30 0.70
E(Y) = 0.70
2 Caso contnuo
Se tienen 3 mtodos generales:
1. Mtodo de la CDF
2. Mtodo de la PDF
3. Mtodo de la MGF (Funcin Generadora de Momentos, pgina 103)
Mtodo de la CDF
Se obtiene la CDF, G(y), integrando f(x) en una regin de integracin RX, pues:
G( y) = P(Y y ) = P( X RX ) =
RX
f ( x)dx

Ib Funciones de variables aleatorias (una variable) Mtodos
Paso 1 Dominio de las x en funcin de las y

Analtico
Encontrar la regin de integracin RX en funcin de Y, a partir de Y y X H 1 ( y ) . Esto
implica resolver la inversa de H(x).
Numrico
Lo anterior se debe hacer en el dominio numrico de las X de la PDF, por lo cual se deber obtener
la correspondencia entre los dominios numricos de las X (en la PDF) y de las Y (funcin H). Para
esto bastar dibujar la funcin H(x).
Paso 2 integrar f(x) en ese dominio

Se obtiene la CDF, G(y), integrando f(x) en regin anterior.
Se remarca nuevamente que en el caso general, al despejar X, no necesariamente resulta una

expresin del tipo P ( X x ) , en cuyo caso coincidira con la F(x) (ver mtodo de la PDF).
Luego se podr obtener la PDF, g(y), derivando G(y).
Problema resuelto 3.8 Transformacin cuadrtica
Dada la siguiente PDF en X y la transformacin Y=H(X), hallar la PDF en Y.

x +1
1 x 1
f ( x) = 2
0 en otro punto
y = H ( x) = x 2
Mtodo de la CDF

Analtico
Implica hallar la inversa de H(x).
Y y X2 y y < X < y
Numrico
Para obtener el dominio numrico de y, basta dibujar la funcin H(x) y establecer la correspondencia con el
dominio de x de la PDF. De esta forma se obtiene: 0 y < 1 .
Paso 2 Integrar f(x) en ese dominio

y
x +1 ( x + 1)2
( )
y y
G( y ) = P(Y y ) = P y < X < y = f ( x)dx = dx =
y y 2 4 y
Observar que la funcin H(x) solo aparece en los lmites de integracin.
( ) ( )
2 2
y +1 y +1
G( y) =
4 4
Finalmente, derivando la G(y) se obtiene la g(y).
27
y +1 1 y +1 1 1
g ( y) = + =
2 2 y 2 2 y 2 y
1
0 y <1
g ( y) = 2 y
0
en otro punto
Observar que las PDF (y CDF) de ambas variables son distintas entre s.
Nota
Podra obtenerse una ecuacin general vlida para toda transformacin cuadrtica.
Sea y = H ( x) = x 2
G( y ) = P(Y y ) = P( X 2 y ) = P( y X y )
es decir:
G( y) = F ( y ) F ( y )
Por lo tanto:
g ( y ) = G '( y ) =
1
2 y
f ( y ) + f ( y )
Si y = H ( x) = ax , se deja al alumno demostrar que si se opera en forma similar a este ejemplo, se
2
obtienen:
y y
G ( y ) = F F
a a
1 y y
g ( y) = f + f
2 ay a a
Mtodo de la PDF
Continuamos con el desarrollo del mtodo general anterior, para obtener una expresin ms simple,
pero vlida solo si la funcin H es montona (creciente o decreciente), lo cual no sucede en el
problema resuelto anterior.
1
Si y = H ( x) entonces x = H ( y) .
(
Si H es creciente: G ( y ) = P (Y y ) = P ( H ( X ) y ) = P X H 1 ( y ) = F ( x ) )
( 1
Si H es decreciente: G ( y ) = P (Y y ) = P ( H ( X ) y ) = P X H ( y ) = 1 F ( x) )
Estas relaciones pueden apreciarse claramente si se hacen grficos de una funcin creciente y una
decreciente.
Si H es creciente:
x x
G ( y ) = F ( x) =

f ( x)dx =

f ( x) x ' dy
En donde se utiliz la relacin de contenidos (que se estudia en anlisis matemtico): dx = x ' dy

Si se deriva la ltima ecuacin surge finalmente que:
f ( x)
g ( y ) = f ( x) x ' =
y'
Ib Funciones de variables aleatorias (una variable) Mtodos
Si H es decreciente, se razona igual, pues al derivar G(y), se anula el trmino igual a 1. El resultado
queda afectado por un signo pero como x ' es negativo al ser H decreciente, pueden resumirse
ambos casos con la expresin general:
f ( x)
g ( y ) = f ( x ) | x ' |=
| y'|
Esta relacin que permite resolver el problema (solo para H creciente o decreciente) ya fue obtenida
informalmente en la unidad 1, pgina CambioVar1.
Como alternativa de demostracin se podra derivar la relacin G ( y ) = F ( x ) respecto de y:
dG ( y ) dF ( x) dF ( x) dx dF ( x)
= = = x'
dy dy dx dy dy
Finalmente observar que desde el punto de vista dimensional, tanto x ' como y ' cancelan la
dimensin de f ( x ) y establecen la de g ( y ) .
Nota
Puede observarse que la diferencia en el desarrollo de ambos mtodos se presenta cuando se despeja X de
H ( X ) y dentro de la expresin probabilstica. Solo resulta la expresin de F(x), si H es creciente o
decreciente. En realidad, podra extenderse el desarrollo del mtodo de la CDF en forma similar al seguido
en el mtodo de la PDF, obtenindose as una expresin algo ms compleja. Esto se realiz en el problema
resuelto anterior, pero para no sobrecargar la memoria, es preferible integrar en cada caso.
Problema resuelto 3.9 Transformacin lineal
Dada la siguiente PDF en X y la transformacin Y=H(X), hallar la PDF en Y.

2x 0 x 1
f ( x) =
0 en otro punto
y = 3x + 1
La funcin H es montona, por lo tanto puede aplicarse tanto el mtodo CDF como el PDF.
Mtodo de la CDF
Paso 1
y 1
G ( y ) = P (Y y ) = P (3 X + 1 y ) = P X
3
Paso 2
2
( y 1)/3 y 1
G( y) = 2 xdx =
0
3
Por lo tanto:
2
g ( y ) = G '( y ) = ( y 1)
9
29
Mtodo de la PDF
y 1 1 2
g ( y ) = f ( x) x ' = 2 = ( y 1)
3 3 9
Mtodo de la MGF
La Funcin Generadora de Momentos, MGF se desarrollar al final de la seccin Ic. Este mtodo se
basa en el teorema de unicidad que establece que si dos MGF son idnticas, entonces tienen la
misma PDF.
Por lo tanto se debe encontrar la MGF de Y y compararla con MGF de funciones conocidas,
obteniendo as su G(y). Este mtodo no se utilizar aqu.
Mtodos numricos
Valor esperado de Y
Si la variable X es discreta con funcin de probabilidad p( x) :

E (Y ) = H ( x ) p ( x )

Si la variable X es contnua con funcin densidad conjunta f ( x ) :

E (Y ) = H ( x ) f ( x )dx

La demostracin de la ecuacin anterior es difcil y solo la haremos para el siguiente caso particular.
Y estrictamente creciente
En este caso:
yf ( x)
E (Y ) = yg ( y )dy = dy = H ( x) f ( x)dx
y'
En donde se reemplazaron las expresiones:

dy = y ' dx
y = H ( x)

Ic Modelos tericos de una variable Mtodos numricos
Ic Modelos tericos de una

variable
La mayora de las veces las distribuciones utilizadas son modelos tericos generales que ajustan a las
distribuciones reales y cuyos valores estandarizados se encuentran en tablas o en programas de
computacin. Los modelos tericos constituyen una herramienta que los cientficos utilizan para
comprender y explorar los procesos que se presentan en el mundo real. Los juguetes que todos
usamos cuando nios, son modelos fsicos que representan artculos del mundo adulto, con los
cuales podemos desarrollar la imaginacin, explorar y comprender mejor el mundo en la infancia.
En esta seccin realizaremos el estudio detallado de algunos modelos matemticos que se presentan
con frecuencia en la realidad. De esta forma se podrn sistematizar los clculos y anlisis,
construyendo tablas y elaborando programas y ecuaciones que facilitan sus aplicaciones.
Los modelos ms importantes se presentan en la figura 3-18.
Discretas Contnuas
Bernoulli Constante
Binomial Exponencial
Hipergeomtrica Gamma
Geomtrica y Binomial Negativa Normal
Poisson t de Student
Multinomial chi cuadrado
Multihipergeomtrica F de Fisher
Figura 3-18
Modelos probabilsticos
SPSS y EXCEL
En el apndice B se resumen todos los comandos necesarios para generar CDF, PDF y nmeros
aleatorios, con SPSS y EXCEL.
SPSS
PDF
Devuelven la funcin matemtica de la densidad de probabilidades para un determinado valor de x.
Recordemos que SPSS llama PDF tanto a las PF de las distribuciones discretas como a las PDF de
las continuas.
CDF
Devuelven la probabilidad acumulativa menor o igual a un determinado valor de x.
Inversos
Devuelven el valor de x para un valor dado de CDF.
31
Significance
Devuelven 1-CDF para un determinado valor de x.
Random Numbers
Devuelven nmeros aleatorios de varias distribuciones.
EXCEL
Devuelven la PDF, CDF, el valor de colas o las Inversas, para varios casos.
1. Modelos discretos
Con excepcin de la distribucin Geomtrica y la distribucin de Poisson, todos ellos se basan en el
primer modelo, la distribucin de Bernoulli.
Distribucin de Bernoulli, b(y,1,p)

Supuestos
Tambin conocido como Proceso de Bernoulli. Se caracteriza por los siguientes 3 supuestos:
Supuesto 1 Dicotmica
Los eventos tienen dos resultados posibles, a los que llamaremos en forma genrica E (xito) y F
(Fracaso), siendo uno de ellos la negacin del otro. Luego podrn ser reemplazados por otros
nombres ms apropiados, como por ejemplo, C (Cara) y S (Seca), D (Defectuoso) y N (No
defectuoso), etc.
Este tipo de variable se denomina en estadstica, dicotmica.
Llamaremos:
P(E) = p
P(F) = q
Cada uno de estos valores se asume constante al menos durante la duracin del estudio.
Supuesto 2 Variable Aleatoria
Se busca la v.a Y = Nmero de xitos, en este caso solo puede tomar los valores 1 o 0 (cuando
sea necesario diferenciarla de la distribucin binomial, la llamaremos YB).
Supuesto 3 Tamao
Las muestras tienen un tamao n = 1
Proporcin Muestral
Es comn definir una nueva variable llamada proporcin muestral, simbolizada con un acento
circunflejo y por esta razn llamada tambin "p sombrero":
Nmero de Exitos y
p = =
n n
En la distribucin de Bernoulli, ambos valores y y p coinciden, pero no ser as en la Binomial o
Hipergeomtrica.

Ic Modelos teric
cos de una va
ariable Distribucin Bino
omial, b(y,n,p
p)
PDF
Tabla
a
S F E
YB = yB 0 1
0 1
p(yB) q p
F
Figura 3-19
Modeelo de Bernoullli
Histograma
F
Figura 3-20
Modeelo de Bernoullli
Carracteriz
zacin
E (Y ) = B = 0 q + 1 p = p
V (Y ) = 2 B = q( p)2 + p(q 2 ) = pq(( p + q) = pq
Observvar que si p = 0.5, la distribbucin es sim
mtrica, si p > 0.5, es sesgadda a la izquierda y si p < 0.5
0
es sesggada a la dereccha. Estos comportamientoos se mantien nen en la distrribucin binommial.
Ejemp
plos
Extracccin de un ressultado en jueegos de azar, ruleta, dados, cartas, etc.
Dis
stribu
ucin Binom
mial, b(y,n,
b ,p)
Sup
puestos
s
La disttribucin llam
mada Binomiaal surge de la de Bernoulli,, alterando el supuesto 3, es
e decir
permitiiendo muestraas con n > 1 y agregando uuna nueva proopiedad relaciionada con essta ampliacinn.
Una v.a x tiene solo 2 resultados (dicotmica): E y F, nombres genricos para xito y Fracaso, cuyas
probabilidades p y q se mantienen constantes al menos mienras dure el estudio.
Se busca la v.a: Y = Nmero de xitos en la muestra de n elementos.
Podra pensarse que la distribucin depende de 2 variables: nmero de xitos YE y de fracasos YF
en la muestra, en cuyo caso sera una distribucin bivariable. Sin embargo como la suma de ambas
es conocida, YE + YF = n , dada una variable la otra deja de serlo dado que se puede despejar de esta
relacin. Esto no ocurre con las distribuciones multinomiales (pgina 129).
Supuesto 3 Tamao
Las muestras tienen un tamao n > 1.
Supuesto 4 Independencia
Esta propiedad establece la independencia de los n elementos del espacio muestral. Si por ejemplo
llamamos E2 a un E en la extraccin 2 y E1 a un E en la extraccin 1, la definicin de independencia
implica:
P( E2 | E1 ) = P( E2 )
Esta propiedad no es relevante para la distribucin de Bernoulli, pero s lo es para distribuciones en
las cuales se toman muestras de n > 1.
Para que exista independencia estadstica, es decir que el resultado de cualquier observacin sea
independiente del resultado de cualquier otra observacin, debe ser:
MCR o N =
a. muestreo con reemplazo, MCR, para cualquier tamao (extraccin de personas de un grupo) de
tal forma que una nueva extraccin se realice en las mismas condiciones que las anteriores, o
b. poblacin infinita para cualquier muestreo (juego de ruleta). En la prctica, se considera que una
poblacin es infinita si:
n 5% N en donde n es el tamao de la muestra y N es el tamao de la poblacin. Este criterio
se justificar ms adelante.
En base a lo expuesto, una binomial se puede sintetizar con la notacin:

b( y, n, p)
En la figura 3-21 se resume grficamente el proceso.
Figura 3-21
Se puede apreciar que todos los E se consideran indistinguibles entre s y lo mismo se aplica a los F.
Ic Modelos tericos de una variable Distribucin Binomial, b(y,n,p)
Relacin con la distribucin de Bernoulli

Si por ejemplo n = 5 y el resultado fuera:
EEEFE
entonces
y=4
Pero por otro lado, puede observarse que cada uno de los eventos es un modelo de Bernoulli, para
los cuales cada variable aleatoria yB (nmeros de E) toma los valores:
11101
Se observa entonces que:
y = yB
Suele utilizarse la notacin iid para una sucesin de v.a. independientes e idnticamente
distribuidas.
Problema resuelto 3.10 Fiesta numerosa
En una fiesta hay un 40 % de chicas (M) y un 60% de chicos (V). a) Cul es la probabilidad de que en un
grupo de 3 personas elegida al azar haya 2 chicas. b) Construir el histograma con y . c) Hallar la
probabilidad de que en el grupo extrado haya: al menos 2 chicas, ms de 2 chicas, 1 chica o menos, al menos 2
varones. d) Es poco comn que en una eleccin al azar de 3 personas, resulten ms de 2 mujeres?
Observar formulaciones equivalentes de estas preguntas. As por ejemplo la pregunta a) podra preguntarse
as: si se elige un grupo de 3 personas cul es la probabilidad de que haya una proporcin (muestral) de chicas
igual a 2/3?
Recorrido de las propiedades

1. Propiedad 1 Dicotmica
La v.a tiene solo 2 resultados (dicotmica), V y M.
P(M) = p = 0.4,
P(V) = q = 0.6.
2. Propiedad 2 Variable Aleatoria
Se busca la v.a: y = Nmero de Chicas (M).
3. Propiedad 3 Tamao
Las muestras tienen un tamao n = 3 > 1
4. Propiedad 4 Independencia
El problema da la probabilidad (porcentaje) de M y de V y no las cantidades de cada uno. Se debe
interpretar entonces que la fiesta es numerosa en el sentido de que n = 3 es menor que el 5% de N
(desconocido), por lo cual, a pesar de que el muestreo es sin repeticin (muestreo simultneo), se puede
considerar que la probabilidad en la extraccin de un joven no influye significativamente en la
probabilidad de la extraccin del siguiente. En otras palabras los valores de p y q se mantienen de
extraccin en extraccin. Al tratar la distribucin hipergeomtrica de este mismo ejemplo, se apreciar la
diferencia.
a)
P(Y = 2) = P(MMV ) = ppqP3 (2) = 0.288
b)
35
Tabla
S 3V 2V1M 2M1V 3M
Y=y 0 1 2 3
p 0 0.333 0.666 1
p(y)=p( p ) q3 3q2p 3qp2 p3
0.216 0.432 0.288 0.064
Figura 3-22
Modelo Binomial
Histograma de probabilidades
Figura 3-23
PDF Binomial
Caracterizacin
= 0(0.216) + 1(0.432) + 2(0.288) + 3(0.064) = 1.2
V (Y ) = py 2 2 = 2.16 1.22 = 0.72
= 0.848
c)
P (Y 2) = 0.288 + 0.064 = 0.352
P (Y > 2) = 0.064
P (Y 1) = 0.216 + 0.432 = 0.648
La probabilidad de que haya al menos 2 varones, es equivalente a que haya a lo sumo 1 chica, es decir 0.648.
d) La P(3M) = 6.4% > 5%, por lo tanto no sera un suceso poco comn.
SPSS
Los valores de la PDF se obtienen directamente o por diferencia a partir de los valores CDF. Por ejemplo el
valor de la PDF para
y = 2, se puede obtener as:

Directamente
PDF.BINOM(2,3,0.4)=0.288
Usando la CDF
CDF.BINOM(2,3,0.4)-CDF.BINOM(1,3,0.4)=0.936-0.648=0.288
Expresiones generales
PDF
Demostracin
Generalizando las expresiones del problema resuelto anterior:
b( y, n, p) = Pn ( y, n y) p y q n y yn
Observar que:
Pn ( y , n y ) = Cny
La expresin con combinaciones se interpreta considerando que el valor deseado es el nmero de y
posiciones que se puede extraer de un total de n posiciones.
El nombre de binomial, proviene de que cada p(y) es un trmino del binomio ( p + q) .
n
b( y, n, p) = Cn0 p 0 q n , Cn1 p1q n1 ,..., Cnn p n q 0

Esta propiedad puede observarse claramente en la tabla de la figura 3-22.
La suma de todos los trminos es entonces ( p + q) = 1 = 1 .
n n
Notas
Si bien la distribucin binomial puede obtenerse en forma mecnica de las ecuaciones anteriores,
desaconsejo su utilizacin pues la relacin tiempo-beneficio no es mucho ms favorable que la
construccin a partir de las relaciones probabilsticas tal como se realiz en el problema resuelto 3.10. Por
otra parte, dado que no son muchas las distribuciones que permiten utilizar conceptos bsicos en su
construccin, aprovechemos la oportunidad de aquellas que si los brindan.
Cuando se dice que una v.a. y tiene una distribucin determinada, por ejemplo binomial, se est indicando
la ecuacin que sigue su PDF, en este caso PDF ( y) = Pn ( y, n y) p y q n y .
Expresin recursiva
Si se opera sobre la ecuacin de clculo de la probabilidad binomial, se puede obtener en forma
directa que:
n y p
b( y + 1) = b( y )
y +1 q
expresin que puede ser til al calcular la distribucin completa, pues obtiene el valor siguiente a
partir de los valores anteriores.
CDF
r
B(r , n, p) = b( y, n, p)
y =0
Caracterizacin
Media y Varianza
En principio existen dos formas de deducir la media y la varianza de la distribucin.
La primera es aplicar las definiciones de la media y de la varianza a la PDF de la distribucin, lo cual
implica trabajar con las expresiones factoriales dentro de la sumatoria de los valores esperados y
37
utilizar la propiedad de que p ( x) = 1 :

La otra es vincular la distribucin a otra con media y varianza conocidos. Por ser ms simple, basar
las demostraciones siguientes en la propiedad que vincula a la Binomial con la de Bernoulli, de la
que se conocen la media y la varianza.
La relacin entre ellas es:
Y = YB
Aplicando las conocidas propiedades de la media y de la varianza, ya recorridas anteriormente,
resultan:
= E (Y ) = E ( yB ) = np
y = np
V (Y ) = V ( YB ) = V (YB ) = npq
Por consiguiente:
y = npq
Estas expresiones para y para , resultan esta vez mucho ms simples y rpidas que la aplicacin
de las definiciones generales.
Modo
Resulta de inters establecer la expresin del modo o valor ms probable.
Sea y = nE, la cantidad de xitos para obtener la probabilidad mxima. En este caso debe cumplirse
que:
Cn nE 1 p nE 1q n( nE 1) < Cn nE p nE q nnE > Cn nE +1 p nE +1q n( nE +1)
Es decir:
Cn nE p
>1 y
Cn nE 1 q
Cn nE q
>1
Cn nE +1 p
Reemplazando las expresiones de clculo de cada una de las combinaciones y simplificando,
resultan:
( n nE + 1) p
>1 y
nE q
( nE + 1) q
>1
n nE p
Reagrupando, se obtiene finalmente:
(n + 1) p 1 < nE < (n + 1) p
Por lo tanto, el modo se encuentra en el mximo entero comprendido en (n+1)p. En smbolos (la
expresin entre corchetes significa parte entera):
nE = [(n + 1) p]
Si, en particular el valor (n+1)p es entero, entonces existen 2 trminos mximos: en (n+1)p y en
(n+1)p1. En este caso la distribucin es bimodal.
Si llamamos nF al nmero de fracasos y dado que nE+nF = n, se obtiene por reemplazo:
nq p + 1 > nF > nq p

Proporcin muestral
Con la definicin de proporcin muestral (p sombrero), resultan:
np
E ( p ) = =p
n
p = p
Esta expresin es intuitiva pues dice que la frecuencia esperada del evento ( E ( p ) es p. Esto
representa la primera verificacin terica de que existe una conexin entre la frecuencia esperada del
evento y su probabilidad. Volvemos sobre este tema en el captulo 4 al estudiar la ley de los grandes
nmeros.
npq pq
V ( p ) = =
n2 n
pq
p =
n
Cualquier problema binomial, puede resolverse en forma indistinta con la variable "nmero de
xitos" o con "proporcin de xitos". En el captulo de inferencia se presenta con ms frecuencia,
esta segunda alternativa.
Los restantes modelos asociados con la distribucin de Bernoulli, toman a la Binomial como
referencia, manteniendo su supuesto 3 (tamao > 1), surgiendo de la modificacin de alguno de sus
otros 3 supuestos.
Las ms importantes son:
Si se altera el supuesto 1, permitiendo variables multicotmicas, la distribucin se llama
Multinomial.
Si se altera el supuesto 2, cambindolo por el Nmero de Pruebas hasta obtener el primer xito,
la distribucin se llama Geomtrica o Binomial Negativa.
Finalmente si se altera el supuesto 4, cambindolo por pruebas dependientes, la distribucin se
llama Hipergeomtrica y en particular si se alteran los supuestos 2 y 4, la distribucin se llama
Hipergeomtrica Negativa.
Uso de tablas
Los valores de la distribucin Binomial pueden extraerse de paquetes de software como SPSS o
EXCEL cuyas instrucciones se encuentran en el apndice B. Alternativamente, aunque restringido a
los valores ms usuales, se puede hacer uso de tablas, tal como se muestra en el problema resuelto
siguiente. Estas tablas relacionan valores de eje con probabilidades teniendo en cuenta los 2
parmetros de la distribucin. Estas 4 magnitudes que se resumen en la siguiente notacin:
yCDF (n, p)
Problema resuelto 3.11 Paquetes de una distribuidora
El 30% de los paquetes de una distribuidora no estn llegando a destino. Si se envan 10 paquetes, a) Cul es
la probabilidad de que 3 no lleguen a destino? Observar una formulacin equivalente de esta pregunta: Si se
envan 10 paquetes cul es la probabilidad de que la proporcin muestral de los que no lleguen a destino sea
p = 0.3 ? b) Es poco comn que ms de 5 paquetes no lleguen a destino?
a) Comprobar que se satisfacen las 4 condiciones binomiales.
39
Captulo 3 Distrib
P es
Se repro oduce en la fig

gura 3-24 parte de la tabla Binnomial para n = 10, del Apnndice B. Esta taabla contiene laa
CDF ess decir las probbabilidades acuumuladas. En laa columna del margen
m izquierrdo se encuentrra el nmero de
d
xitos. En la columnaa p = 0.3, se enncuentran las accumulaciones ene orden desceendente, a mediida que aumennta
el nmeero de xitos. As
A por ejempllo el valor recuuadrado 0.65 ess la probabilidaad de que se enncuentren 3 o
menos paquetes,
p en unn envo de 10. Como la preguunta requiere el
e valor de la prrobabilidad parra y = 3, deber
realizarrse la cuenta P3 P2.
F
Figura 3-24
Tabla disstribucin Bino
omial
Es decirr:
P3 P2 = 00.65 0.383 = 0.267
b) La P(y >5) = 10.9953 = 0.047 <5%, por lo cuall es un suceso poco comn y si sucede al azzar es lcito duddar
de la tasa del 30%.
SPSS
S
a)
PDF.B BINOM(3,10, ,0.3)=0.267
Alternaativamente:
CDF.B BINOM(3,10, ,0.3)-CDF.BINOM(2,10
0,0.3)=0.26
67
b)
1-CDF F.BINOM(5,1 10,0.3)=0.267
Dis
stribu
ucin Hiperrgeom
mtric
ca,
h(y
y,N,n,,k)
Sup
puestos
s
Es unaa modificacin
n de la Binom
mial, en el suppuesto 4.
Supue
esto 1 Dico
otmica
Una v.a x tiene soloo 2 resultados (dicotmica)): E y F.
Supue
esto 2 Variiable Aleattoria
Se busca la v.a: y = Nmero de
e xitos.
Supue
esto 3 Tam
mao
Las muuestras tienen
n un tamao n > 1
Supue
esto 4 Dep
pendencia
Los n elementos
e del espacio mueestral son deppendientes. Paara que no exiista independdencia
estadsstica, es decir que el resultaado de cualquuier observaciin sea depenndiente del ressultado de
cualquier otra obserrvacin, la poblacin debe ser finita y el e muestreo deebe ser sin reeemplazo (es
40 Jorge
e Carlos Carrr
Ic Modelos tericos de una variable Distribucin Hipergeomtrica, h(y,N,n,k)
decir la negacin de las condiciones de la binomial), de tal forma que una nueva extraccin se realice
en condiciones distintas a las anteriores.
MSR N finita
En estos casos, en lugar de proporcionar la probabilidad p, se debe dar el nmero de xitos k antes
de la primera extraccin.
Recordemos que la poblacin se considera finita si:
n > 5% N
En base a lo expuesto, una hipergeomtrica se puede sintetizar con la notacin:

h(y,N,n,k)
El segundo trmino corresponde al tamao de la poblacin. Veremos luego que los 2 ltimos,
tamao de la muestra y nmero de xitos en la poblacin, se pueden colocar en cualquier orden. Sin
embargo el orden expuesto es coherente con el de una binomial b(y,n,p), utilizando el valor
k
absoluto k en lugar del relativo p = .
N
Problema resuelto 3.12 Fiesta no numerosa
En una fiesta de 10 personas, hay 5 varones V y 5 mujeres M. Si se extraen 3 personas al azar,

a) dibujar el histograma de x = nmeros de M, con y .
b) obtener la probabilidad de que sean al menos 2 M,
c) hallar la probabilidad de que sean al menos 2 M sabiendo que hay al menos 1M,
d) obtener la probabilidad de que sean 2M, si ya se eligi una M,
e) hallar la probabilidad de que sean 2M sabiendo que hay al menos 1V,
f) si se extrae un grupo de 6 personas, hallar la probabilidad de que haya al menos 5M.
g) Cul es la diferencia si en la fiesta hay 600 chicos y 400 chicas?
Observar que se satisfacen las 4 condiciones hipergeomtricas.
a) Se trata de una h(y,10,3,5).
41
Figura 3-25
PDF Hipergeomtrica
5 43 5 54 5 45 5 43
h( y,10,3,5) = P3 (3) + P3 (1, 2) + P3 (2,1) + P3 (3)
10 9 8 10 9 8 10 9 8 10 9 8
h ( y ,10, 3, 5) = 0.0833 + 0.416 + 0.416 + 0.0833
= 1.5
2 = 0.0833 1.5 2 + 0.416 0.5 2 + 0.416 0.5 2 + 0.0833 1.5 2 = 0.583
= 0.763
b)
P ( A) = 0.0833 + 0.416 = 0.499
c)
0.416
P ( B | A) = = 0.454
0.915
d)
45
h(1,9, 2, 4) = P ( MV ) = 2 = 0.555
98
e)
0.416
P( B | C ) = = 0.454
00.833 + 0.416 + 0.416
f)
5 4321
p5 + p6 = + 0 = 0.004
10 9 8 7 6
g) En este caso la fiesta es numerosa en el sentido de que n = 3 es menor que el 5% de N, es decir 50, por lo
cual se puede considerar que la probabilidad en la extraccin de un joven no influye significativamente en la
probabilidad de la extraccin del siguiente.
Si por ejemplo se extraen 3 personas, la probabilidad de que haya 2 mujeres es:
400 399 600
P (Y = 2) = P ( MMV ) = P3 (2) = 0.288
1000 999 998
Se observa que los valores de P(M) y de P(V) no difieren mayormente de 0.4 y 0.6. En otras palabras podra
aproximarse la hipergeomtrica a una binomial con estos valores de p y q:
P(Y = 2) = P(MMV ) = ppqP3 (2) = 0.288
Esta similitud en los resultados es aceptable hasta n = 50 (5% N). Por arriba de este valor se considera que las
fracciones se alejan apreciablemente del valor original. Por ejemplo la probabilidad de obtener 30 M y 1 V
dara para la ltima M: 371/971 = 0.382, en lugar de 0.4 y para el V: 600/970 = 0.618, en lugar de 0.6.
SPSS
Ejemplo
P(y=3)=PDF.HYPER(3,10,3,5)=0.0833
Alternativamente:
P(y=3)=CDF.HYPER(3,10,3,5)-CDF.HYPER(2,10,3,5)=0.0833
PDF
Demostracin
Observando la figura 3-26 y utilizando el anlisis combinatorio, se obtiene la siguiente expresin
compacta de la funcin de probabilidad (pero, nuevamente menos instructiva):

Ic Modelos tericos de una variable Distribucin Hipergeomtrica, h(y,N,n,k)
Cky C Nn yk
h ( y , N , n, k ) = y k n- y N k
C Nn
Las desigualdades expresan que el nmero de xitos (o Fracasos) de la muestra debe ser,
naturalmente, menor o igual al de la poblacin.
Figura 3-26
Comparar esta figura con la respectiva de la distribucin binomial y observar las diferencias en los
datos proporcionados en ambas poblaciones. La deteccin de estas diferencias elimina toda duda
acerca de qu tipo de distribucin se trata. Por otra parte, al resolver una hipergeomtrica con las
reglas de las probabilidades en lugar de hacerlo con la expresin combinatoria, anteriormente
presentada, obliga a calcular las probabilidades sucesivas y por lo tanto informa al usuario acerca de
la razonabilidad, o no, de usar una binomial como aproximacin. Esta importante informacin se
pierde con la expresin combinatoria.
CDF
r
H (r , N , n, k ) = h( y, N , n, k )
y =0
Caracterizacin
Si llamamos p0 a la probabilidad de xitos inicial, es decir:
k
p0 =
n
Al igual que en la Binomial, existen dos formas de deducir la media y varianza de la distribucin
hipergeomtrica. Aplicando las definiciones de la media y de la varianza a la PDF de la distribucin
o vinculando la distribucin a otra con media y varianza conocidos.
La primera implica trabajar con las expresiones factoriales dentro de la sumatoria de los valores
esperados y utilizar la propiedad de que
p ( x) = 1 . Este camino requiere algn esfuerzo para
obtener las expresiones finales. La segunda es ms simple y se presentar en la pgina 126 pues se
deben utilizar herramientas de las distribuciones multinomiales.
En cualquier caso las expresiones finales son:
= np0
N n
2 = np0 q0
N 1
El factor
43
N n
cpf = <1
N 1
se denomina factor de correccin por poblacin finita y diferencia a las expresiones de de la
binomial y de la hipergeomtrica. Observar que:
La cpf es menor que 1 por lo cual la varianza de la hipergeomtrica es menor que la de la
Binomial.
La cpf tiende a 1 cuando N tiende a infinito, como corresponde a su nombre y que es 0 cuando
n = N, pues la dispersin es cero dado que la distribucin solo conserva el trmino en el cual la
seleccin de la muestra es igual a la poblacin, con probabilidad 1. Como ya se ha dicho, una
poblacin se considera finita si n > 5% N .
Debe puntualizarse que el muestreo con reemplazo, MCR, equivale a una poblacin infinita y por lo
tanto debe considerarse que N tiende a infinito en la ecuacin anterior (obteniendo la expresin para
una binomial).
Proporcin muestral
Expresiones similares respecto de la proporcin muestral, pueden obtenerse, recordando que:
y
p =
n
Aplicando las propiedades de la media y de la varianza, se obtienen:
p = p0
p0 q0 N n
p2 =
n N 1
Aproximacin de una hipergeomtrica

Como la independencia es la nica diferencia entre las distribuciones binomial e hipergeomtrica y
esta propiedad est asociada al tamao de la poblacin, puede establecerse que una hipergeomtrica
se puede aproximar a una binomial si la poblacin puede considerarse infinita, es decir:
n<5%N
Hipergeomtrica Binomial
Figura 3-27
Aproximacin Hipergeomtrica a la Binomial
Distribucin geomtrica, g(y,p)

Supuestos
Es una modificacin de la Binomial, en los supuestos 2 y 3.
Una v.a x tiene solo 2 resultados (dicotmica): E y F.
Se busca la v.a: y = Nmero de Pruebas hasta obtener el primer xito.
Supuesto 3 Tamao
Las muestras tienen un tamao n variable que puede ser infinito.

Ic Modelos tericos de una variable Distribucin geomtrica, g(y,p)
Supuesto 4 Dependencia
Los n elementos del espacio muestral son independientes.
Observemos la siguiente tabla de la distribucin para los primeros valores de y:
S E FE FFE
Y=y 1 2 3
p(y) p pq pq2
Figura 3-28
Si llamamos x al nmero de fracasos antes de aparecer el primer xito, puede observarse que el
nmero de pruebas y, es igual al nmero de fracasos ms 1:
y = x +1
A partir de esta relacin, obtenida la distribucin de y se obtiene la de x.
De la tabla se desprenden las siguientes expresiones:
PDF
Demostracin
Observando la figura 3-28 se obtiene la siguiente expresin general de la funcin de probabilidad.
g ( y, p) = q y 1 p y 1
CDF
r
G (r , p ) = g ( y, p ) =P( y r ) = 1- P( y > r )
y =1
Por otra parte:
1
P ( y > r ) = p (q r + r +1 +...) = p q r =q
r
1 q
Es decir, la cola de una distribucin geomtrica es siempre q r .
Caracterizacin
Media
Aplicando la definicin de la media a los valores de la figura 3-28, se obtiene:
= E (Y ) = p(1 + 2q + 3q 2 + ...) =
= p[(1 + q + q 2 + ...) + (q + q 2 + ...) + (q 2 + ...) + ...]
Cada una de las expresiones entre parntesis es una sucesin geomtrica (de aqu proviene el nombre
de la distribucin), de razn q.
Para proseguir debemos recordar que la suma de una sucesin geomtrica de n trminos cuyo primer
trmino es a, y cuya razn es q, es:
1 qn
S =a
1 q
Tomando el lmite de esta suma, cuando n tiende a infinito, si q < 1 , resulta:
45
a
S=
1 q
Aplicando esta expresin a nuestras sucesiones, se aprecia que los parntesis finalmente resultan:
1 q q2 1 1
= p + + ... = 1 + q + q 2 + ... = =
p p p 1 q p
Se tiene entonces que:
1
y =
p
Una demostracin alternativa es a partir de:

E (Y ) = npq n 1
n =1
Utilizando la identidad:

d n
nxn1 =
n =1
x
dx n=1
Si x < 1, entonces:
d n d x 1
x = =
dx n =1 dx 1 x (1 x )2
Con lo cual se obtiene:

1 1
E (Y ) = npq n 1 = p =
n =1 (1 q ) 2
p
Aplicando la relacin y = x + 1 , se obtiene la expresin de la media de x, el nmero de fracasos
antes de aparecer el primer xito:
q
x =
p
Varianza
Se puede demostrar que:
q
V ( y) =
p2
Las varianzas de Y de X son iguales.
Prdida de la memoria
Decimos que una v.a. Y no tiene memoria si:
P (Y > s + t | Y > s ) = P (Y > t )
Veamos si se cumple para una distribucin geomtrica.
q s +t
P(Y > s + t | Y > s) = = q t = P(Y > t )
qs
Esta ecuacin dice que si se sabe que no se produjo ningn xito hasta s, la probabilidad del primer
xito no depende de s.

Ic Modelos tericos de una variable Distribucin geomtrica, g(y,p)
Las v.a. geomtricas son las nicas v.a. discretas que no tienen memoria. Luego veremos que en las
variables contnuas la misma propiedad la presenta la distribucin exponencial (pgina 68).
Problema resuelto 3.13 Auditoras con errores
Un contador pblico ha encontrado que 6 de cada 10 auditoras contienen errores. Cul es la probabilidad de
que: a) la primera contabilidad con errores sea la cuarta compaa revisada, b) la primera contabilidad con
errores se produzca a partir de la sexta compaa, c) dibujar la PDF y la CDF, d) Es poco comn que la
primera contabilidad con errores aparezca a partir de la sexta compaa revisada?
a)
g (4, 0.6) = 0.4003 (0.600) = 0.0384
b)
1 G (4, 0.6) =
= 1 0.600 0.4001 (0.600) 0.400 2 (0.600) 0.4003 (0.600) 0.4004 (0.600) =
= 1 0.98976 = 0.01024
De otra forma:
P ( y > 5) = q r = 0.45 = 0.01024
c)
PDF
Figura 3-29
47
CDF
Figura 3-30
d) La P(y > 5) = 0.01024, por lo cual es un suceso poco comn y si sucede al azar es lcito dudar de la tasa de
compaas con errores.
SPSS
a)
PDF.GEOM(4,0.6)=0.0384
b)
1-CDF.GEOM(4,0.6)=0.01024
Distribucin binomial negativa o de

Pascal, bn(y,r,p)
Supuestos
Esta ampliacin de la geomtrica es una modificacin de la Binomial, en los supuestos 2 y3:
Una v.a x tiene solo 2 resultados (dicotmica): E y F.
Se busca la v.a: y = Nmero de Pruebas hasta obtener r xitos.
Supuesto 3 Tamao
Las muestras tienen un tamao n variable que puede ser infinito.
Dado que, respecto de la binomial, el Nmero de Pruebas es ahora la variable y el Nmero de xitos
est predeterminado, puede decirse que esta distribucin es la opuesta de la binomial, de aqu el
nombre.
Ic Modelos tericos de una variable Distribucin binomial negativa o de Pascal, bn(y,r,p)
Observemos la siguiente tabla de la distribucin para los primeros valores de y si r =2:
S EE EFE EFFE EFFFE
Y=y 2 3 4 5
p(y) p2 P2(1,1) p q2
P3(2,1) p 2 q 2 P4(3,1) p 2 q 3
Figura 3-31
Si llamamos x al nmero de fracasos antes de aparecer el k-esimo xito, puede observarse que el
nmero de pruebas y, es igual al nmero de fracasos ms el nmero de xitos:
y = x+r
A partir de esta relacin, obtenida la distribucin de y se obtiene la de x.
De la tabla se desprenden las siguientes expresiones:
PDF
Demostracin
bn( y, r , p ) = Py 1( y r ,r 1) q y r p r yr
Se puede observar que solo cambia el coeficiente respecto de la binomial. Como de costumbre
conviene razonar la obtencin de la probabilidad con un diagrama de rbol en lugar de recordar esta
expresin.
CDF
a
Bn( a, r , p ) = bn( y, r , p )
y =r
Caracterizacin
Se puede ver que una distribucin binomial negativa es una suma de k distribuciones geomtricas. Si
consideramos por ejemplo r = 3, un resultado genrico puede ser:
FFFE ..FFFE FFFE
X1 X2 X3
Si llamamos:
X1 = nmero de ensayos hasta el primer E,
X2 = nmero de ensayos despus del primer E hasta el segundo E,
X3 = nmero de ensayos despus del segundo E hasta el tercer E,
entonces cada una de estas v.a. es geomtrica y la variable Y3 = nmero de ensayos hasta el tercer E
(v.a. binomial negativa), ser:
Y3 = X1 + X2 + X3
En general:
r
ybn = y g
1
De aqu, resultan:
49
Media
r
y =
p
Aplicando la relacin y = x + k :
rq
x =
p
Varianza
rq
V ( y) =
p2
Las varianzas de Y de X son iguales.
Relaciones entre las CDF Binomial y Pascal

Pascal y Binomial
Pascal
Sea Y el nmero de pruebas de Bernoulli para obtener k xitos E con P ( E ) = p .
Binomial
Sea X el nmero de xitos E en n pruebas de Bernoulli con P ( E ) = p .
a) 1 CDF .NEGBIN ( n, r , p ) = CDF .BINOM ( r 1, n, p )
b) CDF .NEGBIN ( n, r , p ) = 1 CDF .BINOM ( r 1, n, p )
Demostracin
a) Si se requieren ms de n pruebas para obtener r E, deber haber a lo sumo ( r 1 ) E en estas n
pruebas.
b) Este caso resulta del anterior pasando a los eventos complementarios. Si se requieren a lo sumo n
pruebas para obtener r E, deber haber ms de r E en estas n pruebas.
Una forma equivalente de expresar estas relaciones es:
P (Y > n) = P ( X < r )
P (Y n) = P ( X r )
Utilizando la notacin con CDF se aprecia el intercambio de parmetros: el valor de n es el mismo
en ambas y el de r disminuye en 1 en la binomial.
A modo de ejemplo:
1 CDF .NEGBIN (5, 4, 0.5) = CDF .BINOM (3, 5, 0.5)
Las relaciones complementarias se obtienen restando de 1 en ambos lados. Se aprecia que llevan los
mismos valores, intercambiando CDF por 1CDF.
CDF .NEGBIN (5, 4, 0.5) = 1 CDF .BINOM (3,5, 0.5)
Se observa entonces que la funcin acumulativa de una, equivale a la funcin significacin de la
otra.

Ic Modelos tericos de una variable Distribucin binomial negativa o de Pascal, bn(y,r,p)
Geomtrica y Binomial
Dado que la distribucin geomtrica es un caso particular de la de Pascal con r = 1, la relacin
anterior subsiste reemplazando r por 1.
1 CDF .NEGBIN ( n,1, p ) = 1 CDF .GEOM ( n, p ) = CDF .BINOM (0, n, p )
Anlogamente:
CDF .GEOM ( n, p ) = 1 CDF .BINOM (0, n, p )
Este teorema puede utilizarse para calcular las CDF de una distribucin de Pascal o Geomtrica a
partir de una Binomial.
Problema resuelto 3.14 Gripe H1N1
Los empleados de su empresa son examinados para detectar la presencia del virus de la gripe H1N1. El
hospital municipal le solicita que le sean enviados 4 empleados con pruebas positivas para profundizar los
exmenes. Si el 45% de los empleados tienen pruebas positivas, a) encuentre la probabilidad de que se tengan
que examinar a 10 empleados hasta encontrar 4 con pruebas positivas, b) dibujar la PDF y la CDF de Y =
nmero de pruebas hasta obtener k = 4 E, c) Es poco comn que se tengan que examinar a menos de 5
empleados hasta encontrar 4 con pruebas positivas?
a)
bn(10, 4, 0.45) = P9(6,3) 0.5560.454 = 0.0953
b)
PDF
Figura 3-32
51
CDF
Figura 3-33
c) La P(y < 5) = 0.041 < 5%, por lo cual es un suceso poco comn y si sucede al azar es lcito dudar de la tasa
del 45%.
SPSS
a)
PDF.NEGBIN(10,4,0.45)=0.0953
Problema resuelto 3.15 Falla de un motor
La probabilidad de que falle un motor durante cualquier perodo de una hora es 0.3. Hallar la probabilidad de
que funcione bien durante 3 horas (es decir que falle luego de 3 horas).
Geomtrica g(>3,1,0.3)
Sea Y el nmero de intervalos de una hora hasta la primer falla.
P (Y > 3) = 1 P (Y 3) = 1 0.7 + 0.3(0.7) + 0.32 (0.7) = 0.027
Binomial bn(<1,3,0.3)
Sea X el nmero de fallas dentro de una hora, en 3 horas.
P( X = 0) = 0.33 = 0.027

Ic Modelos tericos de una variable Distribuciones multinomial y multihipergeomtrica
Distribuciones multinomial y
multihipergeomtrica
Por ser modelos multivariables se tratarn en la seccin correspondiente en la pgina 129.
Distribucin de Poisson, p(y,)

Supuestos
Esta distribucin modela una v.a que tiene los siguientes 4 supuestos.
Supuesto 1. Variable Aleatoria y

Se busca la v.a: Y=Nmero de casos E en un intervalo determinado (de tiempo,
distancia, rea, volumen, etc). Este nmero de casos podra ser, tericamente infinito. A los efectos
de normalizar la notacin, usaremos la letra t para denotar al intervalo como si fuera de tiempo.
Un ejemplo al cual aplicar cada una de las 4 propiedades podra ser la cantidad de errores cometidos
por hoja en un libro.
Supuesto 2. Un evento en dt
La propiedad dice dos cosas:
a) En un intervalo infinitesimal dt puede ocurrir como mximo un solo evento. En otras palabras la
probabilidad de que ocurran 2 o ms eventos en un intervalo infinitesimal dt es nula.
P ( n, dt ) = 0 n > 1
b) la probabilidad de que ocurra un evento en un intervalo infinitesimal dt solo depende del ancho
del intervalo.
Frecuencia promedio
Cantidad de casos
=
Intervalo
Se asume que es constante. Observar que se mide en cantidad de eventos sobre la unidad del
intervalo. Es importante realizar el cambio de unidades necesario para que el intervalo en el que se
estudia y, sea el mismo que para .
Promedio de eventos
= t
Observar que se mide en cantidad de eventos.
Por lo tanto la propiedad 2b se puede expresar como:
P (1, dt ) = dt
Consecuencia
Como consecuencia de a y b), la probabilidad de que no ocurra ningn evento en dt ser:
P(0, dt ) = 1 dt
Supuesto 3. n eventos en t
Si los intervalos fueran iguales establece que la distribucin de probabilidades es la misma en cada
uno de ellos, lo cual significa que la probabilidad de que ocurran n Eventos en un intervalo t,
53
depende solo de la extensin del intervalo (no de la posicin del mismo)3. En el ejemplo anterior, la
cantidad de errores cometidos depende solo del tamao de la hoja y no de la posicin de la misma.
Supuesto 4. Independencia
El nmero de casos m en el tiempo s es independiente del nmero de casos n en el tiempo t.
P (( m, s ) | ( n, t )) = P ( m, s )
En el ejemplo, la cantidad de errores cometidos en la hoja 4 es independiente de la cantidad de
errores en la hoja 2.
Se supondr la validez de las propiedades anteriores en los problemas de aplicacin. En forma

expresa sern utilizadas las 4 propiedades en la siguiente demostracin de la ecuacin de la
distribucin de Poisson.
PDF
La PDF de esta distribucin es la siguiente:
e y
p( y, ) = y0
y!
Demostracin
La ingeniosa demostracin que sigue es una excelente oportunidad para observar cmo se obtiene la
expresin de la PDF de Poisson, utilizando los 4 supuestos anteriores y herramientas estndar de la
teora de las probabilidades y del anlisis infinitesimal.
Se parte de expresiones del supuesto 4, utilizando adems el supuesto 3 al considerar que la
probabilidad solo depende de n y del ancho del intervalo t. Por lo tanto las probabilidades de que
sucedan 0, 1, eventos en el intervalo t+dt son:
P (0, t + dt ) = P (0, t ) P (0, dt )
P (1, t + dt ) = P (1, t ) P (0, dt ) + P (0, t ) P (1, dt )
P (2, t + dt ) = P (2, t ) P (0, dt ) + P (1, t ) P (1, dt ) + P (0, t ) P (2, dt )
etc.
Se reemplazan todas las expresiones que contengan dt por las desarrolladas en el supuesto 2.
Reemplazando P(0,dt):
P (0, t + dt ) = P (0, t ) P (0, t ) dt
P (1, t + dt ) = P (1, t ) P (1, t ) dt + P (0, t ) P (1, dt )
P (2, t + dt ) = P (2, t ) P (2, t ) dt + P (1, t ) P (1, dt ) + P (0, t ) P (2, dt )
Reemplazando P(1,dt) y P(2,dt):
P (0, t + dt ) = P (0, t ) P (0, t ) dt
P (1, t + dt ) = P (1, t ) P (1, t ) dt + P (0, t ) dt
P (2, t + dt ) = P (2, t ) P (2, t ) dt + P (1, t ) dt
Se forma un cociente incremental pasando el primer miembro del segundo miembro al primer
miembro y dividiendo por dt. Se obtienen as las siguientes ecuaciones diferenciales lineales
invariantes de primer grado:
d ( P (0, t ))
+ P (0, t ) = 0
dt
d ( P (1, t ))
+ P (1, t ) = P (0, t )
dt
3
Esta condicin es probablemente la ms inconveniente para modelar un proceso real por lo cual luego suele
preferirse una generalizacin dando origen a los llamados procesos de Poisson no homogneos.
Ic Modelos tericos de una variable Distribucin de Poisson, p(y, )
d ( P (2, t ))
+ P (2, t ) = P (1, t )
dt
Se puede observar que la expresin general de estas ecuaciones diferenciales es recursiva:
yn '+ yn = yn1
La primera es una ecuacin homognea y '+ y = 0 que se resuelve directamente por el mtodo de
t
los coeficientes indeterminados (sustitucin de DAlambert y = e ).
t
Reemplazando en la siguiente se obtiene una ecuacin del tipo y '+ y = u(t ) = e . Esta
ecuacin se puede resolver por el mtodo de variacin de parmetros: y = y H = e t
, el cual
consigue reducir el trmino en la variable y, conduciendo a la ecuacin: ' e = u(t ) .
t
Las restantes ecuaciones se resuelven en forma similar por el mtodo de variacin de parmetros.
Las soluciones de las mismas son, en sucesin:
P(0, t ) = et
P(1, t ) = tet
(t ) 2 t
P (2, t ) = e
2
La solucin general se obtiene razonando por induccin, resultando:
( ) y
P( y, t ) = e
y!
En definitiva:
e y
p( y, ) = y0
y!
Observar que esta ecuacin depende naturalmente del y deseado y de (la expresin en y es una
exponencial sobre un factorial), de aqu la notacin general p(y,), para una distribucin de Poisson.
Expresin recursiva
Si se opera sobre la ecuacin de clculo de la probabilidad de Poisson se puede obtener en forma
directa que:
e y +1
p ( y + 1) y + 1!
= y =
p( y ) e y +1
y!
Por lo tanto:

p ( y + 1) = p( y)
y +1
expresin que puede ser til al calcular la distribucin completa, pues obtiene el valor siguiente a
partir de los valores anteriores.
CDF
r
P(r , ) = p( y, )
y =0
55
Verificacin PDF
p( x) > 0

p ( x) = 1
Esta ltima propiedad se visualiza fcilmente recordando el desarrollo en serie de una expresin
exponencial:
2 3
k
e = 1 + + + + ... =
2! 3! 0 k!
Caracterizacin
Demostraremos analticamente (la demostracin elegida requiere algn conocimiento de series) que:
=
V (Y ) =
Media
La tabla de la distribucin se muestra en la figura 3-34:
Y=y 0 1 2 3
2 - 3 -
p(y) e- e- e /2! e /3! ...
Figura 3-34
Distribucin de Poisson
Por lo tanto:
2 3 2
= e 1 + + + ... =
2! 3!
Utilizando el desarrollo en serie de e , se tiene:
= e e
Simplificando:
=
Varianza
V (Y ) = E (Y 2 ) 2
4 9 2 y 2 y 1
E (Y 2 ) = e 1 + + +.+ =
2! 3! y!

y 2 y 1
= e
1 y!
Pero:
y2 1 1
= +
y ! ( y 1)! ( y 2)!
Por lo tanto:

y 2 y 1 y 1
y 2
1 y ! 1 ( y 1)! 1 ( y 2)! =
= +
= e + e
Recordar que el factorial de un nmero negativo (en el segundo sumando aparece 1! ) es infinito.
En definitiva:
E (Y 2 ) = e e (1 + ) = + 2
Reemplazando en la expresin de V(y):
V (Y ) = + 2 2
Finalmente:
V (Y ) =
Ejemplos de procesos de Poisson

Modela distribuciones de nmero de casos. Verificar que los siguientes ejemplos cumplen las 4
propiedades.
Nmero de llamadas telefnicas en un intervalo de t.
Nmero de vehculos que pasan en una autopista en un intervalo de t.
Nmero de nacimientos en una ciudad en un intervalo de t.
Nmero de fallas al azar en un componente en un intervalo de t.
Nmero de rayaduras de un vehculo en una superficie.
etc.
Observar adems que el nmero de casos en el intervalo no tiene un lmite establecido (confrontar
con las otras distribuciones anteriores).
Problema resuelto 3.16 Preguntas a un consultor
En promedio, 12 personas por hora hacen preguntas a un consultor. a) Hallar la probabilidad de que 3 personas
lo hagan en un perodo de 10 minutos, b) dibujar el histograma de y = nmero de personas que preguntan cada
10 minutos, con el valor medio y la desviacin estndar, c) hallar la probabilidad de que al menos 3 personas
lo hagan en un perodo de 10 minutos, d) Es poco comn que ms de 5 personas lo hagan en un perodo de 10
minutos?
a) Verificar que el problema cumple las 4 propiedades de una distribucin de Poisson.
Luego se debe convertir la media al intervalo de 10 minutos.
Una forma, es razonar transformando las unidades del intervalo de :
12 p 12 p 1h 2p
= = =
1h 1h 6*10m 10m
Luego
=2
Alternativamente, se puede utilizar la expresin = t :
12 1
= t = h = 2
1h 6
En consecuencia:
23
p (3, 2) = e 2 = 0.1804
3!
b) El histograma se muestra en la figura 3-35 y la PDF en la figura 3-36.
57
Figura 3-35
Figura 3-36
Distribucin de Poisson
= =2
V ( y) = = 2
= 1.41
c) Observando el histograma,
P (Y 3) = 1 P ( y 2) = 1 (0.1353 + 0.2707 + 0.2707)
En definitiva:
P (Y 3) = 0.323
d) La P(y > 5) = 0.016 <5%, por lo cual es un suceso poco comn y si sucede al azar es lcito dudar del
promedio de 2 personas cada 10 minutos.

SPSS
Por ejemplo el valor de cola superior para y 3, se obtiene de la siguiente manera:

1-CDF.POISSON(2,2)=0.323
Aproximacin de una binomial

Sea una distribucin binomial y hagamos tender el tamao de la muestra n a infinito con = np=
constante.
n y
n(n 1)(n y + 1)
y
lim Pn ( y, n y) p y q n y = lim 1
n n y! n n
Operando:
y
n n 1 n y + 1
y n
lim 1 1
n n n n y! n n
Recordando que, cuando n tiende a infinito:
n/

n
1
1 = 1 + = e
n n /
Finalmente se obtiene:
y
lim1 e 1
n y!
O sea:
y
e
y!
expresin del trmino general de la distribucin de Poisson.
Observar adems que sien si en = np, n tiende a infinito, dado que es constante, p debe tender a
0, con lo cual queda establecida una indeterminacin (en este caso la binomial tomar valores
significativos solo para pequeos valores de y).
En sntesis, una distribucin binomial, tiende a una de Poisson, si n se hace suficientemente grande y
p es chica (eventos raros), tal que su valor medio se mantenga constante.
En la figura 3-37 se establece uno de los criterios para precisar los trminos grande y chico. Otro
criterio que da resultados aceptables es: n > 20 y p<0.05 .
n>100 y p<0.1
Binomial Poisson
Figura 3-37
Aproximacin Binomial a Poisson
Uso de tablas
Si se cuenta con una computadora en la cual se ha instalado SPSS o EXCEL, se podrn obtener los
valores de la distribucin de Poisson, con las instrucciones que se encuentran en el apndice B, en
las secciones SPSS y EXCEL. Alternativamente, aunque restringido a los valores ms usuales, se
puede hacer uso de tablas, tal como las que se encuentran tambin en el apndice B. Estas tablas
59
Captulo 3 Distrib
P es
relacio
onan valores ded eje con prrobabilidadess y el parmeetro . Las 3 magnitudes
m see resumen en la
siguiennte notacin:
yCDF ( )
Prob
blema ressuelto 3.117 Errores en un libro
Los auttores y editoress trabajan arduaamente para minimizar

m el nmmero de errorees en un libro. Si
S el nmero
medio ded errores de 0.08 por captullo, hallar la proobabilidad de que
q haya menos de 2 errores en e un captulo
especfi
fico.
Se reprooduce en la fig
gura 3-38 parte de la tabla de Poisson, del Apndice
A B. Esta tabla contienne la CDF es decir
d
las probbabilidades acu
umuladas.
F
Figura 3-38
Tabla disttribucin de Pooisson
e valor de . E
En la prrimer columnaa se encuentra el En la fila superiior se encuentrra el nmero dee casos, y. En
cualquier fila se encueentran las acum
mulaciones de probabilidades
p s de izquierda a derecha, a meedida que
aumentta el nmero dee casos. As poor ejemplo el vaalor recuadradoo 0.997 es la prrobabilidad de que se
encuenttren 1 o menoss casos, para unn valor de = 00.08. Por lo tan
nto la respuestaa es 99.7%.
Dis
seos
s con tabla
t de co
onting
gencia
as
Una tabbla de conting gencias condu uce a distintoos modelos dee probabilidadd, segn se maantengan o noo
fijos loos valores de los
l marginalees, X, Y:
1. Maarginales X e Y fijos: distrribucin hiperrgeomtrica.
2. Unn marginal X (o Y) fijo: X distribucionees binomiales independienttes.
3. Tootal n fijo: disstribucin multinomial conn tantas catego oras como ceeldas.
4. Ni marginales ni n total fijo: diistribucin dee Poisson.
Para ejemplificar veeamos el prim mer caso.
60 Jorge
e Carlos Carrr
Ic Modelos tericos de una variable Diseos con tabla de contingencias
Diseo hipergeomtrico: prueba exacta de Fisher

Sea la tabla de contingencias 22 que se muestra en la figura 3-39a, en la cual los niveles
dicotmicos se han denominado genricamente (E, F) y (0, 1).
Asimilemos dicha tabla a la figura 3-26 de la pgina 43. Consideramos a la fila de totales como una
"urna" con n esferas, de las cuales NE son E y NF son F. Observar que esta interpretacin parte de
mantener los marginales constantes. Se extraen simultneamente n1 esferas, de las cuales un nmero
a son E y un nmero b son F, se trata entonces de una distribucin hipergeomtrica definida por:
h(a, N , n1 , N E )
Una interpretacin similar podra haber sido realizada para la otra fila o por columnas (figura 3-39
b).
E F 1 0
1 a b n1 E a b NE
0 c d n0 F c d NF
NE NF N n1 n0 N
a b
Figura 3-39
Si se conocen los marginales, basta conocer el valor de una celda para conocer toda la tabla. La
distribucin completa se genera con el conjunto de tablas que se construyen manteniendo constantes
los valores marginales y variando el valor de y = a, desde 0 hasta el mximo del marginal menor (el
cual se asigna por simplicidad a la celda a). Este lmite se debe a que los totales marginales deben
permanecer constantes y por lo tanto si una celda superara el marginal, la otra celda tendra que ser
negativa, lo cual no es posible). La cantidad de tablas ser el valor del marginal menor + 1 (pues se
empieza desde 0).
Propiedad 1
La media de esta distribucin es:
n1 N E
= np0 =
N
Puede observarse que este valor no es otro que el valor que debe tener la celda pivote entre los
marginales NE y n1 para que esa tabla contenga la condicin de independencia entre las variables. Es
decir que una de las tablas de la distribucin contendr la independencia, la cual ser a su vez la
media de la distribucin de tablas. Naturalmente cualquiera de los valores de los coeficientes que
miden el apartamiento de la independencia, crece a medida que las barras representativas de las
tablas se alejan de la media. Esta interpretacin se utiliza para generar un test de independencia
alternativo al de 2 para muestras chicas, llamado Fisher's exact test, o test de FisherIrwin, que se
estudiar en el captulo 5, pgina FisherExact5.
Propiedad 2
Utilizando la simbologa de la tabla de la figura 3-39, calculamos la h(a, N , n1, NE ) con la frmula
de la combinatoria.
CN E a CN F b N E ! N F !n1 !n0 !
h(a, N , n1 , N E ) = =
CN N1
N !a !b !c !d !
Este valor es, en esta interpretacin, la probabilidad (hipergeomtrica) de generar cada tabla para
cada valor de y = a.
61
Con la ayuda de esta notacin, puede observarse la simetra de la expresin, de la cual resulta que es
indistinto el orden de los 2 ltimos parmetros de la ecuacin, es decir:
h(a, N , n1 , N E ) = h(a, N , N E , n1 )
La dama inglesa
Una de las aplicaciones ms famosas de la interpretacin anterior es la protagonizada por una dama
inglesa presente en una reunin en la que se encontraba el clebre matemtico y estadstico Ronald
Fisher. La dama era la biloga Muriel Bristol, quin aseguraba que era capaz de detectar si en una
taza de t con leche se haba colocado primero la leche o primero el t. Fisher propuso que se
realizara una prueba con 8 tazas de t con leche. En 4 de ellas se haba colocado primero la leche y
en las 4 restantes, primero el t. Esta informacin fue provista a la dama pero el orden en el que se le
presentaron las tazas fue aleatorio.
El resultado de la prueba fue el siguiente:
Dama dice
te leche Total
te 3 1 4
realidad
leche 1 3 4
Total 4 4 8
Figura 3-40
La pregunta es: cmo puede detectarse si el resultado se debe a la habilidad de la dama o al
producto del azar? Para responderlo debemos llegar al captulo 5 (pgina damaFisher5), pero por el
momento podemos al menos crear la distribucin de todos los resultados posibles. El alumno no
tendr dificultades de obtener los valores hipergeomtricos de la h(y,8,4,4) que se muestran en
la figura 3-41.
Figura 3-41

Ic Modelos tericos de una variable 2. Modelos contnuos
2. Modelos contnuos
Excepto la distribucin uniforme y exponencial, el resto de las distribuciones contnuas se resuelven
con expresiones que requieren el clculo diferencial, por lo cual se utilizarn exclusivamente tablas o
programas informticos, para el clculo de sus valores.
Distribucin Uniforme, r(x,a,b)

Tambin se llama rectangular y es la distribucin ms simple.
PDF
Se define como:
1
r ( x, a , b ) = a xb
ba
siendo:
a xb
Figura 3-42
PDF Distribucin rectangular
Verificacin PDF
f ( x) > 0
f ( x)dx = 1
Esta ltima propiedad se visualiza fcilmente reemplazando la funcin uniforme en la integral.
CDF
La expresin de la CDF ser:
x 1
R ( x, a , b ) = dx
a ba
es decir:
63
x
x xa
R ( x, a , b ) = =
b a a b a
xa
R ( x, a, b) =
ba
Sin embargo resulta en la prctica ms conveniente hallar, partir de los datos, la ecuacin de la recta
correspondiente.
Figura 3-43
CDF Distribucin rectangular
Caracterizacin
Media
Aplicando la definicin de la media:
b 1 1 (b 2 a 2 )
E( X ) = xdx =
a ba ba 2
Por lo tanto:
a+b
E( X ) =
2
La media es el promedio de los valores extremos, conclusin que pudo obtenerse rpidamente por
razones de simetra.
Varianza
Aplicando la definicin de la varianza:
2
b 1 a+b
V (X ) = x dx
a ba 2
Operando:

Ic Modelos tericos de una variable Distribucin Uniforme, r(x,a,b)
1 b a a b
3 3
V (X ) =
3(b a ) 2 2
Por lo tanto:
2(b a)3 (b a) 2
V (X ) = =
3(23 )(b a) 12
(b a) 2
V (X ) =
12
Nota
Se deja al estudiante que obtenga la misma ecuacin a partir de la expresin alternativa:
b 1
V ( X ) = x2 dx 2
a ba
Ejemplos de distribuciones rectangulares

Equiprobabilidad
Aplicaciones del principio de la teora de las probabilidades conocido como "de la razn
insuficiente" o "de la indiferencia", el cual establece que en condiciones de incertidumbre se
asume la equiprobabilidad.
Eleccin de un punto al azar. La distribucin uniforme precisa la nocin intuitiva de eleccin
de un punto al azar, pues con esto se quiere decir que las coordenadas X de dicho punto estn
uniformemente distribuidas. Esta distribucin origina los Nmeros Aleatorios Uniformes, NAU
y los problemas de muestreo aleatorio.
Problema resuelto 3.18 Distribucin uniforme
Dada la distribucin r(x,0,1), hallar la CDF (0.8,0,1), la media y la desviacin estndar.

0.8 0
R (0.8, 0,1) = = 0.8
1 0
0 +1
= = 0.5
2
12
V (X ) = = 0.0833
12
= 0.289
SPSS
CDF.UNIFORM(0.8,0,1)=0.8
Problema resuelto 3.19 Espera del mnibus
Los mnibus arriban cada 15 minutos despus de la 07:00. Si un pasajero llega a la parada en un tiempo que
est uniformemente distribuido entre 07:00 y 07:30, hallar la probabilidad de que tenga que esperar, a) menos
de 5 minutos, b) ms de 10 minutos.
65
a) Sea X el tiempo en minutos que el pasajero debe esperar despus de las 07:00. Para esperar menos de 5
minutos debe arribar entre 07:10 y 07:15 o entre 07:25 y 07:30.
Por lo tanto:
15 30
P ( (10 < X < 15) + ( 25 < X < 30 ) ) = 1/ 30dx + 1/ 30dx = 1/ 3
10 25
b) Similarmente :
5 20
P ( ( 0 < X < 5) + (15 < X < 20 ) ) = 1/ 30dx + 1/ 30dx = 1/ 3
0 15
Distribucin Exponencial, e(t,)

Como es habitual que la variable aleatoria sea el tiempo, utilizar a la letra t como simbologa, en
esta distribucin (sea o no el intervalo un tiempo).
PDF
Se define como:
e(t , ) = et 0 < t <
donde:
= parmetro. Si la variable aleatoria es el tiempo, es la frecuencia de casos.
1
Se define adems: = .

Si la variable aleatoria es el tiempo, es el perodo o tambin llamado MTBF, Tiempo Medio entre
Fallas (Mean Time Between Failures).
Figura 3-44
PDF Distribucin exponencial

Ic Modelos tericos de una variable Distribucin Exponencial, e(t, )
Se observa que es una distribucin asimtrica con sesgo positivo.
CDF
La expresin de la CDF ser:
t
E (t , ) = et dt = 1 et
0
Figura 3-45
CDF Distribucin exponencial
Propiedad de las colas exponenciales

De la expresin de la CDF se desprende que:
La cola de una distribucin exponencial tiene siempre el valor e t .
Caracterizacin
El alumno podr obtener rpidamente con una integracin por partes los valores de la media y de la
varianza (esta ltima con la frmula rpida).
Media

1
E (T ) = te t dt = =
0

Varianza

2
E (T 2 ) = t 2 e t =
0
2
Por lo tanto:
1
V (T ) = = 2
2
Ejemplo de distribucin exponencial

Modela el tiempo T1 hasta la primera falla, es decir la duracin de un determinado elemento.
67
Prdida de la memoria
Las v.a. exponenciales son las nicas v.a. contnuas que no tienen memoria y son el equivalente
contnuo de las variables discretas geomtricas (pgina 46). Un fusible o un cojinete de material con
gran dureza son buenos ejemplos de elementos para los cuales esta propiedad suele cumplirse, pues
no cambian mayormente con el uso y son tan buenos como nuevos.
Decimos que una v.a. X no tiene memoria si:

P (T > s + t | T > s ) = P (T > t )
Veamos si se cumple para una distribucin exponencial.
e ( t + s )
P (T > s + t | T > s ) = s
= e t = P (T > t )
e
En particular para la variable exponencial T1, esta ecuacin dice que si se sabe que no se produjo
ninguna falla hasta s, la probabilidad a partir de ese tiempo no depende de s.
Haciendo intervenir la CDF, resulta:

1 F (s + t )
P (T > s + t | T > s ) = = P(T > t ) = 1 F (t )
1 F ( s)
Llamando G al complemento de F: G (t ) = 1 F (t ) :
G ( s + t ) = G ( s )G (t )
La nica funcin que cumple esta propiedad es la exponencial, por lo cual la inversa de la propiedad
anterior tambin es cierta: si una variable no tiene memoria, es exponencial.
Distribucin Gamma
Primero debemos introducir la funcin Gamma.
Funcin Gamma
Est definida por:

(r ) = x r 1e x dx r>0
0
Expresin recursiva
Si integramos por partes diferenciando x r 1 , se obtiene:

(r ) = e x x r 1 e x ( r 1)x r 2 dx
0
0

0 + ( r 1) e x x r 2 dx = ( r 1)(r 1)
0
Por lo tanto:
(r ) = ( r 1) (r 1)

Ic Modelos tericos de una variable Distribucin Gamma
p es entero positivo
( r ) = ( r 1) ( r 1)
= ( r 1)( r 2)( r 2)
= ( r 1)(r 2)...(1)
Como:

(1) = e x dx = 1
0
resulta:
(r ) = (r 1)!
Por lo tanto la funcin Gamma es una generalizacin de la funcin factorial.
Problema resuelto 3.20 (1/2)
Demostrar que:
(1 / 2) =

(1/ 2) = x 1/2 e x dx
0
Realizando el cambio de variable: x = u / 2 , se obtiene:

2

(1/ 2) = 2 u 1e u /2udu = 2 e u /2 du
2 2
0 0
Se ver en el punto siguiente que (ver distribucin normal):

1
e
z 2 /2
dz = 1
2
Por lo tanto:
1
e
z2 / 2
dz = 2
0
2
finalmente:
2 2
(1/ 2) == =
2
Distribucin Gamma(x,r,)
Una X variable aleatoria no negativa sigue una distribucin Gamma si su PDF es:

( x)r 1 e x x>0 >0 r>0
f ( x, r , ) = ( r )
0 en otro lado

Tiene 2 parmetros r y Al primero se lo llama de forma y al segundo de escala. A veces se suelen
llamar y , respectivamente.
69
Verificacin PDF
f ( x) > 0
f ( x)dx = 1
Esta ltima propiedad se visualiza fcilmente reemplazando la funcin Gamma en la expresin.

En la siguiente figura se representan las PDF de la distribucin Gamma para:
= 1, r = 1 y = 1, r = 2.
Figura 3-48
Caracterizacin
Se demuestra analticamente que:
r
E( X ) =

r
V (X ) =
2
Exponencial
Si r = 1, la PDF de la distribucin Gamma es:
f ( x) = e x
Por lo tanto la distribucin exponencial es un caso particular de la Gamma con r = 1. Adems de la
Gamma se convierte en de la exponencial.

Relaciones entre las CDF de Gamma y Poisson

Las siguientes relaciones se verifican si el parmetro r es un entero positivo.
Gamma y Poisson
Sabemos que la distribucin Binomial y la distribucin Binomial Negativa o de Pascal forman un
conjunto de inversas.
Binomial
Nmero de xitos r para una muestra n
Binomial negativa
Tamao de la muestra n para un nmero de xitos r.
Adems la distribucin Geomtrica es un caso particular de la Binomial negativa con r = 1: Tamao
de la muestra n hasta el primer xito.
De forma similar, la distribucin de Poisson forma un sistema de inversas con la distribucin

Gamma y la Exponencial es un caso particular de la Gamma con r = 1.
Sea r un entero positivo.

Sea T el tiempo requerido para observar r ocurrencias.
Sea X el nmero de ocurrencias durante [0, t].
a) 1 CDF .GAMMA(t , r , ) = CDF .POISSON ( r 1, t , t )
b) CDF .GAMMA(t , r , ) = 1 CDF .POISSON ( r 1, t , t )
a) Esta relacin significa que si se requiere ms de un tiempo t para obtener r ocurrencias, deber
haber a lo sumo ( r 1 ) ocurrencias en [0, t].
b) Este caso resulta del anterior pasando a los eventos complementarios. Si se requiere a lo sumo un
tiempo t para obtener r ocurrencias, deber haber ms de r ocurrencias en [0, t].
Con otra notacin, resultan:

P(T > t ) = P( X < r )
P(T t ) = P( X r )
Observar que de Gamma es de Poisson.
Utilizando la notacin CDF, se aprecia el intercambio de parmetros. Al igual que para la pareja
Pascal-Binomial, en la pareja Gamma-Poisson, el valor de t se mantiene y el de r baja en una unidad
en la de Poisson.
Demostracin
Sean T una variable aleatoria Gamma y X una variable aleatoria Poisson. Utilizaremos la relacin:
e x x r r
e a a r
dx =
a r! k =0 k!
la cual se demuestra integrando sucesivamente por partes la integral:

a
e x x r dx
con:
u = xr
dv = e x dx
71
Si X tiene una distribucin de Poisson con parmetro = t , entonces:

r 1
e k
P( X < r ) =
k =0 k!
Reemplazando la sumatoria del segundo miembro por la integral anterior, se obtiene:
e k
r 1 y r 1
e y e y
y r 1
P( X < r ) = = dy = dy
k! ( r 1)! t ( r 1)!
k =0
Cambiando la variable: y = s ,
e s s r 1
P( X < r ) = ds = P( s > t )
t (r 1)!
pues el integrando es una PDF, f(t) de tipo Gamma siempre y cuando r sea un entero positivo.
En definitiva P (T > t ) = P ( X < r ) para T Gamma y X Poisson.
Ejemplos
CDF .GAMMA(3, 2, 0.5) = 1 CDF .POISSON (1,1.5) ,
en donde 1.5 = 3*0.5 .
1 CDF .GAMMA(3, 2,1.3) = CDF .POISSON (1,3.9) ,
en donde 3.9 = 3*1.3 .
Exponencial y Poisson
La relacin anterior entre Gamma y Poisson se convierte entre Exponencial y Poisson, reemplazando
r por 1. Por lo tanto resultan las expresiones, con = :
1 CDF .EXP(t , ) = CDF .POISSON (0, t )
CDF .EXP (t , ) = 1 CDF .POISSON (0, t )
Ejemplo
CDF .GAMMA(3,1, 0.5) = CDF .EXP (3, 0.5) = 1 CDF .POISSON (0,1.5)
en donde 1.5 = 3*0.5
Sin embargo explicitaremos una demostracin que ampliaremos al tiempo entre ocurrencias.
En un proceso de Poisson p(X, ), denotamos:
T1, el intervalo de tiempo hasta el primer evento, es decir para X = 1.
T2 el intervalo de tiempo total hasta el segundo evento, es decir para X = 2.
S12, el intervalo de tiempo entre el primer evento y el segundo evento.
Distribucin de T1
Bastar obtener la P(T1 > t ) .
Para esto observamos que este evento ocurre si y solo si ninguno de los eventos del proceso de
Poisson ocurre en el intervalo [0, t].
CDF = P(T1 t ) es la probabilidad de falla (al menos una vez) en [0, t]
1 CDF = P(T1 > t ) es la probabilidad de no falla en [0, t]
Por lo tanto:
e 0
P (T1 > t ) = P ( X < 1) = P ( X = 0) = = e = e t
0!
Por consiguiente, recordando la propiedad de las colas exponenciales, T1 tiene una distribucin
1
exponencial con media = .

Conclusin
Las variables Nmero de Casos y Tamao del Intervalo hasta el primer caso
forman un sistema de inversas. La distribucin que considera como variable al Nmero de
Casos es Poisson y la que considera como variable al Tamao del Intervalo hasta el
primer caso es Exponencial.
Distribucin de S12
Bastar obtener la P( S12 > t | T1 = s) .
Partimos de la siguiente identidad:
P(S12 > t | T1 = s) = P( X = 0 eventos en (s, s + t ) | T1 = s)
Por la propiedad de independencia:
P( X = 0 eventos en ( s, s + t ) | T1 = s) = P(0 eventos en ( s, s + t ))
Finalmente:
P(0 eventos en (s, s + t )) = e = et
1
Por consiguiente S12 es tambin una variable aleatoria exponencial con media = .

Observando las distribuciones de T1 y S12, podemos concluir en general que:
La v.a. igual a la distancia T entre 2 casos sucesivos de un proceso de Poisson es exponencial.
Problema resuelto 3.21 Distribucin exponencial
La distribucin del tiempo de vida de un elemento de una computadora es exponencial con un MTBF = 560 h.
Si llamamos T1 a la v.a. Tiempo antes de la primer falla (es decir la duracin), hallar la PDF y la CDF, b)
obtener P(T1 280) , c) obtener P(T1 > 1120) , d) obtener P(280 < T1 < 1120) .
a)
PDF
1 t /560
e(T1 ,1/ 560) = e
560
73
Figura 3-46
CDF
E (T1 ,1/ 560) = 1 et /560
Figura 3-47
SPSS
PDF.EXP(t,1/560)
CDF.EXP(t,1/560)
b)
1 Como exponencial
P(T1 280) = exp(T1 280, ) = 1 e280/560 = 1 e0.5 = 0.3935
Observar que el valor pedido es el complemento de la cola a partir de t = 280.
2 Como Poisson
280
= t = = 0.5
560
P(T1 280) = Poisson(Y > 0, ) = 1 P(0,0.5) = 1 e0.5 = 0.3935
c)
1 Como exponencial
P(T1 > 1120) = exp(T1 > 1120, ) = e1120/560 = e2 = 0.1353
Observar que el valor pedido es la cola a partir de t = 1120.
2 Como Poisson
1120
= t = =2
560
P(T1 > 1120) = Poisson(Y < 1, t ) = Poisson(0, 2) = e2 = 0.1353
d)
P(280 < T1 < 1120) = Exp(1120,1/ 560) Exp(280,1/ 560) =
= (1 e1120/560 ) (1 e280/560 ) = 0.4712
Problema resuelto 3.22 Reparacin de aviones
Llega un promedio de 4 aviones a un hangar para su reparacin, por cada perodo de 8 horas. a) Hallar la
probabilidad de que la primera llegada no ocurra durante la primera hora, b) hallar la probabilidad de que la
primera llegada ocurra dentro de la primera hora.
a)
4
= = 0.5
8
Exponencial (t, ) = (>1, 0.5)

P(T > 1) = e = e0.5 = 0.606
Poisson (x, ) = (<1, 0.5)

e0.5 0.50
P ( X = 0) = =0.606
0!
b)
Exponencial (t, ) = (1, 0.5)

P(T 1) = 1 e = 1 e0.5 = 0.394
Poisson (x, ) = (1, 0.5)

P ( X 1) = 1 P ( X = 0) = 1 0.606=0.394
75
Distribucin Normal, n(z,0,1)

Es una distribucin tipo campana (ver figura 3-49) con la mayora de los casos en el medio y los
menos en los extremos.
Con frecuencia se otorga el crdito de su descubrimiento al alemn Karl Friedrich Gauss o al francs
Pierre Laplace, pero aunque no la dibuj, el francs Abraham De Moivre, fue el primero que calcul
reas debajo de esta curva. De Moivre era protestante y por esta razn tuvo que emigrar a Inglaterra
en donde entabl amistad con Isaac Newton, de quin se dice que muchas veces contestaba
preguntas diciendo: "pregntele a Monsieur De Moivre, el sabe eso mejor que yo". Sin embargo
como era extranjero, nunca logr la fama de los matemticos britnicos, con quienes De Moivre
trabajaba y quienes tanto lo respetaban.
La distribucin Normal es adems la distribucin estadstica ms importante pues:
En varias tcnicas estadsticas, es la distribucin que se adopta como supuesto.
Varias distribuciones derivan de la Normal.
Varias distribuciones tienden a la Normal cuando n es suficientemente grande. En particular lo
hacen las distribuciones de los promedios o de las sumas (Teorema Central del Lmite, el cual
ser motivo de estudio en el captulo 4).
En la naturaleza se presentan con frecuencia comportamientos que son promedios o sumas de
muchos factores pequeos e independientes entre s, tal como los errores accidentales en las
mediciones, los pesos y alturas de las personas, la hora de llegada de los estudiantes a una
escuela, la cantidad de letras que una persona puede recordar al repetir la prueba, etc.
Este comportamiento es bastante lgico pues es probable que estos factores ocurran por azar,
con valores extremos que tienden a presentarse en forma equilibrada y por lo tanto con tendencia
a cancelarse entre s. Por esto son menos comunes las cantidades muy altas o bajas.
Supuestos
La demostracin de la obtencin de la ecuacin de la PDF normal realizada por Gauss se basa en 4
supuestos de su teora de errores.
Llamamos:
M a la medicin aleatoria, v al valor verdadero (desconocido) y x al error
x = M v
f ( x ) a la funcin densidad de probabilidades.
Supuesto 1 Simetra
Los errores de magnitud x y x son iguales (son simtricos). Los errores no dependen de la
orientacin del sistema de coordenadas.
f ( x) = f ( x)
Supuesto 2 Promedio
El valor ms probable v de varias mediciones es el promedio. En otras palabras, Gauss elige
entonces al mejor estimador de mnimos cuadrados de los datos (capitulo 1, pgina LSEMedia1).
v=M =
M
n
Supuesto 3 Comportamiento
Errores pequeos son ms probables que errores grandes.
Esto implica:
max f ( x ) x = 0 y por el supuesto 2, esto debe ocurrir en: v = M
lim f ( x ) = 0
n

Ic Modelos tericos de una variable Distribucin Normal, n(z,0,1)
Supuesto 4 Independencia
Los errores son independientes. Entonces es vlida la Regla del Producto, RP, para la distribucin
conjunta de los errores:
f ( x) = f ( x1 ) f ( x2 )... f ( xn )
f ( x) = f (M1 v) f (M 2 v)... f (M n v)
PDF
Nota
Suelen denominarse a la PDF y a la CDF.
La expresin matemtica para una variable sin estandarizar, es:

2
1 x
1
( x, , ) = f ( x , , ) = e 2
>0
2
Observar que el exponente es un polinomio de segundo grado centrado en el vrtice con el
coeficiente del trmino cuadrtico negativo.
Se aprecia en esta ecuacin que la distribucin solo depende, adems de la variable x, de la media
y la desviacin estndar . Una vez fijados los mismos, podremos calcular y graficar la ecuacin. En
este sentido se recomienda al estudiante que obtenga la grfica de esta funcin, estudiando la misma
(dominio, imagen, asntotas, puntos de inflexin, mximos y mnimos).
Se puede demostrar adems que si x tiene una distribucin normal y se realiza una transformacin de
variable a la variable z, la distribucin de z, tambin es normal con media 0 y desviacin estndar 1,
por lo cual se usa la notacin: n(z,0,1). De esta forma se obtiene una expresin que solo es funcin
de z, lo cual permite su clculo para cualquier combinacin de y .
1 z 2 /2
f ( z) = e
2
Esta expresin puede escribirse alternativamente como:
1
f ( z) = 2
2 e z
La expresin de la funcin densidad transformada debe verificar la expresin vista en el captulo 1
(pgina Escalamientoz1):
f ( z ) = f ( x)
Por lo tanto, reemplazando por ejemplo f(z) en esta relacin, se puede despejar f(x), obteniendo la
expresin del comienzo de esta seccin.
77
Figura 3-49
PDF Distribucin Normal
Recordemos adems que cuando se dice que una v.a. z tiene una distribucin determinada, por
1 z2 /2
ejemplo normal, se est diciendo que PDF ( z ) = e .
2
Demostracin
Gauss
La ingeniosa derivacin de Gauss de la PDF de esta distribucin utiliza los 4 supuestos anteriores y
procedimientos estndar de clculo.
Definamos la funcin auxiliar:
f '( x)
g ( x) =
f ( x)
De acuerdo al supuesto 1, se obtiene:
g ( x) = g ( x)
De acuerdo al supuesto 4, la distribucin conjunta de los errores debe verificar:
f ( x) = f ( x1 ) f ( x2 )... f ( xn )
De acuerdo al supuesto 3, v maximiza f(x) y por el supuesto 2 v = M , es decir:
f ( x)
0= =
v
= f '( M 1 M ) f ( M 2 M )... f ( M n M )
f ( M 1 M ) f '( M 2 M )... f ( M n M ) ...
... f ( M 1 M ) f ( M 2 M )... f '( M n M )
Multiplicando y dividiendo por f(x):
f '( M 1 M ) f '( M 2 M ) f '( M n M )
= + + ... +
f (M1 M ) f (M 2 M ) f (M n M )
Es decir:
g ( M 1 M ) + g ( M 2 M ) + ... + g ( M n M ) = 0

Como las mediciones M son arbitrarias, siendo M y N nmeros reales arbitrarios, podemos poner:
M1 = M M 2 = M 3 = ... = M n = M nN
Por lo tanto:
M = M (n 1) N
Reemplazando en la expresin de las funciones g:
g (( n 1) N ) + ( n 1) g ( N ) = 0
o tambin:
g (( n 1) N ) = ( n 1) g ( N )
Esta propiedad define una funcin del tipo4:
g ( x ) = kx
Por lo tanto:
f '( x)
= kx
f ( x)
Integrando:
k 2
ln( f ( x )) = x +c
2
Por lo tanto:
k
x2
f ( x) = Ae 2
k
Para cumplir el supuesto 3, la exponencial debe ser negativa, por lo cual podemos poner = h2 .
2
Laplace
Una demostracin distinta se debe al matemtico francs Pierre Laplace (1810), la cual constituye el
Teorema del Limite Central, TLC, que se estudiar en el captulo 4.
Verificacin PDF
f ( x) > 0

f ( x)dx = 1
Planteando el cuadrado de la integral I y pasando a coordenadas polares se observa que:

2
2
e dx e e e
h2 x2 h2 y 2 h2 ( x2 + y 2 ) h2 2
I = 2
dy = dxdy = d d =
0 0
2h 2
de donde:

e
h2 x2
I= dx =

h
Por lo tanto la PDF ser:
ag ( x ) = akx = g ( ax ) . Eso no se verifica para otra funcin como por ejemplo g ( x) = kx , pues
4 2
ag ( x) = akx2 g (ax) = k (ax)2 .
79
h 2 2
f ( x) = e h x

Luego, al estudiar la caracterizacin de la funcin densidad normal, relacionaremos h con la
desviacin estndar.
CDF
Para obtener las reas debajo de la curva anterior se debe integrar. Sin embargo esta integracin no
tiene una expresin explcita y se debe realizar el clculo por integracin numrica o en series. En el
problema resuelto de pgina 83, se recorrer la integracin numrica. De todas formas, la buena
noticia es que no ser necesario utilizar estos procedimientos, pues los valores de esta distribucin
(estandarizada o no), se obtienen en general con algn programa de computacin o de tablas.
Figura 3-50
CDF Distribucin Normal
Caracterizacin
Utilizaremos la siguiente relacin.

e
h2t 2
dt =
h
Media
Para generalizar la funcin densidad, agregamos un trmino a dentro del exponente.

h
xe
h2 ( x a )2
E ( x) = dx

Realizamos primero el cambio de variable x a = t :

h
(a + t )e
h 2t 2
= dt

Utilizando la relacin anterior:

h
te
h 2t 2
=a+ dt

La segunda integral debe dar 0 pues el integrando es una funcin impar: g (t ) = g ( t ) .

Por lo tanto:
E ( x) = = a
Varianza

h
(x ) e
2 h2 ( x )2
V ( x) = dx

Comenzamos nuevamente por realizar el cambio de variable x = t :

h
t e
2 h 2t 2
V ( x) = dx

Integramos por partes, llamando:
u = t
h 2t 2
dv = te dx
De esta forma se obtiene:
h t h 2t 2

1
e
h 2t 2
= e + dt
2h2 2h2
Aplicando el teorema de LHopital a la indeterminacin del primer trmino y utilizando la integral
inicial para el segundo trmino:

h 1 1
= 0 + 2 = 2
2h h 2h
1
V ( x) = 2 =
2h 2
Observar que la varianza y h 2 se relacionan inversamente por lo cual se suele llamar precisin al
valor h y que adems el 2 aparece como coeficiente de cualquiera de los dos.
Por lo tanto hemos encontrado la relacin entre h y la varianza:
1 1
h2 = h=
2 2 2
Reemplazando en la ecuacin de Gauss los 2 parmetros encontrados, queda demostrada la ecuacin
de la funcin densidad normal.
2
1 x
h h 2 ( x )2 1

f ( x) = e = e 2
2
Adems la relacin inicial toma la forma:

e
z 2 /2
dz = 2

Nota
La media y la desviacin estndar en la variable z deben ser 0 y 1, cualquiera sea la distribucin,
como se demostr en el captulo 1 (pgina Mediaz1).
81
Captulo 3 Distrib
P es
Pro
opiedad
des
Puntto de inflexin
Resolvviendo la ecuaacin f ''( x ) = 0 , se obtienne que los punntos de inflexxin se encuen
ntran en
x = .
Combinacin lineal
Si X1, .,Xn son vaariables aleatoorias independdientes distribbuidas normaalmente, entonnces la
combinnacin lineal de ellas, tambbin es normaal.
Uso
o de tab
blas
Si se cu
uenta con unaa computadorra en la cual sse ha instaladoo SPSS o EXCEL, se podrrn obtener loos
valoress de las reas debajo de unna distribucinn Normal, con n las instrucciiones que se encuentran
e enn el
apndice B, en las secciones
s SPSSS y EXCEL. Alternativam mente, aunquee restringido a los valores
ms ussuales, se puedde hacer uso de tablas, tal como las quee tambin se encuentran
e enn el apndice B.
Todas las tablas de distribucione
d s contnuas reelacionan valores de eje con valores de rea, es deccir
las 2 magnitudes
m quue se resumen e donde ess el rea de laa cola superioor:
n en la siguiennte notacin, en
z
En cadda problema se sugiere reallizar un diagrama de anlissis , colocar eel valor que see obtiene de laa
tabla y tener en cuennta, si se neceesitan, los vallores 0.5 de caada una de las 2 mitades de
d la curva o 1 de
toda laa curva.
Prob
blema ressuelto 3.223 Distrib
bucin normal
n
Se repro
oduce en la fig
gura 3-51 parte de la tabla Noormal, del Apnndice B. Esta ttabla contiene las
l probabilidaades
de cola superior para cada
c valor de z.
z
F
Figura 3-51
Tabla distribucin
d Normal (valoress de cola superiior)
En la coolumna del maargen izquierdoo se encuentra eel valor de z haasta el primer ddecimal. El seggundo decimal se
halla enn la primera fila. De esta form
ma el recuadraddo 0.3015 correesponde a la prrobabilidad de cola superior al
a
valor z = 0.52.
82 Jorge
e Carlos Carrr
Problema resuelto 3.24 Mtodo de Sympson
Hemos indicado que en estadstica no ser necesario utilizar la ecuacin matemtica de la funcin densidad de
la distribucin normal, pues los valores de la misma, se obtienen en general con algn programa de
computacin o de tablas. Sin embargo es saludable recorrer, al menos una vez, la determinacin de los valores
que se encuentran en la tabla. Dado que la integracin de esta funcin densidad no tiene una expresin
explcita (no hay ninguna primitiva cuya derivada de la funcin densidad), debe realizarse una integracin
numrica o la descomposicin de la funcin en series. En este ejemplo he elegido el conocido mtodo
numrico de Sympson de aproximacin de la curva con segmentos de parbola.
Demostraremos que el valor que da la tabla para el rea de la cola a partir de z = 0.4, es decir: 0.3446 (ver
figura 3-52).
Si llamamos S a este valor, se tiene:
0.4
1
e
z2
S = 0.5 dz
2 0
Para calcular la integral definida, elijamos 4 intervalos con un ancho de intervalo h = 0.1. A partir de estas
elecciones generamos la siguiente tabla:
i 0 1 2 3 4
zi 0 0.1 0.2 0.3 0.4
2
e-zi 1 0.995 0.980 0.9559 0.923
Figura 3-52
Aplicando ahora la expresin de Sympson:
0.4
h
e
z2
dz = ( E + 4I + 2P)
0
3
donde:
E = suma de los valores extremos = 1.923
I = suma de los valores en posicin impar = 1.9509
P = suma de los valores en posicin par = 0.980
Por lo tanto:
0.4
0.1
e
z2
dz = (1.923 + 4(1.9509) + 2(0.980)) = 0.3896
0
3
Finalmente:
1
S = 0.5 (0.3896) = 0.3446
2
Con lo cual hemos demostrado el valor de la tabla.
Problema resuelto 3.25 Coeficiente de inteligencia
Suponiendo que el coeficiente de inteligencia CI, se distribuye segn una distribucin normal con media 100 y
desviacin estndar 15:
a) obtener el porcentaje de personas que tienen un CI entre 90 y 110,
b) obtener el porcentaje de personas que tienen un CI mayor que 75,
c) obtener el porcentaje de personas que tienen un CI entre 105 y 115.
d) hallar el coeficiente de curtosis definido por AIC/AEP (captulo 1, pgina curtosis1).
e) Es poco comn que una persona tenga un CI mayor a 125?
a)
83
Transformacin a valores z
Para entrar a la tabla se debe estandarizar la n(x,100,15) en n(z,0.1).
Esta conversin de la variable original x a la estandarizada z se puede realizar dentro o fuera de la ecuacin
probabilstica.
Mtodo 1: dentro de la ecuacin probabilstica

90 100 x 100 110 100
P (90 < x < 110) = P < < =
15 15 15
90 100 110 100
= P <z< =
15 15
= P ( 0.667 < z < 0.667 ) = 1 0.2514 0.2514 = 0.497
Diagrama de anlisis
Figura 3-53
Diagrama de anlisis
Mtodo 2: fuera de la ecuacin probabilstica

90 100
zi = = 0.667
15
110 100
zs = = 0.667
15
Por lo tanto:
p = P ( 0.667 < z < 0.667 ) = 0.497
b)
Proseguiremos con el formato fuera de la ecuacin probabilstica.
75 100
z= = 1.667
15
Diagrama de anlisis
Figura 3-54
Diagrama de anlisis
Por lo tanto:
p = 1 0.0475 = 0.9525 = 95.25%
c)
105 100
zi = = 0.33
15
115 100
zs = =1
15
Diagrama de anlisis
Figura 3-55
Diagrama de anlisis
Por lo tanto:
p = 0.3707 0.1587 = 0.212 = 21.2%
d)
En todos los casos bastar obtener el valor z correspondiente a los siguientes valores de p (o de frecuencia
relativa).
Figura 3-56
Diagrama de anlisis
Para:
p = 0.90, z = 1.2816
p = 0.10, z = -1.2816
p = 0.75, z = 0.6745
p = 0.25, z = -0.6745
Por lo tanto:
AIC = 0.6745 (0.6745) = 1.35
AEP = 1.2816 (1.2816) = 2.56
AIC
Curtosis = = 0.527
AEP
e) La P(CI > 125) = 0.047 < 5%, por lo cual es un suceso poco comn y si sucede al azar, o ha sucedido un
evento muy infrecuente o es lcito dudar de los valores dados de la media y de la varianza.
SPSS
A modo de ejemplos:
El porcentaje de personas entre CI = 110 y CI = 90 se obtiene a partir de los valores CDF de la siguiente
manera:
CDF.NORMAL(110,100,15)-CDF.NORMAL(90,100,15)=0.495
La AIC se obtiene de:
IDF.NORMAL(0.75,0,1)-IDF.NORMAL(0.25,0,1)= 1.35
Nota
Observar que en las distribuciones contnuas, la expresin PDF devuelve la funcin densidad y no una
probabilidad, como en las distribuciones discretas.
Regla emprica
Utilizando la tabla o el SPSS, se obtienen los valores de probabilidad que se encuentran debajo de la
curva normal para los intervalos -1< z <1, -2< z <2 y -3< z <3.
85
Captulo 3 Distrib
P es
-1< z <1 68%

-2< z <2 95%
-3< z <3 99%
F
Figura 3-57
Compaarar estos valo
ores con los mnimos
m posibbles, aplicanddo el teorema de Tchebysh
heff (captulo 1,
pgina Tchevy1).
Aprroximacin de
e una binomia
b al y de
e una Poisson
Corre
eccin por continuida
c ad, cpc
La aprooximacin dee una distribuccin discreta por una contnua, mejora ssi se ampla en e media uniddad
cada vaalor, de tal foorma que el rrea de los recttngulos se coorresponda mms cercanameente con los ded
la curvva normal
En la figura
f 3-58, see muestra porr ejemplo (utilizando por esta vez la nottacin con parrntesis en lugar
de subndices), que::
b ( x = 2) n (1.5 < x < 2.5)
b ( x 2) n ( x > 1.5)
1
b ( x > 2) n ( x > 2.5)
b ( x 2) n ( x < 2.5)
2
b ( x < 2) n ( x < 1.5)
1
En igual sentido, si en el eje se en ncuentra la prroporcin muuestral, la cuall surge de div
vidir cada valoor
de x poor n, la cpc reesultar de sum
mar o restar el
e valor:
0.5
n
Si por ejemplo, n = 60: la cpc esttablece que:
P ( x 23) P ( x > 22.5)
23 23 0.5
P ( p ) P ( p > )
60 60 60
Para vaalores grandes de n, la cpc no se justificca.
86 Jorge
e Carlos Carrr
Figura 3-58
CPC
1 Binomial a Normal
En el captulo 4 se ver que cualquiera sea la distribucin de una v.a x, la sumatoria de x, sigue una
distribucin Normal si n, el nmero de trminos de la sumatoria, tiende a infinito. Este teorema
puede aplicarse a una binomial, pues esta distribucin es en definitiva una sumatoria de una
distribucin de Bernoulli.
Un criterio para realizar que esta aproximacin asinttica sea adecuada, es:
np 5 y nq 5
Algunos autores recomiendan adoptar el valor 15 en lugar del valor 5.
Naturalmente bastar que se cumpla para el menor valor de p o q.
Si lo desea puede interactuar con el applet: Aproximacin de una binomial, que se
encuentra en la direccin electrnica de la bibliografa bajo el ttulo Simulaciones.
Problema resuelto 3.26 Estudiantes promocionados
El 52% de los estudiantes ha promocionado la materia estadstica (evento E). Si se seleccionan aleatoriamente
a 40 estudiantes, cul es la probabilidad de que la mayora haya promocionado la materia estadstica?
Propiedades binomiales
1. Propiedad 1 Dicotmica
Una v.a x tiene solo 2 resultados (dicotmica), E y E' (el apstrofo significa no E)
2. Propiedad 2 Variable Aleatoria
Se busca la v.a: y = Nmero de alumnos E.
P(E) = p = 0.52,
P(E') = q = 0.48.
3. Propiedad 3 Tamao
Las muestras tienen un tamao n = 40 > 1
4. Propiedad 4 Independencia
Se supone una poblacin suficientemente grande como para que la probabilidad en la extraccin de un
joven no influye significativamente en la probabilidad de la extraccin del siguiente. Es decir se considera
que n < 5%N.
Por lo tanto es una binomial b ( y , 40, 0.52)
El resultado exacto es:
P ( y > 20) = 1 CDF .BINOM (20, 40, 0.52) = 0.538
Condicin de aproximacin
nq = 40 0.48 = 19.2 5
Por lo tanto la binomial se puede aproximar con la normal n ( y , 20.8, 3.16)
El resultado aproximado (con cpc), es:
P ( y > 20.5) = 1 CDF .NORMAL(20.5, 20.8, 3.16) = 0.538
2 Poisson a Normal
Considerando la distribucin de Poisson como un lmite de la Binomial ( = np ) para n tendiendo a
infinito (pgina 59) y sabiendo que adems bajo estas condiciones la Binomial tiene a una Normal,
concluimos que la distribucin de Poisson se aproxima a una Normal, para valores grandes del
promedio .
El criterio prctico para realizar una aproximacin adecuada, debe ser consistente con los criterios de
87
las aproximaciones Binomial-Poisson y Binomial-Normal (ver figura siguiente). Se adopta en

general:
> 10
Sntesis
Si reunimos estas dos nuevas aproximaciones, con las dos ya vistas, obtenemos el cuadro general
que se muestra en la figura 3-59, con los respectivos criterios de validez.
Normal
np y nq >5
n<5%N
Hipergeomtrica Binomial
>10
n>100 y p<0.1
Poisson
Figura 3-59
Aproximaciones entre distintas distribuciones
Distribucin t de Student, f(t,)

Una distribucin muy utilizada en estadstica es la desarrollada por el matemtico ingls William
Gosset, alias Student. Gosset fue contratado por los fabricantes de la cerveza Guinnes en Dublin,
para estudiar la forma en que la calidad de la cerveza fuera ms estable. Para controlar la economa
de la produccin, se le impuso la condicin de no utilizar grandes muestras. Gosset publicaba con el
seudnimo de Student pues la cervecera impeda que sus empleados publicaran artculos que
pudieran vulnerar el secreto industrial.
Como veremos en el captulo 4, su descubrimiento es la base del estudio inferencial para pequeas
muestras.
PDF
+1

t2 2
f (t , ) = f (0) 1 + 1

En el resto de las distribuciones utilizaremos el smbolo general de una funcin densidad (f) o de la
funcin distribucin (F) para evitar confusiones, pues, excepto para la normal, las distribuciones
llevan el mismo nombre que el eje.
Verificacin PDF
f ( x) > 0
f ( x)dx = 1
Esta ltima propiedad no se demuestra aqu.

Ic Modelos tericos de una variable Distribucin t de Student, f(t, )
Grados de libertad
Se aprecia en la ecuacin que esta distribucin, adems de t, depende de otra variable simbolizada
con la letra griega nu (), llamada grado de libertad. Esta variable estar presente en las 3
distribuciones que restan. Los grados de libertad son la cantidad de valores que son libres de variar,
conocidos algunos parmetros de la distribucin. Su clculo se definir en cada distribucin, pero en
general es funcin del tamao de la muestra.
En la figura 3-60 puede apreciarse que es una distribucin simtrica y tambin de forma
acampanada. Respecto de la distribucin normal es platicrtica (captulo 1), es decir presenta ms
variabilidad. Sin embargo, a medida que aumentan los grados de libertad, la distribucin t se
aproxima a la normal.
Figura 3-60
PDF Distribucin t de Student
CDF
Figura 3-61
CDF Distribucin t de Student
Caracterizacin
E (t ) = 0 1
89

V (t ) = >2
2
Observar que, a diferencia de la distribucin normal, la desviacin estndar es algo mayor que 1, por
lo cual es platicrtica.
Propiedades
Suma o resta
Si X1, .,Xn son variables aleatorias independientes distribuidas con t de Student, entonces la
combinacin lineal de ellas, tambin se distribuye con t de Student.
Relacin con la chi-cuadrado
En la distribucin 2 se ver que la siguiente variable, sigue una distribucin t de Student con
grados de libertad, la cual ser utilizada extensamente en los captulos siguientes:
x
t ( ) =
s/ n
Se observa que si bien la variable t no depende del grado de libertad, se usa la simbologa t() para
expresar que la distribucin de t si depende de (ver la anterior expresin de la PDF).
El clculo del grado de libertad est dado por:
= n 1
Uso de tablas
valores de la distribucin t de Student, con las instrucciones que se encuentran en el apndice B, en
las secciones SPSS y EXCEL. Alternativamente, aunque restringido a los valores ms usuales, se
puede hacer uso de tablas, tal como las que se encuentran tambin en el apndice B. Se aprecia que,
a diferencia de la normal, esta tabla solo devuelve algunos percentiles de cola superior.
Estas tablas relacionan las 3 magnitudes: valores de eje, valores de rea y grados de libertad, los
cuales se resumen en la siguiente notacin en donde es el rea de la cola superior:
t ( )
Puede apreciarse que los valores de la t de Student se aproximan a una normal, aproximacin que es
satisfactoria para mayor que 30 (por lo cual las tablas generalmente terminan en este valor). Se
puede verificar que la ltima fila de la tabla (infinitos grados de libertad) contiene los valores de la
normal.
Por otra parte, para un determinado valor de una cola, por ejemplo 0.05, los valores de t aumentan al
disminuir los grados de libertad. Este comportamiento explica el hecho de hacerse cada vez ms
platicrtica, pues al tener colas de igual rea cada vez ms alejadas, deber hacerse menos alta en el
centro (el rea total debe ser siempre 1).
Problema resuelto 3.27 Distribucin t de Student
Se reproduce en la figura 3-62 parte de la tabla t de Student, del Apndice B. Esta tabla contiene los valores t
para determinadas probabilidades de cola superior y de grados de libertad . En la columna del margen
izquierdo se encuentran los grados de libertad y en la primera fila el valor de probabilidad de cola superior,
llamado . a) Hallar el valor t correspondiente a 6 grados de libertad y un = 0.0125, b) hallar el coeficiente
de curtosis definido por AIC/AEP (captulo 1, pgina curtosis1), para 6 grados de libertad, c) hallar la cola
superior para un valor t =2.015 y 5 grados de libertad. .

Ic Mod
delos tericos
s de una varia
able Distrib
bucin chi cua
adrado, f(
F
Figura 3-62
Taabla de valores t de Student (ccola superior)
a)
La resp
puesta es el valoor recuadrado: 2.9687.
b)
Dado quue la tabla no es
e suficientemeente completa, debe calcularsse con el SPSS
S.
c)
La resp
puesta es 0.05.
SPSS
S
a)
IDF.T(0.9875,6)
)=2.97
b)
AIC = IDF.t(0.7
75,6)- IDF.t(0.25,6)
)= 0.7176-(-0.7176) = 1.4352
AEP = IDF.t(0.9
90,6)- IDF.t(0.10,6)
)= 1.4398-(-1.4398) = 2.8796
AIC
Curtosiss = = 0.498
0
AEP
Valor menor
m que 0.5227 (correspondiiente a una disttribucin mesoocrtica), comoo era de esperaar al tratarse de
una disttribucin platiccrtica.
c)
1-CDF F.T(2.015,5 5)=0.0452
El valorr no es exactam
mente 0.05 puees el valor de t en la tabla (2.0
015) se encuenntra redondeadoo.
Dis
stribu uadrado, f((2, )
ucin chi cu
Esta diistribucin fue desarrolladaa por Karl Pearson, un mattemtico ingls, a veces acclamado comoo el
inventoor de la ciencia estadstica. Invent ademms el clculo
o del coeficieente de correllacin y acu
los trm
minos histogrrama y asimeetra. Fue am migo de Williaam Gosset, peero acrrimo enemigo
e de
Ronaldd Fisher (ver distribucin
d F El pacficoo Gosset, amiigo de ambos,, estaba siemppre intentandoo
F).
suavizaar los problem
mas entre elloos, sin xito.
PDF
Es un caso
c particulaar de la distrib
bucin Gamm
ma con:
= 1// 2
r = / 2
( 2 ) / 21
f ( 2 , ) = C 2 /2
1 2 > 0
e
donde:
1
C= /2
2 ( / 2)
Se aprecia en la ecuacin que esta distribucin, adems de 2, depende de otra variable simbolizada
con la letra griega nu (), llamada grado de libertad.
Para < 2, la distribucin tiene al eje y como asntota vertical y al eje x como asntota horizontal
(figura 3-63).
Para 2, la distribucin comienza en el origen y es sesgada hacia la derecha (figura 3-63). En
cualquier caso el eje no toma valores negativos. A medida que aumentan, los grados de libertad la
distribucin se hace cada vez ms simtrica y si > 100, se puede considerar normal.
Figura 3-63
PDF Distribucin chi cuadrado para 2
Verificacin PDF
f ( x) > 0
f ( x)dx = 1
Esta ltima propiedad resulta como caso particular de la distribucin Gamma.

Ic Modelos tericos de una variable Distribucin chi cuadrado, f(
CDF
Figura 3-64
CDF Distribucin chi cuadrado
Caracterizacin
Reemplazando los valores particulares de los parmetros de la distribucin chi cuadrado en la media
y varianza de la distribucin Gamma, se obtienen:
E( 2 ) = > 1
V ( 2 ) = 2 > 1
Propiedades
Suma
Si X1 y X2 son dos variables chi-cuadrado independientes con 1 y 2 grados de libertad, entonces la
suma de ambas es tambin una variable aleatoria chi-cuadrado con = 1 + 2 grados de libertad.
Cociente
Se ver en la siguiente distribucin.
Relacin con la distribucin Normal
Si Z1, .Zn son variables aleatorias normales independientes, entonces la variable:
n
2 ( ) = zi 2
i =1
tiene una distribucin chi cuadrado con = n grados de libertad.

Observar que este tipo de expresiones son una forma contracta de expresar la ecuacin
probabilstica:
n
P( 2 ( ) > 2 ) = P zi 2 > a =
i =1
En lugar de la CDF superior podra haberse usado la CDF inferior.
Caso particular: transformacin cuadrtica
93
Si = 1, resulta un problema de clculo de la PDF de la variable w = z 2 , si la PDF de la variable z

es normal.
Aplicando la relacin de PDF para una transformacin cuadrtica (pgina 27), resulta:
g ( w) =
1
2 w ( ) ( )
w + w = w1/2
1 s /2
2
e
Dado que (1 / 2) = (pgina 69), observamos que w = z 2 tiene una distribucin chi cuadrado.
Por lo tanto:
P( 2 (1) > 2 ) = P( z 2 > a) =
Desarrollando la expresin del segundo miembro:
P( z 2 > a ) = P ( a > z > a ) =

o tambin:
P( z 2 > a) = P( z /2 > z > z /2 ) =
Por lo tanto:
P( 2 (1) > 2 ) = P( z /2 > z > z /2 ) =
Esta relacin se resume con la expresin:
2 (1) = z / 2 2
En un lenguaje cercano al de la sintaxis del SPSS:
sig .chisq ( x ,1) = sig .norm ( sqrt ( x ), 0,1)
donde sqrt ( x) = x . Observar que la variable del eje de la funcin SIG de la normal es el cuadrado
de la correspondiente a la variable de la funcin SIG de la chi-cuadrado.
En la figura siguiente se presenta la grfica de las PDF de estas funciones (coincidentes). La curva
de la normal converge a la de la chi-cuadrado debido al escalamiento de su eje x con x.

Ic Modelos tericos de una variable Distribucin chi cuadrado, f(
Figura 3-65
Si en la ecuacin de z se usa x , en lugar de :
n
( x x )2 s 2 (n 1)
2 ( ) = =
1 2 2
con = n 1 grados de libertad.
Relacin con la distribucin t de Student
x
z x x
t= = =
2 s2 s
2 n

donde se ha usado la relacin x = que se ver en la unidad 4. Esta expresin es en realidad la
n
definicin de una distribucin t de Student que ser utilizada a partir del captulo 4, para modelar la
distribucin de medias en muestras pequeas.
Aproximacin a una normal
Si >100, la distribucin 2 se puede aproximar a una normal (con la media y desviacin estndar
anteriores). Es por esta razn que las tablas de 2 usualmente llegan solo a = 100.
2 2
Si 2 se aproxima a una distribucin normal, entonces s 2 = tambin, con.
n 1
s 2 (n 1)
E( 2 ) = E = n 1

2

de donde:
E(s 2 ) = 2
Anlogamente:
s 2 (n 1)
V ( 2 ) = V = 2(n 1)

2

de donde:
4
V (s 2 ) = 2
n 1
Uso de tablas
valores de la distribucin 2, con las instrucciones que se encuentran en el apndice B, en las
secciones SPSS y EXCEL. Alternativamente, aunque restringido a los valores ms usuales, se puede
hacer uso de tablas, tal como las que se encuentran tambin en el apndice B.
Estas tablas relacionan las 3 magnitudes: valores de eje, valores de rea y grados de libertad, los
cuales se resumen en la siguiente notacin, en donde es el rea de la cola superior:
2 ( )
95
Captulo 3 Distrib
P es
Se apreecia que, debiido a que la distribucin

d ess asimtrica y por limitacioones de espaccio, solo
devuelve algunos peercentiles. El valor mxim mo de es 100 0, pues a partir de este valoor, la
distribuucin 2 se approxima a la Normal.
N
Prob bucin 2
blema ressuelto 3.228 Distrib
Se reprooduce en la fig
gura 3-66 parte de la tabla Chhi-cuadrado, deel Apndice B. Esta tabla conntiene los valores
2 para determinadas probabilidadess de cola superrior y de gradoss de libertad .
En la co
olumna del maargen izquierdoo se encuentrann los grados de libertad y en la primera fila el e valor de de
d
or 2 corresponndiente a 6 grados de libertadd y
cola supperior. As porr ejemplo el vallor recuadradoo 1.64 es el valo
un = 0.950.
F
Figura 3-66
Tabla de valores
v chi cuaadrado
SPSS
S
IDF.C
CHISQ(0.05,
,6)=1.64
CDF.C
CHISQ(1.64,
,6)=0.0503
Nota
Para lass distribuciones 2 y F, SPSS tiene tambin una sintaxis directa
d para devvolver la cola superior:
s
sig.c chisq(1.64, ,6)=0.946
Dis
stribu
ucin F, f(F
F,1, 2)
Esta diistribucin se debe al estaddstico ingls sir Ronald Fiisher, por la cual lleva su innicial (propueesta
por el matemtico
m n
norteamerican no George Sneedecor, con cuyo nombre ttambin se la asocia).
Fisher fue contempo orneo de Wiilliam Gosset (alias Studennt) y de Karl P Pearson. Fue probablement
p te
el ms brillante de los miembros del cerrado ggrupo de estad dsticos britnnicos. Influyeeron
notableemente en su produccin y en el desarroollo de poderrosas herramiientas metodoolgicas, sus 14 1
aos enn contacto con problemas reales,
r en unaa estacin expperimental aggrcola en Herrtfordshire, a 50
5
km al norte
n de Lond
dres.
PDF
Es un miembro
m de la familia de distribuciones
d s beta.
96 Jorge
e Carlos Carrr
Ic Modelos tericos de una variable Distribucin F, f(F,
+
1 2
1 /2 1 1 2
f ( F , 1 , 2 ) = CF 1 + F 1 1, 2 1
2
donde:
1
( 1 + 2 ) / 2) 1 2
C=
( 1 / 2)( 2 / 2) 2
No debe confundirse el smbolo f usado para simbolizar la funcin densidad, del F usado para
simbolizar la variable de la distribucin F.
Se aprecia en la ecuacin que esta distribucin, adems de F, depende de otras 2 variables
simbolizadas con la letra griega nu (), llamadas grados de libertad. Adems se observa que la
dependencia con ambos grados de libertad no es simtrica, por lo cual1 y 2 no pueden ser
intercambiados (ver propiedad recproca ms adelante)
Para 1 2, la distribucin tiene al eje y como asntota vertical y al eje x como asntota horizontal.
Para 1 2, la distribucin comienza en el origen y es sesgada hacia la derecha.
En cualquier caso el eje de la distribucin F no toma valores negativos.
Figura 3-67
PDF Distribucin F
Verificacin PDF
f ( x) > 0
f ( x)dx = 1
Esta ltima propiedad no se demuestra aqu.
97
CDF
Figura 3-68
CDF Distribucin F
Caracterizacin
2
E(F ) = , 2 > 2
2 2
2 22 ( 1 + 2 2)
V (F ) = , 2 > 4
1 ( 2 2)2 ( 2 4)
Propiedades
Relacin con 2
2 ( 1 ) / 1
F ( 1 , 2 ) =
2 ( 2 ) / 2
Recordar nuevamente que esta expresin resume una ecuacin probabilstica del tipo CDF.
2 ( ) /
P( F ( 1 , 2 ) > a) = P 2 1 1 > b =
( 2 ) / 2
Esta relacin es en realidad la definicin de la distribucin F que ser utilizada en el captulo 5 y es
equivalente a la siguiente, ver pgina 95:
s12 / s22
F ( 1, 2 ) =
22 / 22
con los grados de libertad de la PDF dados por:
1 = n1 1
2 = n2 1

Ic Modelos tericos de una variable Distribucin F, f(F,
Se observa que si bien la variable F puede no depender del grado de libertad, se usa la simbologa
F(1, 2) para expresar que la distribucin de F si depende de (1, 2) (ver la anterior expresin de la
PDF).
Relacin con t de Student
F (1, ) = t ( )2
Demostracin
(x )
2
2
2 (1) z2 2 x
F (1, 2 ) = 2 = = = = t ( 2 )
2
( 2 ) / 2 1 n ( x )2
2
s2 s

2 1 2 2
z
Tambin podra haberse utilizado la relacin: t = .
2

En forma similar al tratamiento visto en 2, se desarrolla la expresin del segundo miembro:
P(t 2 > a) = P( a > t > a ) =

o tambin:
P( F (1, ) > F ) = P(t /2 < t < t /2 ) =
Esta relacin se resume con la expresin:
F (1, ) = t /2 2 ( )
Propiedad reciproca
Permite calcular los puntos porcentuales de cola izquierda a partir de una tabla de cola derecha.
1
FI ( 1 , 2 ) =
FS ( 2 , 1 )
En la figura 3-69, se puede observar el procedimiento. Para hallar el valor FI de cola inferior, se entra
con valores invertidos de los grados de libertad y se invierte el valor de F cola superior.
Por ejemplo:
1
a = F0.05 ( 1 , 2 ) =
F0.95 ( 2 , 1 )
Siendo 0.05 y 0.95, valores CDF de la distribucin.
99
Figura 3-69
Propiedad reciproca
Uso de tablas
valores de la distribucin F, con las instrucciones que se encuentran en el apndice B, en las
secciones SPSS y EXCEL. Alternativamente, aunque restringido a los valores ms usuales, se puede
hacer uso de tablas, tal como las que se encuentran tambin en el apndice B, para determinados
valores de 1 y 2.
Estas tablas relacionan las 4 magnitudes: valores de eje, valores de rea y los 2 grados de libertad,
los cuales se resumen en la siguiente notacin, en donde es el rea de la cola superior:
F (1 , 2 )
Se aprecia que, debido a que la distribucin es asimtrica y por limitaciones de espacio, solo
devuelve algunos percentiles de cola superior. Afortunadamente, los de cola inferior se obtienen con
la propiedad recproca.
Problema resuelto 3.29 Distribucin F
Se reproduce en la figura 3-70 parte de la tabla F, del Apndice B. Esta tabla contiene los valores F para
determinadas probabilidades de cola superior ( = 0.05 en este encabezamiento) y de grados de libertad 1
(primera fila) y 2 (primera columna). As por ejemplo el valor recuadrado 4.12 es el valor F correspondiente a
una cola superior de 0.05, 4 grados de libertad 1 y 7 grados de libertad 2.

Ic Modelos tericos de una variable Distribuciones truncadas
Figura 3-70
Tabla de valores F
SPSS
IDF.F(0.95,4,7)=4.12
CDF.F(4.12,4,7)=0.9499
Nota
Para las distribuciones 2 y F, SPSS tiene tambin una sintaxis directa para devolver la cola superior:
sig.F(4.12,4,7)=0.05
Problema resuelto 3.30 Propiedad reciproca
Obtener el valor F del lmite superior de una cola inferior CDF = 0.05 con grados de libertad 1 = 10 y 2 = 5.
Por la propiedad recproca esto es equivalente al valor inverso del lmite de cola superior 0.05 y grados de
libertad 1 = 5 y 2 = 10. De la tabla que se muestra en la figura 3-70, se extrae el valor
F = 3.33. Por lo tanto el valor buscado es:
1
F= = 0.3
3.33
SPSS
IDF.F(0.05,10,5)=0.30
Estimador de Densidad Kernel, Kernel Density

Estimate, KDE.
En el captulo 1, pgina kernel1, vimos los grficos de Estimadores de Densidad Kernel, KDE,
construidos con rectngulos. Estos grficos se corresponden con la eleccin de una distribucin
uniforme la cual pesa todos los datos de igual forma, pero podra elegirse otra distribucin. Entre
ellas podemos citar: triangular, normal o gausiana y la epanechnikov (de tipo parablico que pesa
menos los extremos).
En el apndice A se brinda la sintaxis para obtener varias de ellas con el SPSS.
Distribuciones truncadas
Se desea convertir una distribucin PDF f ( x ) que no es cero a la derecha de un punto x = r en
otra que lo sea y se llamar distribucin truncada hacia la derecha del punto r (sin considerarlo).
La expresin de su CDF se obtiene calculando la probabilidad condicional dada la probabilidad
P ( X r ) (ver figura 3-71), es decir:
P ( X x)
F (x | x r) = xr
P( X r )
Por lo tanto su PDF en funcin de la PDF original, ser:
101
f ( x)
xr
f ( x | x r ) = P( X r )
0 x>r

Figura 3-71
Anlogamente, para una distribucin truncada a la izquierda:
f ( x)
xr
f ( x | x r ) = P( X r )
x<r
0
Ejemplos
Contnua
Una PDF exponencial truncada a la izquierda de x = r , ser:
e x
f (x | x r) =
e r
Discreta
Una PDF de Poisson truncada a la derecha de x = r ser:
e x
P ( X = x) = C
x!
con:
1
C= r
e j

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

j =0 j!
Problema resuelto 3.31 Normal truncada a la izquierda
El tiempo de vida de un componente est normalmente distribuido Con media 4 y varianza 4. Dado que esta
variable no puede tomar valores negativos y la distribucin normal asume valores positivos y negativos, no
sera vlida para X < 0. Si el valor de la probabilidad para X < 0 es despreciable, el modelo puede ser vlido,
pero si no lo es, se debe truncar a la PDF.
En este caso:

Ic Modelos tericos de una variable Momentos de orden n
04
P ( X < 0) = = ( 2) = 0.023
2
Con este valor, el modelo sin truncar no es muy preciso, por lo tanto debemos truncar a la izquierda de X = 0,
resultando:
2
1 1 x4
exp
f ( x) = 2 2
2 2
(2)
Momentos de orden n
Los momentos de orden n vistos en el captulo 1 (pgina momentosr), se generalizan tanto a
variables discretas como contnuas. En las siguientes ecuaciones, la expresin con sumatoria
corresponde a variables discretas y la expresin con integral a variables contnuas.
Naturales Centrados

a1 = E ( X ) = xp = xf ( x)dx = c1 = E ( X ) = ( x ) p = ( x ) f ( x)dx = 0

a2 = E ( X ) = x p =
2 2
x
2
f ( x)dx c2 = E ( X ) = ( x ) p =
2 2
(x )
2
f ( x)dx = 2

an = E ( X ) = x p =
n n
x
n
f ( x)dx cn = E ( X ) = ( x ) p =
n n
(x )
n
f ( x)dx

Funcin generadora de momentos, MGF

m(t)
Muchas distribuciones de probabilidades distintas tienen la misma media y varianza, pero si dos
distribuciones tienen todos los momentos de orden n iguales (captulo 1, pgina momentosr y
seccin anterior), entonces se puede demostrar que ambas distribuciones son idnticas.
Se puede definir una funcin que contiene todos los momentos naturales de una distribucin y por
esta razn se llama Funcin Generadora de Momentos o MGF (Moment Generator Function), MX(t).
Si la variable es discreta demostraremos que es:

M X (t ) = E (etx ) = etx p ( x)

Si la variable es contnua demostraremos que es:

M X (t ) = E (etx ) = e f ( x)dx
tx
Puede observarse que la MGF es simplemente el valor esperado de e tx .
103
La notacin M X (t ) expresa la dependencia con X y prepara la expresin para cuando se consideren

2 o ms variables (como regla nemotcnica, del exponente de e tx , el valor t pasa al parntesis de M y
el valor x al subndice).
Demostracin
Desarrollaremos (Mc Laurin) tanto el primer miembro como el segundo y luego identificaremos
ambas resultados.
1 Desarrollo del segundo miembro
La expansin en series de e tx (desarrollo de Mc Laurin) es:
(tx) 2 (tx)3
etx = 1 + tx + + + ...
2! 3!
Realizaremos la demostracin para una variable discreta (la de variable contnua es idntica).

(tx) 2 (tx)3
M X (t ) = E (etx ) = etx p( x) = 1 + tx + + + ... p( x)
2! 3!
Si los momentos ai son finitos se pueden intercambiar las sumatorias:

t2 2 t3 3
= p( x) + t xp( x) + x p ( x ) + x p( x) + ...
2! 3!
Finalmente:
t2 t3
M X (t ) = 1 + ta1 + a2 + a3 + ...
2! 3!
2 Desarrollo del primer miembro
El desarrollo de Mc Laurin de la funcin MX(t) es:
t2 t3
M X (t ) = M X (0) + M X '(0)t + M X ''(0) + M X '''(0) + ...
2! 3!
Es decir:
t2 t3
M X (t ) = 1 + M X '(0)t + M X ''(0) + M X '''(0) + ...
2! 3!
3 Identificacin
Comparando ambos desarrollos, resulta:
a1 = E ( X ) = M X '(0)
a2 = E ( X 2 ) = M X ''(0)
a3 = E ( X 3 ) = M X '''(0)
...
ak = E ( X k ) = M X k (0)
Nota
Los momentos centrados se pueden obtener de los naturales aplicando la propiedad de transformacin
lineal que se ver luego.

Ic Modelos tericos de una variable Funcin generadora de momentos, MGF m(t)
Problema resuelto 3.32 Obtencin de MX(t)
Hallar la MGF de las siguientes distribuciones: binomial, geomtrica, uniforme, gamma, exponencial y
normal.
a) Binomial
n n
M X (t ) = etx p x q n x = ( pet ) q n x
n n x
x =0 x x =0 x
M X (t ) = ( pet + q )
n
Verificar las ecuaciones de la media y de la varianza.
Media
M X '(t ) = n ( pet + q )
n 1
pet
= M X '(0) = np
Varianza
Y = X
V ( X ) = E (Y ) 2
Si bien la propiedad de transformacin lineal se ver en el punto siguiente, se puede operar constructivamente:
M Y (t ) = E (e yt ) = E (e xt t ) = e t E (e xt ) = e t M X (t ) = e t ( pet + q )
n
Hallando la primera derivada en t y luego la segunda, se obtiene (la expresin pe + q se reemplaza por (.) :
t
M Y ''(t ) = 2 e t e t n(.) n 1 et + pet (1 ) (1 ) n(.) n 1 + pet (1 ) n(n 1)(.) n 2 pet

Reemplazando t = 0 , q = 1 p y simplificando, resulta:
V (Y ) = M Y ''(0) = npq
b) Geomtrica
( qet )
n
p n
M X (t ) = etx q x 1 p =
x
x =0 q x=0
La suma de la serie es una serie geomtrica y si restringimos los valores de t tal que o < qet < 1 , converge y
por lo tanto:
p qet
M X (t ) =
q 1 qet
pet
M X (t ) =
1 qet
c) Poisson
( et )
x

e x
M X (t ) = e tx
=e

x =0 x! x =0 x!
y
De la expansin en series de e , resulta.
105
= e e e
t
( )
et 1
M X (t ) = e
d) Uniforme
b
etx
M X (t ) = dx
a
ba
1
M X (t ) =
t (b a )
( ebt e at ) t0
e) Gamma

r
e ( x ) e dx =
r 1
(r ) 0
x
M X (t ) = tx
x r 1e x ( t ) dx
( r ) 0
Haciendo el cambio de variable u = x ( 1)

1
r
u e du
r 1 u
=
t (r ) 0
r 1
r u
M X (t ) =
( t )(r ) 0 t
e u du
como la integral es ( r ) ,
M X (t ) =
t
f) Exponencial
Es un caso especial de la Gamma con r = 1 .

M X (t ) = t <
t
g) Chi cuadrado
Es un caso particular de la distribucin Gamma con = 1/ 2 y r = / 2 . Por lo tanto.

M X (t ) = (1 2t ) / 2
h) Normal
1 N (0,1)

1 z2 / 2 1
e e
tz z 2 / 2
M Z (t ) = tz
e dz = dz
2 2
completando cuadrados;

1 ( )
2
z / 2 t / 2 +t 2 / 2
=
2
e dz

Ic Modelos tericos de una variable Funcin generadora de momentos, MGF m(t)
2 2
et /2 et / 2

u 2 2
= 2e du = 2 = et /2
2 2
2
M Z (t ) = e t /2
2 N ( , )
Si bien la propiedad de transformacin lineal se ver en el punto siguiente, se puede operar constructivamente:
Y = + Z
Por lo tanto:
2 2
M Y (t ) = E (e yt ) = E (e t + Zt ) = e t E (e Zt ) = e t M Z ( t ) = e t e t /2
2 2
M Y (t ) = e t e t /2
2 2
M Y (t ) = e t e t /2
Propiedades de la MGF
Unicidad
Si una distribucin de probabilidades f(x) tiene una MX(t), sta es nica.
Este teorema que adoptamos sin demostracin, demuestra la afirmacin realizada al principio en el
sentido de que si dos distribuciones tienen los todos sus momentos iguales, es decir sus MX(t)
iguales, entonces ambas distribuciones son idnticas.
Esta conclusin ser utilizada en el captulo 4 para demostrar el Teorema Central del Lmite, TCL.
1 Variable: Transformacin lineal

Y = aX + b
M Y (t ) = E (e( ) )) = ebt E (eatX )
aX + b t
M Y (t ) = ebt M X ( at )
La traslacin b aparece como parte del exponente de coeficiente exponencial y el cambio de escala
a como parte de la variable dentro del parntesis.
>1 Variables: Suma + independencia
Se demuestra para 2 variables pero se extiende a ms de 2.
Z = X +Y
M Z (t ) = E (e Zt ) = E ( e( X +Y )t ) = E ( e Xt eYt )
si adems X e Y son independientes,
= E (e Xt ) E (eYt ) = M X (t ) + M Y (t )
M Z (t ) = M X (t ) + M Y (t )
>1 Variables: Propiedad reproductiva (algunas distribuciones)

Algunas distribuciones poseen la siguiente propiedad: la distribucin de la suma es del mismo tipo
que la de los sumandos.
107
Poisson independientes
M X (t ) = e 1
(
et 1 )
( )
2 et 1
M Y (t ) = e
Por lo tanto:
M Z (t ) = M X (t ) M Y (t ) = e
(
( 1 + 2 ) et 1 )
Esta es la MGF de una distribucin de Poisson con parmetro 1 + 2 .
Normal independientes
M z (t ) = M X (t ) M Y (t ) = exp( 1t + 12t 2 / 2) exp( 2t + 2 2t 2 / 2)
= exp ( ( 1 + 2 )t + ( 12 + 2 2 )t 2 / 2 )
Esta es la MGF de una distribucin normal con media 1 + 2 y varianza 12 + 2 2 .
Chi cuadrado independientes

M Z (t ) = M X (t ) M Y (t ) = (1 2t ) (1 + 2 )/ 2
Exponencial independientes
Esta distribucin no tiene la propiedad reproductiva pero tiene una similar:
Si r distribuciones exponenciales tienen el mismo parmetro , la distribucin suma tiene una
distribucin Gamma con parmetros y r.
Esto es as pues:
M Z (t ) =
t
Corolario
Dada la distribucin Z anterior, la variable aleatoria W = 2 Z tiene una distribucin chi cuadrado
con = 2r.

r
= (1 2 t )
2 r /2
M W (t ) = M Z (2 t ) =
2 t
Esta es una distribucin chi cuadrado con = 2r grados de libertad.
Este corolario brinda una forma de calcular una distribucin Gamma con una distribucin chi
cuadrado.
As por ejemplo P ( Z 4) = P (2 Z 8 ) . Esta ltima se calcula como una distribucin chi
cuadrado (dados y r) de W = 2 z y = 2r .
Por ejemplo, si r = 3 y = 4:
CDF.GAMMA(1,r,)=CDF.GAMMA(1,3,4)=CDF.CHISQ(2(1)(4),2(3))=CDF.CHISQ(8,6)=0.762.

IIa Dos variables 1. Mtodos tabulares y grficos
IIa Dos variables
En esta seccin y la siguiente, la variable en estudio es de tipo vectorial, llamado vector aleatorio:
G
Y = (Y1 , Y2 ,...Yk )
Se tratar esencialmente el caso de 2 variables, pero el tratamiento es extensivo al caso
multivariable.
1. Mtodos tabulares y grficos

Sean X e Y con funciones de distribucin contnuas, F1(x) y F2(y) y funciones densidad, f1(x) y f2(y)
(resultar ms prctico usar, para la variable independiente, la notacin con parntesis en lugar de
subndices).
a Variables discretas
Son las expresiones vistas en el captulo 1 (2 variables), cambiando la frecuencia relativa por la
probabilidad p.
PF
Se define la probabilidad conjunta (llamada tambin PF, Probability Function o PDF, Probability
Density Function) como:
p ( x, y ) = P ( X = x, Y = y )
CDF
Se define la probabilidad acumulativa conjunta como:
F ( x, y ) = P ( X x, Y y )
Siendo:
a b
P ( X a, Y b) = p ( x, y )

109
PF marginales
p1 ( x) = p( x, y )
x2
p2 ( y ) = p( x, y )
x1
PF condicionales
p ( x, y )
p1 ( x | y ) =
p2 ( y )
p ( x, y )
p2 ( y | x ) =
p1 ( x)
Independencia
X e Y se dicen independientes si:
p1 ( x | y) = p1 ( x)
p2 ( y | x) = p2 ( y)
Combinando las ecuaciones anteriores, se obtiene la condicin de independencia:
p( x, y) = p1 ( x) p2 ( y)
b Variables contnuas
Las funciones conjuntas se simbolizarn como F(x,y) y f(x,y), las cuales se definen a continuacin, a
partir de sus correspondientes categricas.
CDF
Como ya adelantamos en el captulo 1, las expresiones para variables categricas se generalizan
informalmente a variables de escala, cambiando:
la frecuencia relativa fx por fdx
la frecuencia relativa conjunta fxy por f(x,y)dxdy
y las sumatorias por integrales.
x y
F ( x, y) = P( X x, Y y) = f ( x, y)dxdy

PDF
La vinculacin entre una funcin PDF y su correspondiente CDF, se obtendr derivando la expresin
de F ( x, y ) , primero con respecto de x y luego respecto de y, recordando la regla de derivacin de
una funcin integral (integral definida que depende de su lmite superior).
F ( x, y )
f ( x, y ) =
xy

IIa Dos variables 2. Mtodos numricos
Probabilidad de masas
Al igual que para una variable, pgina 16, resulta til la analoga que surge de considerar a la
funcin densidad como una densidad superficial de masa en el plano xy. Con esta interpretacin la
funcin densidad sera el volumen entre la superficie y el plano xy. En particular si la PDF es
constante (distribucin uniforme) de valor c y el rea en el plano xy es A, la constante deber ser
1/ A.
PDF marginales

f1 ( x) = f ( x, y )dy

Si se representa la PDF bivariable en 3D (con la funcin densidad en el eje vertical), se puede
visualizar este resultado asimilndolo al caso discreto visto en el captulo 1, discretizando la grfica
en un diagrama de barras elementales y acumulando las probabilidades de f ( x, y ) (tabla de
contingencias con celdas elementales en el plano x-y) a lo largo de lneas paralelas al eje y.
Anlogamente:

f2 ( y) = f ( x, y )dx

PDF condicionales
f ( x, y )
f1 ( x | y ) =
f2 ( y)
f ( x, y )
f 2 ( y | x) =
f1 ( x )
La visualizacin de estas frmulas con una tabla de contingencias se realiza en forma similar al de
las PDF marginales.
Independencia
X e Y se dicen independientes si:
f1 ( x | y) = f1 ( x)
f 2 ( y | x) = f 2 ( y )
Combinando las ecuaciones anteriores, se obtiene la condicin de independencia:
f ( x, y) = f1 ( x) f 2 ( y)
Esta ecuacin es equivalente a:
F ( x, y) = F1 ( x) F2 ( y)
2. Mtodos numricos
A menos que se exprese especficamente, las expresiones que se enumeran a continuacin son
genricas y debern ser calculadas con la expresin discreta o contnua segn corresponda.
Adicionalmente, se recuerda que las expresiones para variables cuantitativas discretas son las
mismas que para variables cuantitativas contnuas cambiando las sumatorias por integrales y la
probabilidad p ( xy ) por f ( xy ) dxdy .
111
Medidas de posicin
Vector esperanza
Como la variable aleatoria es vectorial, la esperanza tambin. Es el vector esperanza de las
distribuciones marginales.
( E ( X ), E (Y ))
Este vector, tal como se indic en el captulo 1, se corresponde con las coordenadas del centro de
gravedad, en este caso, de la nube de puntos.
Esperanza conjunta
Como ya vimos en el captulo 1, pgina E2var1, se puede calcular como:
Discretas
E ( XY ) = pxy XY
x y
Contnuas
+ +
E ( XY ) = xyf ( x, y)dxdy

Esperanza condicional
Discretas
E ( X | y ) = xi p ( xi | yi )
i
La interpretacin es directa. Es simplemente la media de la distribucin condicional p( xi | yi ) .

Observar que E ( X | y ) depende de y, por lo tanto es una variable aleatoria. La notacin indica
estrictamente hablando, el valor de la variable aleatoria E ( X | Y ) .
Contnuas

E ( X | y ) = xf ( x | y ) dx

Medidas de dispersin
Vector varianza
Al igual que las de posicin, como la variable aleatoria es vectorial, la varianza tambin los es. Es el
vector varianza de las distribuciones marginales.
(V ( X ), V (Y ))
.
Como ya vimos en el captulo 1, pgina Steiner1, se puede calcular como:
V (X ) =
SS xx
=
X 2
N2
= E( X 2 ) ( E( X ))
2
N N
IIa Dos variables Medidas de asociacin
Varianza conjunta
La varianza conjunta es la covarianza y se desarrollar en la prxima seccin.
Varianza condicional
Var (Y | X ) = E (Y E (Y | X )) 2 | X
En otras palabras es la misma definicin general de varianza aplicada a la distribucin condicional

con X conocido (observar que todas las esperanzas son condicionales).
Medidas de asociacin
La extensin de las expresiones del captulo 1 es anloga a la de las medidas de posicin.
Covarianza
Discretas
Cov( XY ) = pxy x y
x y
Contnuas
+ +
Cov( XY ) =

x y f ( x, y )dxdy
Como ya vimos en el captulo 1, pgina Steiner2var1, se puede calcular como:

SS xy
Cov( X , Y ) = = E ( XY ) E ( X ) E (Y )
N
Correlacin lineal
Cov( X , Y )
=
Sx S y
Si se multiplica numerador y denominador por N , se obtiene una expresin en funcin de los SS:
SS xy
=
SS xx SS yy
Si se aplica a variables de escala, se obtiene el coeficiente de correlacin de Pearson, en cambio si
las variables son ordinales (por ejemplo tomando los rangos o posiciones ordenadas de una variable
de escala, a los que llamaremos RX y RY), se obtiene el coeficiente de correlacin de Spearman.
Matriz Covarianzas, P
Al igual que en la unidad 1, pgina SSCP1, se presentan todos los resultados de varianzas y
covarianzas en el formato de matriz, P, como en la siguiente figura.
Varxx Covxy
Covyx Varyy
113
Figura 3-72
Matriz de correlaciones, R
La matriz de correlacin R, contiene las correlaciones:
Cov(Yi , Y j )
rij =
sii s jj
Por lo tanto los elementos de la diagonal principal sern 1 y los restantes se calculan tomando de la
matriz de covarianzas, el valor de la celda en cuestin, dividindolo por la raz cuadrada del
producto de los 2 valores de la diagonal principal que intersectan la celda en cuestin.
Problema resuelto 3.33. Gnero de los hijos
En una comunidad, 15% de las familias no tienen hijos, 20% tienen 1, 35% tienen 2 y 30% tienen 3. Suponer
que el nacimiento de varn es independiente de mujer. Una familia es elegida al azar, V es el nmero de hijos
Varones, M es el nmero de hijos Mujeres. a) Construir la TC de las variables V y M, b) Hallar la probabilidad
de que esa familia tenga 1 V sabiendo que tiene 1 M, c) obtener la distribucin condicional dada M = 2, d)
hallar la E(V|M=2).
a) TC
M
p(x,y)
0 1 2 3 Total
0 0.15 0.10 0.0875 0.0375 0.375
1 0.10 0.175 0.1125 0 0.3875
V 2 0.0875 0.1125 0 0 0.20
3 0.0375 0 0 0 0.0375
Total 0.375 0.3875 0.20 0.0375 1
Figura 3-73
Estos valores surgen de construir el rbol de probabilidades condicionales.
P(V = 0, M = 0) = P( No hijos) = 0.15
P(V = 0, M = 1) = P(1H ) P(1M |1H ) = 0.20(0.5) = 0.10
P(V = 0, M = 2) = P(2 H ) P(2M | 2 H ) = 0.35(0.5)(0.5) = 0.0875
P(V = 1, M = 2) = P(3H ) P((2M ,1H ) | 3H ) = 0.30(0.5)2 (0.5) P3(2,1) = 0.1125
El resto del rbol se deja al lector.
b)
0.175
P (1V |1M ) = = 0.452
0.3875
c)
Es simplemente el perfil columna de M = 2.
V 0 1 2 3 Total
E(V|M=2) 0.4375 0.5625 0 0 1
Figura 3-74
d)
E (V | M = 2) = 0(0.4375) + 1(0.5625) = 0.5625

Problema resuelto 3.34. Demanda diaria
La siguiente PF representa la demanda diaria de dos determinados productos. a) Construir la distribucin para
todos los valores de las variables, b) expresar las funciones marginales, c) obtener las medias y varianzas de las
marginales y la media conjunta, d) hallara la media condicional de x1 = 3, e) hallar la covarianza, la correlacin
y decidir si las variables son independientes.
1
f ( x1 , x2 ) = ( x12 x2 ) x1 = 2,3 x2 = 1, 2
20
a)
x1
f(x1,x2) Total
2 3
1 3/20 8/20 11/20
x2
2 2/20 7/20 9/20
Total 5/20 15/20 1
Figura 3-75
b)
f x1 = ( 5 / 20, 15 / 20 )
f x2 = (11/ 20, 9 / 20 )
c)
E ( x1 ) = 2(5 / 20) + 3(15 / 20) = 2.75
E ( x2 ) = 1(11/ 20) + 2(9 / 20) = 1.45
V ( x1 ) = E ( x12 ) ( E ( x1 ) ) = 0.187
2
V ( x2 ) = E ( x2 2 ) ( E ( x2 ) ) = 0.247
2
E ( x1 , x2 ) = 2(1)(3 / 20) + 3(1)(8 / 20) + 2(2)(2 / 20) + 2(3)(7 / 20) = 4

d)
8 / 20 7 / 20
E ( x2 | x1 = 3) = 1 + 2 = 1.467
15 / 20 15 / 20
e)
Cov( x1 , x2 ) = E ( x1 , x2 ) E ( x1 ) E ( x2 ) = 4 (2.75)(1.45) = 0.0125
Tambin podra calcularse en forma anloga a la esperanza E ( x1 , x2 ) , celda por celda reemplazando las
variables por sus desviaciones.
Cov( x1 , x2 ) 0.0125
= = = 0.058
( x1 ) ( x2 ) 0.432(0.497)
La covarianza no es cero (o equivalentemente, E ( x1 , x2 ) E ( x1 ) E ( x2 ) ), por lo tanto las variables son
dependientes. Observar que se trata de una magnitud poblacional, por lo tanto es un modelo terico exacto y
entonces cualquier valor distinto de 0 (aunque sea pequeo), indica dependencia.
115
Problema resuelto 3.35. Tiempo de vida de 2 dispositivos

electrnicos
La siguiente funcin densidad conjunta representa el tiempo de vida de dos dispositivos electrnicos.
a) Obtener P(X > 1, Y < 1), b) P(X < Y), c) P(X < a), d) f(x|y), e) E(X|y), f) Cov(x,y) y , g) E(XY), E(X) y
E(Y).
2e x e 2 y 0 < x < , 0 < y <
f ( x, y ) =
0 en otro punto
a)
1
P( X > 1, Y < 1) = 2e x e2 y dxdy
0 1
1
= 2e2 y |-e x |1 dy = e1 (1 e2 )
0
b)
Construir un diagrama para observar la regin de integracin.
2e
x 2 y
P( X < Y ) = e dxdy
x< y
y
= 2e x e2 y dxdy
0 0

= 2e2 y (1 e y ) dy = 1 2 / 3 = 1/ 3
0
c)
Construir un diagrama para observar la regin de integracin.
a
P( X < a) = 2e x e2 y dydx
0 0
a
= e x dx = 1 e a
0
d)
Para las restantes preguntas es conveniente calcular previamente las distribuciones marginales.

f1 ( x) = 2e x e 2 y dy = e x 2e 2 y dy =e x
0 0

f 2 ( y ) = 2e x e 2 y dx = 2e 2 y e x dx =2e 2 y
0 0
Observar que:
f ( x, y ) = f1 ( x) f 2 ( y )
por lo cual las variables son independientes.
f ( x , y ) 2 e x e 2 y
f1 ( x | y ) = = 2 y
= e x
f2 ( y) 2e
lo cual no extraa pues al ser independientes, f ( x | y ) = f ( x ) .
e)


E ( X | y ) = xf1 ( x | y ) dx = xe x dx = xe x e x =1
0 0 0 0
f)
Por ser independientes la covarianza debe ser 0 y por lo tanto tambin la correlacin.
g)

x x
E ( X ) = xf1 ( x)dx = xe dx = xe
x
+ e dx = x
x
+ e x dx = 1
0 e
0 0 0 0 0
Anlogamente:

E (Y ) = yf 2 ( y )dy = y 2e2 y dy = 0.5
0 0
E(XY) se podr calcular con su expresin, pero como por independencia la covarianza debe ser 0,
Cov ( X , Y ) = E ( X , Y ) E ( X ) E (Y ) , EXY) deber ser 0.5. Verificar entonces que:

E ( XY ) = xy 2e x e2 y dxdy = 0.5
0 0
117
IIb Funciones de variables

aleatorias (dos variables)
El problema es similar al caso de una variable, pgina 25. Se conoce la distribucin de probabilidad
conjunta de dos v.a. f ( x1 , x2 ) y se desea la distribucin de probabilidad conjunta g ( y1 , y2 ) de otras
dos variables Y, relacionadas con X a travs de:
Y1 = H1 ( X 1 , X 2 )
Y2 = H 2 ( X 1 , X 2 )
Este es el objetivo de esta seccin.
Mtodos
Se presentan los mismos tres mtodos vistos en el caso de una variable. Se divide el desarrollo,
segn sea una variable discreta o contnua.
1 Caso discreto
Se tiene un solo mtodo.
Mtodo de la PF
g ( y1 , y2 ) = P(Y1 = y1 , Y2 = y2 ) = P( X1 = x1 , X 2 = x2 ) = f ( x1 , x2 )
Dado que la distribucin no cambia, solo habr que agrupar las probabilidades para los valores de y
coincidentes.
Problema resuelto 3.36 Defectuosos en 2 lneas de produccin
La siguiente es una distribucin bidimensional discreta de dos variables independientes, x1 y x2, representando
el nmero de artculos defectuosos en 2 lneas de produccin. Obtener la distribucin de y1 = x1 + x2
x1 1 2 3
p(x1) 0.2 0.6 0.2
x2 1 2 3
p(x2) 0.5 0.2 0.3
Figura 3-76

IIb Funciones de variables aleatorias (dos variables) Mtodos
Mtodo de la PF
La siguiente tabla muestra la distribucin de y1. La obtencin de los mismos puede facilitarse dibujando en un
sistema de ejes los puntos (x1, x2) y en cada interseccin el valor de y1.
As por ejemplo:
P( y1 = 3) = P( x1 = 2) P( x2 = 1) + P( x1 = 1) P( x2 = 2) = 0.34
y1 2 3 4 5 6
p(y1) 0.1 0.34 0.28 0.22 0.06
Figura 3-77
2 Caso contnuo
Mtodos generales:
1. Mtodo de la CDF
2. Mtodo de la PDF
3. Mtodo de la MGF
Solo veremos los 2 primeros, vlidos para funciones H uno a uno.
Mtodo de la CDF
Las funciones de transformacin son uno a uno y por lo tanto admiten inversa. Adems este mtodo
se aplicar solo al caso de una sola funcin de transformacin H y por lo tanto al caso en que se
desea obtener la FDP de una sola variable.
Se obtiene esa CDF, integrando la PDF original en una regin de integracin RX, pues:
G( y1 ) = P(Y1 y1 ) = P( X 1 , X 2 RX1 , RX 2 ) = f ( x1 , x2 )dx1dx2
RX

Encontrar la regin de integracin de las X en funcin de la Y1.
Analtico
La funcin de transformacin se expresa en general:
Y1 = H1 ( X 1 , X 2 )
En el plano ( X 1 , X 2 ) se debe establecer la regin Y1 y1 .
Numrico
Lo anterior solo se cumplir en el dominio de las X (con la PDF).
Para expresar la PDF de la Y1, es necesario hallar su dominio numrico (con la H).
Paso 2 integrar la PDF en ese dominio

Para obtener la CDF, G( y1 , y2 ) , se debe resolver la integral de f ( x1 , x2 ) en la regin obtenida del
paso 1.
Luego se podr obtener la PDF, g ( y1 , y2 ) , derivando G( y1 , y2 ) .
119
Problema resuelto 3.37 Transformacin suma
Dada la siguiente PDF en X1 , X 2 y la transformacin Y1 = H ( X1 , X 2 ) , hallar la PDF en Y1.

1 0 x1 1 0 x2 1
f ( x1 , x2 ) =
0 en otro punto
y1 = x1 + x2
Mtodo de la CDF
Se debe calcular la integral correspondiente a: G1 ( y1 ) = P(Y1 y1 ) ,

G1 ( y1 ) = P (Y1 y1 ) = P ( X 1 + X 2 y1 ) = f ( x1 , x2 ) dx1dx2
RX

Analtico
El dominio de la PDF es el cuadrado unitario que se muestra en la siguiente figura. Los puntos que implican la
regin RX = x1 + x2 y1 , se muestran sombreados en la misma figura. La lnea de la igualdad tiene pendiente
1.
Numrico
Vinculando el dominio de f ( x1 , x2 ) con la regin x1 + x2 y1 , se obtiene que y1 puede tomar cualquier
valor en el intervalo : 0 y1 2 . Observando ahora la figura siguiente se concluye que la integracin cambia
segn sea 0 y1 1 o 1 y1 2 .
Figura 3-78
Paso 2 Integrar la PDF en ese dominio

G1 ( y1 ) =
x1 + x2 y1
f ( x1 , x2 ) dx1dx2
Regin 0 y1 1
Este caso se presenta en la figura siguiente.
Los lmites de integracin, en el orden x1 y luego de x2, se obtienen (para y1 = constante), de la siguiente
forma:
Para x1: lmites del segmento horizontal con trazo grueso dibujado sobre el rea en cuestin.

Para x2: lmites de la proyeccin, (segmento con trazo grueso), del rea sobre el eje x2.
Figura 3-79
y1 2
y1 x2 y
G1 ( y1 ) = 1dx1dx2 = 1
0
0 2
Regin 1 y1 2
Este caso corresponde a la figura inicial. Se observa que es preferible integrar el complemento en lugar de la
regin sombreada. Los lmites de integracin en el orden x1 y luego x2, se muestran con segmentos de trazo
grueso.
1
1
1 x2 2
G ( y1 ) = 1 y1 x2 1 2
y1 1
1dx dx = 1

(1 y1 ) x2 +
2 y 1
1
y12
G ( y1 ) = + 2 y1 1
2
En definitiva:
0 y1 < 0
2
y1 0 y1 1
2
G1 ( y1 ) = 2
y1 + 2 y 1 1 y 2
2 1 1

1 y1 > 2
Se observa que ambos volmenes podran haberse obtenido de la geometra elemental (las bases son el rea de
un tringulo y el rea de un cuadrado menos el rea de un tringulo, respectivamente).
Finalmente:
y1 0 y1 1
g1 ( y1 ) =
2 y1 1 y1 2
Mtodo de la PDF
Continuando con el desarrollo anterior, pero para dos funciones de transformacin H, la cual se
expresa en general:
121
Y1 = H1 ( X 1 , X 2 )
Y2 = H 2 ( X 1 , X 2 )
Resolviendo el sistema (debe ser una relacin biunvoca), surgen las funciones M1 y M2.
X 1 = M 1 (Y1 , Y2 )
X 2 = M 2 (Y1 , Y2 )
Se obtiene la CDF de la Y, integrando la PDF original en una regin de integracin RX:
G ( y1 , y2 ) = P (Y1 y1 , Y2 y2 ) = P ( X 1 , X 2 RX1 , RX 2 ) = f ( x1 , x2 )dx1dx2

RX
Si la relaciones H son biunvocas (uno a uno), se puede utilizar la conocida relacin de contenidos
que se estudia en anlisis matemtico (involucra al valor absoluto del jacobiano de la transformacin
(el cual es un determinante):
x ,x
dx1dx2 = J 1 2 dy1dy2
y1 , y2
se obtiene:
x ,x
G ( y1 , y2 ) = f ( x1 , x2 )dx1dx2 = f ( x1 , x2 ) J 1 2 y1dy2
RX RX y1 , y2
Finalmente:
x ,x
g ( y1 , y2 ) = f ( x1 , x2 ) J 1 2
y1 , y2
Esta ecuacin es la equivalente del caso univariable: g ( y ) = f ( x ) x '
Dada la relacin uno a uno, se verifica adems que:
1
x , x y , y
J 1 2 = J 1 2 = J H 1
y1 , y2 x1 , x2
De esta forma se puede expresar alternativamente:
g ( y1 , y2 ) = f ( x1 , x2 ) J H 1
siendo J H el jacobiano de la transformacin H.
Si solo se plantea una sola relacin H1 (como en el mtodo anterior de la CDF), se completa el
esquema anterior con una segunda relacin ficticia del tipo: Y2 = X1 o Y2 = X 2 resultando, por
,
ejemplo:
Y1 = H1 ( X 1 , X 2 )
Y2 = X 1
Funciones Y = H ( X1 , X 2 ) importantes
Resultan de inters las siguientes transformaciones:

y1 = x1 x2
y1 = x1 x2
x1
y1 =
x2
Si se completa la transformacin con la ecuacin y2 = x2 , verificar que los valores absolutos de los
jacobianos resultan: 1, x2 y 1/ x2 , respectivamente.
Transformacin suma
Como la transformacin suma tendr especial importancia en el captulo 4, Distribuciones
Muestrales, veamos los detalles.
y1 = x1 x2
y2 = x2
1 1
JH = =1
0 1
1
g ( y1 , y2 ) = J H f ( x1 , x2 ) = f ( y1 x2 , x2 )

g1 ( y1 ) = f ( x1 + x2 ) = f ( y1 , y2 )dy2 = f ( y1 x2 , x2 )dx2

Caso particular: X1, X2 independientes

1
g ( y1 , y2 ) = J g f1 ( x1 ) f 2 ( x2 ) = f1 ( y1 x2 ) f 2 ( x2 )

g1 ( y1 ) = f ( y1 , y2 )dy2 = f1 ( y1 x2 ) f 2 ( x2 )dx2

Esta integral se llama en matemticas, integral de convolucin y se representa f1 * f 2 .

f1 * f 2 = f1 ( y1 x2 ) f 2 ( x2 )dx2

Propiedad
f1 * f 2 = f 2 * f1
Es decir no interesa donde se coloca la resta.
Demostracin
Basta hacer el cambio de variables: y1 x2 = z x2 = y1 z, dx2 = dz , e invertir el intervalo de
integracin.
Problema resuelto 3.38 Transformacin suma
Resolver el problema resuelto anterior, pero ahora con el mtodo de la PDF.

Dada la siguiente PDF en X1 , X 2 y la transformacin Y1 = H ( X1 , X 2 ) , hallar la PDF en Y1.
1 0 x1 1 0 x2 1
f ( x1 , x2 ) =
0 en otro punto
y1 = x1 + x2
123
Mtodo de la PDF
Para aplicar este mtodo completamos la ecuacin de transformacin con y2 = x1 o y2 = x2 .

y = x + x
H ( x1 , x2 ) = 1 1 2
y2 = x2
La funcin inversa es:
x = y1 y2
H 1 ( y1 , y2 ) = 1
x2 = y2
Para determinar la regin del plano ( y1 , y2 ) en el que se transforma la regin del plano ( x1 , x2 ) , la cual es el
cuadrado x1 = 0, x2 = 0, x1 = 1, x2 = 1 , observamos que reemplazando en las ecuaciones anteriores, resulta:
y2 = 0, y2 = y1 ,
y2 = y1 1, y2 = 1,
la cual se ha dibujado en la figura siguiente.
Figura 3-80
El jacobiano de la transformacin es:
1 1
JH = =1
0 1
su valor absoluto es 1. Por lo tanto:
g ( y1 , y2 ) = 1*1 = 1
Para hallar g ( y1 ) , debemos integrar respecto de y2 . Los lmites de integracin son (observar las rayas de
trazo grueso de la figura anterior):
y1 g ( y , y )dy = y
0 1 2 2 1 0 y1 1
g1 ( y1 ) = 1
g ( y1 , y2 )dy2 = 2 y1 1 y1 2
y1 1
Valores que coinciden con el clculo por el mtodo de la CDF.
Mtodos numricos
G G
Sea el vector aleatorio X = ( X 1 , X 2 ,... X k ) e Y = H ( X ) una funcin escalar de variable vectorial.

IIb Funciones de variables aleatorias (dos variables) Mtodos numricos
Valor esperado de Y
G G
Si la variable X es discreta con funcin de probabilidad conjunta p ( x ) :
G G
E (Y ) = ... H ( x ) p ( x )
x1 x2 xk
G G
Si la variable X es contnua con funcin densidad conjunta f ( x ) :
G G G
E (Y ) = ... H ( x ) f ( x )d ( x )
x1 x2 xk
La demostracin de la ecuacin anterior es difcil y no la haremos aqu.
H lineal
n
En particular, sea la funcin lineal Y = a X
i =1
i i donde las ai son constantes.
Valor esperado de Y
n
E (Y ) = ai E ( X i )
i =1
Demostracin
Esta expresin surge de aplicar cualquiera de las expresiones anteriores a Y .
Varianza de Y
n
V (Y ) = ai2V ( X i ) + 2 ai a j Cov( X i , X j )
i =1 i< j
donde la suma doble se forma para todos los pares (i, j) que resultan de la combinacin de n
elementos tomados de a 2 (si el alumno conoce el anlisis combinatorio reconocer que esto equivale
a i < j).
Demostracin
La demostracin surge de aplicar la definicin de varianza a la Y definida anteriormente.
Para ejemplificar el proceso veamos el caso ms simple con Y = aX + bZ .
(( aX + bZ (a + b ) ) )
V (Y ) = E ( (Y E (Y )) 2 ) = E x z
2
= E ( ( ( aX a ) + ( bZ b ) ) ) = E ( ( a + b ) )
2 2
x z x z
= E ( a 2 x 2 + b 2 z 2 + 2ab x z ) = a 2 E ( x 2 ) + b 2 E ( z 2 ) + 2abE ( x z )
= a 2V ( X ) + b2V (Y ) + 2abCov( X , Z )
Esta demostracin se extiende al caso de ms de 2 variables.
125
Problema resuelto 3.39 Distribucin hipergeomtrica
En este problema deduciremos las expresiones de la media y varianza de una distribucin hipergeomtrica en
forma parecida al camino seguido con la distribucin Binomial, vinculndola con la distribucin de Bernoulli.
Una urna con N esferas tiene r esferas Rojas y Nr esferas Negras. Se muestrean n esferas sin reemplazo
(MSR) y se observa Y = nmero de esferas Rojas. Hallar E(Y) y V(Y).
Solucin
Al igual que en la binomial, si X = nmero de esferas cada extraccin:
Y =X
Caractersticas de un MSR
Analicemos el siguiente rbol de las 2 primeras extracciones sin reemplazo.
(r-1)/(N-1) 1.
1
r/N
(N-r)/(N-1)
0.
.
r/(N-1) 1..
1-r/N
0
(1-(r-1)/N)/(N-1)
0..
Figura 3-80
De este rbol se extrae.
Probabilidad incondicional
En forma directa:
r
P ( X 1 = 1) =
N
Esto tambin es cierto para la segunda extraccin, pues:
P( X 2 = 1) = P( X 1 = 1, X 2 = 1) + P( X 1 = 0, X 2 = 1)
r r 1 N r r r N 1 r
= + = =
N N 1 N N 1 N N 1 N
r
P ( X 2 = 1) =
N
El lector puede verificar que los resultados anteriores son vlidos para cualquier extraccin, no solo para las 2
primeras.

IIb Funciones de variables aleatorias (dos variables) Mtodos numricos
Por lo tanto, si se conforma la tabla de la distribucin, en forma similar a la construida para la distribucin de
Bernoulli, se verifica:
r
E( X i ) =
= p0
N
r r
V ( X i ) = 1 = p0 q0
N N
Probabilidad conjunta
r r 1
P ( X 1 = 1, X 2 = 1) =
N N 1
El lector puede verificar que los resultados anteriores son vlidos para cualquier extraccin.
Dado que en el clculo de E ( X i X j ) , solo queda el trmino con X i = 1, X j = 1 , se verifica:
r r 1
E( X i X j ) =
N N 1
E(Y)
A partir de la definicin de la esperanza y del resultado anterior:
E (Y ) = E X = E ( X ) =np0 q0
V(Y)
En la seccin anterior se demostr que.
V (Y ) = V X = V ( X ) +2 Cov( X i X j )
i i< j
Esta relacin corresponde a variables multivariables y es por esta razn que esta demostracin se realiza en
esta seccin.
Se puede observar que en las distribuciones Binomiales, el segundo trmino es 0 por la independencia entre
eventos. Esto no es as en la hipergeomtrica, como veremos ahora.
Se tiene:
V (Y ) = V X = V ( X ) = np0 q0
Cov ( X i X j ) = E ( X i X j ) E ( X i ) E ( X j )
Reemplazando:
2
r r r
= 1
N N N
Operando:
1
Cov( X i X j ) = p0 q0
N 1
Reemplazando ambos resultados en la expresin de V (Y ) , finalmente resulta:
1
V (Y ) = np0 (1 q0 ) + 2 p0 q0
i< j N 1
En la sumatoria doble se deben formar todos los pares (i, j) que resultan de la combinacin de n elementos
n ( n 1)
tomados de a 2, es decir ( se requiere anlisis combinatorio) . Por lo tanto, reemplazando esta
2
relacin y expresando todos los valores en funcin de r, n y N, resulta:
r r n(n 1 r r 1
V (Y ) = n 1 2 1
N N 2 N N N 1
127
Realizando algunas operaciones algebraicas que se dejan al lector, se obtiene finalmente:

N n
V (Y ) = np0 q0
N 1

IIc Modelos tericos de dos variables 1 Modelos discretos
IIc Modelos tericos de dos

variables
1 Modelos discretos
Los modelos discretos de mayor inters son los siguientes:
Distribucin Multinomial y Distribucin Multihipergeomtrica
Multinomial, m(yA,yB,yC,n,pA,pB,pC)
Supuestos
Es una modificacin de la Binomial, en el supuesto 1.
Supuesto 1 Multicotmica
Una v.a Y tiene k resultados A1, A2, A3, , Ak.
Dada una muestra de tamao n, la variable aleatoria se define como el nmero de elementos
G
de cada categora Ai. En otras palabras se busca el vector aleatorio: Y tal que
Y1 + Y2 + ... + Yk = n
.
Dada esta relacin, las variables realmente independientes son k1.
Supuesto 3 Tamao
Como ya se estableci, las muestras tienen un tamao n > 1.
Observemos la siguiente tabla de una distribucin de n = 5, con una variable tricotmica.
Se presentan solo algunos valores y se utilizaron A, B y C en lugar de A1, A2 y A3.
S ABBBC AAAAB AABBC
G G
Y=y 1,3,1 4,1,0 2,2,1
G
p( y) P5(1,3,1) pA pB3 pC P5(4,1,0) p A4 pB P5(2,2,1) p A2 pB2 pC
Figura 3-81
129
De la misma se desprende la siguiente expresin, la cual es una generalizacin de la binomial:
PDF conjunta
G
m( y A , n, pA , pB , pC ) = Pn ( yA , yB , yC ) pA yA pB yB pC yC
siendo:
y=n
Relacin con la binomial
Si se toma cualquier agrupacin de las variables, por ejemplo Y1 e Y2, puede considerarse una
variable dicotmica X con la categora Y1 e Y2 por un lado y las restantes variables por el otro. Esta
variable es entonces Binomial.
Caracterizacin
Esperanza
Por la relacin anterior con la Binomial, cada uno de los componentes del vector Esperanza tiene la
forma:
E (Yi ) = npi
Varianzas
Por la relacin anterior con la Binomial, cada uno de los componentes del vector Varianza tiene la
forma:
V (Yi ) = npi qi
Covarianzas
Consideremos solo a dos variables Yi e Yj:
V (Yi + Y j ) = V (Yi ) + V (Y j ) + 2Cov(Yi , Y j )
Por la relacin anterior con la Binomial, se tiene:
( )
n( pi + p j ) 1 ( pi + p j ) = npi qi + np j q j + 2Cov(Yi , Y j )
Despejando la covarianza, resulta:
Cov (Yi , Y j ) = npi p j
La covarianza es negativa pues para un fijo n, dado que Y1 + Y2 + ... + Yk = n , un incremento en una
variable requiere un decrecimiento en otra.
Al igual que en la unidad 1, pgina SSCP1, se presentan todos los resultados de varianzas y
covarianzas en el formato de matriz, P, como en la siguiente figura.
np1q1 -n p1p2 -n p1pk

-n p1pk npkqk
Figura 3-82

IIc Modelos tericos de dos variables Distribucin Multihipergeomtrica
Se construye a partir de la matriz de covarianzas como se detall en la pgina 114.
Problema resuelto 3.40 Examen de seleccin mltiple
En un examen de seleccin mltiple usted debe elegir entre 3 posibles respuestas, A, B y C. Si la eleccin se
realiza al azar, calcular: a) la probabilidad de que 6 alumnos hayan elegido: yA= 1, yB= 2, yC= 3, b) expresar el
vector esperanzas, la matriz de covarianzas P y la de correlaciones R.
a)
n=6
m(1, 2,3, 6,1/ 3,1/ 3,1/ 3) = P6(1,2,3) (1/ 3)1 (1/ 3)2 (1 / 3)3 = 0.0823
b)
2 2 2
Vector Esperanzas
1.33 1.33 1.33

1.33 1.33 1.33
1.33 1.33 1.33
Matriz Covarianzas
1 1 1
1 1 1
1 1 1
Matriz Correlaciones
Figura 3-83
Distribucin Multihipergeomtrica
Es una modificacin de la Binomial en los supuestos 1 y 4.
Supuesto 1 Multicotmica
Una v.a Y tiene k resultados A1, A2, A3, , Ak.
Dada una muestra de tamao n, se busca el nmero de elementos de cada categora Ai.
G
En otras palabras se busca el vector aleatorio: Y tal que Y1 + Y2 + ... + Yk = n
.
Dada esta relacin, las variables realmente independientes son k1.
Supuesto 3 Tamao
Como ya se estableci, las muestras tienen un tamao n > 1.
Los n elementos del espacio muestral son dependientes (muestreo sin reemplazo o poblacin finita).
PDF conjunta
Es una combinacin de la multinomial y de la hipergeomtrica.
131
A1 A2 Ak
...
G
m( y A , N , n, A1 , A2 ... Ak ) = 1 2 k
y y y
N

n
Al igual que para el caso univariable, si N tiende a infinito, la Multihipergeomtrica tiende a la
Multinomial.
Relacin con la hipergeomtrica

Si se toma cualquier agrupacin de las variables, por ejemplo Y1 e Y2, puede considerarse una
variable dicotmica X con la categora Y1 e Y2 por un lado y las restantes por el otro. Esta variable
es entonces Hipergeomtrica.
Caracterizacin
Esperanza
Por la relacin anterior con la Hipergeomtrica, cada uno de los componentes del vector Esperanza
tiene la forma:
E (Yi ) = np0i
Varianzas
Por la relacin anterior con la Hipergeomtrica, cada uno de los componentes del vector Varianza
tiene la forma:
V (Yi ) = np0i q0i
Covarianzas
Consideremos solo a dos variables Yi e Yj:
V (Yi + Y j ) = V (Yi ) + V (Y j ) + 2Cov(Yi , Y j )
Por la relacin anterior con la Hipergeomtrica, se tiene:
(
= n( p0i + p0 j ) 1 ( p0i + p0 j ) ) NN 1n = np q
0i 0i
N n
N 1
+ np0 j q0 j
N n
N 1
+ 2Cov(Yi , Y j )
Despejando la covarianza, resulta:
N n
Cov(Yi , Y j ) = np0i p0 j
N 1
Al igual que en el caso general, se presentan todos los resultados de varianzas y covarianzas en el
formato de matriz, P, como en la siguiente figura.
Var11 Cov12 Cov1k

Cov1k Varkk
Figura 3-84

IIc Modelos tericos de dos variables 2 Modelos contnuos
La matriz de correlacin R se construye a partir de la matriz de covarianzas en forma anloga al
caso general, pgina 114.
2 Modelos contnuos
Distribucin uniforme
PDF conjunta
Su PDF conjunta es simplemente:
f ( x, y ) = k
Problema resuelto 3.41 Encuentro
Una pareja decide encontrarse en un cierto lugar. Si cada persona arriba independientemente con una
distribucin del tiempo uniforme entre 17:00 y 18:00, encontrar la probabilidad de que el primero en llegar
tenga que esperar ms de 10 minutos.
Llamemos X e Y al tiempo pasadas las 17:00 que cada persona tarda en llegar, cada una uniformemente
distribuido sobre (0, 60).
Las probabilidades son P ( X + 10 < Y ) y P (Y + 10 < X ) .
Por la simetra son iguales, por lo tanto:
2 P( X + 10 < Y ) = 2 f ( xy )dxdy = 2 f ( x) f ( y )dxdy

x +10 < y x +10 < y
Haciendo un grfico de anlisis para definir los intervalos de integracin, resulta.
60 y 10 2 60
1 2 25
= 2 dxdy = 2 ( y 10 )dy =
10 0 60 60 10 36
Distribucin binormal
El modelo contnuo de mayor inters es el de la distribucin binormal.
G
Dado el vector aleatorio Y = ( X , Y ) , se dice que tiene una distribucin binormal si su distribucin
de probabilidades es la que se define a continuacin.
Es de particular inters presentar la distribucin normal conjunta, pues es una condicin requerida en
algunos procedimientos estadsticos.
133
nXY(x, y, x, y, )
PDF conjunta
e Q /2
f xy ( x , y , x , y , ) =
2 x y 1 2
donde:
1 ( x x )2 ( x x )( y y ) ( y y )2
Q= 2 +
1 2 x
2
x y y2
1
= z 2 2 z x z y + z y 2
2 x
1
Esta PDF es funcin de 5 parmetros, los cuales llevan esos smbolos pues se corresponden con los
parmetros que se vern a continuacin.
PDF marginales
Son:
N ( x , x 2 ) y N ( y , y 2 ) .
Caracterizacin
Esperanza
El vector aleatorio de las esperanzas es:
G
E (Y ) = ( E ( X ), E (Y )) = ( x , y )
Varianzas
El vector aleatorio de las varianzas es:
G
V (Y ) = (V ( X ), V (Y )) = ( x2 , y2 )
Covarianza
Cov ( X , Y ) = x y
Matriz de covarianzas, P
x2 x y
x y y2
Figura 3-85
Observar que el denominador del coeficiente de la PDF es 2 por la raz cuadrada del determinante
de la matriz P.
Observar adems que si la covarianza es cero, es decir = 0, entonces fxy se puede expresar como:
f xy = N ( x , x 2 ) N ( y , y 2 )

IIc Modelos tericos de dos variables Distribucin binormal
por lo tanto X e Y son independientes.

Recordemos que una covarianza cero, no significa necesariamente independencia. Sin embargo, si la
distribucin es normal conjunta, entonces la independencia es equivalente a la incorrelacin lineal.
La matriz de correlacin R se construye a partir de la matriz de covarianzas en forma anloga al
caso general.
135
III Confiabilidad, R(t)
En el captulo 2 definimos la confiabilidad como la probabilidad de que un sistema funcione. En esta

seccin ampliaremos el concepto introduciendo la forma de calcular una confiabilidad dependiente
de la variable tiempo.
Definicin
Confiabilidad, R(t) (Reliability): mide la probabilidad de que un componente no falle en [0, t] o
equivalentemente que dure hasta t. En otras palabras t es lo que antes llamamos T1 = tiempo
hasta el primer evento o falla.
En notacin matemtica:
R (t )= P (T > t )
donde T es la v.a. duracin del componente.
Llamaremos f(t) a la PDF de T y F(t) a la CDF.
La cola de la distribucin f(t) a partir de t = T1, es la confiabilidad. Por lo tanto:
R(t ) = P(T > t ) = 1 F (t )= F (t )
Destaquemos que la F(t) (rea de f(t) entre 0 y t) mide la probabilidad de que la primer falla se
presente en [0, t]. En cambio su complemento F (t ) , mide la probabilidad de que la primer falla no
se presente en [0, t] o equivalentemente que se presente luego de t.
En este contexto tambin suele definirse la falta de confiabilidad (unreliability) o probabilidad de
falla en [0,t] como:
Q (t ) = 1 R (t ) = F (t )
Es decir es la CDF F(t).
En la siguiente figura se representan grficamente los sectores de:
R(t1 ) : probabilidad de no falla en [0, t1] (pues la primera falla sucede luego de t1).
Q(t1 ) : probabilidad de falla en [0, t1] (pues la primera falla sucede antes de t1).
Figura 3-86
Conceptualmente, si por ejemplo un componente tiene una confiabilidad de 90% para t1 = 12 horas,
entonces si 100 componentes operan 12 horas, aproximadamente 90 no fallarn.

III Confiabilidad, R(t) Distribucin binormal
Veamos cmo se obtienen 3 funciones de inters en funcin de la confiabilidad:
1 FDP f(t) en funcin de R(t)

La FDP se obtiene derivando R(t), pues:
d ( F (t ))
R '(t ) = = f (t )
dt
Por lo tanto:
f (t ) = R '(t )
Observar que para obtener R(t) de la expresin anterior se debe integrar a f(t) entre t e infinito.
2 Media E(t) en funcin de R(t)

La media de f(t) ser:

E (t ) = t f (t ) dt
0
Teorema

E (t ) = R (t ) dt
0
Expresando el lmite superior con la letra a:

a a
E (t ) = t f (t ) dt = tF (t ) 0 F (t ) dt
a
0 0
pero:
a
tF (t ) 0 = aF (a ) = a = dt , pues F ( a ) = 1 .
a
0
por lo tanto:
a a a
E (t ) = dt F (t )dt = 1 F (t ) dt
0 0 0
Naturalmente esta forma de calcular la esperanza en funcin de la CDF, es vlida siempre.

Otra demostracin

0 R (t ) dt = 0 t f (s)ds dt
Integrando por partes (considerando dv= dt):

R(t )dt = t f (s)ds tf (t )dt = t f (s)ds + tf (t )dt

0 t 0 t 0
El segundo sumando es E(t), por lo cual solo queda demostrar que el primero es 0. En t = 0, es
evidente que lo es. Para demostrar que lo es para el resto de valores se debe introducir el requisito
que E(t) sea finita. Se deja la demostracin al lector.
3 Frecuencia de fallas instantnea h(t) en funcin de R(t)

Se llama tambin funcin de riesgo (hazard) y por esta razn se simboliza h(t).
f (t )
h(t ) =
1 F (t )
137
Por la definicin de confiabilidad, esta expresin se puede escribir:

f (t )
h (t ) =
R (t )
Si en la figura siguiente consideramos la probabilidad condicional P(t1 T t1 + t | T > t1 ) , para
un t pequeo, observamos que es:
tf (t )
P(t1 T t1 + t | T > t1 ) =
R(t )
Por lo tanto th(t ) representa la probabilidad de fallar en un intervalo pequeo despus de t1 dado
que sobrevivi hasta t1 o en otras palabras, la frecuencia de fallas h(t) es proporcional a esta
probabilidad condicional.
Figura 3-87
Como veremos luego, para la distribucin exponencial, h (t ) = , por lo cual podra utilizarse la
notacin h (t ) = (t ) .
Teorema
t

h ( t ) dt
R (t ) = e 0
La demostracin es directa a partir de:

f (t ) R '(t ) d (ln( R(t ))
h(t ) = = =
R(t ) R(t ) dt
Integrando entre 0 y t y bajo la suposicin que R(0) = 1, es decir que la probabilidad de una falla
inicial es 0 (suposicin que equivale a F(0) = 0 y que mantendremos de aqu en ms), se obtiene la
expresin que se quiere demostrar. Si el elemento tiene una h(t) definida por tramos, la integral
deber ser dividida con lmites acordes con los tramos.
La PDF se obtiene a partir de:
t

h ( t ) dt
f (t ) = R '(t ) = h (t )e 0
Sntesis
Las 3 importantes vinculaciones que hemos demostrado se resumen a continuacin:

d ( R(t ))
f (t ) =
dt

E (t ) = R (t )dt
0
d (ln( R (t ))
h(t ) =
dt
Si bien se utilizan varias distribuciones como modelos matemticos de fallas (Weibull, Rayleight,
etc), las distribuciones ms comunes que siguen los componentes, son la exponencial, la Gamma, la
de Weibull y la normal.
Distribucin exponencial
Se utiliza este modelo cuando la tasa de fallas se puede suponer constante y el objeto no cambia
con el uso (no tiene memoria, ver pgina 68). En este modelo se distingue, el tiempo de operacin a
partir de un valor arbitrario t = a , de la edad de operacin, partir de t = 0 .
R(t)
R (t ) = 1 CDF (t )
En este caso, por la propiedad de las colas de una funcin exponencial, se tiene:
R(t ) = et
En particular si t = MTBF = , la confiabilidad resulta:
R( ) = e / = e1 = 0.37
valor que puede ser tomado como referencia.
Figura 3-88
La confiabilidad disminuye con el tiempo como es habitual.
f(t)
f (t ) = R '(t ) =et
139
Figura 3-89
E(t)

1
E (t ) = R (t )dt = e t dt = =
0 0

Figura 3-90
h(t)
f (t ) e t
h(t ) = = =
R(t ) et
Observar que para este modelo, la frecuencia de fallas h(t) es una constante, lo cual indica que
aunque el tem se encuentre en uso, la probabilidad de falla no cambia. Dicho de otra forma no
interviene el "efecto de uso", lo cual ya adelantamos al estudiar la distribucin exponencial en la
pgina 88.
Exponencial y Poisson
Recordemos, pgina 71, que si T es el tiempo requerido para observar r ocurrencias y X es el
nmero de ocurrencias durante [0, t], entonces:

a) P (T > t ) = P ( X < r )
b) P (T t ) = P ( X r )
Adems si T tiene una distribucin Gamma, entonces X sigue una distribucin de Poisson.
Utilizando el formato CDF, se verifica:
1 CDF .GAMMA(t , r , ) = CDF .POISSON ( r 1, t , t )
CDF .GAMMA(t , r , ) = 1 CDF .POISSON ( r 1, t , t )
En particular si r = 1, la distribucin Gamma se convierte en exponencial (con igual a ):
1 CDF .EXP (t , ) = CDF .POISSON (0, t )
CDF .EXP(t , ) = 1 CDF .POISSON (0, t )
Distribucin Gamma, (t,r,)

El apartado anterior permite generalizar la distribucin exponencial a una distribucin Gamma para
tratar el tiempo en el que ocurren r fallas (no una), en tanto las mismas aparezcan de acuerdo a un
proceso de Poisson.
Distribucin de Weibull, (x,,)

Es otra generalizacin de la exponencial para la cual h(t) es polinmica de la forma:
h(t ) = t 1
donde y son constantes positivas.
Al variar (con valores menores o mayores a 1), vara el exponente y se observa que se obtienen
curvas de h(t) con tramos decrecientes, DFR (Decreasing Failure Rate) o crecientes, IFR (Increasing
Failure Rate), por lo cual se lo llama parmetro de forma. Se puede observar que la exponencial es
un caso particular con = 1. Con = 3.6 se aproxima a una normal.
En esta distribucin se llama a parmetro de escala, para el cual tambin suele usarse la letra .
R(t)
t t

h ( t ) dt
t 1dt

R (t ) = e 0
=e 0
= e t

R(t ) = e t
En la figura siguiente se muestra la confiabilidad para = 1, = 1 y = 1, = 3.
141
Figura 3-91
f(t)

f (t ) = R '(t ) = t 1et
En la siguiente figura se muestra la PDF para = 1, = 1 y = 1, = 3.
Figura 3-92
F(t)
A partir de:
F (t ) = 1 R (t ) ,

F (t ) = 1 et
En la siguiente figura se muestra la CDF para = 1, = 1 y = 1, = 3.
Figura 3-93
E(t)
Se puede demostrar que:
1
E (t ) = 1/ + 1

h(t)

f (t ) t 1et
h(t ) = = t
= t 1
R(t ) e
Segn el valor de , se obtienen funciones de falla, constantes, lineales, parablicas, etc.
Cuando > 1 se obtiene un crecimiento de h(t) con el tiempo, lo cual indica un esperable efecto de
uso.
Cuando = 1 , el valor de h(t) es constante (modelo exponencial) lo cual indica que se trata de un
modelo aplicable en los casos en que no existe el efecto de uso.
Finalmente cuando 0 < < 1 , h(t) es decreciente, aplicable a casos no comunes en donde h(t)
decrece con el tiempo.
En la siguiente figura se muestra la h(t) para = 1, = 1 y = 1, = 3.
143
Figura 3-94
Distribucin normal
La ley normal de fallas es un modelo apropiado cuando la mayor parte de las fallas se producen
alrededor de la media y cuando la falla tiene memoria (intervienen efectos del uso). Sin embargo,
no es el modelo ms encontrado.
Naturalmente, como T debe ser mayor o igual a 0, debe ser P(T <0) =0 lo cual implica que deben ser

truncados los valores de z menores a z = por lo cual la distribucin es normal truncada a la

izquierda (pgina 101).
R(t)
R (t ) = 1 CDF (t )
Valor que deber ser calculado numricamente como en cualquier distribucin normal, con tablas o
programas informticos.

Figura 3-95
La confiabilidad disminuye con el tiempo como es habitual.
f(t)
f (t ) = n (t , , )
Figura 3-96
La mayor parte de los artculos fallan alrededor de .
E(t)
Si la distribucin normal no fuera truncada sera:

E (t ) = tf (t ) dt =
0
Si 2 , los valores que se truncan corresponden a z 2 , por lo cual la media es muy similar a
.
145
h(t)
f (t ) n(t , , )
h(t ) = =
R (t ) 1 N (t , , )
Figura 3-97
La frecuencia de fallas aumenta con el tiempo lo cual indica el habitual efecto de uso.
Sistemas
1 Sistemas con componentes en serie o paralelo
Los teoremas de confiabilidad equivalente para circuitos serie o paralelo con valores constantes R
vistos en el captulo 2, pueden ahora aplicarse a componentes con confiabilidades dependientes de
una variable t, R(t).
Elementos en serie
Figura 3-98
La confiabilidad equivalente de componentes en serie es el producto de las confiabilidades.
R(t ) = RA RB RC
En particular si la ley de falla es exponencial:
R(t ) = e(A +B +C )t
En este caso, el T del sistema tambin est distribuido exponencialmente, con una frecuencia de
fallas que es la suma de las de los componentes.

Elementos en paralelo
Figura 3-99
Expresin directa
R(t ) = R A + R B + R C R AR B R AR C R B R C + R AR B R C
En particular si la ley de falla es exponencial y expresando, por simplicidad un sistema de 2
componentes:
R(t ) = eAt + eBt e(A +B )t
Se observa que en este caso T no est distribuido exponencialmente.
Expresin por complementos
El complemento de la confiabilidad equivalente de componentes en paralelo es el producto de
los complementos de las confiabilidades.
R = 1 (1 RA )(1 RB )(1 RC )
Cualquier otra combinacin con componentes en serie y en paralelo se resuelve reemplazando las
partes serie y paralelo por su confiabilidad equivalente.
2 Sistemas con componentes en Stand By

Son sistemas en los cuales un componente est inactivo y solo funciona cuando otro falla (stand by).
Una llave sensa la falla y cambia al componente en espera que funcionar en lugar del primero.
Si llamamos S a la llave que funciona con probabilidad P(S), aplicando la RP de las probabilidades,
se tiene (Billinton R. 1992, pgina 96):
Q = Q(sistema | S ) P(S ) + Q(sistema | S ) P(S )
El componente redundante est normalmente inactivo con lo cual se reduce el tiempo de uso.
Problema resuelto 3.42. Ley exponencial de fallas
Ver el problema resuelto de pgina ConfiabilidadPR2.

El sistema de controles de un modelo de aviones A es de tipo elctrico y consiste en 3 circuitos en paralelo, A,
B y C, para aumentar la redundancia, en serie con un sistema D.
Por su lado, otro modelo de aviones B, tiene un sistema similar pero con 2 circuitos elctricos en paralelo.
Adems tiene un sistema manual, mecnico de emergencia, C.
Considerar que todos los sistemas tienen una ley de falla dad por una distribucin exponencial con igual
parmetro . Hallar la confiabilidad R(t) de cada sistema de control: a) avin A, b) avin B y luego la
confiabilidad si = 0.0001 y el tiempo de operacin es de 1000 horas.
Ambos circuitos se muestran en la figura 3-100.
147
Avin A Avin B
Figura 3-100
Modelo A
RABC (t ) = 1 (1 et )3
R(t ) = et (1 (1 et )3 )
Modelo B
RAB (t ) = 1 (1 et )2
RABD (t ) = et (1 (1 et )2 )

RABD (t ) = 1 et (1 (1 et )2 )
R(t ) = 1 (1 et )(1 et (1 (1 et )2 ))
La confiabilidad para los valores numricos establecidos resulta:
RA = 0.904
RB = 0.997
Problema resuelto 3.43. Frecuencia de fallas variable
La tasa de fallas h(t) de un componente est dada por:

C0 0 t t0
h(t )
C0 +C1 (t - t0 ) t > t0
Obtener la PDF f(t) y la R(t).
R(t)
0 t t0
t t t
h(t )dt = h(t )dt = C0 dt = C0t

0 0 0
t > t0
t t0 t
C1
h(t )dt = C dt + C +C (t - t )dt = C t
0 0
0
t0
0 1 0 0 0 + C0t C0t0 +
2
(t - t0 )2
t
C1
h(t )dt = C t +
0
0
2
(t - t0 ) 2
Por lo tanto:
t

h ( t ) dt
R (t ) = e 0

eC0t 0 t t0

R(t ) C t C1 (t -t )2
e t > t0
0 0
2
f(t)
t

h ( t ) dt
f (t ) = R '(t ) = h (t )e 0
C eC0t 0 t t0
0
f (t ) C
C t 1 ( t -t ) 2
C0 +C1 (t - t0 )e 0 2 0 t > t0
149
IV Teora de los juegos
La teora de los juegos provee un modelo para tratar la complejidad relacionada con aprender a
pensar e interactuar estratgicamente con otras personas, habilidad imprescindible para poder
tomar decisiones inteligentes. La teora de los juegos interacta con ms de una persona (acciones),
con o sin la presencia de estados de la naturaleza (eventos). Por su parte, la teora de las decisiones
econmicas que veremos luego involucra a una sola persona interactuando con estados de la
naturaleza. Por esta razn, la teora de los juegos tambin podra llamarse Teora de la Decisin
Multipersonal.
Entre los beneficios de este modelo se encuentra el de proveer un sistema lgico con el cual poder
analizar los razonamientos, adems de un lenguaje comn para poder dialogar y comunicar los
resultados. Poder modelar todas las estrategias propias y del competidor, proporciona un mejor
entendimiento de los escenarios posibles, con los cuales se puede saber, por adelantado, que
conviene hacer y que no. Sin embargo debe decirse que, ms que un modelo predictivo, es un
modelo de cmo deberan comportarse las personas en las experiencias reales. De cualquier forma
debe quedar claro que aquel que conoce la teora de los juegos, estar en mejores condiciones de
competir que el que no la conoce.
Los economistas ganadores del Premio Nobel de Economa 2005, Robert J. Aumann y Thomas C.
Schelling ganaron este premio por utilizar la teora de juegos para explicar y facilitar la resolucin de
conflictos.
En los siguientes apartados aplicaremos esta utilizacin entretenida de las matemticas y de la
estadstica, a simples juegos de mesa o deportes, acciones de guerra, comportamiento de mercados
competitivos, relaciones empresariales, disputas comerciales, crimen organizado, decisiones
polticas, negociaciones salariales o discriminacin racial y sexual.
El trmino jugador podr entonces identificar a personas, empresas, mquinas e incluso animales.
Objetivo
El objetivo del juego es encontrar una solucin que implique la mayor ganancia estable, es decir la
mejor posible dada la competencia, que buscar lo mismo que uno.
La obtencin de la matriz de ganancias para todas las acciones de una situacin real determinada,
puede ser la parte ms difcil para el diseador del juego y queda fuera del objeto de esta
introduccin, puesto que solo nos concentraremos en el anlisis y resolucin de juegos ya
diseados. De todas formas es oportuno aclarar que no se necesita conocer los valores de la matriz
de pagos exactamente. Para analizar un juego basta con saber sus magnitudes relativas.
Llamaremos:
Acciones: alternativas controladas por el usuario.
Eventos: alternativas no controladas por el usuario y asociadas con una distribucin de
probabilidades. Se suelen llamar tambin Estados de la Naturaleza.
Estrategia
Es una regla de decisin acerca de que accin elegir en cada instante del juego.

IV Teora de los juegos Distribucin binormal
Supuestos
Racionalidad
Todos los jugadores actan racionalmente buscando maximizar sus ganancias.
Conocimiento
Todos los jugadores conocen todas las reglas del juego.
Conocimiento comn
Consiste en una iteracin de lo que cada jugador sabe.
Un jugador A sabe que otro jugador B es racional: S(R), donde S significa Sabe, R Racional y se
sobrentiende que el ordenamiento alterna a los distintos jugadores.
Adems B sabe que A sabe que B es racional: S(S(R))
Adems A sabe que B sabe que A sabe que B es racional: S(S(S(R)))
y as sucesivamente hasta el infinito.
Clasificacin
Los juegos pueden clasificarse de acuerdo a distintas consideraciones.
1. Cooperativos y no cooperativos
En los juegos cooperativos los jugadores pueden hacer compromisos de cooperacin al margen
de los equilibrios del juego que veremos luego. En los no cooperativos, no pueden acordar entre
ellos. Aqu solo trataremos a los no cooperativos.
2. Informacin completa o incompleta
Se refiere a la informacin privada que un jugador tiene antes de comenzar el juego. Es
incompleta cuando la naturaleza mueve primero y al menos un jugador no la observa. Solo
trataremos juegos con informacin completa.
3. Informacin perfecta IP o imperfecta II
La diferencia esencial se encuentra en la cantidad de informacin que tiene cada jugador a la
hora de decidir (derivada de causas de orden legal, fsico o tcnico). Un juego es de informacin
perfecta cuando el jugador conoce todo lo que desea antes de realizar su movida. El juego del
ajedrez o el tatet son juegos con informacin perfecta, en cambio el pker o el truco son con
informacin imperfecta.
4. Simultneo o secuencial
Estos trminos se relacionan con el tiempo y se refieren a si las jugadas se realizan en forma
simultnea o luego de conocer la jugada del adversario. Naturalmente existen juegos que
combinan ambas situaciones.
En relacin con la clasificacin anterior, un juego simultneo, tiene siempre informacin
imperfecta. En cambio un juego secuencial puede tener cualquier tipo de informacin, lo cual se
aprecia con los ejemplos secuenciales del ajedrez y el pker.
Simultneo II
IP Secuencial
La clasificacin entre decisiones simultneas o secuenciales se presenta rutinariamente en la
competencia entre empresas.
5. Puro o mixto
Se llama juego de estrategias puras, EP cuando stas son deterministas (el resultado es alguna
de las ganancias dadas). Se llama de estrategias mixtas, EM cuando en la eleccin de las
mismas interviene adems el azar y por lo tanto la teora de probabilidades (el resultado es una
distribucin de probabilidades de las ganancias dadas).
Un jugador buscar primero analizar si existen estrategias puras que le permitan establecer por
adelantado todo lo que debe hacer. Cuando esto no es posible, lo mejor que puede hacer es ser
impredecible, actuando aleatoriamente o en otras palabras, utilizando una estrategia mixta. Esto
se observa claramente en juegos como el tenis en el que un jugador que no tiene un juego
dominante, combina jugadas para aumentar su imprevisibilidad.
6. Suma cero o suma variable
Un juego se llama de suma cero o tambin estrictamente competitivo, cuando la ganancia de
151
uno es igual a la prdida del otro, para todas las estrategias. En realidad la suma de ambas no
requiere ser 0, sino un valor siempre constante k (por ejemplo 100 en porcentajes), por lo cual
sera ms correcto llamarlos de suma constante. De todas formas siempre es posible convertir
las ganancias de un juego de suma constante en uno de suma cero, o viceversa, utilizando una
simple transformacin lineal de variables.
Si las sumas de ganancias no es constante, se llaman de suma variable o de suma no cero y son
los juegos ms habituales.
Los juegos de suma no cero de n jugadores se pueden convertir siempre en juegos de suma cero
de n +1 jugadores, al adicionar un jugador no influyente llamado en ingls dummy player, el
cual recibe la ganancia neta del juego, pero no puede interferir con el desarrollo del mismo.
7. Nmero de jugadores
Los juegos pueden ser de 2 jugadores (2-personal) y de ms de 2 jugadores (n-personal). Solo
trataremos juegos de 2 jugadores.
8. Nmero de acciones
El mnimo nmero de acciones para cada jugador es naturalmente 2. Si un juego es de 2
jugadores y cada uno solo tiene 3 acciones posibles se llama juego de 2 jugadores 3 3.
9. Nmero de repeticiones
Juego de una sola ronda o esttico: cada jugador juega una sola vez.
Juego repetido: Cada jugador se encuentra varias veces con el otro, en el mismo juego. En este
caso se presentan muchas formas en que esto puede hacerse: con repeticin finita o infinita, con
ganancias sumadas, promediadas, solo la ltima, etc. Dado que se tienen en cuenta los resultados
de las jugadas anteriores, los jugadores pueden evaluar las acciones pasadas y determinar si
deberan repetirla o cambiarlas.
Utilidad
La ganancia no tiene por qu ser solo monetaria, podran ser tiempos, distancias, probabilidades, etc.
Por otra parte, es conveniente resaltar que no todas las personas reaccionan de igual forma ante el
riesgo. As por ejemplo, una E(G) > 0, incluir necesariamente eventos con prdida y ganancia de
dinero. Aunque la probabilidad de una prdida sea baja, especialmente si el valor monetario de sta
prdida es muy importante, una persona puede decidir no participar (y por lo tanto quedarse sin
ganancias o prdidas), debido a sus importantes consecuencias econmicas. En cambio otra persona
puede ser ms proclive al riesgo y aceptar el juego sabiendo que puede hacerse ms rica con rapidez,
aceptando el riesgo de corto plazo.
El anlisis de estas posturas se puede resumir en 3 grandes grupos. Los evitadores de riesgos, los
buscadores de riesgos y los indiferentes al riesgo. Esto se llama Teora de la Utilidad. Se desarrolla
una curva de utilidad para la persona, para luego convertir las sumas de dinero en utilidades,
realizando el clculo de la esperanza con estas ltimas. Esta conversin no ser tratada aqu.
Dividir esta seccin en 4 partes:

1. Simultneos con estrategias puras
2. Simultneos con estrategias mixtas
3. Secuenciales
4. Teora de las decisiones econmicas
1 Simultneos con estrategias puras

a Formas del juego
Se puede representar a un juego con 2 formatos: tabla y rbol.
Forma normal o estratgica

Todo juego debe incluir las ganancias (en general utilidades) para determinar cunto gana o pierde
cada jugador. Estas ganancias se pueden resumir en una tabla llamada tabla del juego o bimatriz de
IV Teora de los juegos 1 Simultneos con estrategias puras
ganancias.
En cada fila o columna se encuentran las acciones posibles de cada uno de ellos.
En cada celda se cruzan 2 acciones Accin A Accin B. En ellas se ubican los resultados o
ganancias de ambos jugadores. Convencionalmente se utiliza una bimatriz colocando primero la
ganancia del jugador colocado en filas (A en la figura siguiente). Si el juego es de suma cero, el otro
tendr los mismos valores cambiados de signo (suma 0) o los valores complementarios (suma
constante), por lo cual se sobreentienden y no se colocan.
Acciones B
b1 b2
a1 GA11,GB11 GA12,GB12
Acciones A
a2 GA21,GB21 GA22,GB22
Figura 3-101
Tabla del juego puro
Simetra
Un juego es simtrico si la matriz de ganancias tiene simetra respecto de la diagonal principal (de
izquierda a derecha y de arriba hacia abajo) atendiendo a los ndices de posicin de cada celda. La
siguiente matriz de juego es simtrica.
Acciones B
b1 b2
a1 4,4 3,5
Acciones A
a2 5,3 6,6
Figura 3-102
Tabla del juego puro
Una celda es simtrica si ambos valores de ganancia son iguales. Por lo tanto los resultados a1b1 y
a2b2 del juego de la figura anterior son simtricos.
Forma extensiva
Un rbol del juego es la expresin de la tabla en forma de rbol y se lo llama forma extensiva del
juego.
Recodemos que un rbol es un grafo, conjunto de nodos (puntos) unidos por ramas (rectas), tal que
en cada nodo solo entra una rama.
Repasar los conceptos de nodo inicial, nodos finales, rama, camino y estrella, vistos en el captulo 2.
En esta aplicacin, a los nodos de decisin de cada jugador se los llama nodos de acciones y a los
nodos de accin de la naturaleza, nodos de eventos.
Se debera agregar adems una columna adicional que contiene los valores de la variable G
(equivalente a la matriz de ganancias). Sin embargo, el formato usual en teora de juegos, es colocar
en los nodos a los jugadores, en las ramas a las acciones y en los nodos finales a las ganancias de
cada camino, en el orden en el que estn los jugadores reales en el rbol, como indica la siguiente
figura. La naturaleza no tiene ganancias, solo los jugadores reales las tienen.
En el caso de estrategias mixtas y en los nodos de eventos de la naturaleza, se incluirn en las ramas
tambin a las probabilidades.
153
|
| b1 GA11,GB11
|
|B
a1 |
|
| b2 GA12,GB12
A |
a2 |
| b1. GA21,GB21
|
|
|B.
| b2.
| GA22,GB22
|
Figura 3-103
rbol del juego puro
Conjunto de informacin
Una forma de diferenciar un juego simultneo de uno secuencial es colocando una lnea vertical (si
el rbol se dibuja horizontal) al final de las acciones de cada jugador (ver figura). De esta forma se
recuerda que el siguiente jugador no conoce lo que hizo el anterior (est impedido de "verlo" por este
lmite). Una forma alternativa es agrupando con un valo a los nodos que tienen informacin
imperfecta, lo cual indica que no se sabe cul de ellos se presentar en el juego (en la figura anterior
los nodos B).
Este conjunto de nodos se llama conjunto de informacin. Observar que:
El nmero de acciones de cada nodo en un conjunto de informacin debe ser idntico para todos,
de otra forma el jugador podra distinguir entre estos nodos.
Los conjuntos de informacin de los juegos con informacin perfecta, solo contienen un nodo,
en tanto que los juegos con informacin imperfecta, contienen ms de uno.
b Equilibrio de Nash
El concepto de equilibrio de Nash se aplica a la forma normal no a la forma extensiva.
Estrategias dominantes
En los juegos de 2 acciones es conveniente utilizar flechas para indicar el sentido de las ganancias
dominantes, tal como se indica en la figura 3-104a. Las flechas verticales se refieren a las ganancias
de A dentro de cada accin de B (recordar que es el primer valor dentro del parntesis).
As por ejemplo la flecha vertical de la izquierda indica que dentro de b1 la ganancia de A con la
accin a2 (2) es mayor que la de la accin a1 (1).
Anlogamente, la flecha horizontal superior hacia la izquierda indica que dentro de a1 la ganancia
de B con la accin b1 (4) es mayor que la de la accin b2 (3).
B B
b1 b2 b1 b2
a1 1,4 3,3 a1 1,4 3,3
A A
a2 2,2 4,4 a2 1,2 4,4
a b
Figura 3-104
En los juegos con estrategias puras, las acciones dominantes fuertes son las acciones que tienen
ganancias dominantes para todas las elecciones. En la figura anterior la accin a2 es dominante fuerte
pues todas las flechas verticales se dirigen a ella. Eso no sucede con las acciones de B, quien no tiene
ninguna accin dominante (las flechas horizontales no tienen igual sentido).
En particular, si un valor de salida es igual al de llegada, se representa por una flecha doble y si en
este caso existe dominancia, se llama dbil. En la figura siguiente la accin a2 es dominante dbil.
En los juegos con ms de 2 acciones, ms cmodo que las flechas, es el marcado de las ganancias
dominantes en cada fila o columna, con un recuadro o asterisco. Lo mismo sucede con la
representacin en forma de rbol.
Equilibrio de Nash
La estrategia dominante se refiere a las filas o columnas, en cambio el equilibrio se refiere a los
resultados o celdas (cruce de 2 estrategias llamada tambin, estrategia conjunta).
La siguiente definicin del equilibrio es debida al matemtico norteamericano John Nash, quin
recibi el premio Nobel de economa de 1994 por sus aportaciones a la teora de los juegos, en
especial la que se deriva de su tesis doctoral de 1951: Juegos no cooperativos. Observar que fue
elaborada 43 aos antes del premio5.
Dos estrategias cruzadas conforman un equilibrio de Nash si ningn jugador tiene incentivos
para cambiar la suya unilateralmente y por lo tanto lo mejor que puede hacer es quedarse en
la estrategia elegida.
Un equilibrio de Nash para estrategias puras se detecta cuando 2 flechas (o 2 marcas) se encuentran
en una celda, pues en este caso cada jugador est utilizando la mejor estrategia dadas las estrategias
de los dems.
Cadena de conjeturas
El anlisis de juegos siempre se comienza pensando nuestra accin, la reaccin racional del otro
jugador, nuestra nueva reaccin racional, . De este anlisis surge nuestra mejor estrategia en
consecuencia. La palabra "pensando" es conducente en este prrafo pues al ser un juego simultneo,
todo este proceso solo tiene lugar en la mente de cada jugador. Apreciar que la reaccin del otro se
asociar con un perfil fila o columna.
Observar el juego de la figura 3-104b.
Accin: el jugador B elige por ejemplo b1.
Reaccin: el jugador A elegira la accin dominante en ganancias a2, dado b1 (dentro del perfil
b1).
Reaccin: el jugador B elegira la accin dominante en ganancias b2, dado a2.
Reaccin: el jugador A seguira eligiendo a2, con lo cual las acciones a2, b2, conforman un
equilibrio estable.
Formalmente se tienen las siguientes correspondencias6:
RA (b1 ) = a2
RB (a2 ) = b2
RA (b2 ) = a2
5
Su vida fue llevada al cine en la pelcula: "Una mente brillante", protagonizada por Russell Crowe. Este film
narra sus dificultades para relacionarse con las personas, su esquizofrenia paranoide y sus delirios de
persecucin, todos los cuales finalmente pudo controlar.
6
Estas relaciones no son funciones pues podran existir valores iguales y por lo tanto expresiones del tipo:
RA (b1 ) = a2 , a3 , sin un valor nico. Los economistas las llaman correspondencias.
155
En sntesis, si el jugador B elige b2, entonces el jugador A elegir a2, pues no tiene incentivos para
cambiarla y tener mayores ganancias (y viceversa). El equilibrio se detecta comenzando desde
cualquier accin de cualquier jugador.
En la figura siguiente se aprecia este equilibrio con un diagrama de relaciones como el que se utiliza
en matemticas. Si B elige b2, A elige a2, y B se queda en b2, lo cual indica un punto de equilibrio
estable.
RA RB
b1 a2 b2
RA.
Figura 3-106
El valor de la ganancia en el equilibrio, se llama Valor del juego, en este ejemplo (4, 4).
Los equilibrios pueden naturalmente tambin obtenerse tildando en la forma extensiva, como se
muestra en la figura siguiente (con un * dentro de A y con un ' dentro de B). El equilibrio se detecta
ahora cuando las 2 marcas se encuentran en el mismo nodo final.
|
| b1 1,4*
|
|B
a1 |
|
| b2 3,3
A |
a2 |
| b1. 2',2
|
|
|B.
|
| b2.
4',4*
|
Figura 3-107
Equilibrio de Nash
Se deja al lector concluir que el juego de la figura 3-107 tiene 2 equilibrios de Nash. En general un
juego puede tener 0, 1 o ms equilibrios de Nash.
Un equilibrio no produce necesariamente el mejor resultado posible para cada jugador individual,
pero es una situacin que conforma a todos ante la amenaza de resultados peores.
Ms adelante veremos cmo obtener (si existen) los equilibrios de Nash para estrategias mixtas.
Teorema de Nash (Nash, 1951)

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

Condiciones necesarias y suficientes para una solucin

Condicin necesaria
Un equilibrio de Nash es una condicin necesaria (pero no suficiente) para ser solucin del juego,
esto es:
Solucin Equilibrio
Esto implica que una situacin que no es un equilibrio, no puede ser solucin. Pero un equilibrio
podra presentarse con ambas estrategias no dominantes, dominantes o dominadas.
Condicin suficiente
Una condicin suficiente para una solucin del juego en estrategias puras, es que el equilibrio de
Nash sea con ambas estrategias dominantes.
Equilibrio con estrategias dominantes Solucin
Esto se comprende pues sera ilgico que una estrategia dominada sea solucin.
Conocimiento comn
Cuando las estrategias son dominantes, podemos visualizar una aplicacin directa de la cadena de
razonamientos llamada conocimiento comn.
Sea el juego de la siguiente figura.
B
b1 b2
a1 1,4 3,3
A
a2 3,3 4,2
Figura 3-108
La racionalidad de A lo conduce a jugar la estrategia dominante a2 y la racionalidad de B, a jugar la
estrategia dominante b1, por lo cual ambos pueden predecir el equilibrio.
Utilizando el concepto de conocimiento comn (pgina 151):
R: B es racional y elige b1.

S(R): A sabe que B es racional y elige b1 => A elige a2
S(S(R)): B sabe que A elige a2 (B sabe que A sabe que B es racional y elige b1) = > B elige b1.
En general son pocos los juegos que tienen este tipo de equilibrios (un ejemplo es el dilema del
prisionero, en la seccin problemas del final del captulo). A diferencia de los equilibrios con
estrategias no dominantes, estos equilibrios no dependen de las estrategias del otro.
Como consecuencia, si un juego tiene estrategias dominantes no importa quin es el primero. Por lo
tanto nos encontramos con un juego en el que con igual informacin, se presentan 2 formas
extensivas equivalentes, cada una de ellas con los rdenes invertidos.
Juego de suma cero

Si en particular un juego es de suma cero, el mximo (mnimo) de una fila o columna de un jugador
ser el mnimo (mximo) del otro. En la siguiente figura se presenta un juego de suma 10. Se han
colocado por esta vez tambin las ganancias de B, aunque sabemos que en estos juegos solo se
colocan las de A (jugador de filas), pues las del otro se sobrentienden.
En la figura se ha incluido una columna y una fila adicionales con los valores de ganancias mximas
(expresadas en valores de A), las cuales facilitan la comprensin del siguiente anlisis, que cada
jugador pensara antes de hacer su juego.
157
Accin: A por ejemplo elige a1.

Reaccin: B elegira la accin dominante en ganancias, b1, (coincidir con el mnimo de A).
Reaccin: A elegira la accin dominante en ganancias (mximo valor de esa columna), a2.
Reaccin: B elegira la accin dominante en ganancias (mximo valor de esa fila), b1, (coincidir
con el mnimo de A).
Observar que en este caso existe un equilibrio de Nash, la celda (a2, b1), pues B elige b1 y A se
queda en a2, lo cual indica un punto de equilibrio estable.
B
b1 b2
a1 1,9 3,7
A
a2 2,8 4,6
Figura 3-109
Como en los juegos de suma cero no se incluyen las ganancias de B, se debe tener en cuenta que las
flechas de B resultan invertidas respecto de las ganancias de A.
B
b1 b2
a1 1 3
A
a2 2 4
Figura 3-110
c Eficiencia y justicia
Eficiencia
Este concepto (como el equilibrio) se refiere a los resultados (celdas) y no a las estrategias (filas o
columnas).
Comparacin local (uno a uno)
Un resultado es Pareto Dominante o Dominante en Ganancias sobre otro, si las ganancias son al
menos iguales a la del otro y una es estrictamente mayor. Si todas son estrictamente mayores, el
resultado es estrictamente Pareto Dominante.
Comparacin global (todas las celdas)
Un resultado es Pareto Eficiente si no es Pareto dominado por ningn otro. Si esto no ocurre, se
dice que es Pareto Ineficiente.
Un equilibrio no necesariamente coincidir con un resultado Pareto Dominante o Pareto Eficiente,

pudiendo existir un resultado Pareto Dominante o Eficiente que no es un punto de equilibrio. Como
es un desequilibrio no puede subsistir y sus ganancias, aunque altas, son efmeras, por lo cual no
debe ser considerado.
Justicia
Un resultado es justo si cada jugador gana lo mismo, es decir si es simtrico.
Este concepto normalmente se encuentra en conflicto con el concepto de eficiencia, en el sentido de
que eficiencia y justicia no puedan satisfacerse a la vez. Este conflicto aparece frecuentemente en
economa, por lo cual no debe sorprender que lo haga en juegos de economa.

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

MiniMax y Maximin
Son definiciones aplicables a cualquier matriz (pertenezca o no a un juego).
MiniMax
Se halla el mximo de cada fila o columna y luego el mnimo de ese vector.
MaxiMin
Se halla el mnimo de cada fila o columna y luego el mximo de ese vector.
A modo de ejemplo, en la figura siguiente se colocaron en los mrgenes de la tabla, los mximos o
mnimos de cada fila o columna con los subndices R por Row (fila) y C por Column (columna).
Luego se coloc un * o un ' para marcar los MiniMax y MaxiMin.
MaxR MinR
1' 6 0 6 1 6 0 0
2 0 3* 3* 2 0 3 0
3 2 4 4 3 2* 4' 2*
MinC 1' 0 0 MaxC 3 6 4'
Figura 3-111
Aplicacin a la forma normal de un juego

A modo de ejemplo aplicaremos los conceptos de MiniMax o MaxiMin a la bimatriz de un juego.
Acciones B
MaxR
b1 b2
a1 4,4 3',5 5
Acciones A
a2 5,3* 6,6 3*
MaxC 5 3'
Figura 3-112
Minimax
Estrategia MiniMax (con la matriz del adversario)

Supongamos que nos enfocamos en las estrategias de A.
Accin: A elige una accin cualquiera (fila).
Reaccin: la estrategia usual de B es elegir la dominancia de sus ganancias en esa fila, Max(B)
(mximo dentro de ese perfil fila).
159
Consecuencia
Si A prev que B tenga la estrategia de dominancia en sus ganancias, elegira de entrada la fila que
contenga el mnimo de esos mximos (la solucin menos mala), esto es el Mini(Max(B))7, al que
llamaremos simplemente MiniMax de B.
B luego elegira la celda de ese MiniMax. Podr B terminar eligiendo el Mini(Max(A))? Esto
ocurre algunas veces y ser desarrollado en la siguiente seccin.
En la figura anterior se colocaron en la columna marginal los mximos que puede elegir B a cada
accin de A (mximos de fila = MaxRow) y en la fila marginal los mximos que puede elegir A para
cada accin de B (mximos de columna = MaxColumn).
Se coloc una marca * al lado de cada ganancia para resaltar el MiniMax de fila y un tilde ' para el
MiniMax de columna.
Columna : MiniMaxR = 3
Fila : MiniMaxC = 3
Observar que la interseccin de ambas acciones no se encuentra en la misma celda.
Estrategia MaxiMin (con la matriz propia)
Accin: A elige una accin cualquiera (fila).
Reaccin: en lugar de maximizar sus ganancias, B podra optar por elegir como estrategia
mnimizar las ganancias de A, Min(A) (la cual es una accin algo paranoica). En este caso le
convendr a A calcular previamente el mximo de esos mnimos, lo cual lo conduce a la
estrategia llamada Maxi(Min(A))8, es decir el MaxiMin de A.
Ambas estrategias se llaman estrategias conservadoras o de seguridad y por lo tanto son contrarias
a la expresin de mercado: mayor riesgo, mayor beneficio: No es aplicable, por ejemplo, en la
apertura de un mercado si una empresa busca captar mayor participacin, en donde se debera
pretender bastante ms que una estrategia mnima de seguridad para explotar las debilidades del
adversario.
El valor numrico del MiniMax (o del MaxiMin) se llama nivel de seguridad.
Equilibrio MiniMax o MaxiMin

Sucede cuando el par de estrategias (acciones elegidas) de ambos jugadores se interceptan en la
misma celda.
Equilibrio MiniMax -MiniMax
Se presenta cuando ambos usan la estrategia MiniMax (por lo tanto utilizan la bimatriz) y se cumple
que:
MiniMaxR MiniMaxC
En los juegos de suma no cero, no tiene porque existir o coincidir con el equilibrio de Nash (que
siempre existe).
Equilibrio MaxiMin -MaxiMin
En forma totalmente anloga se puede analizar si existe equilibrio cuando los jugadores deciden
minimizar las ganancias del otro en lugar de maximizar las suyas (por lo tanto usan la bimatriz).
7
El anidamiento indica las estrategias de cada jugador, en este caso: A(B).
8
El anidamiento indica las estrategias de cada jugador, en este caso nuevamente: A(B).
Equilibrio MaxiMin -MiniMax

Si un jugador, por ejemplo B, utiliza la estrategia MaxiMin y el otro A, la estrategia MiniMax,
ambos jugadores utilizarn una sola matriz para el anlisis, en este ejemplo solo la matriz de B.
Punto de silla
Es una propiedad que tienen algunas matrices, por la cual el mnimo de fila coincide con el mximo
de columna. Por esta razn, a este punto se lo llama punto de silla, dada la semejanza con la silla de
montar en la cual existe un punto que cruza el mnimo en una direccin (curva cncava hacia arriba)
con el mximo en la direccin perpendicular (curva cncava hacia abajo).
Este punto, si existe, no tiene que ser necesariamente nico.
En la figura siguiente la celda sombreada contiene el mximo de su columna y el mnimo de su fila.
MinR
0 1 7 0
4 2*' 3 2*
9 0 0 0
MaxC 9 2' 7
Figura 3-113
Punto de silla
Se puede demostrar el siguiente teorema:
La condicin necesaria y suficiente para un equilibrio MaxiMinMiniMax, es que esa celda sea
un punto de silla.
Observar que el punto de silla requiere que sea la misma matriz para ambos jugadores, por lo cual el
equilibrio debe ser MaxiMinMiniMax.
En la figura siguiente, la celda inferior izquierda es un punto de silla, pues el 2 es el mximo de su
columna y el mnimo de su fila. Si suponemos ahora que esta matriz representa la ganancia de A de
un juego, el punto de silla sera el punto de equilibrio de las estrategias MaxiMinMiniMax, pues A
elegira la accin a2 del MaxiMinR y B la accin b1 del MiniMaxC9.
La estabilidad del punto de equilibrio se percibe razonando as:
Accin: si por ejemplo A eligiera a1.
Reaccin: B elegira b1.
Reaccin: A elegira a2.
Reaccin: B elegira b1.
Observando las 3 ltimas reacciones, se aprecia la estabilidad del la estrategia a2-b1.
Acciones B
G(A) MinR
b1 b2
a1 1 3 1
Acciones A
a2 2*' 4 2*
MaxC 2' 4
Figura 3-114
Punto de silla
9
Esto tambin ocurrir si esta matriz fuera de un juego de suma constante (por ejemplo igual a 10).
161
e Juegos de suma cero

MiniMax = MaxiMin
En estos juegos se verifica que el MaxiMin de una matriz es siempre igual al MiniMax de la otra.
Equilibrio
Como es un juego de suma cero se podran utilizar siempre los valores de las ganancias de un solo
jugador en el anlisis y por lo tanto una sola matriz.
Si por ejemplo se utilizan solo las de A, se tiene:
Accin: A elige una accin.

Reaccin: B elegira el mnimo de esa fila Min(A) (coincidir con el mximo de la fila de su
matriz).
Reaccin: A concluir que su solucin menos mala ser el mximo posible de estos valores, es
decir el MaxiMin de A.
Se llega a la misma estrategia utilizando la matriz de ganancias de B.

Sin embargo, estas estrategias no necesariamente coincidirn en la misma celda.
Teorema MiniMax (Von Neumann, 1928)
Cualquier juego de 2 jugadores de suma constante, tiene exactamente un equilibrio MiniMax-

MaxiMin (puro o mixto).
Obviamente que si el equilibrio fuera puro sera un punto de silla.

Se aprecia que este teorema un caso particular del teorema de Nash, aplicable a cualquier juego. En
un juego de suma constante, el equilibrio de Nash coincide con el equilibrio MiniMax. Esta analoga
solo es vlida para juegos de 2 jugadores.
Ejemplo
En la figura 3-115 se presenta un juego de suma constante 10, con las matrices de A y de B.
B B
G(A) MinR G(B) MaxR
b1 b2 b1 b2
a1 1 3' 1 a1 9 7' 9
A A
a2 4 2* 2* a2 6 8* 8*
MaxC 4 3' MinC 6 7'
a b
Figura 3-115
Observando la columna marginal de ambas figuras a y b, se obtienen los siguientes valores, el
primero calculado con las ganancias de A y el segundo con las ganancias de B. Corresponden a la
accin a2.
MaxiMinR = 2 MiniMaxR = 8
En forma anloga, observando la fila marginal, se obtienen los siguientes valores, el primero
calculado con las ganancias de B y el segundo con las ganancias de A. Corresponden a la accin b2.
MaxiMinC = 7 MiniMaxC = 3

Observar que esta matriz no posee un equilibrio MiniMax en estrategias puras. En la seccin
siguiente se estudiar como calcular el equilibrio en estrategias mixtas.
Problema resuelto 3.45 Sistemas de video
Una empresa debe decidir entre adoptar la tecnologa de un sistema de video VHS o la de Beta. Ambos son
igualmente buenos, pero una vez adoptada una tecnologa, no podr trabajar con la que utilice la otra. La
matriz de pagos se muestra en la siguiente figura.
Obtener las estrategias MiniMax, los equilibrios puros de Nash, la eficiencia; los valores del juego e interpretar
la situacin.
B
Beta VHS
Beta 1,1 0,0
A
VHS 0,0 1,1
Figura 3-116
Solucin
Colocando los mximos de columna y de fila y las flechas, resulta la siguiente tabla:
B MaxR
Beta VHS
Beta 1',1* 0,0 1*
A
VHS 0,0 1',1* 1*
MaxC 1' 1'
Figura 3-117
Equilibrio MiniMax-MiniMax
Columna : MiniMax ( para A) = 1
Fila : MiniMax( para B ) = 1
Se encuentran 2 celdas en las que coinciden los MiniMax.
Equilibrio de Nash
Con las flechas se aprecia que ninguna accin es dominante.
Los equilibrios MiniMax coinciden aqu con los 2 equilibrios de Nash, en los cuales las empresas elegiran el
mismo sistema.
Valores del juego

Los valores del juego son 1, 1 para ambos jugadores en ambos equilibrios.
Eficiencia
Como los equilibrios no son dominantes y la eficiencia es igual para ambos, nos encontramos en un juego de
coordinacin, en el que ambas empresas deberan coordinar una nica estrategia.
163
Problema resuelto 3.46 El juego de la contaminacin
Una empresa preferira contaminar a instalar un caro sistema para controlar la contaminacin. La siguiente
tabla muestra los beneficios para todos los cruces.
Obtener las estrategias MiniMax, los equilibrios puros de Nash, la eficiencia, los valores del juego e interpretar
la situacin.
B
Poca Mucha
contaminacin contaminacin
Poca
100,100 30,120
contaminacin
A
Mucha
120,30 100,100
contaminacin
Figura 3-118
Solucin
Colocando los mximos de columna, de fila y las flechas, resulta la siguiente tabla:
B
Poca Mucha MaxR
contaminacin contaminacin
Poca
100,100* 30,120 100*
contaminacin
A
Mucha
120,30 100',100* 100*
contaminacin
MaxC 120 100'
Figura 3-119
Equilibrio MiniMax-MiniMax
Estrategias MiniMax
Columna : MiniMaxR = 100
Fila : MiniMaxC = 100
La estrategia conjunta Mucha Contaminacin Mucha Contaminacin es un equilibrio MiniMax-MiniMax.
Equilibrio de Nash
Es la celda en que ambas empresas eligen Mucha contaminacin.
La accin Mucha contaminacin es dominante para la empresa A. Cuando un jugador A tiene una
estrategia dominante y el otro B no, B debe suponer que A la va a elegir y por lo tanto elegir la mejor jugada
dado este supuesto. En este caso, B elegira Mucha contaminacin.
Valor del juego

El valor del juego del equilibrio de Nash es 100 para ambos jugadores.

Eficiencia
El equilibrio de Nash no es eficiente pues no domina al resto de las ganancias.
Observar que el equilibrio de Nash es en este caso antisocial. El mercado no siempre conduce al resultado
deseable. El estado puede resolver este problema con exenciones impositivas para imponer un equilibrio en la
celda superior izquierda.
Problema resuelto 3.47 Competicin Cournot10
Un juego simultneo en el que dos firmas compiten en cantidades, se llama modelo de competencia de
Cournot, debido al economista francs Agustn Cournot, quien lo estudi por primera vez en 1838,
apareciendo en el ltimo captulo de su libro, Recherches sur les prncipes mathmatiques de la Theorie des
richesses. Cuando la competencia simultnea es en precios, se llama competencia de Bertrand, cuando la
competencia es secuencial en cantidades se llama de Stackelberg y cuando es secuencial en precios se llama
Liderazgo en precios.
Sea un duopolio11 conformado por 2 chocolateras A y B que desean maximizar sus beneficios y cuyas
cantidades de unidades enviadas al mercado llamaremos qA y qB. La ley de la oferta y la demanda establece
que los precios y las cantidades se relacionan en forma inversa. Asumiremos que el precio de mercado P se
determina por la demanda, en funcin de la siguiente ecuacin lineal:
P = a b( q A + qB ) si a > b( q A + qB )
P=0 en caso contrario
Observar que P es funcin de la cantidad que producen ambas empresas, debido a lo cual aparece entre ellas
una relacin estratgica.
Supongamos que a = 130, b = 1 y el costo C = 10$ para ambas firmas. Adems consideremos por simplicidad
que solo existen 3 posibles cantidades qi, 30, 40 y 60.
a) Construir la matriz de pagos. b) Obtener los equilibrios puros de Nash, los valores del juego y la eficiencia.
Interpretar.
Solucin
a)
Resolviendo P para cada valor de los cruces, se obtiene la siguiente tabla de ganancias. Recordemos que en los
parntesis, convencionalmente se colocan primero las ganancias del jugador colocado en filas, es decir A.
Por ejemplo, si A elige q1=30 y B elige q2=60, se tiene:
P = 130 (30 + 60) = 40$
Por lo tanto,
La ganancia para A es: ( P c)q1 = (40 10)30 = 900$ .
La ganancia para B es: ( P c)q2 = (40 10)60 = 1800$ .
10
Ejemplo tomado de Gardner, 1995, Games for Business and economics, pag 136.
11
Un oligopolio es una industria formada por n empresas con capacidad para modificar los precios en funcin
de su produccin. En particular si n = 2 se llama duopolio. Lo contrario se llama competencia perfecta.
165
B
qB1=30 qB2=40 qB3=60
qA1=30 1800,1800 1500,2000 900,1800
A qA2=40 2000,1500 1600,1600 800,1200
qA3=60 1800,900 1200,800 0,0
Figura 3-120
b)
Eliminacin de estrategias fuertemente dominadas

Se observa que en este problema, las acciones 3 para ambas fbricas son estrategias fuertemente dominadas.
Estas acciones pueden eliminarse del anlisis pues nunca sern elegidas. Se obtiene as la tabla reducida
siguiente.
B
qB1=30 qB2=40
qA1=30 1800,1800 1500,2000
A
qA2=40 2000,1500 1600,1600
Figura 3-121
Repitiendo la reduccin de estrategias fuertemente dominadas, se eliminaran las acciones 1 de cada fbrica,
resultando como equilibrio de Nash, la estrategia de elegir la accin 2 para ambas empresas. Cada empresa
producir 40 unidades y por lo tanto el precio de mercado ser:
P = 130$ 2(40)$ = 50$
40$ por arriba de los costos (10$), lo cual produce unos beneficios totales de 1600$.
Nota
Por la condicin de suficiencia antes vista (pgina 157), al eliminar estrategias dbilmente dominadas, se
pierden los equilibrios de Nash que pudieran existir en estas estrategias.
Un mtodo alternativo es el siguiente.
Celda por celda

Colocar las flechas verticales y horizontales indicando el sentido de las ganancias. La tabla resulta:
B
qB1=30 qB2=40
qA1=30 1800,1800 1500,2000
A
qA2=40 2000,1500 1600,1600
Figura 3-122
Si existe una celda en la que concurren todas las flechas, ser la estrategia comn para ambos jugadores, en
este caso la celda (1600,1600). Este es entonces el equilibrio de Nash de esta competicin y 1600 es el valor
del juego. Ambas fbricas elegiran las producciones de 40 unidades pues es la mejor estrategia dada la
estrategia del otro.
Eficiencia
Observar que la solucin es ineficiente pues existe una situacin (1800,1800) con ganancia s mayores para los
jugadores, pero que no es un equilibrio.

IV Teora de los juegos 2 Simultneos con estrategias mixtas
2 Simultneos con estrategias mixtas

El equilibrio de estrategias mixtas implica volverse impredecible. Esto es deseable en el caso de que
no exista un equilibrio de estrategias dominantes, pues evitar conductas sistemticas que puedan ser
aprovechadas por el otro jugador. Esta conducta es la que se observa por ejemplo en los jugadores de
pker que desean tener algn tipo de xito.
Una estrategia mixta es una distribucin de probabilidades sobre el conjunto de estrategias.
Por lo tanto:
p1a1 + p2 a2 + ... pn an = 1
La seleccin de cualquiera de las acciones es un evento aleatorio para el jugador. Como resultado,
cada jugador aleatoriza su decisin, algunas veces elige la accin a1, otras veces la a2, etc. En este
sentido, su estrategia resulta una mezcla aleatoria de las estrategias puras.
a Formas del juego

Forma normal
Adems de la tabla de ganancias, se debe incluir la tabla de contingencias con las probabilidades de
cada accin.
Llamamos:
pA = probabilidad de que A juegue la accin a1.
pB = probabilidad de que B juegue la acin b1.
Dado que las acciones son independientes entre s, resulta entonces el esquema que se muestra en la
siguiente figura, con la tabla de contingencias y la de ganancias en una sola tabla.
Acciones B
b1 b2 T
a1 GA11, GB11 GA12, GB12
pApB pA(1pB) pA
Acciones A a2 GA21, GA21 GA22, GB22
(1- pA)pB (1pA)(1pB) 1- pA
T pB 1pB 1
Figura 3-123
Tabla del juego mixto
Forma extensiva
Un rbol del juego sera simplemente el rbol de probabilidades condicionales correspondiente a la
tabla anterior (recordando que los eventos son independientes), adaptado al formato habitual en la
teora de juegos.
167
|
| pB b1 GA11, GB11 pApB.
|
|
pA a1 |B
|
| (1-pB) b2 pA(1-pB)
A | GA12, GB12
|
|
| pB b1. GA21, GB21 (1-pA)pB
(1-pA) a2 |
|B.
|
| (1-pB) b2. GA22, GB22 (1-pA)(1-pB)
|
Figura 3-124
b Equilibrio de Nash
El equilibrio de Nash de estrategias mixtas se materializa con la obtencin adecuada de los valores
de pA y pB necesarios para que cada jugador maximice sus respectivas ganancias. Esta estrategia
tambin es llamada estrategia ptima.
Si un juego verifica la condicin suficiente de solucin de un equilibrio puro con estrategias

dominantes (pgina 157), no existir un equilibrio en estrategias mixtas y por lo tanto finaliza el
anlisis. Esto se comprende pues sera ilgico que se le asignara una probabilidad a la estrategia
dominada. De todas formas, si se resolviera por el enfoque de estrategias mixtas, se obtendra un
valor de probabilidad mayor que 1 o menor que 0, lo cual indica esta situacin al modelador. Esto se
podr apreciar desde el punto de vista grfico en el siguiente problema resuelto.
La esperanza obtenida es el valor del juego y ser favorable a alguno de ellos o 0. En este ltimo
caso se dice que el juego de 2 jugadores 2 2 de suma cero, es neutro.
Sin embargo, el valor del juego es en este caso un valor al cual tender la ganancia del promedio de
muchos juegos. Si el nmero de repeticiones no es muy alto, la suerte podr aumentar o disminuir la
ganancia.
Existen 3 mtodos de resolucin. A continuacin los describir conceptualmente y dejar los detalles
para el prximo problema resuelto.
1 Mtodo de maximizacin
Consiste aplicar el anlisis infinitesimal a la expresin general de la ganancia conjunta del juego,
para obtener el valor mximo de la misma.
Por lo tanto primero deber derivarse la misma respecto de sus variables pA y pB y luego igualar esta
expresin a 0. La resolucin proveer los valores de pA y pB. Notar que al derivar respecto de una
probabilidad se considera a la otra como si fuera constante. Esto solo es verdad en el equilibrio.
2 Mtodo de igualacin de ganancias
Este mtodo se basa en la igualacin de ganancias esperadas.
En un juego de nm se llega a un sistema superdeterminado (ms ecuaciones que incgnitas).Los
dos mtodos principales de resolucin de estos sistemas son el de mnimos cuadrados ya visto en la

regresin (captulo 1) y la programacin lineal12. Sin embargo, podremos resolver los siguientes
dos casos particulares sin usar ninguna de estas tcnicas:
Juegos nn
En estos casos se llega a un sistema determinado, el cual se resuelve como es habitual.
Juegos 2n
El sistema es superdeterminado pero al ser 2 el nmero de filas o columna), se puede resolver en
forma grfica en el plano.
Ambas situaciones se presentan en el siguiente problema resuelto.
3 Mtodo de Williams
Es el resultado de la aplicacin de la geometra a 2 tringulos semejantes que se encuentran en la
solucin grfica del mtodo de igualacin de ganancias de un juego 22.
c Funciones de mejor respuesta

(BRF, Best Response Function)
Son las grficas de una probabilidad pA en funcin de la otra pB. Se construirn luego en un
problema resuelto.
Problema resuelto 3.48 Estrategia de juego en el saque
Un jugador de tenis sabe que cuando espera el saque, no debe decidirse a cubrir un determinado lado de la
cancha hasta el ltimo momento pues de lo contrario el sacador puede aprovecharse y tirar la pelota en sentido
contrario. Si bien las decisiones son simultneas, predecir la jugada del contrario tiene muchas ventajas.
Supongamos que los jugadores Del Potro, S (Sacador) y Federer, R (Receptor) tienen una matriz de ganancias
como la de la figura siguiente. Estas probabilidades pueden ser calculadas de las estadsticas correspondientes
a los partidos previos entre ambos. Indican por ejemplo que si R prev correctamente el saque derecho, tiene
xito el 90% de las veces. Apreciar que este es un problema de suma cero pero el procedimiento es totalmente
general. Luego en los problemas finales se pedir resolver por ejemplo el juego del gallina, de suma no cero.
Del Potro Sacador

Derecho Revs
Federer Derecho 90% 20%
Receptor Revs 30% 60%
Figura 3-125
Obtener los equilibrios de Nash (puros y mixtos) e interpretarlos. Compararlos con los equilibrios MiniMax.
Son los equilibrios eficientes?
Solucin
Primero se debe analizar la existencia o no de estrategias puras dominantes (fila o columna con valores
sistemticamente superiores a la otra). De la siguiente tabla se concluye que en este caso no existen estrategias
puras dominantes para las ganancias de ninguno de los jugadores.
Adems, por ser un juego de suma cero, los equilibrios de Nash coinciden con los equilibrios MiniMax.
12
El objetivo de esta tcnica es optimizar (en general maximizar), una ecuacin W = f(X,Y,Z,, con
inecuaciones de vnculo (desigualdades en lugar de igualdades). Se llama lineal pues todas las ecuaciones e
inecuaciones son lineales. Scheid, F. 1972, pag 368.
169
Del Potro Sacador

Derecho Revs
Derecho 90% 20%
Federer
Receptor
Revs 30% 60%
Figura 3-126
1 Mtodo de maximizacin
El paso siguiente es analizar las estrategias mixtas, debido a lo cual, en la siguiente tabla se muestran las
probabilidades pR y pS de que el receptor prevea un saque derecho o que el sacador realice un saque derecho.
El mtodo de maximizacin consiste en obtener los valores de pR y pS de la distribucin conjunta. Si se expresa
en forma tabular, se obtiene la tabla de la siguiente figura.
Del Potro Sacador

1 Derecho 2 Revs T
1 Derecho 90% 20%
pR pS pR (1- pS) pR
Federer
2 Revs 30% 60%
Receptor
(1- pR) pS (1- pR)(1- pS) 1- pR
T pS 1- pS 1
Figura 3-127
La expresin de la ganancia conjunta del receptor es:
GR = pR ((90 pS + 20(1 pS )) + (1 pR )(30 pS + 60(1 pS )) =
= pR (70 pS + 20) + (1 pR )(30 pS + 60) =
= pR (100 pS 40) + 60 30 pS
Diferenciando con respecto de pR, se obtiene:
100 pS 40 = 0
pS = 0.40
GR = 48%
Observar que si el sacador utiliza este valor de pS, no interesa cual sea el valor de pR que elija el receptor, pues
en la ecuacin de GR se anula el trmino que contiene a pR. Una breve reflexin indicar que esto siempre
ocurrir (en un juego de 2 jugadores 22), dado el formato con el que resulta la ecuacin.
Anlogamente para la ganancia del sacador (utilizando en la matriz de ganancias, las complementarias de las
anteriores), resulta:
GS = pS ((10 pR + 70(1 pR )) + (1 pS )(80 pR + 40(1 pR )) =
= pS (60 pR + 70) + (1 pS )(40 pR + 40) =
= pS (100 pR + 30) + 40 + 40 pR
Diferenciando con respecto de pS, se obtiene:
100 pR + 30 = 0
pR = 0.30
GS = 52%
Nuevamente observar que si el receptor utiliza este valor de maximizacin de ganancias, no interesa cual sea el
valor de pS que elija el sacador, pues en la ecuacin de GS se anula el trmino que contiene a pS. Es decir que la

maximizacin de la ganancia conjunta en un juego de 2 jugadores 22, equivale a la obtencin de un pR tal que
esa ganancia sea independiente de pS. De esta forma se minimiza la habilidad del oponente de reconocer
comportamientos sistemticos en nuestras propias elecciones y nada de lo que haga afectar el resultado.
Para que estos resultados tengan validez, deben ser aplicados en forma totalmente aleatoria (por ejemplo
mirando la posicin del minutero de un reloj, asignando sectores o cuadrantes al tiro derecho y al revs). De
todas formas recordar que las ganancias tendern a los valores esperados del juego, solo si el nmero de
repeticiones es suficientemente grande.
Las ganancias del equilibrio mixto son (48, 52), por lo tanto la estrategia es Pareto Ineficiente pues sus
ganancias no son iguales o mayores que las de cualquier otro resultado. Adems, esta solucin no domina a
ninguna de las estrategias de la matriz del juego (la bimatriz se muestra en la figura siguiente). Claramente, si
existieran estrategias puras y mixtas, debera elegirse aquella que domine en ganancias.
La matriz de ganancias con las probabilidades encontradas se muestra en la figura siguiente. As por ejemplo
se extrae que si ambos jugadores utilizan sus estrategias mixtas, la probabilidad de que el Sacador lo haga con
el revs y el Receptor reciba tambin con el revs es del 42%, con las cuales el Receptor tendr una
probabilidad de xito del 60% (ganancia de 60).
Del Potro Sacador

1 Derecho 2 Revs T
1 Derecho (90,10) (20,80)
0.12 0.18 0.3
Federer
2 Revs (30,70) (60,40)
Receptor
0.28 0.42 0.7
T 0.4 0.6 1
Figura 3-128
2 Mtodo de la igualacin de ganancias

Utilizando el concepto deducido en el mtodo anterior, la maximizacin de ganancias conduce a que cada
jugador obtenga siempre la misma ganancia esperada con independencia de la accin del otro jugador13 .Esto
implica igualar las esperanzas dentro de cada perfil (luego se ampliar el concepto para cualquier juego de 2
jugadores, no solo de 22).
Para igualar los pagos se ha agregado a la tabla una columna y fila marginal, que contienen las expresiones de
las esperanzas dentro de cada perfil. Observar que para obtener estas ecuaciones, se deben utilizar las
ganancias de la distribucin que corresponda.
Del Potro Sacador

1 Derecho 2 Revs T
1 Derecho (90,10) (20,80)
70pS+20
pR pS pR (1-pS) pR
Federer 2 Revs (30,70) (60,40)
-30pS+60
Receptor (1-pR) pS (1-pR)(1-pS) 1-pR
T pS 1-pS 1
-60pR+70 40pR+40
Figura 3-129
13
Adems de ser los perfiles fila (columna) iguales entre s por tratarse de eventos independientes.
171
Analticamente
ER1 = 70 pS + 20
ER 2 = 30 pS + 60
Observar que si el sacador S eligiera pS =1, es decir siempre juega Derecho, la esperanza de S, si solo juega
Derecho, dara ER1 = 90, el cual naturalmente coincide con el valor de la celda superior izquierda.
Anlogamente se puede analizar el valor pS = 0 y la otra ecuacin.
Igualando las esperanzas, se llega a un sistema de 2 ecuaciones con 2 incgnitas, al que procedemos a resolver.
70 pS + 20 = 30 pS + 60
pS = 0.40
Del Potro debe sacar el 40% de los tiros de derecha y el 60% de revs.
Anlogamente:
ES1 = 60 pR + 70
ES 2 = 40 pR + 40
60 pR + 70 = 40 pR + 40
pR = 0.30
Federer debe posicionarse para recibir el 30% de los tiros de derecha y el 70% de revs.
El valor del juego para cada jugador se obtiene reemplazando el valor obtenido en cualquiera de los miembros
de la igualdad.
GR = 48%
GS = 52%
Se obtienen as los mismos valores que con el mtodo anterior.
Diagrama de rbol
Contiene los valores condicionales, los conjuntos y las ganancias. Notar que las ganancias se colocan en el
orden en el que se construye el rbol.
| 0.30 Recibe
|
Derecho (10,90) 0.12
|
|
0.40 Derecho |Federer
|
| 0.70 Recibe (70,30) 0.28
.
Del Potro Revs
|
| 0.30 Recibe
| Derecho. (80,20)
| 0.18
0.60 Revs
| Federer.
|
|
| 0.42
| 0.70. Recibe (40,60)
Revs.
Figura 3-130

Comprobar que los valores del juego para cada jugador, dada cualquier accin del otro, se pueden obtener
tambin del diagrama de rbol. As por ejemplo:
GFederer|Derecho = 0.3(90) + 0.7(30) = 48% .
Grficamente
Estas ecuaciones pueden resolverse en forma grfica, dibujando las esperanzas ER1 y ER2 en un solo diagrama.
Figura 3-131
En la figura anterior puede verse que la combinacin 40:60 del sacador es la mejor que tiene el servicio pues es
la nica que no puede ser aprovechada por el receptor. Si el sacador S eligiera cualquier otra estrategia, por
ejemplo 30%, el receptor R contestar con la estrategia ER2 anticipando al revs, lo cual le proporcionara un
porcentaje de xito de 51%, superior al 48%. En el lmite, si S eligiera pS = 0%, es decir sacando siempre de
revs, R tendra una ganancia de 60%, tal como indica la matriz de pagos.
Lo mismo sucede si por ejemplo S eligiera el 50%, pues R contestara eligiendo la estrategia ER1, anticipando a
la derecha, con un porcentaje de xito de 55%, superior al 48%. Es por esto que el punto 40:60 es ciertamente
un punto de equilibrio, en el sentido de que cualquier alejamiento de l, nos retorna al mismo.
Matemticamente:
pS < 0.4 pR = 0
pS = 0.4 pR
pS > 0.4 pR = 1
Observar adems que este razonamiento se corresponde con una estrategia MiniMax del Sacador, pues:
Accin: S elige una estrategia.
Reaccin: R elige la dominancia de sus ganancias. Dado que las rectas corresponden a las ganancias del
receptor, los valores mximos que elegira racionalmente el Receptor, se encuentran en la poligonal
superior. Debido a esto, el Sacador reaccionara con el mnimo de esos valores, es decir el vrtice inferior
de esa poligonal.
Razonando en forma anloga, en la figura siguiente puede verse que la combinacin 30:70 del receptor es la
mejor que tiene, pues es la nica que no puede ser aprovechada por el sacador. Cualquier otra, si se aprovecha
por el sacador, le proporciona un porcentaje superior al 52%.
173
Figura 3-132
Matemticamente:
pR < 0.3 pS = 1
pR = 0.3 pS
pR > 0.3 pS = 0
Notas
1. Pueden dibujarse ambas rectas a partir de los 2 valores extremos (ver figuras anteriores), valores que
pueden leerse directamente en la bimatriz, en una posicin cuyo patrn podr el lector fcilmente
encontrar y recordar.
2. La grafica de estas rectas puede anticipar la existencia o no de solucin real, es decir con la interseccin de
las mismas dentro del intervalo [0, 1]. Si la interseccin se presenta fuera de este intervalo, o no existe,
entonces podr decirse que no se presenta un equilibrio en estrategias mixtas.
Juegos 2n
El MiniMax para un juego de 22, consiste en la igualdad de esperanzas, pero esto ya no es cierto para un
juego de 2n.
Si por ejemplo fuera un juego de 23, se tendran 3 rectas E1, E2 y E3, como se muestra en la figura siguiente.

Figura 3-133
En este caso, el equilibrio no consiste en igualar las 3 esperanzas entre s, sino en encontrar el vrtice inferior
del polgono delimitado por los ejes y la parte superior de las rectas, pues para cualquier otro valor, el oponente
contestar con una estrategia que le produce mayor ganancia. En la figura, este vrtice inferior corresponde a la
igualacin de E1 con E2. Observar que si se calculara el valor p correspondiente a la igualacin entre E2 y E3, el
oponente B contestar con la estrategia E1, pues le produce una mayor ganancia y por lo tanto no sera la
estrategia ptima.
Este es un problema tpico de programacin lineal pero, como puede apreciarse, se resuelve perfectamente
graficando las rectas y hallando la interseccin que corresponda al vrtice ms bajo de la poligonal superior.
Juegos nn
En este caso simplemente deber resolverse el sistema determinado de n ecuaciones con n incgnitas, en
forma similar al del sistema de 2 ecuaciones con 2 incgnitas correspondiente a este ejemplo.
3 Mtodo de Williams
Mtodo solo vlido para un juego 22. Comparando los 2 tringulos semejantes que se observan a cada lado de
la recta vertical que pasa por la interseccin de las rectas inclinadas, se deducen las siguientes relaciones, de
donde se extraen los valores de pR y pS.
Para la probabilidad del Receptor (primer grfico):
pS 60 20
=
1 pS 90 30
pS = 0.40
Para la probabilidad del Sacador (segundo grfico):
pR 70 40
=
1 pR 80 10
pR = 0.30
La forma ms directa para obtener estas relaciones es hacer una figura de anlisis, graficando a mano alzada
las rectas del diagrama respectivo.
175
Problema resuelto 3.49 Estrategia de juego en el saque
Para el problema anterior, obtener las funciones de mejor respuesta.
Funcin de mejor respuesta (BRF, Best Response Function)

La siguiente figura de pR en funcin de pS, muestra en forma grfica las relaciones encontradas:
pS < 0.4 pR = 0
pS = 0.4 pR
pS > 0.4 pR = 1
Figura 3-134
Funcin de mejor respuesta (BRF, Best Response Function)

La siguiente figura de pS en funcin de pR, muestra grficamente las relaciones:
pR < 0.3 pS = 1
pR = 0.3 pS
pR > 0.3 pS = 0

Figura 3-135
En la figura siguiente se muestra la combinacin de las funciones de mejor respuesta, BRF. Los equilibrios de
Nash son las intersecciones de ambos, en este caso solo el equilibrio mixto.
Figura 3-136
Notas
1. Un juego que tiene un equilibro de estrategias puras, puede ser interpretado como un caso particular del de
estrategias mixtas con p = 0 o p = 1 . Si por ejemplo las funciones de mejor respuesta, BRF, fueran
como las de la siguiente figura, se tendran 3 equilibrios, el mixto en (0.30, 0.40) y los 2 puros en las
intersecciones (0, 0) y (1, 1).
2. Si se construyen las BRF para un juego 22 que contenga una sola estrategia pura, es decir con algunas de
las soluciones:
(pA, pB) = (0, 0), (0, 1), (1, 0) o (1, 1),
177
se observar que las rectas solo se pueden cortar en los vrtices del cuadrado delineado en la figura
anterior, por lo cual no existir la posibilidad de un equilibrio en estrategias mixtas.
Figura 3-137
Del anlisis grfico precedente puede apreciarse que los juegos presentan en general un nmero impar de
equilibrios.
d Conjunto convexo de ganancias

Conjunto convexo
Un conjunto es convexo si al contener 2 puntos, tambin contiene la recta que los une.
Es decir, A es convexo:
Si x, y A ax + by A
Conjunto convexo de ganancias

Dado un juego de 2 oponentes A y B, graficamos en un sistema de ejes G(A), G(B), los puntos de
cada celda de la bimatriz. El conjunto convexo de ganancias es el menor conjunto convexo que
contiene a dichos puntos. Por lo tanto ser el contorno de esos puntos.
Sea por ejemplo la bimatriz de un juego, de la siguiente figura. Se marcaron con un * los resultados
dominantes de columna y con un ' los dominantes de fila. Se aprecia por lo tanto que la estrategia
a2, b3 es un equilibrio puro de Nash y que adems es Pareto eficiente.
B
b1 b2 b3
a1 2*,-1 -1,2' 1,0
A
a2 1,1' 3*,0 2*,1'
Figura 3-138
El conjunto convexo de ganancias se muestra en la figura 3-139.

IV Teora de los juegos 3 Secuenciales
Figura 3-139
Cualquier punto del interior de este conjunto podra ser una estrategia conjunta entre ambos
jugadores, sea pura (un punto ya existente en la bimatriz) o mixta (un punto cualquiera no
perteneciente a la bimatriz). Esta estrategia podra incluso provenir de un acuerdo cooperativo entre
los jugadores, aunque no coincida con un resultado de la teora.
3 Secuenciales
Los juegos secuenciales se presentan a menudo. Ejemplos habituales son por ejemplo:
un comprador hace una oferta y el vendedor debe decidir si acepta o no,
un poltico debe decidir si realiza una costosa campaa, observando la decisin de su oponente.
Al igual que los juegos simultneos, los secuenciales pueden representarse en forma normal o en
forma extensiva.
a Formas del juego

Forma extensiva
En la forma extensiva, es decir con un diagrama de rbol, se encuentra implcito el orden del juego,
por lo cual es ms adecuada para los juegos secuenciales.
179
G(b1|a1)
b1
a1 B
b2 G(b2|a1)
b3
G(b3|a2)
a2
B.
b4
G(b4|a2)
Figura 3-140
Observar en la figura que se colocaron distintas acciones de B en cada estrella. Esto se hizo as pues
en un juego secuencial no es imprescindible que las acciones de un jugador en las distintas estrellas
sean las mismas.
Forma normal
La representacin normal de un juego secuencial requiere modificar las acciones del jugador B que
sigue al primero A, pues dado que modelan un juego sucesivo, cada accin de B debe contemplar la
reaccin para cada una de las acciones que A previamente ha decidido.
Juego simultneo
Tomando como ejemplo el juego 22 de la figura anterior, las acciones de B son solo 2, (b1 y b2) y la
tabla de ganancias es de 22.
Juego secuencial
Tomando el mismo ejemplo, las acciones del segundo jugador B, deben ser 4:
(b1|a1 o b3|a2),
(b1|a1 o b4|a2,
(b2|a1 o b3|a2),
(b2|a1 o b4|a2).
La tabla de ganancias ser de 24, como se muestra en la figura 3-141. De esta forma, cualquier
accin que elija B, contiene la respuesta a la accin que elija A, exactamente como si se actuara en
forma sucesiva.
B
b1|a1 o b3|a2 b1|a1 o b4|a2 b2|a1 o b3|a2 b2|a1 o b4|a2
a1 G(b1|a1) G(b1|a1) G(b2|a1) G(b2|a1)
A
a2 G(b3|a2) G(b4|a2) G(b3|a2) G(b4|a1)
Figura 3-141
Por razones de simplicidad podra sobreentenderse la condicionalidad y entonces la tabla quedara
como en la figura siguiente (la primera accin de B es |a1 y la segunda es |a2).

B
b1b3 b1b4 b2b3 b2b4
a1 G(b1|a1) G(b1|a1) G(b2|a1) G(b2|a1)
A
a2 G(b3|a2) G(b4|a2) G(b3|a2) G(b4|a1)
Figura 3-142
Se aprecia as que las columnas estn formadas por las combinaciones de cada una de las acciones de
B de una estrella con cada una de las otras estrellas.
Por ejemplo:
en un juego de 23, B tendr 3*3 = 9 acciones.
en un juego de 32, B tendr 2*2*2 = 8 acciones.
en un juego de mn, B tendr n m acciones.
b Subjuego
Es una parte de un juego, que al ser separado, constituye por s mismo un juego independiente. Debe
cumplir las siguientes propiedades:
1. Comenzar en un solo nodo.

2. Contener todos los sucesores de ese nodo en el rbol.
3. Contener todos los nodos de los conjuntos de informacin que incluya el subjuego.
Todo juego con informacin perfecta, IP, tiene subjuegos.

Un juego con informacin imperfecta, II, no puede tener ms subjuegos que el mismo pues debe
comprender en forma completa al conjunto de informacin.
Sin embargo, los juegos pueden contener ambas modalidades, con subjuegos con IP y subjuegos con
II. Se resuelven cada uno de los subjuegos y luego se colocan los resultados en el juego general.
c Equilibrios
Forma extensiva
Condicin suficiente
La condicin suficiente para resolver un juego en forma extensiva es la siguiente:
Un equilibrio es perfecto en subjuegos si cada jugador lo hace en forma ptima (ganancia

dominante) en cada subjuego.
Todas las estrategias que no satisfacen esta condicin, se llaman imperfectas.

Induccin hacia atrs
El procedimiento para construir un equilibrio perfecto en subjuegos es el principio de induccin
hacia atrs, basado en el conocimiento comn (pgina 151).
Se busca la mejor estrategia mirando hacia adelante y razonando hacia atrs.
R
El ltimo jugador actuar racionalmente =>
se comienza hallando la ganancia dominante de cada uno los subjuegos finales (se elige esa rama
de cada una de las estrellas finales, marcndola por ejemplo con una flecha).
S(R)
El penltimo jugador sabe que el ltimo jugador actuar racionalmente =>
se retrocede en el rbol hallando la ganancia dominante de cada subjuego mayor que anida a los
181
ltimos (nuevamente se elige y se marca con una flecha a una rama de cada estrella penltima, lo
cual descartar a las estrellas finales existentes no elegidas).
Se sigue con el conocimiento comn hasta llegar al principio del juego. El camino continuo de ramas
con flechas que resulta, se llama Trayectoria o Sendero del equilibrio. Esta solucin es un
equilibrio perfecto en subjuegos pues es dominante en todos los subjuegos
La induccin hacia atrs no puede ser usada en juegos simultneos pues existen nodos desde los
cuales no se puede observar todo lo que ha pasado (conjuntos de informacin con ms de un nodo),
los cuales impiden aplicar este principio. En estos juegos debe utilizarse la solucin del equilibrio de
Nash, antes estudiado para estos juegos.
Teorema de Nash
En realidad se trata de un caso particular del teorema ya visto (pgina 156), para juegos secuenciales.
Los juegos finitos de informacin perfecta, tienen al menos un equilibrio perfecto en subjuegos.
Esto es simplemente la consecuencia de que la induccin hacia atrs necesariamente termina despus
de una serie de pasos. Si existiera algn empate entre 2 acciones, se deberan realizar 2 diagramas,
uno por cada una de las elecciones.
Observar entonces que, a diferencia de los juegos simultneos, en los juegos secuenciales siempre
existe un equilibrio en estrategias puras.
Ejemplo
En el ejemplo del siguiente rbol, se han marcado con una flecha las ramas que en cada estrella
tienen las mayores ganancias, comenzado desde el final. Recordemos que las ganancias se colocan al
final del rbol, en el orden de los jugadores.
As por ejemplo, en la estrella (subjuego), ubicada en la parte superior derecha del rbol, las
ganancias del jugador C son 3 para la rama superior y 1 para la inferior, por lo cual se resalt la
superior c1. Anlogamente para la estrella que se encuentra por debajo se resalt la rama superior,
pues 5 es mayor que 1. El siguiente paso es analizar las estrellas penltimas. Siguiendo con el
ejemplo, se resalt la rama superior b1 pues 3 es mayor que 2.
Se contina con este proceso hasta llegar al inicio del rbol. El sendero del equilibrio ser, por lo
tanto, el conformado por las ramas superiores y el equilibrio se conforma con las ganancias (4, 3, 3).
Notar que el jugador A obtiene una ganancia de 4 aunque existe una ganancia mayor de 5, la cual no
es alcanzada por la racionalidad de los otros jugadores.
El estudiante puede averiguar si en este juego el orden importa, colocando a los jugadores en por
ejemplo, el orden BAC y resolviendo nuevamente el equilibrio (las ganancias no cambian de valor,
solo de ubicacin).

4,3,3
c1
C
b1
c2 4,4,1
a1 B c1. 4,2,5
b2 C.
c2. 5,5,1
A c1.. 1,4,4
b1.
C..
a2
c2.. 1,5,2
B.
c1... 3,3,4
b2.
C...
c2...
1,2,5
Figura 3-143
Forma normal
En la forma normal equivalente aparecen tanto los equilibrios perfectos como los imperfectos.
Esta particularidad se analizar con un ejemplo en el siguiente problema resuelto.
Estrategias dominadas y la induccin hacia atrs
La eliminacin de ramas de la induccin hacia atrs de la forma normal es equivalente a la
eliminacin de estrategias dominadas de la forma normal. Esto se cumple siempre, pero debe tenerse
una precaucin por la existencia de estrategias dbilmente dominadas, debiendo seguirse, por las
dudas, el mismo orden de eliminacin de ramas de la induccin hacia atrs, para obtener igual
resultado.
A modo de ejemplo, en la siguiente figura se presenta un ejemplo en el cual el equilibrio de Nash
(100, 100) se pierde si se eliminan las estrategias dbilmente dominadas correspondientes a su fila o
columna.
(1, 1) (100; 0)
(0, 100) (100, 100)
Figura 3-144
En la figura que sigue, si se eliminan las estrategias dominadas en un orden distinto, se obtienen
diferentes resultados. Si la columna dominada se elimina primero, queda la columna derecha. Si la
fila dominada se elimina primero, queda la fila inferior.
(0, 0) (0; 1)
(1, 0) (0, 0)
Figura 3-145
183
d Juegos simultneos
Simultneo en forma extensiva
Sabemos resolver los juegos simultneos buscando los equilibrios con su forma normal. Pero es
esto equivalente a la resolucin con la induccin hacia atrs con la forma extensiva? La respuesta es
no. Veamos porque.
Recordemos que el equilibrio en la forma normal se basa en colocar flechas segn las dominancias
de ganancias dentro de cada accin (fila o columna) independientemente de la eleccin del otro
(son simultneos). Por su parte, la induccin hacia atrs, excepto para el ltimo jugador, las flechas
se colocan dentro de las estrategias ya elegidas por los anteriores.
| 3,3
c1
|
|C
b1 |
c2 4,1
|
B | c1. 2,5
b2 | C.
|
c2. 5,1
|
Figura 3-146
A modo de ejemplo, en el juego de la figura anterior las flechas de C corresponden a dentro de b1 o
dentro de b2.
Luego de C se coloca la flecha de B. Dado que en este caso la accin c1 fue dominante en ambas
estrellas, la flecha de B es el resultado de las ganancias dominantes dentro de c1. En este caso existe
coincidencia con el procedimiento de la forma normal, lo cual puede corroborarse con el diseo del
juego en forma normal que se muestra en la siguiente figura, del cual resulta un equilibrio de Nash
para el par b1c1.
C
c1 c2
b1 3, 3 4, 1
B
b2 2, 5 5, 1
Figura 3-147
Pero veamos ahora la siguiente figura en la cual se intercambiaron las ganancias de la mitad inferior.
La flecha de B debe ser ahora dentro de la estrategia c1c2, la cual deja de ser una accin pura de C
(en la tabla 22 de la forma normal se correspondera con dentro de diagonal en lugar de dentro de
fila o columna).

| 3,3
c1
|
|C
b1 |
c2 4,1
|
B | c1. 5,1
b2 | C.
|
c2. 2,5
|
Figura 3-148
Este ejemplo muestra que, salvo para el caso particular de estrategias dominantes en ambos
jugadores, en un juego simultneo la induccin hacia atrs no puede aplicarse.
Secuencial con partes simultneas

A modo de ejemplo, observar la forma normal del siguiente juego dado en la forma extensiva.
Forma extensiva
| G11
b1
|
|B
a1 | G12
| b2
| G21
a2 | b1.
A |
| B.
| b2. G22
a3 b1.. G31
B..
b2..
G32
Figura 3-149
Forma normal
La parte simultnea puede reemplazarse por su solucin de equilibrio.
Ejemplo
Consideremos las siguientes ganancias.
185
| 3,2
b1
|
|B
a1 | 0,1
| b2
| 1,5
a2 | b1.
A |
| B.
| b2. -1,3
a3 b1.. 4,6
B..
b2..
3,5
Figura 3-150
Si se resuelve el equilibro de Nash del subjuego simultneo se obtiene (verificarlo) el equilibrio a1,
b1, resultando, por lo tanto el siguiente juego.
a1 3,2
b1
a3 4,6
B..
b2..
3,5
Figura 3-151a
La forma normal equivalente es la siguiente.
B
b1b1 b1b2
a1 3, 2 3, 2
A
a3 4, 6 3, 5
Figura 3-151b
Volviendo a la forma extensiva y resolviendo ahora por induccin hacia atrs, resulta finalmente el
camino de equilibrio a3 b1.

| 3,2
b1
|
|B
a1 | 0,1
| b2
| 1,5
a2 | b1.
A |
| B.
| b2. -1,3
a3 b1.. 4,6
B..
b2..
3,5
Figura 3-152
e Racionalidad secuencial y credibilidad

Los equilibrios imperfectos conformados por caminos del rbol que contienen flechas no elegidas en
una etapa posterior, presentan dos caractersticas.
Racionalidad secuencial
Los caminos de equilibrios imperfectos no seran elegidos por un jugador racional pues no obedecen
a una dominancia en ganancias. Esta propiedad de la induccin hacia atrs se llama Racionalidad
Secuencial, pues implica que cada jugador actuar en forma racional en todo punto del juego.
Credibilidad
Se llaman movidas estratgicas a las acciones realizadas afuera del juego, que lo transforman. Dos
de estas acciones son las promesas y amenazas (segn el carcter de la accin), cuyo cumplimiento
generalmente tiene un coste para el jugador que la efecta.
En el caso de que un jugador prometa elegir un equilibrio imperfecto, es decir una estrategia que
contradiga su dominancia en ganancias, realiza lo que se llama una amenaza (o promesa) no
creble y es por esto que un problema de credibilidad siempre acompaa a estas acciones. Por el
contrario, una amenaza (o promesa) resulta creble si para el jugador que la realiza es dominante en
ganancias.
La promesa es un ritual en los polticos en campaa, quienes realizan promesas que luego no pueden
cumplir por los costos que les acarrea, perdiendo credibilidad.
Las estrategias imperfectas no son dominantes en ganancias en algn momento del juego, por lo cual
presentan un problema de credibilidad.
Problema resuelto 3.50 Educacin parental
Considerar un juego entre un padre y su hijo. El hijo puede elegir entre ser Bueno (B) o Malo (M). El padre
puede Castigar (C) o No castigar (N).
Consideremos como referencia a la ganancia del hijo BN como 0. Adems el hijo tiene una ganancia de 1
siendo M y se le resta 2 si es castigado C.
Por lo tanto la ganancia del hijo si MN es 1, si MC es 12 = 1 y si BC es 0 2 = 2.
Por su parte las ganancias del padre que no castiga suben 2 si el hijo se comporta M y 0 si se comporta B.
187
Adems el padre que castiga obtiene 1.

Por lo tanto, la ganancia del padre si BN es 0, si BC es 01=1, si MN es 2 y si MC es 3.
Si el hijo juega primero y el padre reacciona observando su comportamiento, a) dibujar la forma extensiva (el
rbol del juego) y encontrar el camino del equilibrio, b) dibujar la forma normal y encontrar los equilibrios de
Nash.
Solucin
a) Representacin extensiva de un juego secuencial
1 Hijo
B
M
2 Padre 3 Padre.
C N C. N.
-2,-1 0,0 -1,-3 1,-2
Figura 3-153
Aplicando la induccin hacia atrs, se encuentra que el equilibrio del juego es M, NN, el ptimo para el Hijo es
Malo, por lo que el Padre elige No castigar. Se podra argumentar que no es necesario agregar que en el nodo
2, el Padre elegira N (primera N de la estrategia M, NN) pues ese nodo no es alcanzado nunca si el Hijo elige
el nodo 3. Sin embargo, este razonamiento es incorrecto pues el equilibrio resulta de pensar todas las
alternativas. Si el Hijo llegara al nodo 2, el Padre elegira N y si llegara al nodo 3, el Padre elegira N. Como
entre estas 2 estrategias del Padre, la dominancia en ganancias para el Hijo es el nodo 3 (1 es mayor que 0), el
Hijo elegira este nodo.
b) Representacin normal de un juego secuencial

El Padre tiene 4 estrategias, pues debe contemplar lo que har el Hijo.
Padre
CC CN NC NN
Bueno 2, 1 2, 1 *0, 0' 0, 0'
Hijo
Malo *1, 3 *1, 2' 1, 3 *1, 2'
Figura 3-154
Las 4 estrategias del Padre, son:
CC. Castigar si es Bueno o Castigar si es Malo (Castigar siempre).
CN. Castigar si es Bueno o No castigar si es Malo.
NC. No castigar si es Bueno o Castigar si es Malo.
NN. No castigar si es Bueno o No castigar si es Malo (No castigar siempre).
Se marcaron con * las ganancias dominantes del Hijo dentro de las estrategias del Padre y con ' las de Padre
dentro de las estrategias del hijo. Los equilibrios de Nash son los sombreados (pues contienen 2 marcas en una
misma celda), a saber:

IV Teora de los juegos 4 Teora de las decisiones econmicas
1. (M, NN) El Padre decide jugar: No castigar si es Bueno o No castigar si es Malo y el ptimo para el Hijo
es Malo. Por lo tanto el Padre elige No castigar.
2. (M, CN) El Padre decide jugar: Castigar si es Bueno o No castigar si es Malo y el ptimo para el Hijo es
Malo. Por lo tanto el Padre elige No castigar.
3. (B, NC) El Padre decide jugar: No castigar si es Bueno o Castigar si es Malo y el ptimo para el Hijo es
Bueno. Por lo tanto el Padre elige No castigar.
El equilibrio de Nash 1 es coincidente con el equilibrio perfecto obtenido con la forma extensiva.
Los dos equilibrios de Nash restantes son equilibrios imperfectos, ms fciles de detectar en la forma normal y
que presentan las siguientes caractersticas derivadas de la dominancia en ganancias. Por ltimo los equilibrios
(M, NN) y (M, CN) son equivalentes pues producen las mismas ganancias.
Observar que si se eliminan las estrategias dbilmente dominadas de la forma normal (columnas CC, CN y NC
y luego la fila Bueno), se obtiene la celda del equilibrio de Nash (M, NN), igual a las del equilibrio perfecto de
la induccin hacia atrs de la forma extensiva.
Racionalidad secuencial
Estos equilibrios imperfectos contradicen la propiedad de la Induccin hacia atrs, llamada Racionalidad
Secuencial, por la cual cada jugador acta en forma racional en todo punto del juego.
As por ejemplo, en el equilibrio (B, NC) el Hijo es Bueno y el Padre elige No castigar (el cual, por otra parte,
aparece como el ms consistente), se elimina en la forma extensiva pues si el Hijo es racional nunca elegira el
nodo 2, dada la racionalidad del Padre.
Credibilidad
Estos equilibrios imperfectos contienen una promesa no creble, pues contradicen la dominancia en ganancias
de algn jugador.
f Aplicacin: juego de ajedrez

Veamos someramente el procedimiento para analizar por computadora el juego secuencial de
ajedrez. Los computadores no pueden pensar pero el programa contiene un diagrama de rbol con las
jugadas ms comunes (digamos 20) que pueden hacerse en cada situacin. Las ganancias se
establecen de acuerdo a la importancia de cada pieza.
La computadora decide su movimiento aplicando el principio de induccin hacia atrs. Si por
ejemplo fueran 20 alternativas por cada jugada y el programa analizara un rbol de 5 jugadas
sucesivas, se tendran 205 = 32000000 posibilidades para analizar en los 3 minutos asignados a cada
jugada.
Si bien no es posible para el computador tener almacenado el rbol completo pues se estiman en
alrededor de 101050 jugadas de ajedrez, estos programas pueden ganarle actualmente a cualquier
oponente (incluidos los campeones de ajedrez).
En esta introduccin he presentado los conceptos bsicos de la teora de los juegos. A partir de aqu
el lector que lo desee puede profundizar en la abundante bibliografa existente, agregando nuevos
conceptos como, subastas, negociaciones, arbitrajes, votaciones, etc.
4 Teora de las decisiones econmicas

Es un caso particular de la Teora de los Juegos en la cual solo interviene un jugador contra la
naturaleza. Trata de establecer algn criterio que permita a una persona elegir una de varias
alternativas econmicas que se presenten en condiciones de incertidumbre.
189
a Formas de la decisin
a Forma extensiva
Es el formato habitual dado que intervienen eventos aleatorios de estados de la naturaleza.
Con el objeto de favorecer el cmputo de las ganancias dominantes, en la teora de decisiones
econmicas suele complementarse el rbol expresando los nodos de los eventos con un crculo y el
nodo del jugador con un rectngulo. Dentro del crculo se coloca el valor esperado de las ganancias
correspondientes a ese nodo y dentro del cuadrado la ganancia dominante, es decir el valor mximo
de las esperanzas de las acciones que se derivan de ese cuadrado. Se deja la decisin de utilizar o no
esta notacin a juicio del lector.
En la figura siguiente, G1 y G2 expresan los valores esperados de las respectivas estrellas, es decir:
G1 = G11* p11 + G12 * p12
G 2 = G 21* p 21 + G 22 * p 22
p11 G11
a1 G1
A p12
G G12
dominante G21
a2 p21
G2 p22
G22
Figura 3-155
rbol de decisiones
b Forma normal
La tabla de decisiones es una tabla de doble entrada con las acciones controlables por el usuario en
la primera columna y los eventos de la naturaleza incontrolables o aleatorios en la primera fila. En
realidad son 2 tablas en una. La que contiene las ganancias y la que contiene las probabilidades. Esta
ltima es en realidad una tabla de contingencias (con frecuencias relativas) que cruza las variables
Acciones y Eventos.
Naturaleza
e1 e2
a1 G11, p11 G12, p12
Acciones a2 G21, p21 G22, p22
a3 G31, p31 G32, p32
Figura 3-156
Tabla de decisiones

Problema resuelto 3.51 Mejor inversin
Un operador desea invertir 100$ Cul de las 3 siguientes es la mejor inversin?

a1: acciones A cuya probabilidad de aumentar en un ao a 110$ es 0.85 y la de decrecer a 95$ es 0.15,
a2: acciones B cuya probabilidad de aumentar en un ao a 140$ es 0.67 y la de decrecer a 40$ es 0.33,
a3: plazo fijo al 5% anual.
rbol de decisiones
0.85 10
a1 7.75..
0.15 -5
0.67
a2 40
Invertir 7.75 7
a3 0.33 -60
7.75.
No Invertir 1
5 5.
0
Figura 3-157
rbol de decisiones
Como ya sabemos, la construccin del rbol se realiza de izquierda a derecha pero el llenado de los valores
numricos de las ganancias se hace aplicando el principio de induccin hacia atrs (pgina 181), de derecha a
izquierda. Observar que se ha remarcado con flechas el camino del equilibrio y que se han colocado adems las
ganancias esperadas o dominantes en cada nodo, segn corrsponda.
Tabla de decisiones
Se muestra en la figura 3-158. El primer valor de cada celda es la ganancia para cada evento y el segundo la
probabilidad de cada evento.
E1 E2 E(G)
a1 10, 0.85 -5, 0.15 7.75
Acciones a2 40, 0.67 -60, 0.33 7
a3 5, 1 0, 0 5
Figura 3-158
Distribucin de x=G
Las ganancias de cada alternativa son:
a1 E (G ) = 7.75$
a2 E (G ) = 7$
a3 E (G ) = 5$
Por lo tanto, si se adopta el criterio de maximizar este valor, deber elegirse la alternativa a1.
191
Aplicacin del teorema de Bayes

Las probabilidades incluidas en el rbol de decisiones pueden actualizarse mediante la aplicacin del
teorema de Bayes, estudiado en el captulo 2, originando un rbol de probabilidades anexo al rbol
de decisiones.
Problema resuelto 3.52 Acciones y la economa
Antes de tomar una decisin, el operador del problema resuelto anterior desea evaluar el comportamiento de
las acciones segn las condiciones de la economa. Tomando como base a la experiencia, sabe que:
cuando las acciones A suben, el 90% del tiempo ha habido prosperidad econmica
cuando las acciones A bajan, el 60% del tiempo ha habido recesin econmica
cuando las acciones B suben ,el 95% del tiempo ha habido prosperidad econmica
cuando las acciones B bajan, el 50% del tiempo ha habido recesin econmica
En el momento de la inversin, la situacin era de prosperidad. Revisar las probabilidades a priori del ejemplo
3.5, a la luz de la nueva informacin.
Acciones A Acciones B
0.90 P 0.765 0.95 P 0.6365

Sube Sube
0.85 0.085 0.67
0.10 R 0.05 R
0.0335
. .
0.40 P. 0.06 0.50 P. 0.165
0.15 0.33
Baja Baja
R. 0.09 R. 0.165.
0.60 0.50.
Figura 3-159
rboles de probabilidades condicionales
Por consiguiente, utilizando el teorema de Bayes para calcular las probabilidades a posteriori de la nueva
evidencia, llamando S al evento Sube y B al evento Baja, resultan:
Para la accin A:
0.765
P(S | P) = = 0.928
0.765 + 0.06
P ( B | P ) = 0.206
Para la accin B:
0.6365
P(S | P) = = 0.794
0.6365 + 0.165
P ( B | P ) = 0.072
Las probabilidades de la inversin a plazo fijo, no cambian.
Las ganancias actualizadas de cada alternativa, resultan ahora:

a1 E (G ) = 8.25$
a2 E (G ) = 27.4$
a3 E (G ) = 5$
Por lo tanto, decisin ptima es ahora invertir en la accin B.
b Caso particular: una sola accin

Un caso particular del anterior se presenta cuando existe una sola accin voluntaria elegida y
controlada por el usuario: la de participar, la cual contiene varios eventos aleatorios. En realidad, en
forma implcita, esta accin siempre se contrasta con la accin de no participar, pero esta accin no
tiene eventos y su E(G) = 0.
En este contexto, el rbol de decisiones es un caso particular del caso anterior y se muestra en la
figura 3-160.
p1 G1
a1: E(G)
participar
p2
G2
A
E(G)
a2: no
participar 0
Figura 3-160
rbol de decisiones
La decisin se corresponde con el siguiente criterio.
Criterio del signo del valor esperado
Si E(G) > 0 => decisin favorable (a la larga conduce a la fortuna)
Si E(G) < 0 => decisin desfavorable (a la larga conduce a la ruina)
Si E(G) = 0 => decisin neutra.
Problema resuelto 3.53 Rifa para juntar fondos
a) Determinar el valor C, que debe tener una rifa para juntar fondos de 1000 nmeros y con un premio de 200$,
si se desea que sea equilibrada. b) Cul es el valor esperado si C = 1$? c) Cual deber ser el premio si
C = 1$ y la rifa es neutra?
a)
Tabla de decisiones
Como alternativa de presentacin se han colocado las probabilidades en una fila separada de las ganancias.
193
Eventos
S Pierde Gana
G=g -C 200-C
p(g) 999/1000 1/1000
Figura 3-161
Distribucin de x=G
rbol de decisiones
G
999/1000 -C
E(G)
1/1000
200-C
Figura 3-162
rbol de x=G
Operando para un juego neutro:
999C + 200 C
E (G ) = =0
1000
Por lo tanto:
C = 0.20$
b) Reemplazando el valor de C en la ecuacin de E(G), resulta E(G) = -0.80$
c) Reemplazando en E(G) = 0, el valor de C y el nmero 200 por una variable P (premio), resulta P = 1000$.
Problema resuelto 3.54 Costo de la prima de seguros
a) Determinar la prima anual C para un seguro de daos de un auto de 10000$. La pliza cubre siniestros que
por experiencias previas ocurren 1 de cada 200. Basar el clculo en E(G)=0, es decir sin ganar ni perder. Luego
se agregarn las utilidades y los gastos administrativos.
b) Comparar las siguientes acciones:
a1: situacin anteriormente descripta.
a2: persona que no compra el seguro.
a)
Tabla de decisiones
Eventos
S No Siniestro Siniestro
G=g -C 10000-C
p(g) 199/200 1/200
Figura 3-163
Distribucin de x=G

rbol de decisiones
G
1/200 10000-C
E(G)
199/200
-C
Figura 3-164
rbol de x=G
Operando para un juego neutro:
10000
E (G ) = C + =0
200
Por lo tanto:
C = 50$
b)
Tabla de decisiones
Eventos
S No Siniestro Siniestro
a1 -50 9950
a2 0 -10000
p(g) 199/200 1/200
Figura 3-165
Distribucin de x=G
rbol de decisiones
199/200 -50.
0.
1/200 9950
0
199/200. 0..
-50
1/200.
-10000
Figura 3-166
El E(G) de a1 es 0 y el de a2 es -50$. Por lo tanto si se adopta el criterio de maximizar este valor, se deber
elegir la accin a1, es decir contratar el seguro.
195
Captulo 3 Distrib
P es
Prob
blema ressuelto 3.555 Ruletaa europea
Una rulleta europea (siin doble 0), tieene nmeros deel 1 al 36 (18 roojos, 18 negross y el 0 de coloor verde). El
casino paga
p 36$ por cada
c pleno y paara el resto de llas jugadas en forma proporcional (por ejem mplo en cada
columnna hay 12 plenoos y por lo tanto se pagar 36/12, es decir 3$$). Hallar la E((G) si se apuessta 1$ a: a) al
nmeroo 17 (pleno), b)) calle, c) negro o (color). Ver figura
f 3-167. d)
d Cunto debera pagar la banca para que el
juego seea neutro?
F
Figura 3-167
Ruleta
a)
Eventos
S no saale el 17 saale el 17
G=g -1 35
p(g) 36/37 1/37
F
Figura 3-168
Distribucin de probabilidaades de G
36 1 1
E (G ) = 1 + 35 = = 0.027$$
37 37 37
b)
Evento
os
S no saale la calle sale la calle
G=g -1 11
p(g) 334/37 3/37
F
Figura 3-169
Distribucin de probabilidaades de G
34 3 1
E (G ) = 1 + 11 = = 0.027$
37 37 37
7
c)
196 Jorge
e Carlos Carrr
Eventos
S colorado o cero negro
G=g -1 1
p(g) 19/37 18/37
Figura 3-170
Distribucin de probabilidades de G
19 18 1
E (G ) = 1 +1 = = 0.027$
37 37 37
d)
Sale C
1/37
.
36/37 No sale -1
Figura 3-171
Por lo tanto:
1 36
E (G ) = C+ ( 1) = 0
37 37
Despejando resulta:
C = 36$
A partir de este valor, puede concluirse que la Posibilidad de Pago, PP, definida en el captulo 2 (pgina PP2),
resulta:
G 36
PP = = = 36
A 1
En sntesis y generalizando, si el juego es neutro, las posibilidades de pago resultan ser iguales a las
posibilidades en contra de ganar, en este caso, 36:1. Naturalmente, los casinos fijan las posibilidades de pago
en un valor inferior, en este caso 35:1 (una ganancia del jugador de 35$ por cada 1$ colocado en un pleno,
equivale a un monto total de 36$).
Problema resuelto 3.56 Estrategias de ventas
Un comercio A vende una mercadera a 280$. Otro comercio B la vende a 300$ pero regala una rifa de 1000
nmeros con un premio nico de 10000$. Dnde conviene comprar?
Calculemos la distribucin de la ganancia de comprar en B, respecto de comprar en A.
Eventos
S no gana gana
G=g -20 10000-20
p(g) 999/1000 1/1000
Figura 3-172
De aqu que la ganancia de comprar en B respecto de A, resulta:
E (G ) = 10$
Por lo tanto conviene comprar en A.
197

V Simulaciones 4 Teora de las decisiones econmicas
V Simulaciones
1 Simulacin de distribuciones
En el captulo 2, seccin simulaciones, hemos utilizado la serie de frecuencias acumuladas de una
distribucin particular en estudio para recodificar nmeros aleatorios uniformes a esa distribucin.
En esta ltima seccin del captulo 3, justificaremos esa construccin. Tambin hemos adelantado
que bajo el nombre de Mtodo Monte Carlo o Simulacin Monte Carlo, SMC, (ver figura 3-173), se
agrupan una serie de procedimientos que reproducen por muestreo aleatorio, distribuciones
poblacionales arbitrarias F(x)14 de variables aleatorias x, normalmente con la intervencin de la
computadora. Estas caractersticas que son parte esencial de un algoritmo por SMC.
Llamaremos NAF a los Nmeros Aleatorios de cualquier distribucin F(x). Si por ejemplo la F(x) en
estudio es normal, se generarn NAN, si es exponencial, NAE, etc.
Figura 3-173
Simulacin Montecarlo SMC
Los paquetes de software que contienen tcnicas estadsticas disponen en general de nmeros
aleatorios que generan varios de los modelos vistos en este captulo (ver resumen para SPSS y
EXCEL en el apndice B). El procedimiento que veremos a continuacin es vlido para la
generacin aleatoria de cualquier distribucin, sea o no uno de los modelos vistos y se inicia con un
generador de Nmeros Aleatorios Uniformes, NAU15. En este caso, al esquema anterior se le agrega
este generador, como se muestra en la figura 3-174.
14
Simbolizamos con F(x) a la probabilidad acumulativa P(X < x).
15
Una utilizacin de los mismos fue realizada en el captulo 2, pgina NAU2.
199
Figura 3-174
SMC con NAU
Recordemos del captulo 2, que existen 3 pasos en la obtencin de una simulacin:
1 Poblacin
Definida con su distribucin de probabilidades y por lo tanto es conocida su F(x).
2 Muestra: Mtodo de la CDF inversa

Uno de los mtodos de generacin de NAF de cualquier distribucin, se llama de la CDF inversa, ya
utilizado intuitivamente en el captulo 2, an sin conocer su nombre.
Propiedad de las CDF
Sea una funcin cualquiera F(x). Se cumple siempre que:
G( y) = P ( F ( X ) y ) = P ( X F 1 ( y) ) = P( X x) .
En el ejemplo de la figura 3-175, izquierda es:
G(0.52) = P( F ( X ) 0.52) = P( X F 1 (0.52) = P( X 6.02)
Pero hasta ahora no conocemos su valor. Si adems la F(x) es la CDF de x, podemos conocer la
funcin G ( y ) pues el penltimo miembro es:
G ( y ) = P ( X F 1 ( y ) ) = F ( F 1 ( y ) ) = y
Por lo tanto se trata de una CDF G ( y ) igual a una recta a 45 (ver figura 3-175, centro). Su PDF,
g ( y ) es entonces una distribucin uniforme comprendida entre 0 y 1, y por lo tanto igual a 1 (ver
figura 3-175, derecha).
La CDF de una CDF es una distribucin uniforme comprendida entre 0 y 1.
Figura 3-175
Mtodo CDF inversa
Esta propiedad se utiliza para generar un muestreo aleatorio de una x, conocida su CDF, F ( x ) ,
procediendo de forma inversa al desarrollo anterior (ver nuevamente la figura):
1. y
Se genera un NAU y. Supongamos que ste valor es y = 0.52.
1
2. y = F ( x) x = F ( y)
Analticamente
Igualamos la ecuacin de F(x) a este nmero y despejamos la x.
Grficamente
Lo buscamos en el eje de ordenadas de la CDF a simular (si admitimos que la distribucin es

V Simulaciones 4 Teora de las decisiones econmicas
discreta, podramos tomar el siguiente mayor es decir: 0,80).

Bajamos al eje x, de donde extraemos el valor final de la simulacin de x = 6.02.
Nota
Si los elementos a muestrear son objetos, los NAU deben ser enteros, por lo cual se deber
multiplicar a los anteriores NAU entre 0 y 1 por el tamao de la muestra, n y obtener as NAU entre
0 y n.
3 Repeticin
Se repite el procedimiento para obtener varias muestras que luego se podrn aplicar al proceso en
estudio.
En los programas informticos, tal como el SPSS, existen en forma directa nmeros aleatorios de la
mayora de las distribuciones tericas vistas en este captulo (ver resumen en el apndice B), pero el
mtodo anterior de SMC permite resolver cualquier tipo de distribucin y por lo tanto encarar,
aunque sea en forma aproximada, problemas que por su complejidad no podran ser estudiados por
los alumnos. Por otra parte, y dada la fructfera relacin modelo-experiencia inherente al mtodo, se
recomienda su utilizacin, an en los casos en los que la resolucin matemtica del problema sea
sencilla.
Problema resuelto 3.57 Simulacin Montecarlo
Dada la siguiente distribucin arbitraria de x, a) simular un muestreo aleatorio para hallar la P(x = 2) en 40
extracciones. b) Confrontar luego con el valor terico: b(2,40,0.34).
x 0 1 2 3
P(x) 0.20 0.25 0.34 0.21
Figura 3-176
P(x)
a)
1 Poblacin
Se conforma la siguiente tabla, en la que se definen los intervalos, para ubicar los NAU, por ejemplo entre 0 y
100.
x 0 1 2 3
u= F(x) 0-19 20-44 45-78 79-99
Figura 3-177
CDF inversa
El lector observar que este proceso de codificacin de valores ya fue utilizado en el captulo 2.
2 Muestra
Se generan NAU entre 0 y 100
3 Repeticin
Repitiendo el paso 2 se conforma una tabla como la siguiente, en donde se tildan las veces que este valor se
encuentra entre 45 y 78. Se deja al lector el llenado de esta tabla, usando el generador que prefiera (tabla,
calculadora, SPSS, urna con 100 papeles, etc).
nE
sale 2
no sale 2
201
Figura 3-178
P(x = 2)
b) Confrontar el valor anterior con:
b2 (40,0.34) = 0.118 = 11.8%
2 Simulacin de juegos
ComLabGames
No hay mejor manera para entender las estrategias de un juego que jugar con otros. Para esta funcin
se han creado algunos programas informticos.
ComLabGames (Computational Laboratory Games) es un software libre implementado en Java,
creado por Robert Miller, Marko Gorbelnik y Vesna Prasnikar de la universidad Carnegie Mellon,
Graduate School of Industrial Administration.
Permite correr y analizar los resultados de juegos entre computadoras conectadas por Internet o
dentro de una red. Una PC (server) acta como moderadora, en donde el moderador disea el juego y
en las restantes PC (clientes) estn los jugadores, quienes pueden actuar simultneamente o
secuencialmente.
Pero adems de poder simular escenarios y testear hiptesis acerca del comportamiento humano, esta
simulacin, al igual que la simulacin Monte Carlo, podr crear datos experimentales para luego
analizarlos estadsticamente.
Para dar al juego un incentivo que semeje a la realidad y motivar a los participantes a probar la
eficacia (o no) de aprender la teora de estrategia de juegos, se suele ofrecer como incentivo una
ganancia proporcional a la obtenida por cada estudiante al final del juego, la cual puede extraerse de
un pago inicial requerido a cada participante.
Se dividir esta seccin en 2 partes:

a. Moderador
b. Cliente
a Moderador
El creador del juego se llama moderador y es el que define el juego.
Desde la pgina con el nombre de este software descargar y ejecutar el archivo ComLabGame,
versin 0.4: clg_standalone.jar.
Se abre la siguiente ventana, con la pestaa Design (Diseo) pre-seleccionada. Observar que figura
el nombre Server en la parte superior para indicar que se trata de la computadora del moderador.

V Simulaciones a Moderador
Figura 3-179
Se aprecia que las pestaas siguen la secuencia normal de un proceso de investigacin:
1. Design: diseo del juego.

2. Assignment: asignacin de parmetros especficos del juego, tales como nmero de
repeticiones, duracin, etc.
3. Execution: anlisis del juego.
4. Data: resultados de la simulacin.
La ltima ventana Client Play es utilizada por el jugador y no por el moderador.
a Design
Los elementos de diseo se muestran en los botones de la columna izquierda. Para incorporarlos al
modelo se los debe arrastrar hacia el espacio de trabajo y soltar.
Los 3 primeros se refieren a subastas, tipo de juego que no ser analizado en esta introduccin.
Los 2 siguientes se usan para elegir el tipo de diseo: tabla (Matrix) o rbol (Tree entry).
Los 3 ltimos se utilizan para crear los jugadores (Players) y los estados de la naturaleza
(Nature) que modela un jugador especial con decisiones aleatorias. Las Ganancias (Payoff) se
aplican especficamente al caso de un diseo por rbol, con las ganancias en los nodos terminales.
Con un doble clic en los elementos arrastrados se les cambia el nombre.

Con un doble clic derecho se abre una ventana de edicin.
203
HTML
El programa acepta algunos comandos de cdigo HTML para editar los nombres. En particular si se
desea que el nombre aparezca en varias lneas, colocar una barra invertida \ al comienzo de la nueva
lnea.
Borrar
Para borrar un elemento, seleccionarlo (a varios con el botn Ctrl) y presionar el botn Remove
de la barra de herramientas.
Duplicar
Con el botn Duplicate se puede duplicar cualquier parte del diseo, previamente seleccionada.
Player
Arrastrando un elemento Player (Jugador) al espacio de trabajo, lo incorpora al juego.
Cambiarle el nombre con un doble clic sobre el icono. Automticamente cambiar el color. Si se
desea otro color, editar con un clic derecho, seleccionndolo de la ventana de edicin.
Matrix (forma normal)

Diseo de un juego simultneo.
Arrastrar tantos elementos Player, como jugadores existan en el juego y Nature, en el caso de
que existan estados aleatorios de la naturaleza.
Arrastrar Matrix (matriz) para crear la tabla del juego.
Hacer un doble clic derecho sobre Matrix. Se abre la ventana de la siguiente figura para editar la
tabla del juego. Se observar que los nombres de los jugadores aparecen en la parte inferior dentro
del panel Others y todos los elementos Nature en el panel Nature.
Figura 3-180

Show player's values only

Esta opcin se usa para determinar si los jugadores solo pueden mirar sus ganancias o tambin
las de los restantes jugadores.
Simultaneous move
Esta opcin determina si el juego es simultneo o sucesivo.
Nmero de filas y columnas
Si se desean agregar filas o columnas arrastrar el icono superior Insert Column a las filas o
columnas y soltar. Si se desea borrar alguna fila o columna, arrastrar el icono Remove column y
soltar en la que se desea borrar.
Asignar el nombre a las acciones con un doble clic en los encabezamientos.
El orden entre las acciones puede modificarse arrastrando el encabezamiento a la posicin deseada.
Seleccionar jugadores fila y jugadores columna
Hacer clic derecho sobre las filas o columnas y seleccionar el jugador de la lista. Alternativamente
arrastrar el icono del jugador del panel inferior y soltarlo en filas o columnas. Si se arrastra un tercer
jugador, se anida en la tabla.
Luego de asignar los jugadores, sus iconos pasan del panel inferior Others al panel Payoffs
(Ganancias). Se puede arrastrar un jugador no seleccionado directamente de Others al Payoffs.
Este jugador no interviene en las decisiones pero tendr asignadas ganancias. Si un jugador
permanece en Others ser solo observador del juego.
Introducir las ganancias
Clic en cada celda y escribir la ganancia de cada jugador. En lugar de un valor numrico se puede
escribir una funcin, eligindola de un editor de funciones que se abre al hace un clic derecho sobre
la celda. Si por ejemplo se desea que la ganancia sea un valor aleatorio entre 10 y 20, se colocara
Uniform(10,20).
Guardar el modelo con File > Save. Los archivos tendrn la extensin .mgd. Para volver a
abrirlos, ejecutar el programa y luego File > Open.
Tree Entry (forma extensiva)

Diseo de un juego secuencial.
Arrastrar el nodo inicial Tree Entry (Entrada del rbol) al espacio de trabajo para iniciar el rbol
del juego. Editar el nombre con un doble clic sobre l.
Para conectar sucesivos elementos al rbol (entrada del rbol, jugadores, estados de la naturaleza y
ganancias al nodo final), se tienen 2 formas:
Cuando ambos elementos ya se encuentran en el espacio de trabajo, se selecciona el que va a
recibir la conexin y se arrastra el smbolo + inferior al elemento a conectar.
Con el botn Standard layout de la parte inferior de la ventana seleccionado, se
selecciona previamente el icono al cual va a ser conectado y se arrastra el nuevo elemento del
panel izquierdo. En particular y dado que un elemento arrastrado al espacio de trabajo queda
seleccionado, se conectar automticamente con el prximo elemento que se arrastre.
205
Figura 3-181
El cuadro intermedio que aparece en cada rama se utiliza para colocar el nombre de la accin, con un
doble clic.
En el caso particular de Nature, es imprescindible colocar la probabilidad correspondiente (en
forma absoluta o relativa, pues el programa siempre divide por la suma de los valores colocados). Si
se desea poner un nombre a la accin, debe estar separado de la probabilidad por un espacio. En base
a estas probabilidades el software utiliza un mecanismo aleatorio para seleccionar las ramas
conectadas a Nature.
Simulacin de decisiones econmicas
Observar que un juego con Nature y con un solo jugador, equivale a la situacin ya vista en la
seccin Teora de las decisiones econmicas (pgina 189).
Simultaneidad
Si parte del rbol implica simultaneidad (pgina 153), hacer clic en el icono de uno de los nodos y
arrastrar el smbolo + superior al otro nodo. Se observar que quedarn conectados con una lnea
punteada para indicar el conjunto de informacin. Repetir para todos los nodos involucrados.
En este caso cualquiera de los 2 jugadores puede elegir su accin pero el movimiento de uno no es
observado por el otro hasta despus de completar ambos sus movimientos. Comparar con un diseo
secuencial, en el cual cada jugador solo podr mover cuando le llegue el turno.
Introducir las ganancias
La tabla de ganancias que se coloca en el nodo final, contendr todos los jugadores que intervienen
en el diseo. Con un doble clic, colocar el valor numrico o funcin (ver prrafo anterior) en el panel
Number del jugador deseado. Con Label > Append, se puede colocar una etiqueta particular para
la ganancia de ese nodo.
b Assignment
Number of subjects
Se puede configurar para un mayor nmero de participantes que el requerido por el juego, para
poder repetir el juego para otras personas.
Number of rounds
No olvidar elegir aqu el nmero de corridas de la sesin.
Probability to continue
Se puede indicar una probabilidad de que el juego continue luego de la ltima corrida, con el
objeto de que el nmero de corridas sea aleatorio.
c Execution
Posibilita probar y ejecutar el juego.
La direccin y puerto de la computadora del moderador se muestra en la parte superior. Estos datos
deben ser informados a los jugadores para que puedan conectarse al juego (ver Client play, ms
adelante). Si el moderador desea correr varios juegos desde la misma PC (abriendo distintas sesiones
del software), debe cambiar la puerta de cada uno de ellos.
El nombre del juego aparece al pie de la pantalla.
Definir el tem de comienzo
En el espacio de trabajo, hacer clic en el elemento de comienzo, Matrix o Tree Entry y luego
en el botn Toggle start de la barra de herramientas. El icono del elemento toma un color rojo
claro para indicar que el juego comenzar por l.
Pruebas
Test session(s)
El moderador puede probar el juego antes de conducir el experimento, lo cual le permite visualizar la
ventana que ver cada uno de los jugadores (clientes), probar el juego y corregir posibles errores.
Forma normal
En la figura siguiente se observa una de estas ventanas (tiene el nombre Client). En este ejemplo
se simul con un clic del mouse que B eligi b2 y A eligi a1. Ninguno de los jugadores ve la
eleccin del otro hasta que ambos confirmen sus elecciones con Continue. Luego se muestra en la
celda elegida, un 1 en rojo (en general se ver la frecuencia acumulada absoluta de elecciones para
esa celda).
Figura 3-182
Forma extensiva
En la figura siguiente se observa la ventana que vera el jugador. Las ramas que cada jugador puede
seleccionar se destacan al pasar el mouse por ellas y se eligen con un clic del mouse en el nombre de
la accin. En este ejemplo se muestra un juego secuencial, por lo cual luego de que el primer jugador
207
en el rbol elige su accin, se muestra la misma en la ventana de los restantes jugadores. En el

ejemplo de la figura siguiente se simul que A eligi Entra y luego de verla, B eligi Sale, por lo
cual se muestra en la celda inferior de las ganancias de este camino, un 1 en rojo y los totales en la
raz del rbol.
Figura 3-183
Two session(s)
Prueba dos sesiones corriendo a la vez, duplicando el nmero de jugadores.
Trace Windows
Muestra informaciones relativas a la prueba.
Start sessins
Para correr el juego, el moderador presiona Start sessions y en la barra de estado se observa
Started.
Stop sessions
Detiene el experimento. En la barra de estado se observa Waiting.
e Data
Los datos son almacenados en un archivo en la computadora del moderador, dentro de una carpeta
llamada log que se crea dentro de la carpeta en donde se encuentra el archivo del juego.
Despus de ejecutado el juego ir a Data > Open log. Abrir la carpeta log. Dentro de los iconos
que aparecen en la ventana, arrastrar los deseados al panel Viewer.

V Simulaciones b Jugador (cliente)
Con el icono Matrix de color rojo, se muestran entre otros, el nmero de sesin, el tiempo que
demand la decisin, el nombre del jugador, el nmero de celda y las ganancias que recibi cada
jugador.
Con el icono Matrix de color turquesa se muestra informacin que el sujeto eligi.
Para ordenar los valores en forma ascendente, hacer clic en el encabezamiento de la columna
deseada. Con un nuevo clic se ordena en forma descendente.
Con la seleccin adecuada de elementos a la izquierda, se puede parcializar la vista de los datos.
b Jugador (cliente)
Los clientes pueden entrar al juego luego de haber sido iniciado por el moderador (ver pestaa
Execution, pgina 208).
Cada jugador en su PC debe ejecutar el archivo clg_standalone.jar e ir a la pestaa Client
Play (podra ser ejecutado en la misma PC del moderador abriendo otra sesin del programa).
Client Play
Tal como se indica en la siguiente figura, se deben ingresar:
Server
datos que provee el moderador, por ejemplo: 192.168.1.47:6789. Notar que luego del IP se
colocan dos puntos y el puerto del servidor (9789).
Si el jugador usa un navegador en lugar del programa, debe colocar http:// antes de la
direccin.
Username
puede ser cualquier nombre.
Password
no es necesario.
209
Figura 3-184
Presionar el botn Login para conectarse al juego. Se muestra una ventana similar a la de la prueba
realizada en la seccin anterior, tanto en la PC del jugador como en la del moderador.
Asignacin de roles
Cada cliente es asignado a un jugador en forma aleatoria, luego de lo cual cada jugador deber
comenzar a jugar eligiendo con el mouse una de las acciones (las de los otros jugadores estn
desactivadas), en funcin del rol que se le haya asignado.
Presionar el botn Continue, luego de cada seleccin para confirmarla. En la ventana
Execution del moderador, los nombres de los jugadores pasan de color rojo a verde.
Datos
Al finalizar el juego se muestra un resumen en la PC del moderador. Pasar los 2 iconos Matrix al
panel Viewer, con lo cual se muestran todos los datos de las corridas, tal como se indica en la
siguiente figura. Se puede parcializar la informacin segn la seleccin que se realice con los
botones de la izquierda.
Si se presiona el botn Statistics, se muestran las medidas de posicin (media, mediana y
modo) y de dispersin (varianza, mnimo y mximo) de la distribucin de ganancias correspondiente
a las selecciones realizadas en el panel de la izquierda.
Presionando Export table, se puede exportar la tabla como un archivo de texto delimitado por
tabulacin (tsv, tab separated value), el cual se puede abrir con Excel.
Figura 3-185
La simulacin de un juego con jugadores reales provee datos experimentales. En el captulo 5 nos
servirn para probar hiptesis acerca de la cercana o no de las experiencias con las predicciones
tericas.

Problema resuelto 3.58 El empresario y el capitalista
Un empresario decide si buscar o no un inversor para un proyecto. En la siguiente figura se muestran las
posibles 4 posibles acciones.
1 El empresario ignora la idea y contina su trabajo,
2 El empresario decide buscar un inversor y el inversor acepta con una probabilidad de falla q.
3 El empresario decide buscar un inversor y el inversor acepta con una probabilidad de xito p.
4 El empresario decide buscar un inversor y el inversor no acepta.
a) Asignar libremente p y q y obtener tericamente el camino del equilibrio
Disear el juego con ComLabGame y realizar experimentos (juegos) con jugadores sin conocimientos tericos
acerca de la teora de juegos. Estos datos experimentales luego podrn ser utilizados para analizar inferencias
en el captulo 5. En particular extraer datos para probar luego las siguientes hiptesis.
b) La muestra est de acuerdo con las predicciones tericas respecto de por ejemplo una seleccin al azar de
los nodos (o cualquier .otra opcin).
c) Los resultados dependen del tipo de diseo, secuencial o simultneo (el juego simultneo no se refiere a la
forma normal equivalente del juego secuencial, sino a un diseo distinto de tipo simultneo).
Figura 3-186
Solucin
a) Supongamos que p = 0.50. En este caso y tal como hemos visto en la seccin, Teora de las decisiones
econmicas en condiciones de incertidumbre, la contribucin de los estados de la naturaleza se reemplaza por
la esperanza matemtica:
E (empresario) = 0.5(10) + 0.5(100) = 55
E (Capitalista ) = 0.5( 15) + 0.5(20) = 2.5
El camino del equilibrio, resulta entonces como se muestra en la siguiente figura, en la cual se incluye la
codificacin de nodos realizada por ComLabGame en la figura 3-187.
211
Empresario
Busca Inversor Ignorar la idea
Capitalista 10,0
Nodo1
Invierte No invierte
55,2.5 -5,0
Nodos 2 y 3 Nodo 4
Figura 3-187
El equilibrio perfecto de dominancia en ganancias conduce, con estas ganancias, al equilibrio:
Empresario: Busca Inversor Capitalista. Invierte.
b)
Para la toma de datos de esta prueba se requiere realizar varias experiencias (al menos 20 repeticiones) para
obtener la frecuencia de resultados que conducen a los nodos que predice la teora, es decir a los nodos 2 y 3.
Luego se realizar el anlisis comparando este valor con una eleccin al azar de los nodos (considerando los
nodos 2 y 3 como uno solo), utilizando por ejemplo una prueba de la bondad del ajuste (captulo 1). Se
calcular entonces el valor 2.
Sean por ejemplo 20 juegos, con los resultados observados que se muestran en siguiente figura.
Nodos 1 Nodo2 Nodos 3y 4 Total

Frec observada 3 5 12 20
Nodo 1 Nodo2 Nodos 3 y 4 Total

Frec esperada 6.67 6.67 6.67 20
Figura 3-188
(3 6.67) 2 (5 6.67) 2 (12 6.67)2
2 = + + = 6.69
6.67 6.67 6.67
6.69
C= = 0.50
6.69 + 20
No puede anticiparse ninguna conclusin hasta completar la prueba estadstica en el captulo 5.
c)
Para esta prueba se requiere crear otro modelo en el cual otro juego se realice en forma Estratgica o Normal
(tabla). En este caso se tienen 2 jugadores; Empresario y Capitalista con las ganancias mostradas en la
figura 3-189. Observar que ambas celdas inferiores de la forma Normal tendrn igual valor pues si el
Empresario Ignora la idea, no interesa la accin del inversor.
Se puede apreciar que en este diseo el resultado Empresario Busca Inversor Capitalista
Invierte, es un equilibrio de Nash y que el resultado Empresario Ignora la idea
Capitalista No Invierte, es otro equilibrio de Nash.

Para la toma de datos se debe realizar ahora la experiencia con esta tabla, con igual cantidad de repeticiones
que la forma extensiva. Se obtendrn as las frecuencias en cada celda.
Figura 3-189
El anlisis se realizar con una prueba chi-cuadrado de la bondad del ajuste, con los valores de frecuencias de
ambas experiencias y los valores esperados en caso de independencia entre la forma Extensiva y la forma
Normal. Por lo tanto, se deber preparar una tabla con el formato que se muestra en la figura 3-190, en la cual
se muestra un ejemplo ficticio de 25 juegos.
Nodo 1 Nodos 2 y 3 Nodo 4 Total

Observados
Celda Inf Izq Celda Sup Der Celda Sup Izq
Forma Extensiva 15 6 4 25
Forma Normal 2 20 3 25
Total 17 26 7 50
Figura 3-190
Comparar esta tabla con la de valores esperados en el caso de que exista independencia y calcular el valor 2.
Nodo 1 Nodos 2 y 3 Nodo 4 Total

Esperados
Celda Inf Izq Celda Sup Der Celda Sup Izq
Forma Extensiva 8.5 13 3.5 25
Forma Normal 8.5 13 3.5 25
Total 17 26 7 50
Figura 3-191
(15 8.5) 2 (6 13) 2
2 = + + ... = 17.622
8.5 13
17.622
C= = 0.510
17.622 + 50
213
Si este valor fuera cercano a 0, la forma de presentacin sera independiente del resultado, lo cual indicara
que estos no varan significativamente en las 2 presentaciones. En este caso no puede anticiparse la conclusin
hasta completar la prueba estadstica en el captulo 5.
Aplicaciones
Buscar en Internet o en la biblioteca documentacin concerniente a teora de juegos o economa, y
elegir algunos juegos de 2 jugadores. En la seccin problemas del final del captulo, se incluyen
algunos. Resolverlos tericamente (incluso con varias matrices de ganancias) y luego crearlos con
ComLabGame, para experimentar las estrategias utilizadas por 2 oponentes. Es conveniente ofrecer
algn tipo de incentivo a los jugadores, aunque sea mnimo, para aumentar el inters.
Con los resultados obtenidos se podrn realizar interesantes pruebas estadsticas en el captulo 5.
Acompaar los datos indicando cules fueron las estrategias utilizadas por los jugadores, si buscaron
o no los equilibrios del juego, si tenan o no una base terica, si realizaron o no coordinaciones fuera
del juego o si se detectaron errores a corregir.

Ensayo: Creer en Dios mejora la existencia? El peso de la decisin. Blas Pascal
Ensayo: Creer en Dios

mejora la existencia?
En el captulo 2 hemos presentado un ensayo acerca de la existencia de Dios. En este ensayo

veremos un enfoque histrico para responder a otra pregunta relacionada pero distinta16. Quin
tiene el mejor modo de existencia, el que cree en Dios o el que no? El enfoque se basa en la
interrelacin conjunta de utilidades y probabilidades.
El peso de la decisin. Blas Pascal

Es ms conveniente creer en Dios?
El filsofo francs Blas Pascal (1623-1662), plante en el siglo XVII, en su libro "Pensamientos"
(Pascal, B. 1996), un anlisis basado en probabilidades y utilidades, que luego sera conocido como
la Apuesta de Pascal.
La historia cuenta que Pascal se convierte en un ferviente religioso, como consecuencia de haberse
salvado milagrosamente de morir ahogado, cuando los caballos del coche en el que viajaba, cruzaron
desbocados un puente.
Pascal plantea que en el caso de creer en la existencia de Dios, la decisin es ms favorable hacia
los creyentes. Veamos su razonamiento a la luz de las 4 alternativas que se muestran en el rbol de
decisiones de la figura 3E-1.
Si se cree que Dios existe, dice Pascal, el creyente recibir la felicidad eterna (ganancia infinita) y en
cambio para el resto de las alternativas, las ganancias sern finitas (sean positivas o negativas). De
esta forma, no importa cun pequea sea la probabilidad de la existencia de Dios pues la esperanza
matemtica de este camino del rbol siempre ser mayor que la de los dems.
Veamos el detalle. Un rectngulo simboliza un nodo de decisiones controladas por la persona. Un
crculo significa un nodo de eventos no controlables por la persona, pero de los cuales se conocen las
probabilidades p de cada uno. Al final de cada una de estas ramas se encuentran las ganancias o
utilidades que proporciona cada evento.
De acuerdo a la teora de las probabilidades, el valor esperado para el creyente y el ateo son,
respectivamente:
G ( creyente ) = p1 + a p 2 =
G ( ateo ) = b p 3 + c p 4 = finito
Estos valores se colocan en cada uno de los crculos, como ganancias de esas ramificaciones.
En los nodos de decisin se decide finalmente cual es la decisin ms conveniente, eligiendo
naturalmente la accin que maximiza las ganancias. En este caso es la que le corresponde a ganancia
infinita, por cuya razn se ha colocado una doble raya en la rama eliminada.
En conclusin, segn Pascal, sin importar el valor de las probabilidades acerca de la existencia de
Dios, la esperanza es mayor si optamos por creer en l.
16
A pesar de que en algunos textos tambin se la enuncia incorrectamente tambin como Dios existe?
215
Ganancia
Existe Infinito..
p1
creyente Infinito.
p2 No existe a
Infinito
ateo Existe. b
p3
Finito
p4 c
No Existe.
Figura 3E-1
rbol de decisiones
Para finalizar el razonamiento de Pascal, deben mencionarse algunas crticas matemticas al mismo.
Entre ellas se encuentran las siguientes dos. La primera es que debe exceptuarse el valor de p1 igual a
cero, pues produce un resultado indeterminado (0 por ), el cual no es infinito. La segunda crtica es
planteada por quienes no ven en la nocin de infinito, un valor legtimo. El argumento es que si se
reemplaza por un valor muy grande pero finito, siempre se podr asignar a p1 el valor inverso, lo
cual producir una ganancia finita, comprometiendo, de esta forma, el argumento de Pascal.
Al igual que para el ensayo sobre la existencia de Dios (pgina Dios1), el lector podr sumar su
interpretacin y opinin personal a la discusin que seguir generando la respuesta de Pascal.

Ensayo: Intimidades de un casino Introduccin
Ensayo: Intimidades de un
casino
Introduccin
Sabemos que la teora de las probabilidades tiene amplia aplicacin tanto en Casinos como en
Compaas de Seguros. Utilizando la distribucin binomial veremos aqu una consecuencia que
resultar sin duda sorprendente y que resulta aplicable en ambas actividades.
1. Casinos
Conocemos del captulo 3 que en una ruleta la esperanza matemtica de la ganancia a la larga, por
cada peso apostado es la misma independientemente del tipo de apuesta. Veremos en cambio ahora
una extensin de la teora matemtica en condiciones de incertidumbre, para establecer algn criterio
que nos permita elegir una de las dos siguientes alternativas:
Cul es la mejor accin: realizar pocas apuestas grandes o muchas apuestas chicas?
Para responder a esta pregunta demostrar previamente que la probabilidad de salir ganando (por lo
menos 0 $) en un nmero dado de jugadas, presenta las siguientes tendencias:
para un determinado tipo de apuestas, decrece a medida que el nmero de jugadas aumenta.
para un determinado nmero de jugadas, aumenta al elegir los mayores pagos (y por lo tanto las
menores probabilidades).
Por lo tanto la respuesta a la pregunta ser: lo mejor es realizar pocas jugadas de altos pagos.
Observaremos experimentalmente el comportamiento anterior simulando con el SPSS un gran
nmero de apuestas en distintos juegos, por ejemplo: docena, mayores, calle, etc.
217
Captulo 3 Distrib
P es
F
Figura 3E-2
Ruleta
En unaa ruleta, la disstribucin de la
l variable X: nmero de aciertos
a en n jugadas es una binomial
b ( x, n, p ) .
Vinculacin entre
e XyG
En un casino
c europeeo B, un jugaddor A juega n veces 1$. Paara obtener laa relacin entrre X y G,
comencemos por razzonar los valoores de G parra: 1) pleno, 2)
2 docena.
Pleno
o
Por cad
da 1$ que se juegue,
j la ruleeta siempre paga
p un montoo M (incluyenndo la apuestaa):
36$
M =
pleno
Por lo tanto para obtener la ganan ncia G del jueego, se debe restar
r 1$ a la cuenta anterio
or.
Si se juuega a pleno, si no sale, se pierde 1$ (G
G = 1$) y si sale,
s paga 36/1 = 36$, resuultando una G =
35$.
S F E
X 0 1
G 1 35
F
Figura 3E-3
Ganancia dde pleno en unaa jugada
Para esstablecer la reelacin para n jugadas, se pprocede en foorma similar. Si denotamoss a las prdidaas
con unn asterisco, ressulta:
218 Jorge
e Carlos Carrr
Ensayo: Intimidades de un casino 1. Casinos
S E F
X XA X'A
G 35 XA X'A
Figura 3E-4
Ganancia de pleno en n jugadas
Es decir:
G = 35 X A X A
Como:
2 = X A + X A
Se obtiene:
G = 36 X A 2
Docena
Si se juega a docena, si no sale, se pierde 1$ (G = 1$) y si sale, paga 36/12 = 3$, resultando una G =
2$. Las tablas son las de las figuras 3E-5 y 3E-6.
S F E
X 0 1
G 1 2
Figura 3E-5
Ganancia de Docena en una jugada
S E F
X XA X'A
G 2 XA - X'A
Figura 3E-6
Ganancia de Docena en n jugadas
Hallar, a) E(GA) a la larga, b) la probabilidad de que A salga ganando o empatando al trmino de las
n veces, c) el nmero de xitos necesario para salir ganando o empatando.
Es decir:
G = 2 X A X A
Como:
2 = X A + X A
Se obtiene:
G = 36 X A 2
Si se hace intervenir la ecuacin de pagos M, enunciada al principio, puede observarse que estas
ecuaciones responde a la siguiente ecuacin general, vlida para todas las jugadas:
G = M XA n
La cantidad de xitos XA necesarios para salir por lo menos a la par, es decir ganando o empatando,
se obtendr haciendo G = 0. Si llamamos a este valor de X, X0, se tiene entonces:
n
X0 =
M
Eleccin de la mejor accin
El nmero de xitos que se deben obtener para estar a la par, es:
219
n
. X0 =
M
Analizando la grfica 3E-7 se concluye que la probabilidad de ganar por lo menos 0 $ deber ser
1 CDF .BINOM ( x 0 , n, p ) .
CDF.BINOM(x0,n,p) P(ganar o empatar)
x0 x
0 G
Figura 3E-7
Histograma
Combinando las dos expresiones anteriores se obtiene una frmula para calcular la probabilidad de
salir ganando del casino para cualquier juego y para cualquier valor de n. Por ejemplo para los
juegos Pleno, Cuadro y Color, resultar:
Pleno:
n
1 CDF.BINOM ( 0.01, n,1 / 37)
36
Cuadro:
n
1 CDF.BINOM ( 0.01, n,4 / 37)
9
Color:
n
1 CDF .BINOM ( 0.01, n,18 / 37)
2
Nota
Para que cuando x0 coincida con un valor entero, la ganancia 0 se compute correctamente a la probabilidad
de salir ganando, restemos un valor pequeo, por ejemplo 0.01 a dicho valor x0).
Para la simulacin solo basta generar los valores de n. Esto se realiza fcilmente con EXCEL hasta
un lmite de 65536 (es decir 216) y luego se pasa a una columna de SPSS con copiar y pegar.
Llamaremos n a dicha columna.
Si se generan las 3 variables anteriores, se observarn las 2 tendencias enunciadas al principio de
esta actividad y adems ciclos bien definidos de 36, 9 y 2 elementos. Cmo se explican estos
ciclos? (si no se le ocurre nada, seguir leyendo).

Ensayo: Intimidades de un casino 1. Casinos
.6
.5
Probabilidad de ganar 0 ms
.4
.3
.2
PLENO
.1
CUADRO
0.0 1 COLOR
33
66 3
99 5
13 7
16 4 9
19 6 1
23 7 3
26 5
29 9 7
33 0 9
36 2 1
39 3 3
43 4 5
46 5 7
49 6 9
52 8 1
56 9 3
59 0 5
62 1 7
1
2
3
2
5
8
18
4
8
1
4
7
0
3
6
9
3
6
92
9
Nmero de apuestas
Figura 3E-8
Probabilidad de ganar en funcin del nmero de apuestas
Las tendencias se aprecian ntidamente generando grficos como los que se muestran.
En la figura 3E-8, se muestra la tendencia general al aumentar n, en tanto que en la figura 3E-9 se
amplifica la escala para observar los ciclos. Observar como la probabilidad de salir ganando del
casino converge a cero con el nmero de jugadas y lo hace ms rpidamente para los juegos con
menores pagos.
.8
.6
.4
.2 PLENO
CUADRO
0.0 COLOR
1 301 601 901 1201 1501 1801 2101 2401 2701
151 451 751 1051 1351 1651 1951 2251 2551 2851
Nmero de apuestas
Figura 3E-9
Probabilidad de ganar en funcin del nmero de apuestas (amplificado)
Para obtenerlos se utilizar el ya conocido men Graphs. Si se desea representar a todas las variables
en un mismo grfico como se muestra en las figuras, utilizar Graphs > Sequence> colocar todas
las variables en el cuadro Variables y la variable n en el cuadro Time Axis Labels. Los grficos que
representan a una variable categrica tienen en SPSS un lmite de 3000 niveles por lo cual, para ver
los ciclos del segundo grfico, limitar los casos a n < 3001 (con Select Cases) y para ver la tendencia
del primer grfico para los 65536 valores de n, seleccionar solo un valor de cada ciclo con Data >
Select Cases> If condition is satisfied > If > buscar la funcin mdulo o teclear mod(n,36)=1 (esto
elimina por ejemplo, los ciclos de 36 valores. Por qu?).
Repetir la simulacin anterior para otros juegos distintos a los ejemplificados, y tambin
computando la probabilidad de salir ganando (no empatando), es decir sin restar ningn valor a x0 .
221
Sugerencia para explicar los ciclos

Crear la variable x0 y analizar el siguiente comportamiento. La probabilidad de salir ganando, crece
en los tramos comprendidos entre valores enteros de x0 y decrece en forma brusca exactamente en
dichos valores, pues al trmino de la CDF se le agrega el salto correspondiente a la barra de
probabilidades de x0 . Adems de observarlo en la planilla de datos, esto se puede ver ntidamente
limitando los casos a por ejemplo 100, como se indica en el diagrama 3E-10, correspondiente a la
apuesta cuadro. En otras palabras estos ciclos se originan por las discontinuidades de una
distribucin discreta, pero lo que interesa realmente es la tendencia general, la cual, como se observa
en la figura 3E-9, es decreciente con el nmero de jugadas.
.7
.6
.5
.4
.3
.2
.1
0.0
1.00 10.00 19.00 28.00 37.00 46.00 55.00 64.00 73.00 82.00 91.00
Nmero de apuestas
Figura 3E-10
Probabilidad de ganar en funcin del nmero de apuestas
Esta actividad ayudar a comprender los efectos de la ventaja que tiene un Casino en la esperanza
matemtica (ciertamente muy moderada) y porque no es negocio para el Casino que se juegue poco.
Todos los Casinos buscan atraer a muchos jugadores (que equivale a jugar muchas veces para el
Casino). El negocio redondo sera tener una ciudad atractiva, con sorteos gratis, incluso con hoteles
y restaurantes baratos, para atraer siempre a una gran cantidad de jugadores.
2. Aseguradoras
Estas compaas tambin utilizan la teora de las probabilidades en su gestin. Por razones similares
a los Casinos es conveniente para ellas asociarse en lugar de operar cada una por su cuenta, pues de
esta forma disminuyen el riesgo de perder. Por lo mismo, aparece la figura de las reaseguradotas, es
decir sociedades que aseguran a las aseguradoras. En la punta de la pirmide se encuentra el Lloyd
de Londres, quien al distribuir el riesgo lo minimiza.

Ensayo: Intimidades de un casino 2. Aseguradoras
223
Problemas
Ia Una variable
1. Ingls y francs
En un conjunto de 330 estudiantes argentinos, 200 hablan ingls, 90 hablan francs y 70 no
hablan ni ingls ni francs. Se elige un estudiante al azar, a) hallar la distribucin de
probabilidades de x: nmero de idiomas extranjeros que habla, b) Si se elige 1 estudiante
cul es la probabilidad de que hable un solo idioma extranjero, c) Si se eligen 2 estudiantes,
cul es la probabilidad de que el primero hable un solo idioma extranjero y el segundo por
lo menos uno? Realizar primero el clculo exacto y luego suponiendo que los eventos son
independientes.
R: a) = 0.88, = 0.53, b) 0.697, c) 0.549.
2. Tanques de agua con impurezas
Se examinan tanques de agua en la bsqueda de 2 impurezas A y B. Se encontr que el 20%
no revelaban impurezas, 40% tenan la A y el 50% la B. Hallar, a) la distribucin de
probabilidades de X: el nmero de impurezas encontradas si se elige un tanque al azar, b) si
se eligen 2 tanques independientes, cual es la probabilidad de que el primero tenga 1
impureza y el segundo por lo menos 1, c) si se elige un tanque del que se sabe que tiene por
lo menos 1 impureza, hallar la probabilidad de que tenga una sola.
R: a) =0.9, =0.54, b) 0.56, c) 0.875.
3. Vlvulas de agua
En el circuito de la figura, A B y C son vlvulas de agua que se abren con una probabilidad
p=0.8. a) Hallar el histograma de probabilidad de X: el nmero de ramas abiertas luego de
haber enviado la seal. b) Cul es la probabilidad de que una rama este abierta sabiendo
que por lo menos una lo est? c) Calcular la confiabilidad del sistema.
R: a) =1.44, =0.62, b) 0.448. c) 0.928.

4. Lanzamiento de una moneda
Se lanza una moneda hasta que aparezcan 1 cara o 5 secas. Si X es el nmero de
lanzamientos, a) hallar y de la distribucin, b) cul es la probabilidad de que salgan no
ms de 2 secas?
R: a) =1.94, =1.19, b) 0.875.

Problemas Ic Modelos tericos de una variable
Ic Modelos tericos de una variable

Discretas
5. Equipos y la probabilidad de ganar
El equipo A tiene 2/3 de probabilidad de ganar cuando juega. Si A juega 4 partidos, hallar:
a) la distribucin de probabilidades, y de X: resultados (nmero de partidos ganados) de
A, b) la probabilidad de que A gane 2 partidos, c) de que gane un partido por lo menos, d) de
que gane ms de la mitad de los partidos, e) Es poco comn que A gane menos de 1
partido? f) Si Y = 2X+4, hallar la distribucin de probabilidades de Y, su esperanza y su
varianza. Resolver manualmente y con el SPSS.
R: a) 8/3; 0.943, b) 8/27, c) 80/81, d) 16/27, f) SPSS.
6. Equipos de radar
Siete equipos de radar estn disponibles para detectar cualquier avin. Cada equipo tiene una
probabilidad p = 3/4 de deteccin. Sea X el nmero de radares detectores. a) Dibujar el
histograma con y , b) si un avin entra en el rea, cul es la probabilidad de que no sea
detectado y cul de que sea detectado por 2 radares por lo menos, c) cuantos radares debe
haber para que la probabilidad de deteccin de por lo menos 1 de ellos sea 15/16, d) cul es
la probabilidad de que uno de los equipos detecte 3 aviones antes de fallar e) Es poco
comn que un avin sea detectado por menos de 2 aviones? f) Si Y = 2-X, hallar la
distribucin de probabilidades de Y, su esperanza y su varianza. Resolver manualmente y
con el SPSS.
R: a) 5.25, 1.14, b) 0.006%, 99.8%, c) 2, d) 10.54%, f) SPSS.
7. Examen de seleccin mltiple
Hallar la probabilidad de que un estudiante en un examen de seleccin mltiple, conteste
correctamente y al azar, a) 12 o ms de un total de 20, si tiene 2 respuestas posibles, b) al
menos 10 de un total de 15, si tiene 5 respuestas posibles, c) Es poco comn que conteste
ms de 15 de un total de 20, si tiene 2 respuestas posibles? Resolver manualmente y con el
SPSS.
R: a) 0.2511, b) 0.
8. Vuelos sobre registrados
Una compaa area tiene aviones pequeos con capacidad para 18 personas y tiene la
poltica de registrar hasta 20 personas pues la experiencia anterior indica que el 80% de los
pasajeros registrados realmente toman el vuelo. a) Calcular la probabilidad de que, habiendo
registrado 20 pasajeros, no haya asientos disponibles. b) Si consideramos como un valor
inusualmente bajo cuando la probabilidad sea menor al 5%, ser esta sobreventa un
problema real para los pasajeros? Resolver manualmente y con el SPSS.
R: 0.069, b) si.
9. Cara reticente
Dado que se ha lanzado 5 veces una moneda normal sin obtener una cara, cul es la
probabilidad de que se tenga que lanzar al menos dos veces para obtener la primera cara?
R: 0.5.
10. Computadoras de un avin
Un avin tiene 3 computadoras pero solo una de ellas se encuentra en servicio. Las otras son
de reserva en caso de falla. Durante una hora de operacin, la probabilidad de falla es 0.0005
(el nmero de ensayos y equivale en este problema al nmero de horas). a) Cul es el
tiempo promedio de falla de las 3 computadoras? b) Cul es la probabilidad de que las 3
fallen en un vuelo de 5 horas (es decir: P ( y 5) = P ( y = 3) + P ( y = 4) + P ( y = 5) )?
c) Es poco comn que las 3 fallen en un vuelo de 5 horas? Resolver manualmente y con el
SPSS.
R: a) 6000 horas, b) 1.25E-9.
225
11. Muestreo de aceptacin

Un producto se embarca en lotes de 20. Se muestrean 5 artculos de cada lote y se rechaza el
lote si se encuentra ms de 1 defectuoso. Si un lote contiene 4 defectuosos, a) cul es la
probabilidad de ser rechazado?, b) si X es el nmero de defectuosos encontrados en el lote,
hallar el y de la distribucin. Resolver manualmente y con el SPSS.
R: a) 0.248, b) =1, =0.7947.
12. Acciones preferentes y ordinarias
Un inversionista desea comprar 3 acciones. Tiene 5 alternativas de las cuales 2 son
preferentes y 3 ordinarias. Si toma la decisin al azar, hallar: a) el histograma para X: el
nmero de acciones preferentes que comprar, b) y V(X), c) la probabilidad de que x caiga
a no ms de dos de , d) Es poco comn que compre menos de 2 acciones ordinarias?
R: b) =1.2, V(X) = 0.36, c) 1. Resolver manualmente y con el SPSS.
13. Eleccin de trabajadores
Un capataz de una fbrica tiene 3 hombres y 3 mujeres trabajando para l. Desea elegir 2
trabajadores al azar. a) Hallar el histograma de probabilidad de X: el nmero de mujeres en
su seleccin. b) Es poco comn que elija menos de 1 mujer? Resolver manualmente y con
el SPSS.
R: =1, =0.63.
14. Soldadura defectuosa
La probabilidad de que se haga una soldadura defectuosa en una conexin dada es 10-4.
Hallar: a) el nmero de soldaduras en un sistema si la probabilidad de que no se presenten
defectos en dicho sistema es 6.7363.10-3, b) el nmero esperado de uniones defectuosas.
R: a)5 104., b) 5.
15. Test para detectar una enfermedad
Un mdico aplica un test a una muestra de 10 personas para detectar una enfermedad que
afecta al 10% de los trabajadores de una fbrica. Se sabe que el test acierta un 80% a un
individuo enfermo y un 75% a un individuo sano. a) Hallar la probabilidad de que a 4
personas de las 10, el test les d positivo (predice enfermedad), b) Si hay 4 personas que el
test les da positivo, cual es la probabilidad de que entre stas exactamente 2 estn sanas, c)
hallar la probabilidad de que el test se equivoque en 2 personas de las 10, d) calcular la
probabilidad de que el test acierte a por lo menos 8 personas de las 10.
R: a) 0.2047, b) 0.2246, c) 0.285, d) 0.5407. Resolver manualmente y con el SPSS.
16. Suspensin de clases como medida de protesta
De los 800 alumnos de una facultad, 560 estn en contra de la suspensin de clases como
medida de protesta resuelta por el gremio. Veinticinco estudiantes son elegidos al azar, sin
reposicin. a) Hallar la probabilidad de que menos de 5 estn a favor de la medida de fuerza.
b) Es poco comn que menos de 4 estn a favor de la medida de fuerza? Resolver
manualmente y con el SPSS.
R: 9%.
17. Envo de artculos
Una empresa debe enviarle a un cliente 5 artculos y posee en existencia 12. De estos 12
artculos, 3 son del tipo A, 2 del tipo B y el resto del tipo C. Cul es la probabilidad de que
el cliente reciba exactamente 2 del tipo A, 1 del tipo B y 2 del tipo C?
R: 0.159.
18. Tcnica de captura- marcacin- recaptura
Muchas veces se estima el tamao de la poblacin de animales utilizando la tcnica de
captura- marcacin- recaptura. Utilizando este procedimiento para estimar el tamao de la
poblacin de truchas de un lago se capturan 10 truchas, se las marca y luego se las devuelve
al lago. Posteriormente se toman muestras al azar de 2 truchas y se anota el nmero X de
animales marcados. Si se ha determinado por este proceso que la frecuencia relativa de X=1
es 0.05, cuntas truchas se estima que haya en el lago?
R: 390.

19. Nmero de fallas

En un servidor web, el nmero de fallas que un requerimiento puede generar es de 1 por
cada 100 requerimientos y el servidor procesa 500 requerimientos por hora. Hallar
manualmente y con el SPSS, la probabilidad de que se presenten:
a) 7 fallas en 1.5 horas
b) al menos 3 fallas en media hora
c) Es poco comn que se presenten menos de 2 fallas en media hora?
R: a) 0.1465, b) 0.456.
20. Errores de inventario
En un supermercado el nmero promedio de errores de un cierto empleado es 2.3. a) Si se
consideran 3 perodos consecutivos, cul es la probabilidad de que el nmero de errores se
aleje de la media en, a lo sumo, una desviacin estndar?
Un programa de incentivos para disminuir la cantidad de errores consiste en:
1) si comete menos de 5 errores, su sueldo no se ver afectado por descuentos,
2) si comete por lo menos 5 pero menos de 10 errores, su sueldo tendr un descuento del
5%,
3) si comete por lo menos 10 errores, su sueldo tendr un descuento del 10%.
b) Calcular el descuento esperado por perodo de inventario.
R: a) 0.778, b) 0.42%.
21. Seguros por enfermedad
La probabilidad de que una persona de entre 20 y 30 aos muera de cierta enfermedad
durante un perodo de un ao es de 0.00001. a) Si una compaa de seguros tiene 100000
personas de este grupo, cul es la probabilidad de que deba pagar ms de 4 seguros por esta
enfermedad? b) Si la pliza de seguros es de $ 200000, cul debe ser la prima anual si la
compaa desea tener un beneficio de $ 10?
R: a) 0.00366, b) $ 12.
22. Pginas con avisos comerciales
Forme un grupo de estudiantes que cuenten las pginas con avisos comerciales en una
revista. Luego deben crear la distribucin de frecuencias en una columna del SPSS,
comparar esta distribucin real con una binomial b ( y , n , p ) (forma de la CDF y
parmetros).
Calcular en forma manual y con la computadora, para ambas distribuciones: a) la
probabilidad de que la proporcin muestral de pginas con avisos comerciales se encuentre a
menos de 0.09 de la media, b) el percentil 59 de la distribucin binomial de la proporcin de
pginas con avisos comerciales, c) la proporcin de pginas con avisos comerciales a partir
de la cual sera un suceso poco comn.
23. Lanzamiento de una moneda
Cada estudiante debe lanzar 10 monedas, anotar el nmero de caras y repetir el experimento
30 veces. Luego debe crear una distribucin de frecuencias en una columna del SPSS y
comparar esta distribucin real con una binomial b ( y , n , p ) (forma de la CDF y
parmetros).
Con ambas distribuciones: a) calcular la probabilidad de que la proporcin de veces que sale
cara, sea mayor a 0.60, b) hallar la AIC, c) es poco comn que el nmero de caras sea
mayor a 28?
24. Bsquedas en Google
Realizar 20 bsquedas de un tpico cualquiera y registrar el nmero de errores que se
presentan debido a pginas que no se conectan. Repetir para otras 30 bsquedas. Colocar los
resultados en una columna de 30 filas del SPSS y comparar esta distribucin real con una
binomial b ( y , n , p ) o con una p ( y , ) (forma de la CDF y parmetros).
Con ambas distribuciones: a) hallar la probabilidad de recibir menos de 1 error, b) hallar el
percentil 50. Que hubiera sucedido con las diferencias si la muestra hubiera sido de 500?
Puede ser usada la distribucin de Poisson para aproximar esta distribucin observada?
227
Contnuas
25. Distribucin definida con una PDF constante
Si X es una variable aleatoria distribuida con la siguiente funcin densidad:
k , si 2 < x < 2
f ( x) =
0 en otros puntos
a) Obtener la media y la varianza, b) hallar la CDF, c) hallar la AIC, d) cul es la
probabilidad de que X sea mayor que 1 sabiendo que es positiva? e) dibujar la CDF y el
diagrama de caja, encolumnados con la PDF.
R: a) 0, 0.333, b) (x+2)/4, c) 2, d) 0.5.
26. Distribucin definida con una PDF Triangular
Un error X se distribuye de acuerdo a la PDF que se muestra en la figura. a) Hallar la
probabilidad de que el error respecto de 10 sea superior a 0.5% (es decir de que X se
encuentre a mas de 0.05 de ), b) la PDF analtica con la media y la varianza, c) la CDF, d)
la AIC, e) dibujar la CDF y el diagrama de caja, encolumnados con la PDF.
R: a) 0.25,
100 x 990 9.9 < x < 10
b) f ( x) =
100 x + 1010 10 < x < 10.1
= 10, 2 = 0.001667.
50x -990x+4900.5 9.9 < x < 10
2
c) F ( x) = 2
-50x +1010x-5099.5 10 < x < 10.1
d) 10.0293-9.9707= 0.0586
27. Distribucin definida con una PDF cuadrtica

Dada la siguiente funcin:
f ( x) = ax 2 (1 x) 0 < x <1
a) Hallar a para que sea una PDF, b) obtener la CDF, la media y la varianza. Dibujar
encolumnadas la PDF y la CDF, c) hallar la moda, d) hallar la mediana.
R: a) 12, b) 4 x 3 3 x 4 , = 0.60, 2 = 0.04, c) 0.667, d) 0.615.
28. Distribucin definida con una PDF por tramos
La densidad de probabilidades del tiempo de duracin (en horas) de un determinado
producto se puede suponer representada por la f(x) que toma los valores siguientes:
a, si 1 < x < 2
3a si 2 x < 4

f ( x) =
1, si x = 5 x = 6
0, para los dems valores de x
Hallar:
a) p( X 1.5)
b) la CDF, la media, la desviacin estndar y graficarla encolumnada con la PDF.
c) la amplitud intercuartlica y el diagrama de caja,
d) Si un producto ha tenido una duracin comprendida entre 1.3 y 2.4 horas, hallar la
probabilidad de que haya superado 2 horas,
e) Se seleccionan 10 productos en forma independiente. Calcular la probabilidad de que por
lo menos 9 tengan una duracin superior a 3 horas.
R: a) 0.0714,
b)
1 1
7 x 7 , si 1 < x < 2
F ( x) =
3 x 5 si 2 x < 4
7 7
= 2.785, = 0.757
c) AIC = 1.167, Q2 = 2.833, d) 0.631,e) 2.99 10-3.
29. Distribucin definida con una CDF cuadrtica
Dada la siguiente funcin:
x2
F ( x) = 0< x<2
4
a) Determinar si cumple las propiedades de una funcin de distribucin, b) Hallar los
cuartiles y dibujar el diagrama de caja, c) hallar el percentil 80., d) hallar la PDF, la media y
la varianza. e) graficar la PDF y la CDF en forma encolumnada.
R: a) si, b) 1.414, 1, 1.732, c) 1.789, d) x/2, = 4/3, 2 = 2/3.
30. Cantidad de chocolate
La cantidad de chocolate utilizada por una fbrica en un da se puede modelar con una
distribucin exponencial con media = 300 kg. a) Hallar la probabilidad de que la fbrica
utilice ms de 300 kg en un da determinado. b) El gerente le pide que calcule qu cantidad
de chocolate tendra que almacenar para que la probabilidad de agotar la existencia sea poco
comn. Resolver manualmente y con el SPSS.
R: a) 0.368, b) 898 kg.
31. Dado el valor del eje de una normal, hallar la probabilidad
Si X es una variable aleatoria distribuida normalmente con X=0 y x=1, hallar manualmente
y con el SPSS: a) P(0<x<1.42), b) P(-0.73<x<0), c) P(-1.37<x<2.01), d) P(0.65<x<1.26), e)
P(-1.79<x<-0.54), f) P(x>1.13), g) P(-0.5<x<0.5).
R: a) 0.422, b) 0.2673, c) 0.892, d) 0.154, e) 0.258, f) 0.13, g) 0.383.
32. Dada la probabilidad de una normal, hallar el valor del eje
Sabiendo que Z est distribuida normalmente con Z=0 y Z=1, determinar su valor,
manualmente y con el SPSS, si: a)
A0 z = 0.377, b) CDF=0.377, c) A1.5 z = 0.0217, d) A z = 0.8621.
R: a) 1.16, b) 0.31, c) 1.35, -1.69, d) 1.09.
33. Admisin de un colegio
Los resultados de admisin de un colegio tienen una distribucin normal con =7.5 y =1.
a) Qu fraccin de resultados se encuentra entre 8 y 9? b) Hallar la puntuacin mxima del
10% inferior de la clase. Resolver manualmente y con el SPSS.
R: a) 24.17%, b) 6.22.
34. Error con distribucin normal
En una medicin se comete un error e que se distribuye normalmente con =0 y =2.
Determinar la probabilidad de que en 5 mediciones independientes todas resulten con error
superior a 0.5 (en ambos sentidos).
R: 0.333
35. Dgitos al azar
Hallar la probabilidad de que entre 10000 dgitos al azar con reposicin, el dgito 3 aparezca
950 veces a lo sumo. Resolver manualmente y con el SPSS.
R: 4.75%.
229
36. Un persona, su padre y su abuelo

Cul es la probabilidad de que una persona, su padre y su abuelo paterno tengan el mismo
cumpleaos? b) En una ciudad de 2000000 de habitantes, cuantos habr trmino medio con
esta caracterstica. c) Cul es la probabilidad de que haya menos de 10 habitantes con dicha
caracterstica? d) Cul de que haya ms de 5 con dicha caracterstica?
R: a) 7.5 10-6, b) 15, c) 7.78%, d) 99.5%.
37. Dos mquinas independientes
E n un proceso de fabricacin de una pieza mecnica intervienen 2 mquinas: la A taladra y
la B corta en trozos. Ambas son independientes. El dimetro del taladro de A en mm sigue
una n(23; 0.5), y el grosor producido por B, una n(11.5; 0.4). a) Qu
porcentaje de las piezas tienen un dimetro entre 22.5 mm y 24 mm? b) Qu porcentaje
tiene un grosor entre 10.5 mm y 11.7 mm? c) Si solo son aceptadas las piezas que cumplen
a) y b), qu porcentaje de piezas ser aceptado?
R: a) 81,8%, b) 68,53%, c) 56%.
38. Lanzamiento numeroso de una moneda
Una moneda se lanza 400 veces. Calcular la probabilidad de que a) el nmero de caras
difiera de 200 en ms de 10, b) el nmero de caras se encuentre en el intervalo 200 20. c) Si
el nmero de caras result menor que 212, cual es la probabilidad de que hayan salido ms
de 203. d) En que intervalo se encuentra el 77% de los resultados (nmero de caras)
alrededor del valor medio. e) Se realizan 2 pruebas. Cul es la probabilidad de que en la
primera salgan menos de 194 caras y en la segunda menos de 190 secas. Resolver
manualmente y con el SPSS.
R: a) 31.7%, b) 95.4%, c) 30%, d) 20012, e) 4.3%.
39. Suma de los dgitos de un dado
Se tira un dado 60 veces. Hallar la probabilidad de que la suma de todos los dgitos sea
menor que 200.
R: 0.2358
40. Probabilidad de salir ganando del casino
Con una ruleta americana (con 0 y 00), se realizan 64 apuestas de 1$ a colorado. a)Cul es
la probabilidad de salir ganando del casino?, (pensar en el nmero mnimo de xitos que
aseguran esto), b) cul es la probabilidad de ganar exactamente 20$?, c) cul es la
probabilidad de perder al menos 10$?, d) si se realizan 10000 jugadas, cul es la
probabilidad de salir al menos a la par?, e) si se juega a pleno 1$ en 500 jugadas, cul es la
probabilidad de ganar al menos 40$?.
R: a) 0.295, b) 0.0014, c) 0.242, d) ~0, e) 0.337.
41. Lavado automtico
Los automviles llegan un lavado automtico en promedio 20 cada hora. Hallar
manualmente y con el SPSS:
a) la probabilidad exacta de que en cualquier perodo dado de media hora lleguen menos de
4 automviles.
b) la probabilidad aproximada de que en cualquier perodo dado de 30 minutos lleguen
menos de 4 automviles (usar la cpc).
R: a) 0.010, b) 0.019.
42. Persona que entra a un shopping y compra.
Los dueos de un shopping saben que una de cada cuatro personas que entra, compra algo.
Si se selecciona una muestra de 5 personas, hallar la probabilidad de que
a) 2 o ms realicen alguna compra
b) a lo sumo 4 realicen alguna compra
Si se selecciona una muestra de 90 personas, hallar la probabilidad aproximada de que,
c) menos de 15 realicen alguna compra
d) al menos 20 realicen alguna compra
R: a) 0.367, b) 0.999, c) 0.025, d) 0.767

Problemas IV Teora de los juegos
43. Entrega de la Tesis

De acuerdo a estudios anteriores, el 5% de los alumnos de estadstica no presentan la tesis.
Se toma una muestra aleatoria de 20 alumnos, hallar las siguientes probabilidades en forma
exacta y con todas las formas de aproximacin vlidas:
a) no ms de 2 no presenten la tesis,
b) cuanto menos 18, presenten la tesis,
c) 3 no presenten la tesis.
d) dibujar el histograma de probabilidades
R: a) 0.925, 0.919, b) 0.925, 0.919, c) 0.059, 0.0613.
IV Teora de los juegos

44. Problemas Resueltos
Obtener los equilibrios en estrategias mixtas de todos los problemas resueltos de la seccin:
"Simultneos con estrategias puras", los cuales comienzan en la pgina 163.
R: Sistemas de video: 0.5, 0.5, El juego de la contaminacin: no tiene equilibrios en
estrategias mixtas, Competencia Cournot: no tiene equilibrios en estrategias mixtas.
45. El dilema del prisionero
Dos prisioneros, A y B, que efectivamente cometieron un delito, son interrogados por
separado. Cada uno tiene 2 acciones posibles: Delatar, C o No Delatar, N.
Si los 2 niegan, la sentencia es solo 1 ao por evidencias menores. Si solo uno delata, se le
libera, pero al otro se le sentencia con la condena mxima establecida por el cdigo que es
de 15 aos. Si ambos delatan se les rebaja la condena y son sentenciados a 10 aos de
prisin.
a) Confeccionar la matriz de ganancias (aos de prisin) y verificar que en este juego
simtrico, cada uno tiene una estrategia dominante y que existe un solo equilibrio de Nash
dominante. Cul es el valor del juego? Cul es el dilema? Subsiste si el juego se repite?
El equilibrio es Pareto eficiente? b) Convertir el problema simultneo en secuencial y
verificar que, al tener estrategias dominantes, no importa quin es el primero.
c) Para un posterior anlisis, genere datos experimentales creando una simulacin con el
programa ComLabGame y confronte a 2 jugadores. Repita el juego y exporte los principales
datos de la experiencia a un archivo EXCEL.
46. Aplicacin del dilema del prisionero
Documentarse en el dilema del prisionero para involucrar los conceptos de cooperacin y
confianza (es una situacin muy comn en el combate del crimen). Luego adaptar el juego a
por lo menos 2 situaciones en las que se presente una dicotoma entre el incentivo individual
para no cooperar y el incentivo social para cooperar.
Ejemplos: guerra de precios de 2 empresas duoplicas (Coca y Pepsi), hacer o no publicidad
(existe un ejemplo testigo con las empresas tabacaleras y la publicidad en TV), conducir
siempre por la izquierda o respetar la norma, pagar impuestos o no, divorcio amigable o con
juicio, licitaciones, negociaciones polticas, quiebra de bancos por retiros en masa, consumo
de agua de red, tragedia de los comunes, carrera armamentista, etc.
47. El juego del gallina
Dos adolescentes conducen cada uno un auto en sentidos contrarios, siendo inminente un
choque. Cada uno puede decidir Continuar o Virar hacia un lado. Si ambos continan,
ambos mueren lo cual se representar con una ganancia de 3. Si ambos viran, se salvan
(ganancia 1) pero pierden prestigio. Si solo uno de los dos contina se cubre de gloria
(ganancia 2), pero el que vira tiene una ganancia de 0. a) Obtener los equilibrios de Nash
(puros y mixtos), el valor del juego y la probabilidad de que ambos adolescentes se salven.
Son los equilibrios Pareto eficientes? Existen estrategias dominantes dbiles o fuertes? b)
Convertir el problema simultneo en secuencial y analizar si importa quin es el primero. c)
Para un posterior anlisis, genere datos experimentales creando una simulacin con el
programa ComLabGame y confronte a 2 jugadores sin base terica. Repita el juego y
231
exporte los principales datos de la experiencia a un archivo EXCEL.

R: a) dos equilibrios de Nash de estrategias puras no dominantes y un equilibrio de Nash de
estrategias mixtas con p(continuar) = 0.25. La probabilidad de que se salven es: 0.9375.
48. Juego de entrada al mercado
Dos empresas A y B deben decidir si abrir un restaurant en un shopping. Las estrategias son
Entrar, E y No entrar, N. Si las 2 empresas deciden N, la ganancia ser 0 para ambas.
Si un decide E y la otra N, la firma que entra gana 30000$. Si ambas deciden E, ambas
pierden 10000$ pues no ha suficiente demanda para ambas. a) Obtener los equilibrios de
Nash (puros y mixtos) y el valor del juego. Son los equilibrios Pareto eficientes? Construir
las formas normal y extensiva del juego. b) Repetir el anlisis si la matriz de pagos cambia
de tal forma que B gane 400000$ si entra sola. c) Para un posterior anlisis, genere datos
experimentales creando una simulacin con el programa ComLabGame y confronte a 2
jugadores sin base terica. Repita el juego y exporte los principales datos de la experiencia a
un archivo EXCEL. Este problema ser continuado en el captulo 5.
R. a) ambas deben utilizar una estrategia mixta de 0.75 para Entrar. Valor del juego = 0.
b) La probabilidad para Entrar de A cambia de 0.75 a 0.80. El valor del juego no cambia.
49. Los generales juegan a la guerra
Dos generales Smith y Gonzalez deciden jugar un juego de guerra. El general Smith puede
atacar por Tierra o por Mar. El general Gonzalez puede defender por Tierra o por Mar.
Ambos acuerdan la siguiente matriz de pagos (los valores representan las ganancias del
general Smith).
a) Obtener los equilibrios de Nash (puros y mixtos) y el valor del juego. Son los equilibrios
Pareto eficientes? Construir las formas normal y extensiva del juego. b) Para un posterior
anlisis, genere datos experimentales creando una simulacin con el programa
ComLabGame y confronte a 2 jugadores sin base terica. Repita el juego y exporte los
principales datos de la experiencia a un archivo EXCEL.
General Gonzalez
Tierra Mar
Tierra 25$ 75$
General Smith
Mar 90$ 50$
R: a) Estrategia mixta con pSmith = 0.583, pGonzalez = 0.521. Valor del juego = 22.92$.
50. Roca, papel, tijera
Dos amigos Juana y Juan realizan este conocido juego en forma simultnea mostrando los
dedos. Roca rompe Tijera, Tijera corta Papel y Papel envuelve Roca. Si Juana
gana, obtiene 1$ de Juan y viceversa. Construir la tabla de pagos y el rbol del juego. a)
Obtener los equilibrios de Nash (puros y mixtos) y el valor del juego (deber resolver un
sistema de ecuaciones de 44). Son los equilibrios Pareto eficientes? b) Para un posterior
anlisis, genere datos experimentales creando una simulacin con el programa
ComLabGame y confronte a 2 jugadores. Repita el juego y exporte los principales datos de
la experiencia a un archivo EXCEL.
R: a) probabilidades = 0.33, G = 0.
51. Monedas y ases
En un juego usted elige cara o seca y su compaero elige uno de 4 ases. Dependiendo de si
l elige: Oro, Copa, Espada o Bastos, si usted elige Cara, recibe un pago de 15$, 4$, 5$ y
1$, y si selecciona Seca, recibe un pago de 10$, 2$, 1$ y 5$.
a) Est de acuerdo con jugar? Deber obtener el valor del juego para las estrategias puras o
mixtas que posea (utilice el mtodo grfico para resolver la igualdad de ganancias). b) Si
acept el juego y luego de 4 repeticiones gan 5$, Qu concluira?
R: a) estrategia mixta p = (0.5, 0.5). Valor del juego: 2$. b) o tuvo mucha suerte o su
compaero es un ignorante.

Problemas IV Teora de los juegos
52. Campaa publicitaria

Dos senadores compiten por la reeleccin. El senador A mueve primero y debe decidir si
invierte en una costosa campaa publicitaria. El senador B mueve despus y debe decidir si
entra o no en el juego. B sabe que le ser ms fcil ganar si A no realiza una campaa
publicitaria. Modelar las 4 ganancias de cada uno con los valores 1, 2, 3 y 4. Si en el orden
A (Campaa, No campaa) y B (Entra, No entra), se utilizan las siguientes ganancias en los
nodos finales: (1,1), (3,3), (2,4) y (4,2), a) Cul es el equilibrio del juego?, b) hallar el
equilibrio si se mantienen las ganancias pero B mueve primero. Importa quin mueve
primero? Por qu? c) redisear las ganancias de tal forma que el orden no importe y
calcular el equilibrio.
R: a) (3,3), b) (4,2).
53. Pliza de seguro
Hallar la prima anual (de equilibrio) de una pliza de seguro contra incendio de $ 20000 en
una zona que por experiencia anterior puede tener prdida total con p=0.001 y prdida del
cincuenta por ciento con p=0.01. Ignorar todas las otras prdidas parciales.
R: $ 120.
54. Empresa petrolera
Una empresa petrolera va a realizar 10 exploraciones. La probabilidad de una exploracin
exitosa es 0.1. El conjunto tiene un costo fijo de $ 20000. Adems cada exploracin exitosa
cuesta $ 30000 y las fallidas $ 15000. Hallar el costo esperado para las 10 exploraciones.
R: $ 185000.
55. Bonos de inversin
Usted debe aconsejar a un cliente que tiene $1000 para invertir, el cual est interesado en 2
bonos con riesgos. Los bonos A tienen un rendimiento anual del 6.5%, pero tienen una tasa
de incumplimiento del 1% (se pierden los $1000). Los bonos B tienen un rendimiento anual
del 8.6%, con una tasa de incumplimiento del 2%. Cul de los bonos aconsejara?
R: B.
56. Envases defectuosos
Una empresa provee envases para distintas industrias. El control de calidad de la misma
realiza un muestreo mensual de 350 envases para detectar la cantidad de fallas, cuyo ltimo
resultado se indica en la tabla siguiente. Por cada envase la empresa cobre 6$. El costo de
cada uno es de 3$, pero si debe ser corregido se incrementa en 1.20$, independientemente de
las fallas que tenga. Los envases que tienen hasta 2 fallas se corrigen y los que tienen 3 o
ms se descartan. Calcular la ganancia esperada mensual por envase.
Nmero de fallas por envase 0 1 2 3 4
Cantidad de envases 86 112 83 47 22
R: 1.150$.
57. Instrumentos de laboratorio
Todas las maanas debe ajustarse un sistema de instrumentos en 2 laboratorios A y B de la
misma empresa, en forma independiente. Cada puesta a punto requiere una serie de ensayos
que no superan a 3, cuyas probabilidades se dan en la siguiente tabla. Cada ensayo cuesta 3$.
a) Cul es el laboratorio con mayores gastos diarios y cul es el de gastos ms irregulares.
b) Si U es el nmero total de ensayos en le empresa, calcular la esperanza y varianza del
gasto total G.
Laboratorio A
X 1 2 3
P(X) 0.2 0.6 0.2
Laboratorio B
Y 1 2 3
P(Y) 0.5 0.2 0.3
R: a) A, B, b) 11.40$, 10.44$.
233
58. Apuestas simples y dobles

Un jugador a cara o seca tiene un capital de 3 $. Apuesta 1 $ siempre a cara (apuesta
simple). Hallar el valor esperado de la ganancia si a) juega 2 veces, b) juega 3 veces. Luego
decide usar la tcnica de la apuesta doble, es decir duplica la apuesta (2 $) si pierde, en tanto
tenga capital suficiente, c) repetir a), d) repetir b). Qu diferencia se observa en los
histogramas? Justificarlas.
R: a) 0 $, b) 0 $, c) 0 $, d) 0 $.
59. Casino de ruleta europea y el equilibrio
En un casino de ruleta europea, establecer cul de los siguientes juegos, conduce a: la
fortuna, la ruina o es equilibrado. Suponer que en cada uno se apuesta 1 $. a) Apostar al
nmero tres, (pleno), b) apostar a una lnea, c) apostar a la primer docena, d) jugar a pleno
dos veces con apuesta simple, e) jugar tres veces a pleno con apuesta doble.
R: a) E(G)=-0.027, b) E(G)=-0.027, c) E(G)=-0.027, d) E(G)= - 0.054, e) E(G)= - 0.108.
60. Dados y el equilibrio
Establecer cul de los siguientes juegos, conduce a: la fortuna, la ruina o es equilibrado,
suponiendo que en cada uno se apuesta 1 $. a) Apostar a obtener por lo menos un 6 en 4 tiros
de un dado, b) apostar a obtener por lo menos un doble 6 en 24 tiros de dos dados, (dem
anterior).
R: a) E(G)=0.035, b) E(G)=-0.01718.
Problemas con base de datos

Todos los archivos que se mencionan en los problemas, se encuentran en la direccin (acceso
restringido a alumnos):
http://www.aprehender.net/JCC/viewtopic.php?f=52&t=267
61. Telefonistas en la mira
Abrir el archivo Llamadas.sav.
La empresa en la que usted trabaja atiende pedidos por telfono, para lo cual cuenta con un
grupo de telefonistas. El gerente desea bajar los costos y le pide que estudie optimizar el
nmero de telefonistas. Como primera medida necesita datos para analizar, por lo que
solicita que le confeccionen un registro del nmero de llamadas que se reciben de los
clientes, agrupados por hora desde las 8 de la maana hasta las 4 de la tarde. Estos datos se
obtienen durante el transcurso de 22 das y le son entregados en el archivo Llamadas.sav
Supondremos en principio que el nmero de llamadas por hora sigue una distribucin
normal lo cual ser validado en el captulo 7. Las inquietudes del gerente son las siguientes:
a) Qu cantidad de telefonistas por hora recomendara para estar 98 % seguro de que cada
uno de ellos solo tenga que atender 8 clientes por hora?
Sugerencia: calcular primero el nmero de llamadas por hora asociado al 98 % (percentil
98).
b) El gerente observa que los datos parecen indicar algunas horas pico, por lo cual le solicita
evaluar una solucin menos costosa que utilice por ejemplo distinta cantidad de telefonistas
en cada hora. Repetir entonces la pregunta anterior pero ahora analizando la cantidad
requerida de telefonistas por cada una de las horas entre las 8 de la maana y las 4 de la
tarde. Cuntas horas de telefonistas se ahorrara el gerente?
Sugerencia: Usar Split File para dividir los datos por hora. Para calcular los percentiles
98 de las nueve distribuciones en un solo paso, colocar en dos columnas de la vista de datos
los valores de y para cada una de las 9 horas pedidas (tomndolos del visor con:
Frequencies > Pivoting Trays > pasar Statistics a Layer > seleccionar las
medias y luego las desviaciones estndar). Luego colocar el nombre de estas dos variables
generadas, en la frmula de clculo del percentil (IDF.Normal).
R: a) 6 telefonistas por hora, b) cantidad de telefonistas por hora entre las 8 de la maana y
Problemas Problemas con base de datos
las 4 de la tarde. 4-6-5-6-5-6-7-7-4. Se ahorra 4 horas de telefonistas por da (por ejemplo

reasignndolos en otras funciones) y puede mejorar la deficiencia que se observa en la
solucin a) a las 2 de la tarde y a las 3 de la tarde.
235

Distribuciones de Probabilidad

Cargado por

Copyright:

Formatos disponibles

Distribuciones de Probabilidad

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Distribuciones de Probabilidad

Cargado por

Copyright:

Formatos disponibles

Captulo3DistribucionesdeProbabilidades ____________________________________7

2 Jorge Carlos Carr

6 Jorge Carlos Carr

Variable aleatoria, v.a.

8 Jorge Carlos Carr

1 Mtodos tabulares y grficos

10 Jorge Carlos Carr

aunquee debe interprretarse que, a diferencia dee un histogram

Es tambin una funcin definida por tramos, en este caso escalonados.

b. Variables cuantitativas de escala

Relacin entre f(x) y F(x)

adems por definicin de funcin distribucin:

16 Jorge Carlos Carr

Para obtener la versin para la poblacin, se deber en:

De forma similar se define cualquier percentil.

Las expresiones de los SSxx se mantienen, cambiando la frecuencia f por f ( x ) dx :

La varianza ser entonces:

en donde la ltima expresin indica valores de X en las 2 colas: zk > X > + zk .

Problema resuelto 3.1 Seleccin de 3 esferas

Problema resuelto 3.2 Dado 1

20 Jorge Carlos Carr

Problema resuelto 3.3 Dado 2

Problema resuelto 3.4 Clientes de un supermercado

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

22 Jorge Carlos Carr

Problema resuelto 3.5 Demanda de nafta

Suceso poco comn: criterio con

Problema resuelto 3.6 Dados de distintos colores

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

Siendo RX el conjunto de valores de x asociado por la funcin H al conjunto Y y .

Problema resuelto 3.7 Transformacin cuadrtica

Dada la siguiente PF en X y la transformacin Y=H(X), hallar la PF en Y y el valor esperado E(Y).

26 Jorge Carlos Carr

Paso 1 Dominio de las x en funcin de las y

Paso 2 integrar f(x) en ese dominio

Se remarca nuevamente que en el caso general, al despejar X, no necesariamente resulta una

Problema resuelto 3.8 Transformacin cuadrtica

Dada la siguiente PDF en X y la transformacin Y=H(X), hallar la PDF en Y.

Paso 1 Dominio de las x en funcin de las y

Paso 2 Integrar f(x) en ese dominio

Observar que la funcin H(x) solo aparece en los lmites de integracin.

En donde se utiliz la relacin de contenidos (que se estudia en anlisis matemtico): dx = x ' dy

Problema resuelto 3.9 Transformacin lineal

Dada la siguiente PDF en X y la transformacin Y=H(X), hallar la PDF en Y.

Si la variable X es contnua con funcin densidad conjunta f ( x ) :

En donde se reemplazaron las expresiones:

30 Jorge Carlos Carr

Ic Modelos tericos de una

Distribucin de Bernoulli, b(y,1,p)

32 Jorge Carlos Carr

En base a lo expuesto, una binomial se puede sintetizar con la notacin:

Relacin con la distribucin de Bernoulli

Problema resuelto 3.10 Fiesta numerosa

Recorrido de las propiedades

36 Jorge Carlos Carr

b( y, n, p) = Cn0 p 0 q n , Cn1 p1q n1 ,..., Cnn p n q 0

utilizar la propiedad de que p ( x) = 1 :

38 Jorge Carlos Carr

Problema resuelto 3.11 Paquetes de una distribuidora