I(A)
la
{f(s):
A}
1- 1 (B)
{s: [(s) E B}
En otras palabras, f(A) est formado por las imgenes de los puntos de A, y -1(8) est formado por
aquellos puntos cuyas imgenes pertenecen a 8. En particular, el conjunto 1(S) de todas las imgenes
se llama el conjunto imagen (o : imagen o recorrido) de!
Supongamos ahora que S es el espacio muestral de algn experimento . Como anotamos previamente, los result ados del experimento, es decir ,. los puntos muestra les de S. no necesitan ser nmeros.
Sin embargo, frecuentemente deseamos asignar un nmero determinado a cada resultado; esto puede
ser la suma de los puntos de un par de dados, el nmero de ases de una mano de "bridge" , o el tiempo (en horas) que gasta una lmpara en fundirse . Tal asignacin se denomina variable aleatoria; ms
precisamente,
Definicin:
Hacemos nfasis en que si S es un espacio discreto en el cual cada subconjunto es un suceso, entonces cada funcin de valores reales de S es una variable aleatoria. Por otra parte, se puede comprobar que si S es no contable, entonces ciertas funciones de valores reales de S no son variables aleatorias.
Si X y Y son variables aleatorias del mismo espacio muestral S. entonces X
XY (donde k es un nmero real) son funciones de S definida s por
+ Y)(s) =
(X + k)(s) ==
(X
X(s)
X(s)
+ Y(s)
+ le
(lcX)(s)
y. X
+ k.
kX y
= kX(s)
para todo s E S. Se puede comprobar que estas variables tambin son aleatorias. (Esto es trivial en
el caso de que cada subconjunto de S sea un suceso.)
P(a
X -== b)
P(X~
a), P(X
== a, Y
74
a~X(s)~b})
= b),
P(a
b, e
d), etc.
VARIABLES ALEATORIAS
CAP. 5]
75
X(S) =
Xl
X2
.,
f(x l )
f(xz)
.,
Xn
f(x n )
(ii)
(XI)
1=1
=1
Ahora si X es una variable aleatoria con la distribucin anterior, entonces la media o esperanza
(o: \'G/or esperado) de X. denotada por E(X) o flx, o simplemente E o fl, se define como
E(X)
Esto es, E(X) es el promedio pOllderado de los valores posibles de X. cada valor ponderado por su probabilidad.
Ejemplo 5.1: Se lanza un par de dados corri entes . Obtenemos el espacio finito equiprobablc S que consta de las 36 parejas ordenadas dc nm e ros entre l y 6:
s =
Sea X qut: ha ce corres ponder a cad a punto (a. b) de S el mximo de sus nmeros, o sea, X(a. b) =
max(a . b). Entonces X es un a variable aleatoria cuyo conjunto imagen e~
X(S)
Calculamos la distribucin
f(l)
P(X= 1)
f(2)
P(X=2)
f(3)
P(X
f(4)
{l, 2, 3, 4, 5, 6}
de X :
P({(1,l)}) -
..!..
36
~
36
= 3)
P(X = 4)
~
36
.2
36
Similarmente,
1(5)
P(X
= 5) = fe-
f(6)
P(X
= 6)
11
36
Xi
f(Xi)
..!..
1-
:;
36
36
36
36
36
11
36
Calculamos la media de X:
E(X)
XI
f(x)
.!!!1 = 447
36
'
Ahora st:a Y que hace corresponder a cada punto (a. b) de S la suma de sus nmeros, o sea,
Y(a. b) = a + b. Enton ces Y es tambin un a variable aleatoria de S con conjunto imagen
Y(S)
VARIABLES ALEATORIAS
76
[CAP. 5
A continuacin la distribucin g de y.
del hecho de que, (1, 3), (2, 2) Y (3, 1) son aquellos puntos de S
es 4; por tanto
P(Y
17(4)
2l+3~+
36
~6
E(Y)
12' 36
L
o~ ~ J JJ11lLLh
. __
10
JI
12
Distribucin de Y
Distribucin de X
Obsrvese que las lneas verticales dihujadas sobre los nmeros del eje horizontal son proporcionales a
sus probabilidades
P(HHH)
.~
. 111
i . i 'a
'k'n
t!
P(HHT)
P{HTH)
P(HTT)
2'i
P(THH) =
a i ..
4
27
P(THT)
k, -2 'i,
2'i
P(TTH)
!'k'
2
27
P(TTT)
l'!'!
2'i
27
27
== 127
Sea X la variable que asigna a cada punto de S el mayor nmero de caras sucesivas que suceda.
As,
X(TTT)
X(HTH)
1,
X(HTT)
1,
X(HHT)
2,
X(THH)
X(THT}
1,
X(TTH}
3
El conjunto imagen de X es X(S)
= lo.
1, 2, 3 lo Calculamos la distribucin
feO)
f(l)
f(3)
P(HHH)
+.!.
:::::
21
de X.
10
27
JL
27
VARIABLES ALEATORIAS
CAP. 51
77
E(X)
3' J!..
27
1,85
Ejemplo 5.3: Se selecciona al azar una muestra de tres artculos de una caja que contiene 12 de los cuales 3 son defectuosos. Hallar el valor esperado E de los artculos defectuosos.
El
de las (1,2)
posibles de ta-
(:)
3' ( : )
3
(2 ) . 9
o-
1-
2'
3'
0.75
No/a: Implcitamente obtuvimos el valor esperado de la variable aleatoria X que asigna a c<lrJi
muestra el nmero de artculos defectuosos que contiene.
En un juego
que el juego es
es
SiE
Se dice
0, el juego
Ejemplo 5.4: Un jugador lanza un dado corriente. Si sale un nmero primo gana dicho nmero de dlares. pero no
sale un nmero primo entonces pierde esa cantidad de dIre,. Los resultados poSibles Xi del Juego con
j{x) son corno sigue:
sus respectivas
-1
-4
no sale un n-
E
Por tanto, el juego es desfavorable para el jugador puesto que el valor esperado
Nuestros
riables aleatorias son
+ k} =
)+
).
negatlvo.
y (j)
k.
del mismo
+ Y)
V"'
\
78
[CAP. 5
VARIABLES ALEATORIAS
Corolario 5.3:
E(X
+ ... + X n )
E(X)
+ ... + E(X,,)
Sea X una
Entonces la varianza de
L (Xi .=1
var (X)
donde
p.
es la meda de X
de var(X ):
p.)2 (Xi)
E((X - p.)2)
La
El teorema siguiente nos da una alternativa y algunas veces una frmula ms til para calcular la
varianza de la variable aleatoria X.
L"
j=
X~ (Xi)
1, tenemos
Prueba. Usando
(Xi)
X7 (Xi)
10 cual
el teorema.
5.5: Considrese la variable aleatoria X del
5.1 (que asigna el mximo de los nmeros que se muestran en un par de dados). La distribucin de X es
y su media es P-x
E(X'):
E(X2)
21,97
entonces
var (X)
E(X2)
21,97 -
19,98
::::
1,99
1,4
Ahora consideramos la variable aleatoria Y del ejemplo 5.1 (que asigna la suma de los nmeros
que se muestran en un par de dados). La distribucin de Yes
'.
79
VARIABLES ALEATORIAS
CAP, 51
y su media es
E(Y 1):
22. 136
32. ~
36
+ .. " +
122 ..l
86
54.8
entonces
54,8 - 49
var (Y)
algunas propiedades de la
Teorema 5.5:
5,8
Uy
2.4
en el
var(X),
Nota 1. Hay una interpretacin fsica de la media y la varianza. Supngase que para cada punto XI
sobre el eje X se coloca una unidad con masa f(x 1). Entonces la media es el centro de gravedad del sistema, y la varianza es el momento de inercia del sistema.
Nota 2. Muchas variables aleatorias dan origen a la misma distribucin; de aqu que hablemos frede una distribucin en lugar de
cuentemente de la media, la varianza y la
la variable aleatoria fundamental.
Nota 3. Sea X una variable aleatoria con media Ji. y
estndar
ria X* estandarizada que corresponde a X se define por
(1
X*
Comprobamos que E(X*) = O Y var(X*)
(problema
DISTRIBUCION CONJUNTA
Sean X y Y variables aleatorias de un espacio muestral S con los respectivos conjuntos imagen
X(S)
Yl
Y2
...
Ym
Suma
XI
h(x.1/I)
h(x. Y2)
...
h(x,Ym)
!(xl)
xz
h(X2,
h(X2,1/2)
h(X2'Y m)
!(X2)
.. .
.. .
.. .
x"
h(x n YI)
h(x,l' Y2)
Suma
g(y)
V(yz)
..
...
"
...
...
h(x n .1Im )
g(Ym)
.,
f{xn}
80
VARIABLES ALEATORIAS
Las funciones
[CAP. 5
o sea,
) es la suma de los elementos de la fila
y
) es la suma de los elementos de la
columna
son llamadas distribuciones marginales y son, de hecho, las distribuciones (individuales) de /t y Y
(problema 5. I
La distribucin conjunta / satisface las condiciones
h(Xi, y)
(ii)
lvas
cov (X, Y)
E(XY) -
;'x;'y
p(X, Y)
La correlacin p no es dimensionada y tiene las siguientes
(i) p(X, Y)
(i) -1
~ p ~
= 1,
p(Y, X)
(iii) p(X, X)
(iv) p(aX + b, cY + d)
p(X,
p(X, Y), si a, e =F O
Ms adelante (ejemplo 5
mostrarnos
parejas de variables aleatorias con
duales) idnticas pueden tener covarianzas y
diferentes. As cov(X.
medidas de la manera corno /Y y Y estn
5.6: Se lanza un par de dados corrientes. Obtenemos el espacio
parejas ordenadas de nmeros entre 1 y 6:
(ndivi, Y) son
y
X
10
11
12
Suma
36
36
~
36
3iI
36
3iI
36
36
36
36
36
36
~
38
3ii
36
36
36
36
3ii
Suma
3ii
"
J!.
36
36
2
36
11
3iI
36
36
81
CAP. 5]
fa
5)
== P(X = 3, Y
3) son los
P( {(3,
5)
2- 3-~
6 -12'
34,2
Por el
5,1,
;'X
= 4,47 Y
J.y
J4,2 -
1,4 y
2,4; de
Uy
al~ll
(4,47)(7) =
Ejemplo 5.7: Sean X y Y, Y X' Y }" variables alealOflJS con las d,tflbuCl<lf1'" conjuntas ,igulcntes
10
Suma
''>Z
10
Sllma
1
,;
J:.;
~.
,~
&
Suma
Suma
Distribucin de X y X'
Comprobamos que cov(.\;',
EL\:
E(X'
r)~cov{\'
1-4-1
E(X'Y')
Como Ilx:::: !lx'
COy
(X,
==
== E(XY) -
f'Y
J.lX!'Y
Ji,"
, Y) ~ p(X', Y').
cie aqu
1-10-!
1 -4-O
y
}/')
l 10 - ~
3-4-{
34
Primero
8-1O-!
14
n + 3 - 10 - O
11
7,
y
CUI'
(X', Y ' )
Xi,
Y - Yj, , .. , Z
Y :::: y j,
. ,
CJklll:Jllhl'
P(Y =--:
. Z de un
... P(Z
JIt:~ltorja~
VARIABLES ALEATORIAS
82
para valores
[CAP, 5
x y y son independientes si
Xi, Xl,
P(X
Ahora si X y Y tienen las distribucionesfy g, respectivamente, y la distribucin conjunta h, entonces la
ecuacin anterior se puede escribir como
h(x, YJ)
(XI) g(y)
En otras palabras, X y Y son independientes si cada elemento h(x, Yi) es el producto de sus elementos
marginales.
Ejemplo 5.8: Sean X y Y variables aleatorias con la distribucin conjunta siguiente:
0,06
0,15
0,09
0,30
0,14
0,35
0,21
0,70
Suma
0,20
0,50
0,30
Suma
Distribucin dc Y
Distribucin de X
X Y Y son variables aleatorias independientes puesto que cada elemento de la distribucin conjunta puede oblenerse multiplcando sus elementos
esto es,
P(X =
Xi'
=YJ)
Y)=E(X)E(Y),
(ii) var (X
Y)
var (X)
(iii) cov(X, Y) = O.
+ var (Y),
al muy importante
+ ... + X .. )
var (Xl)
+ '"
var (X .. )
cin de X si Y puede
CAP, 5]
83
VARIABLES ALEATORIAS
Teorema 5.8: Sean X y Y variables aleatorias de u,n mismo espacio muestral S con Y
<I> (X).
En-
tances
E(Y)
:=
tar por Z
Z(s)
para todo s E S.
de X Y Y si Z se puede represenvariables
esto es, si
<I>[X(s), Y(s)]
Teorema 5.9: Sean X. Y y Z variables aleatorias del mismo espacio muestral S con Z
Entonces
<I>(X. Y),
E(Z)
donde h es la distribucin conjunta de X y Y.
Hacemos notar que los dos teoremas anteriores se usaron implcitamente en la discusin y teoremas
Tambin hacemos notar que la prueba del teorema 5.9 se da como un problema proy que el teorema se
para una funcn de n
aleatorias en forma obvia.
Ahora su
o sea, X(S)
El valor
E(X)
var (X)
cuando las
convergen absolutamente. Se puede demostrar que var{X) existe s y slo
si . = E()() Y E(X 2) existen ambos y que en este caso la frmula
var
E(X2)
11. 2
es vlida justamente como en el caso finito. Cuando var(X) existe, la desviacin estndar O'x se define
como en el caso finito por
Las nociones de distribucin conjunta, variables aleatorias independientes y funciones de variables
demostrar que si X y Y estn definidas en
aleatorias se extienden directamente al caso general. Se
el mismo espacio muestral S y si var(X) y var(Y) existen, entonces las series
YARIAIlLlS \Lh\fORIAS
84
[CAP . 5
cov (X, Y)
convergen absolutamente y la relacin
cov (X, Y)
E(XY) -
IAxlAy
Nota: Para evadir tecnicismos establece remos muchos teoremas en este captulo nicamente para variables aleatorias finita s.
a
P(a
P(a .X .b)
ljUC )(
b)
= rea
b
de la parle so mbr eada
f(x) dx
(i) f(x):::O O
(i)
f(x) dx == 1
~e
Ll efi ne por
E(X)
J~
x f(x)
dx
cuando existe. LI S funciones de variabl es aleatorias se definen ju stamente como en el caso discreto; y
puede demo strarse qu e si }' = <I>(X). entollce~;
E(Y)
J(R
w(x) f(x) dx
(x - fL)2 f(x) dx
cuando existe. Justamente como cn el ca~o Lliscrcto, se puede demostrar que var(X) existe si y s lo si
lA ~ E(X) y L(X 2) existen y, por tanto,
var (.Al
VARIABLES ALEATORIAS
CAP. 51
85
cuundo val'
existe.
Ya habamos hecho hincapi en que estableceramos muchos resultados para variables aleatorias
y los daramos por supuestos en el caso general discreto yen el caso continuo.
Ejemplo 5.9: Sea X una variable aleatoria continua con la distribucin siguiente:
si O
en otra parte
Entonces
P( I X " " 1,5) = rea de la regin
sombreada del diagrama
Grfico de
Calculamos luego
valor
Jx
E(X)
f2
dx
j~
E(X2)
var
X2
foZ
f(x) e/x
16
p.2
dx
2
9
a', b === Y
, "., e
dx
Ux
el mismo
FUNClON DE DISTRI
Sea X una
X es la funcin F. R
1
3
.. , P( e
Z =:: e')
en el caso
ACUMULATIVA
aleatoria (discreta o continua). La
-,
=:
R.
x.
aculilula/iva F de
de
R definida por
a)
F(a)
f.
entonces F
f(Xi)
F(x)
f.
entonces
f(t)
esto es
F(a) =::: F(b)
y el lmite de F a la
es O Y a la derecha es 1:
lim
lim F(x)
x"',,
86
VARIABLES ALEATORIAS
[CAP. 5
-2
(x,)
-2
-3
-1
Grfico de F
Obsrvese que F es una "funcin escalonada" con un escaln en xI de altura (XI).
Ejemplo 5.11: Sea X una variable aleatoria continua con la distribucin siguiente:
(x)
= . {!X
O
si O ~ x :::: 2
en cualquier otra parte
-1
Grfico de fe/')
La funcin de distribucin acumulativa F y su
grfico se muestran as:
{;.,
F(x)
si x<O
si 0::::x::::2
si
x>
-1
.f"
Grfico de F
F(x)
i x2
ttdt
La idea intuitiva de prcibabilidad es la tan nombrada "ley de los promedios", esto es, si un evento
A sucede con probabilidad p. entonces el "nmero promedio de sucesos de A" se acerca a p tanto como el nmero de pruebas independientes aumenta. Este concepto se precisa con la ley de los grandes
nmeros que se establece luego. La prueba de este teorema se vale de la bien conocida desigualdad
siguiente de Tchebycheff:
Teorema 5.10: (Desigualdad de Tchebycheff): Sea X una variable aleatoria con promedio
viacin estndar CT. Entonces para cada I! > O,
P(IX - p.1
Prueba. Empezamos con la definicin de varianza:
~
var (X)
t)
p.
y des-
VARIABLES ALEATORIAS
CAP, 51
87
Ix,
En las series anteriores suprimimos todos los trminos para los cuales
ta el valor de las
puesto que todos sus
son no
tI <
f.
Esto no aumen-
esto es,
donde el asterisco indica que la sumatoria se extiende solamente sobre aquellos i para los cuales
IXi .tI ~ L As, esta nueva sumatoria no aumenta en valor si remplazamos cada Ix! - tI por
( ; esto es,
a la probabilidad que IX
~
Dividiendo por
.tI
t; por tanto,
f2P(IX - .tI
~ l)
conseguimos la desigualdad
+ . , . + X,,)/n
O o equivalentemente
P(ISn
;.I < f)
n"'''
, X n son
var (Xl
+ ... + X>l)
var (Xl)
+ ... + var (X
It )
== var
var (Xl
+ . , . + X n)
=n
a la derecha es O cuando n
-1>
ao.
Nota 2. Probamos la ley de los nmeros grandes solamente para el caso en que
la varianza de
XI, esto es, no diverge. Observamos que el teorema es verdadero siempre que E(X ,) existe.
Nota 3. La ley de los grandes nmeros anteriores llamada tambin la ley dbil de los grandes nmeros
a causa de un teorema similar, pero ms firme, llamado la ley fuerte
los grandes nmeros.
[CAP, 5
VARIABLES ALEATORIAS
88
Problemas resueltos
VARIABLES ALEATORIAS Y V ALaR ESPERADO
5.1.
p., la varianza a2 y la
Hallar el valor
tes distribuciones:
estndar
O'
(i)
(i)
~ x; f(xJ
0'2
(1
v'1o ;: :
;::::
(xI)
::::
(12::::
-5
::::
.l:
a2.
va
::::
x;
11 i
t + 11 2 i
26
16
;::::
10
t-
4'
k+
1 t
+ 4
==
::::
!(XI) -
(x)
t +
26 -
p.2
/12
9,25 -
+ 2 '1
'i
-1
9,25
8,25
2,9
.l: x/(x)
.l:
32
3.2
...[8I5 ::::
Ji.
5.2.
.l: xl!(XI)
x;
(1
i +
.l: x; !(XI)
::::
/1
(1
22
::::
k+
2'
x/(x)
/l::::
!(XI) -
/12
;:::;
12 -
12
+25(0,3)
::::
1.7
El
(i)
2, X(2)
4, X(3)
6, X(4)
8, }1'(5)
10, ,\'(6)
tiene probabilidad
As, la distribucin de X es como
X(I) =
12. As X(S)
i.
Por consiguiente,
J1.x
E(X)
==
'1r
= :;z, x (xi)
+ 4'
+ 6'
::::
~ x~ (Xl)
::;;;
var (X)
::::
E(X2)
3,4
pi
t +
60,7 -
==
1f
100 i + 144' i
(7)2
:::
11,7
864
==
60,7
(ii)
89
VARIABLES ALEATORIAS
CAP . 5]
Y(l)
U(l)
== 1,
== 3,
Y(2)
= 1,
Y(3)
= 3,
Y(4)
= 1,
Y(5)
== P(Y==l) == P({1,3,5}) == ~ ==
== 3.
Y(6)
O sea: Y(S)
== {1,3}
g(3)
2'
g(YJ)
En consecuencia,
I'y
E(y2)
== ~ V~ g(Vj)
2
ay
Usando (X
+ Y)(2) ==
9'!
5
(2)2
== 5
v)(s) = X(s)
(X + Y)(l) == 2
(X
E(Y2) _ ,.,. 2
Vi
2/
== 1'! + 3'!
== 1'! +
var (Y)
ay
(iii)
~ YJ g(YJ)
E(Y)
==
(X + Y)(3)
= 6 + 1 == 7
(X
3 = 7
(X + Y)(4)
= 8 + 3 = 11
(X + Y)(6)
+ 1 ==
+
Y(s) , obtenemos
Y)(S)
+ Y)(5)
10
+ 1 ==
== 12 + 3 == 15
+ Y es como sigue:
11
15
p(z)
2
6
2
6
11
k, y
As,
E(X
+ Y)
Ux + y
11, ~6
== ~
== 9
6
15'!6
9'!6
."jT4j =
7' ~6
+ y)2) ==
(X + Y) ==
EX
var
3'!6
--
95,7
3,8
E( Y) =
E(X
var (Y)
11 ,7
= 2, 1
(XY)(3)
6 '1
(XY)(2)
= 4' 3
12
(XY)(4)
= 8, 3
== 6
(XY)(5)
== 10, 1 == 10
== 24
(XY)(6)
= 12' 3 == 36
10
12
24
36
p(w)
576,
t +
As,
4 'i
EXY)2)
21~6
6
var (XY)
36' t + 100' i
== 3593
144'!
'
EXY)2) -
voo
==
11 ,6
1'2
359,3 -
15 2
134,3
1296'!
90
5.3.
[CAP. 5
VARIABLES ALEATORIAS
Una moneda cargada para que P(H) = i y P(T) = i se lanza tres veces. Sea X la variable
aleatoria que denota la mayor hilera de caras (sucesivas) que aparezca. Hallar la distr.bucin, la
esperanza, la varianza y la desviacin estndar de X.
La variable aleatoria X se define en el espacio muestral
= {HHH, HHT.
THH,
P(THH)
P(HHT)
l'~-l
P(THT)
P(HTT)
1'!'! _..
.~' i' i
4.t
4-
P(TTT)
.-
t'i'!
t'J'!
i'i-!
t-!'!
X(TTT)
O;
X(HTT)
1,
1,
1,
X(HHT) :::: 2,
:=
2;
1(0)
P(TTT) ==
1(1)
P(HTT)
{(2)
+ P(HTH) +
P(HHT) + P(THH)
(3)
P(HHH)
1;
JR
U4
As,
E(X)
p.
::::
(f
5.4.
O-
::::
1-
E(X2) -
var (X)
(12
O'
2-
4p.2
3'
2,1
9'
5,2
(2, 1)2
0,8
0,9
Se lanza una moneda corriente hasta que resulte una cara o cinco sellos. Hallar el valor esperado
E de los
de la moneda.
Si sale cara en la primera vcz sucede un lanzamiento solamente, esto cs. el suceso H. Si el primero es sello y el se
gundo cara suceden dos lanzamientos, esto es el evento TH. Si los dos primeros son sellos y el tercero cara, suceden tres
lanzamientos esto es el suceso TTI-l, Si resulta TTTH suceden cuatro lanzamientos y si resultan TTTTH o TTTTT suceden cinco lanzamientos. Entonces
=- P(H)
P(TH)
(2)
1(3)
Por tanto,
! '
t
P(TTH)
1(4)
P(TTTH)
{(5)
P(TTTTH)
-Ir
5-
1,9.
5.5.
As, E
puntos es:
1(10)
1
2
rea de 10 puntos
!. , '/1"(1)2
rea blanco
2 . lT(5)2
1(5)
!. .
rea de 5 puntos
1(3)
-1
1(0)
5.6.
91
VARIABLES ALEATORIAS
CAP. 51
2
1
2
rea blanco
1
50
! , 7T(3)2 -
50
'/1"(1)2
'/1"(5)2
! , lT(5)2 -
rea de 3 pu n tos
'/1"(3)2
lT( 5)2
rea blanco
1,96.
Un jugador lanza dos monedas corrientes. Gana $\ $2 segn que aparezcan I 2 caras. Por
otra parte, pierde $5 si no aparece cara. Determinar el valor esperado E del juego y si ste es favorable al jugador.
La probabilidad de que 2 caras sucedan es
l,
!'
1; de 2 sellos
l.
es
1 y de
'1 +
I cara es
t-
es
de ganar $1 es
y de perder $5 es
Por tanto E = 2
l'
5'
lor esperado del juego es menos 254, y en esta forma es desfavorable al jugador.
5.7.
16
50
t . As la probabilidad de ganar $2
1 = -i = -0,25. Esto es, el va
Un jugador lanza dos monedas corrientes . Gana $5 si aparecen 2 caras, $2 si aparece I cara y $\
si ninguna cara aparece. (i) Hallar la ganancia esperada. (ii) Cunto debe pagar para jugar si
el juego es legal?
(i)
(ii)
y de ganar $1 es
1; por tanto
-3
0,1
0,2
0,2
0,5
0,3
0,1
O,J
0,5
Suma
0,4
0,3
0,3
(i)
Hallar la distribucin de X y de Y.
(ii)
4 PROBABILIDAD
Suma
[CAP. S
VARIABLES ALEATORIAS
92
(i)
La distribucin marginal de la derecha es la distribucin de X y la distribucin marginal del fondo es la distribucin de r. A saber,
Distribucin de X
(ii)
Primero calculamos
P.x
Distribucin de Y
p.y:
ILy
~ x!(x)
(1)(0,5)
(3)(0,5)
~ Y U(/j)
(--3)(0,4)
+ (2)(0,3) -+
2
(4)(0,3)
0,6
E(XY)
XYj h(xh Y)
(1)( -3)(0,\)
(iii)
E(XY) - p.x!ly
Primero calculamos
ax
ay:
E(X2)
0-- (2)(0,6)
(l)(0,5)
Vi
1,2
+ (9)(0.5) =
var (X)
(3)(4)(0,\)
(2)2
~ Y~ U(Yj)
(9)(0,4)
,,; =
var (Y)
::::
ay
9,6
+ (16)(0,3)
9,6
(0,6)2 = 9,24
3.0
-0,4
p(X, Y)
Entonces
(iv)
(4)(0,3)
5,9.
Distr buci n de V
Distribucin de X
conjunta h de X y Y.
Hallar la
f y
g. Primero constryase la tabla de la distribucin conjunta con las distribuciones marginales solamente como se in-
10
15
Suma
10
16
Suma
0,6
0,12
0,30
0,18
0,6
0,4
0,08
0,20
0,12
0,4
Suma
0,2
0,5
0,3
Suma
0,2
0,5
0,3
93
VARIADLES ALEATORIAS
CAP. 5]
5.10. Una moneda corriente se lanza tres veces. Sea X que denota O. I segn que aparezca una cara
o un sello en el primer lanzamiento, y sea Y que denota el nmero de caras que resulten. Determnese, (i) la distribucin de X y de Y. (ii) la distribucin conjunta h de X y Y, (iii) cov (X, Y) .
(i)
1:
El espa cio muestral S consta de los ocho puntos siguientes, cada uno con probabilidad
= O,
X(HHH) = O, X(HHT)
Tenemos
X(THH)
= 1,
= 0,
= 1,
X(HTH)
X(THT) = 1, X(TTH)
X(HTT) = O
X(TTT)
=1
Y(HHH) = 3
= 2,
Y(HHT)
= 2,
Y(HTH)
Y(THH)
=2
=O
Y(TTT)
XI
{(XI)
YJ
g(YJ)
Distribucin de Y
Distribucin de X
(ii)
La di stribucin h de X y Yes:
x
O
1
Suma
*1
(i ii)
J.Lx
~ XI {(XI)
Ot + l'!
J.Ly
~ YJ g(YJ)
O!
E(XY)
COY
(X, Y)
J.LxJ.LY
Suma
1
=
2) = P( 1 HTH, HHT:)
= t -
+ 12! +
~. ~
#.
= -1
-2
-1
{(XI)
X 2:
[CAP. 5
VARIABLES ALEATORIAS
94
(i)
Puesto que Y
la variable aleatoria Y
2 o X = - 2)
P(X
2)
la distribucin g de Y es como sigue:
P(X
+ P(X
i+i
2)
l. Adems, g(4)
2, entonces Y
La distribucin conjunta h de X y Y viene luego. Ntese que si X =
=
2) =
Los otros elementos se obtienen de manera similar.
(ii)
'>z
(ii i)
E(X)
/ix
/iy
E(XY)
COY
(X, Y)
::::
Suma
-2
-1
Suma
Xi (Xi)
-2'
~ Y g(YJ)
l'
-8'!
Yj)
xYj
PXpy
i -
t + l'! + 2'i
4'!
=
4)
Por tanto
1'i+ 1-i+ 8 -;
D'!
P( y
4: y de aqu h(-2, 1)
1.
O Y h( - 2, 4)
1.
y, similarmente,
Y as
p(X, Y) = O
Nota: Este ejemplo muestra que no obstante que Y es una funcin de X es an posible que la covarianza y la correlacin
de X y Y sean O, como en el caso en que X y }' son
(teorema 5.6). Ntese, sin embargo, que
X y Y no son independientes en este ejemplo.
PRU
Nota:
DE TEOREMAS
h(x, Y) y g(Yi) =
que (Xi)::::
5.12.
2: h(x" Yi),
y g respectivamente y
Sea Al = {X
x} y E j ::= {Y
yuntas y S = UJEj. Por lanlo,
n(u j
= X-l (:1:,)
y Ej
:::::
u(AnEJ)
P(X
x, Y
1IJ)
5.13.
iP(X).
2:
CAP.
51
TI.
VARIABLES ALEATORIAS
95
Supngase que X toma los valores :t:l ,:l)" Y que 4>(xI) toma los valores lIl J tl m como recorre de 1 a
Enlonces claramente los
valores de Y = 4>(X) son Yh ... , 11m Y la distribucin g de Y est dada por
Adems
m
~ (XI)
1==1
{J: .'(z}=lI}
~ f(Xi) <I>(XI)
1Ij
1=1
5.14. Probar el teorema S. 1: Sea X una variable aleatoria y k un nmero real. Entonces
k
) =
+ k)
Y (ii) E(X
E(X)
k.
(La prueba se da para el caso discreto general suponiendo que E(X) existe.)
(i)
Ahora kX
E(kX)
(ji)
Aqu X
+k
= ~j
E(X + k)
(Xl
+ k.
Adems
+ k) f(xJ
(Xi)
~ k
f(xJ
E(X)
E(X)
Y)
muestral S. Entonces
E(Y).
(La prueba se da para el caso discreto general suponiendo que E(X) y E( Y) ambos existen.)
Ahora X
<1> (X.
Y) donde <I>(x. y)
+ y.
E(X+ Y)
el problema 5.12. obtenemos
E(X + Y}
E(X)
E(X1
E(Y)
+ ... + X n )
(La prueba se da para el caso discreto general suponiendo que E(X 1),
Ilx
+k
+
y PlcX
E(X
E(X",) lodos
2 es precisamente el teorema 5.2
+ ...
+ ... + E(Xn _) +
k l var
= kll x .
Tambin ~ x/(xJ
Px
). Por tanto
96
[CAP. 5
VARIABLES ALEATORIAS
+ k)
(X
var
(PX
==
::s
var (kX)
x: (x)
XI
Il~X
x; (x!; -
pi
(XI) -
(kX)2 f(xl) -
k2
2kpx
var
k2
1'i
(I'i + 2kl'x
k2
+ k 2)
(X)
::s x f(xl)
k 2(2.
k2
+ k)2
(kp.X)2
f(xl) -
i'~)
k2
var
(X)
(X, Y)
j,}
obtenemos
l.
:::
P-XPY -
I'XI'Y
p.xl'y
I'XI'Y
Entonces
var (Y),
(iii)
COy
(La
E(XY)
= f(x!) g(y}).
h(x,7Ij)
h(x, 1Ij)
.~
Y)
cav
XIVj
As
I'xp.y
E(X)
:::
+ Pv,
Por tanto.
var (X + Y)
:::
1.1
(XI
.~ +Y
:::
h(x!,1I)
::s x~ f(xJ
I
== ~ x 2l (XI)
2
p2
xd(x)
7/} U(Y)
+ ~J 7/J2 g(Yj)
p2
y;
g(lIj)
var (X)
var (Y)
(X, Y) = O.
VARIABLES ALEATORIAS
CAP 51
97
+ ... + X,,)
val' (Xl)
+ ... +
var (X It)
(La prueba
da para el caso en que
... , X" SOI1 (Od'b discretas y finitas.)
Dalllos por supuesto los problemas anlogos:J1 5.12 Y al teorema 3.9 para JI variable, aleatorias. Entonces
val
0'-
+ X,,)
E((X
+ .,. + Xn
+ ., +xn
~ (Xl
+ ... + x" -
{f f
donde h es la distribucin conjunta de
que los
son
Px + ' ..
Px
XX}
...
J1.X,)2
~J Px 1Xi}
PXJ1.X j
.. . ,X". y
Jlx+
+ ... + J1.X n
+X" -
, .. J
'
2~ ~
E(X;)
+ ~ ~I1XI1Xj
j
,
JlX.!lX j
~ var (Xi)
(Px)2
1=1
cumo se peda.
PROBLEiVIAS VARIOS
f{x)
(i)
(i)
{
~
iox + le
SI
O.
en o lfa parte
El grfiCO defse dibuja en seguida. Puesto quefes una funcin continua de probabihdad, la
deb~ tener rea I Ntese ljue A forma un trapecio de bases paralelas de longitudes k
tanto, el rea de A
+ . = i,
=A +
f(x)
r~gin
+ t,
;ombreada A
y altura 3. Por
k:::::
Grfico de j
(l)
y k
{~
SI
a === x
entre x
y x
constante en un
.:
rea de 8
2 como se muestra en la
Pur tanto P(l ::= X
2)
como l =
en ot ra parte
(Se dice que dicha variable aleatoria est uni/oflnemellte distribuida en l.) (i) Determinar k.
(ii) Hallar la media It de ,Y. (iii) Determinar la funcin de distribucin acumulativa F de X
98
[CAP . 5
VARIABLES ALEATORIAS
(i)
(ii)
Si consideramos la probabilidad co mo peso o masa, y el promedio como el centro de gravedad, entonces es intuitiva mente claro que
a+b
f=O
f=O
Grfico de J
2
el punto medi o entre a y b. Verificamos esto matemticamente usa ndo el clculo
(iii)
E(X)
fb
x f(x) dx
R
~ a dx
a2
2(b-a)
2(b-a)
+b
2
F= 1
JX
F(x)
F==O
/11
Grfico de F
JX
f(t)dt
Odt
::::
-c.;
-00
(b) para
2(b - a) a
b2
Jb
x2
[
b,
F(x)
::::
> b, F(x)
por tanto F(x) :::: 1.
(e) para x
P(X
f(t) dt
JX -
1 -dt::::
b-a
00
x)
P(X
b)
= 1
F(b)
y as
P(X ~ x)
= F(x);
5.23. Sea X una variable aleatoria con promedio .t y desviacin estndar (1 > O; Y sea X* la variable aleatoria estandarizada que corresponde a X, esto es, X* = (X -- p. )/ (1, Mostrar que E(X*)
O y var(X*) = l. (Por tanto (1x. = l.)
Por los teoremas 5.1 y 5.5,
E(X.) :::: E
var
(X - p.) =
u
X -
p)
--C1
E(X - p.)
= !(E(X) - p.)
C1
1.
==
var (X)
(Ntese que M
tndar de x.)
Xi
-2
f(Xi)
-!
VARIABLES ALEATORIAS
CAP. 51
M1
~ x!(x)
-2'! + l! + 3.! =
M2
~ x; !(x)
M3
M4
~ x: !(x,)
M5
~ x~ !(x,)
99
0,
3,
27'!
28,5,
45.
5.25. Sea h la distribucin conjunta de las variables aleatorias X y Y. (i) Mostrar que la distribucinf
de la suma Z = X + Y puede obtenerse suponiendo las probabilidades a lo largo de las diagonales x + y = z", esto es,
X
(i)
Los eventos {X
-2
-1
0,05
0,05
0,10
0,10
0,05
0,03
Suma
0,18
= x" Y == Y
: x
2
0,05
0,05
0,30
0 ,05
0,10
0,05
0,35
0,12
0,07
0,06
0,03
0,04
0,35
0,22
0,22
0,16
0,08
0,14
+ V = z,,}
Suma
z.
~
:t+II
:t,+II =
(ii)
P(X==x, Y=Y)
h(x, YJ)
Zk
~ h(x,
:ti
-2
-1
0,05
0,05
0,10
0,05
0,10
0,05
0,05
0,10
0,03
0,12
0,07
0,06
0,03
z" -
xJ
3
0,05
0,05
0,04
!(-2) = 0,05
!(2)
1(3)
0,05 +
1(4)
!(O)
0,10
!(1)
0,05 + 0,12
!(z)
Y es como sigue :
-2
-1
0,05
0,15
0,18
1
0,17
0,22
0,11
4
0,08
0,22
0,06 = 0,11
1(5) = 0,04
0, 17
5
0,04
Ca ptulo 6
Distribuciones binomial,
normal y de Poisson
DISTRI13UCION B1NOMIAL
Consideramos pruebas repetidas e independientes de un experimento con dos resultados; llamamos uno de los resultados favorable (o xito) y el otro desJavorable (o Jracaso). Sea p la probabilidad
favorable, as que q = I .- p es la probabilidad desfavorable. Si estamos interesados en el nmero de
xitos y no en el orden en que suceden, entonces aplicamos los teoremas siguientes.
Teorema 6.1: La probabilidad de k xitos exactamente en n pruebas repetidas se denota y expresa por
b(k; n,p)
Aqu
es el coeficiente binomial (ver pgina 19). Tngase en cuenta que la probabilidad desfavorable es qn y, por consiguiente, la probabilidad de por lo menos un xito es I - qn.
Ejemplo 6.1: Se lanza una moneda corriente 6 veces o, su equivalente, seis monedas corrientes se lanzan una vez; llamamos cara un xito. Por consiguiente n = 6 Y P = q =
t.
(i)
b(2; 6,
(ii)
b(5; 6, .~)
t) +
b(6; 6,!)
2) es
= ti
b(4; 6,
(iii)
i) =
4, 5 6) es
La probabilidad de no caras (o sea, lodosfracusos) es q5 = (!)6 = 6\ y. por tanto, la probabilidad de una cara por lo menos es 1 - q6
= 1 - -h = H,
Ejemplo.6.2: .Un dado corriente se lanza 7 veces; llamamos a un lanzamiento un xito si sale un 5 o un 6. Entonces
fI = 7, P = p(1 5, 61) =
y q = I - P =
(i)
(ii)
3) es
105
106
[CAP. 6
Si
TI YP como constantes, entonces la [uncin anterior P(k)
tribucin de probabilidad discreta:
b(k;
11,
p) es una dis-
+ p)"
independientes con
p.
Varianza
_.
(12
Desviacin estndar
np
= npq
(f
Ejemplo 6.3: Un dado corriente se lanza 180 veces. El nmero esperado de seises es
vi acin estndar es
(f
= ynpq
p.
np
180 ~
JO. La des-
5.
DISTRIBUCION NORMAL
La distribucin normal o curva normal (o:
Gauss) se
como sigue:
f(x)
donde J. y (J' > O son constantes arbitrarias. Esta [uncin es en realidad uno de los
ms
importantes de una distribucin de probabilidad continua. Los dos diagramas que siguen, muestran lOS
cambios de f cuando Il vara y cuando (J' vara. En particular, obsrvese que estas curvas en forma
de campanas son simtrcas alrededor de x = Ii.
1)
CAP 6]
107
Media
J1
Varian za
(72
Desviacin
e s tnd~r
(7
N(fL , 0- 2 )
Si hacemos la sustitucin t
= (x -
norll/al estndar
</>( t)
con media fL = O Y varianza el- = l. La grfica de esta diqribucin aparece luego. Observamos que
para ~ 1 ~ t ~ 1 el rea bajo la curva es 68,2%; y para - 2 ~ t ~ 2 el rea bajo la curva es 95,4%.
0.4
-3
-2
-1
La tabla de la pgina 111 da el rea bajo la curva normal estndar entre t = O Y valores positivos
de t. La simetra de la curva alrededor de t = O nos permite obtener el rea entre dos valores de t (ver
problema 6.14).
Ahora sea X una variable aleatoria continua con distribucin normal; con frecuencia decimos que
X est distribuida florrnalmcllte. Calculamos la probabilidad de que X caiga entre a y b, designada por
P(a ~ X ~ b), como sigue. Primero pasamos a y b a unidades estndar
a'
(a-fL)/(T
b' = (b - fL)/(T
respectivamente. Entonces,
P(a~X~
b)
P((/ ~ X*
b')
[CAP. 6
108
k
P(k)
28
256
250
1
250
8
256
28
250
56
256
.2-
256
56
250
256
11
8 YP
~
256
d: stribuCln normal
di ~ Hlbuci0n
binonllal
~
256
20
256
,;
La propiedad anterior de la di stribucin normal se generaliza en el teorema central del lmite que
viene en seguida . La prueba de este teorema cae fuera del alcance de este texto .
Teorema central del lmite 6.4: Sean X 1, Xl, ... , una sucesin de variables aleatorias independientes con la misma distribucin de media p. y varian za a.
Sea
XI + X 2 + . . . + X n-ni!
vna
donde
</>
{a~
b),
Record a mos que llamamos Sn = (X I + Xl + ... + X n)/II la media muestral de las variables aleatorias XI,
.. X n . As Z n en el teorema anterior es la media muestral estandarizada. Hablando en trmino s generales, el teorema central del lmite dice que en una sucesin de pruebas repetidas la media muestral estandarizada se aproxima a la curva normal estndar segn que el nmero de
pruebas aumente.
DISTRlBUCION DE POISSON
p(k;'\') =
k!'
k = O, 1, 2,
donde A > O es una constante. Esta distribucin infinita contable se present a en muchos renmenos
naturales, tales como el nmero de llamadas telefnicas por minuto en un tablero de distribucin, el
nmero de erratas por pgina en un texto grande, y el nmero de partculas a emitidas por una sustancia radi activa. A continuacin se mueslran a lgunos diagramas de la distribucin de Poisson para diferentes valores de '\'.
109
CAP. 6]
0.4
0,3
0,2
0,1
2.4
_---LullllillJ
0246810
),=1
-1
Propiedades de la distribucin
vaore~
1-=5
10 12
Ji
JI
!
10
de A
","v,,"uu
Poisson'
Teorema 6.5:
Distribucin de Poisson
Media
.t
Variaru3
,,2
Desviacin estn.dar
=A
..};,
"
Binomial
0,366
0,370
Poisson
0,368
0,368
2
0,185
3
0,0610
0,0149
0,0029
0,0153
0,00307
DISTnmUCION MULTINOMIAL
d~ U,]
ex-
veces, A l suceda k:
I,L:-
donde
+ k 2 + ... + ks =
suceda k
n.
Los nmeros
forman la tan nombrada distrihucin multinornial
que son \':1samente los trminos del desarrollo de (p I + pi + '" + ps)n. Obsrvese que si s
__ , Clild:'
obtenemos la distribucin binomial, discutida al principio del captulo.
Ejemplo 6.4: Un dado corriente se lanza 8 veces. La probabilidad de obtener los lados 5 y 6 dos veces y da uno de lo,
otros una vez es
= 0,006
[CAP. 6
110
0,3
0,4
0,3989
0,3970
0,3910
0,3814
0,3683
0,3989
0,3965
0,3902
0,3802
0,3668
0,5
0,6
0,7
0,8
0,9
0,3521
0,3332
0.3123
0,2897
0,2661
0,3503
0,3312
0,3101
0,2874
1,0
0,2420
0,2179
0,1942
0,1714
0,1497
0,2396
0,2155
0,1919
0,1691
0,1476
1,5
1,6
1,7
1,8
0,1295
0,1109
0,0940
1,9
0,3605
0,3982
0,3939
0,3857
0,3739
0,3589
0,3980
0,3932
0,3847
0,3725
0,3572
0,3977
0,3925
0,3836
0,3712
0,3555
0,3973
0,3918
0,3825
0,3697
0,3538
0,3989
0,3961
0,3894
0,3790
0,3653
0,3988
0,3956
0,3885
0,3778
0,3637
0,3986
0,3292
0,3079
0,2850
0,2613
0,3467
0,3271
0,3056
0,2827
0,2589
0,3448
0,3251
0,3034
0,2803
0,3429
0,3230
0.3011
0,2780
0,2541
0,3410
0,3209
0,2989
0.2756
0,2616
0,3391
0,3187
0,2966
0,2732
0.2492
0,3372
0,3166
0,2943
0.2709
0,2468
0,3352
0.3144
0,2920
0,2685
0,2444
0,2371
0,2131
0,1895
0,1669
0,1456
0,Q347
0,2107
0,1872
0.1647
0,1435
0,2323
0,2083
0,1849
0,1626
0,1415
0,2299
0,2059
0,1826
0.1604
0.1394
0,227f
0,2036
0,1804
0,1582
0,1374
0,2251
0,2012
0,1781
0,1561
0,1354
0,2227
0,1989
0,1758
0,1539
0,1334
0,2203
0,1965
0,1736
0,1618
0,1315
0,1257
0,1074
0,0909
0.0761
0,0632
0,1238
0.1057
0,0893
0,0748
0,0620
0,1219
0,1040
0,0878
0,0734
0,0608
0,1200
0,0656
0,1276
0,1092
0,0925
0,0775
0,0644
0,0863
0.0721
0,0596
0,1182
0.1006
0,0848
0,0707
0,0584
0.1163
0,0989
0,0833
0,0694
0,0573
0,1145
0,0973
0,0818
0,0681
0,0562
0.1127
0,0957
0,0804
0,0669
0,0551
2,0
2,1
2,2
2,3
2,4
0,0540
0.0440
0,0355
0,0283
0,0224
0.0529
0,0431
0,0347
0,0277
0,0219
0,0519
0,0422
0,0339
0,0270
0,0213
0,0508
0,0413
0,0332
0,0264
0,0208
0,0498
0,0404
0,0325
0,0258
0,0203
0.0488
0,0396
0,0317
0,0252
0,0478
0,0387
0,0310
0,0246
0,0468
0,0379
0.0303
0,0241
0,0189
0,0459
0,0371
0.0235
0,0184
0,0449
0,0363
0,0290
0,0229
0,0180
2,5
0,0175
0,0136
0,0104
0.0079
0.0060
0,0171
0.0132
0,0101
0,007'1
0,0058
0,0167
0,0129
0,0099
0,0056
0,0163
0.0126
0,0096
0.0073
0.0055
0,0158
0,0122
0.0093
0,0071
0,0053
0,0154
0,0119
0,0091
0,0069
0,0051
0.0151
0,0116
0,0088
0.0067
0,0050
0,0147
0,0113
0,0086
0,0065
0,0048
0,0143
0,0110
0,0084
0,0063
0,0047
0,0139
0,0107
0,0081
0,0061
0,0046
0.0044
0,0033
0,0024
0,0017
0,0012
0,0043
0,0032
0.0023
0,0017
0,0012
0,0042
0,0031
0,0022
0,0016
0,0012
0,0040
0,0030
0,0022
0.0016
0,0011
0,0039
0,0029
0,0021
0,0015
0,0011
0,0038
0,0028
0,0020
0,0015
0,0010
0,0037
0,0027
0,0020
0,0014
0,0010
0,0036
0,0026
0,0019
0,0014
0,0010
0,0035
0,0025
0,0018
0,0013
0,0009
0,0034
0,0025
0,0018
0,0013
0,0009
0,0009
0,0006
0,0004
0,0003
0,0002
o,noos
0,0006
0,0004
0,0003
0,0002
0,0005
0,0004
0,0003
0,0002
0,0008
0,0005
0,0004
0,0003
0,0002
0,0007
0,0005
0,0004
0,0002
0,0002
0,0007
0,0005
0,0003
0,0002
0,0002
0,0007
0,0005
0,0003
0,0002
0,0002
0,0007
0,0005
0,0003
0,0002
'0,0001
0,0006
0,0004
0,0003
0,0002
0,0001
0,0
0,1
0,2
1,1
1,2
1,3
1,4
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
0,0006
0,0004
0,0003
0,0002
0,3951
0,3876
0,3765
0.3621
Tabla 6.1
0,3984
0,3945
0,3867
.,
CAP. 6]
111
Tabla de reas bajo la distribucin normal estndar 1> en lre O y (~O en in lervalos
de 0,01.
~
';~
',-
., ,'~
0,0
0,1
0,2
0,3
0,4
0,0000
0,0398
0,0793
0,1179
0,1554
0,0040
0,0438
0,0832
0,1217
0.1591
0,0080
' 0,0478
0,0871
0,1255
0,1628
0,0120
0,0517
0,0910
0,1293
0,1664
0,0160
0,0557
0,0948
0,1331
0,1700
0,0199
0,0596
0, 0987
0,1368
0,1736
0,0239
0,0636
0,1026
0,1406
0,1772
0,0279
0,0675
0,1064
0,1443
0,1808
0,0319
0,0714
0,1103
0,1480
0,1844
0,0359
0,0754
0,1141
0,1517
0,1879
0,5
0,6
0,7
0,8
0,9
0,1915
0,2258
0,2580
0,2881
0.3159
0,1950
0,2291
0,2612
0,2910
0,3186
0,1985
0,2324
0,2642
0, 2939
0,3212
0,2019
0,2357
0,2673
0,2967
0,3238
0,2054
0,2389
0,2704
0,2996
0,3264
0,2088
0,2422
0,2734
0,3023
0,3289
0,2123
0,2454
0,2764
0,3051
0,3315
0,2157
0,2486
0,2794
0,3078
0,3340
0,2190
0,2518
0,2823
0,3106
0,3365
0,2224
0,2549
0,2852
0,3133
0.3389
1,0
1,1
1,2
1,3
1,4
0,3413
0, 3643
0,3849
0,4032
0,4192
0,3438
0, 3665
0,3869
0,4049
0,4207
0,3461
0,3686
0,3888
0,4066
0,4222
0,3485
0,3708
0, 3907
0,4082
0, 4236
0,3508
0,3729
0,3925
0,4099
0,4251
0, 3531
0,3749
0,3944
0,4115
0,4265
0,3554
0,3770
0,3962
0,4131
0,4279
0,3577
0,3790
0,3980
0,4147
0,4292
0,3599
0,3810
0;3997
0,4162
0,4306
0,3621
0,3830
0,4015
0,4177
0,4319
1,5
1,6
1,7
1,8
1,9
0, 4332
0,4452
0,4554
0,4641
0,4713
0,4345
0,4463
0,4564
0,4649
0,4719
0,4357
0,4474
0.4573
0,4656
0,4726
0,4370
0,4484
0,4582
0,4664
0,4732
0, 4382
0,4495
0,4591
0,4671
0,4738
0,4394
0,4505
0,4599
0, 4678
0,4744
0,4406
0,4515
0,4608
0,4686
0,4750
0,4418
0,4525
0,4616
0,4693
0,4756
0,4429
0,4535
0,4625
0,4699
0,4761
0,4441
0,4545
0,4633
0,4706
0,4767
2,0
2,1
2,2
2,3
2,4
0, 4772
0, 4821
0,4861
0, 4893
0,4918
0,4778
0,4826
0,4864
0,4896
0,4920
0,4783
0,4830
0,4868
0,4898
0,4922
0,4788
0,4834
0,4871
0, 4901
0,4925
0,4793
0,4838
0,4875
0,4904
0,4927
0,4798
0,4842
0,4878
0,4906
0,4929
0,4803
0,4846
0,4881
0,4909
0,4931
0, 4808
0, .4850
0,4884
0,4911
0, 4932
0,4812
0,4854
0,4887
0,4913
0,4934
0,4817
0,4857
0,4890
0,4916
0,4936
2,5
2,6
2,7
2,8
2,9
0, 4938
0, 4953
0, 4965
0, 4974
0, 4981
0.4940
0,4955
0,4966
0,4975
0,4982
0,4941
0,4956
0,4967
0,4976
0,4982
0, 4943
0,4957
0,4968
0,4977
0,4983
0,4945
0,4959
0,4969
0,4977
0,4984
0,4946
0,4960
0,4970
0,4978
0,4984
0,4948
0,4961
0,4971
0,4979
- 0,4985
O, 4949
0,4962
0,4972
O, 4979
0,4985
0,4951
0,4963
0,4973
0,4980
0,.4986
0,4952
0,4964
0,4974
0,4981
0,4986
3,0
3,1
3,2
3,3
3,4
0,4987
0,4990
0,4993
0,4995
0,4997
0,4987
0,4991
0,4993
0,4995
0,4997
0, 4987
0,4991
0,4994
0, 4995
O, 4997
0,4988
0,4991
0,4994
0,4996
0,4997
0, 4988
0,4992
0,4994
0,4996
0,4997
0,4989
0,4992
0,4994
0,4996
0,.4997
0,4989
0,4992
0,4994
0,4996
0,4997
0,4989
0,4992
0,4995
0, 4996
0,4997
0,4990
0,4993
0,4995
0,4996
0,4997
0,4990
0,4993
0,4995
0,4997
0,4998
3,5
3,6
3,7
3,8
3,9
0,4998
0,4998
0,4999
0, 4999
0,5000
0,4998
0,4998
0,4999
0,4999
0,.5000
0, 4998
0,4999
0,4999
O, 4999
O, 5000
0,4998
0,4999
0,4999
0, 4999
0,5000
0,4998
0,4999
0,4999
0,4999
0,5000
0,4998
0,4999
0,4999
0,4999
0,5000
0,4998
0,4999
0,4999
0,4999
0,5000
0,4998
0,4999
0, 4999
O, 4999
0, 5000
0,4998
0,4999
0,4999
0,4999
0,5000
0,4998
0,4999
0,4999
0,4999
0,5000
Tablll 6. 2
[CAP. 6
112
VALORES DE e-
0,0
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
0,819
741
0,670
0,607
0,549
0,497
0,449
0,407
0,1
.. _ - -
e-
1.000
e-A
0,368
0,905
2
0,135
0,0498
0,0183
0,0
0,00248
0,000912
0,000335
10
0,000123
0,000045
Tabla 6,3
Problemas resueltos
N BINOMIAL
DISTRIBU
6.1.
n, p)
Aqu
()
b(2; 5,!)
(j)
6,
1)
G) pk
donde
(!)2 (i)3
(~) (~)3
1.
(t)3 ('~JI
b(3; 4,!)
6.2.
HHT,
HTT,THH,
Tres caras (HHB) aparecen una vez solamente entre los ocho puntos muestrales; o sea, P =
(ji)
(iji)
(IV)
No caras, esto es, tres sellos (TTT), ocurre solamente una vez.; o sea, P =
sea, P
6.3.
TTH,TTT}
()
I
k.
b(3; 3,
1-i- 1
~.
(ii)
b(2; 3, t)
(iii) Aqu
; 3,
g-!.!
a-t-!
b(O; 3, 1)
f
f
i
k=O
t)
lJ.
f.
k=3
Aqu
tres caras,
(~) (1)1
(~) (1)0 (!)3
11 i
(i)
= 4,
P(2 viclorias)
q;:;;:: 1
i.
CAP 6J
(ii)
==
it
113
== ~
es
A gana ms de la mitad de los partidos si A gana 3 4 partidos. Por lo tanto la probabilid ad buscada e,
Pl3 victorias)
6.4.
P(4 victoria s)
(!) (~)4
fi =
Una familia tiene 6 hijo s. Hallar l'a probabilidad P de que sean, (i) 3 nio s y 3 mnas, (ii) menos
nirlos que ni as. Suponer que la probabilidad de que un hijo en particular sea nio es t,
Por tanto
11
.~.
= 6 Y P = q =
~ P(J nillS)
(i)
(ii)
6.5.
I'lO nii10s)
+-
1'(1 nio)
+ 1'(2 nios) =
(t)6
(~) (~)(_~)5
1 1
32
Cuntos dados se deben lanzar para que la probabilidad de sacar un seis sea mayor?
11
menor que ~:
25 ,
(-8-)1 = ~;
36'
( fi)3
6
==
125 ,
216 '
pero
( li)4
II
625
1296
<
12
'1
11
6.6.
La probabilidad de que un hombre pegue en el blanco es t, (i) Si dispara 7 veces, cul es la probabilidad P de que dos veces por lo menos pegue al blanco') (ii) Cuntas veces tiene que disparar para que la probabilidad dc pegar por lo meno s una vez sea mayor que '?
(i)
Busca mo s la sum a de probabilidades p~ra k = 2, 3,4,5,6 y 7. Es ms si mple en este caso hallar la suma de las
probabilidades para k = O Y 1, o sea, ninglI acierto o 1 acierto y luego restar esto de 1
P(ning n acierto)
Entunces P
(ii)
1-
2 187
I()J~4
(4)1
~1....
16.l~4
1!13~:'
1' ( I acierto)
51 03
163 X4
4547
8182
La probabilidad (le; no pegar en d blanco es rn Por tanto bu scamos el mellor 1/ para el cual (In e, m ilor que 1 ..==
donde q ~ 1 -- l' = 1 .Por tanlO calculamos [Jotencias succ,ivas de q hasta obtener q" < -k
R 1,
t = 1
6.7.
ti
pruebas repetidas es
El espacio mue stral de las n pruebas repetidas consta de todas las I/-uplas ordenadas cuyas componentes son o s
(xitos) o fUracasos). El eVnto A de /., xitos consta de toda s las ,,-uplas de las cuales k compom:llles son s y las otras
,,-/., com ponents son f El nmero de I/-uplas en el evento A es igual al nmero de maner as en que k letras s puede distribuir se entre las n componentes de una ,,-upla ; o sea qu e A colista de
[Juntos mueslrales. Pues to que la probabilidau de cada punto de A es pk qn-k, tenemo, peA)
(~) pk qn-k.
G)
6.8.
[CAP. 6
114
Usando b(k; n, p)
(~)
. n, p). En-
binomial
U
qn-I<, obtenemos
n
"
n,P)
np
(no consideramos el trmino k = O puesto que su valor es cero, y fctorizamos np en cada trmino). Hacemos
s
k - I en la suma anterior. Cuando k recorre los valores 1 a n, s recorre los valores O a 11
1. As.
71-1
,,-1
E(X) =
np ~ b(8; n-1, p)
np ~ _-"-'-_~-,-p'qn-l-.
0=0 8
np
8"'0
~ bes; n-l,p)
(p
+ q)n-l
1"- !
0=0
Hacemos de nuevo s
E(X2)
k 2 b(k; n, p)
"
I Y obtenemos
,..-1
,,-1
np
np
n-l
(s
Pero
sob(8;n-l,p)
(n -l)p
I)p.
var
As el teorema
6.9.
que~a
np
b(s;n-l,p)
np
En consecuencia,
E(X2)
y
+ 1) bes; n-1, p)
,,-1
+ 1) bes; n-l, p)
(8
np(np
= E(X2)
+ q)
:::;; (np)2
(np)2
+ npq
+ npq
(np)2
npq
probado.
Determinar el nmero esperado de nios de una familia con 8 hijos, suponiendo la distribucin del
sexo igualmente probable. Cul es la probabilidad de que el nmero
de nios suceda?
El nmero
de ninos es E = np
b(4; 8, i)
70
256
nios es
0.27
np
(10.000)(0,02):::: 200.
Y(1O.000)(0,02)(0,98) =
VI96 =
14.
115
CAP. 6]
DISTRIBUCION NORMAL
6.11. La media y la desviacin estndar de un examen son 74 y 12 respectivamente. Hallar los resultados en unidades estndar de los estudiantes que recibieron notas, (i) 65, (ii) 74, (iii) 86, (iv) 92.
x-p.
(i)
(ii)
65 - 74
12
x-p.
74 - 74
12
-0,75
(iii)
(iv)
= x-p.
u
86 - 74
12
1,0
x-p.
92 - 74
12
1,5
6.J2. En relacin con el problema precedente, hallar las notas que corresponden a resultados estndar
(i) - 1, (ii) 0,5, (iii) 1,25, (iv) 1,75.
(i)
x -
ut
+ J1.
(12)(-1)
(ii)
x -
ut
+ J1.
(12)(0,5)
+ 74
+ 74
62
(iii)
80
(iv)
=
=
+ p.
ut + p.
ut
6.13. Sea <p la distribucin normal estndar. HaIlar <p (1) para, (i) I =
t = - 2,08.
(12) (1 ,25)
(12)(1,75)
1,63, (ii) I
+ 74
+ 74 =
=
89
95
-0,75 , (iii)
(i)
En la tabla 6. 1, buscar hacia abajo en la columna primera hasta llegar al elemento 1,6. Luego continuar a la derecha hasta la columna 3. El elemento hallado es 0,1057 . Por consiguiente 4>(1,63) = 0,1057.
(ii)
(iii)
= 4>(0,75) = 0,3011.
6.14. Sea X una variable aleatoria con distribucin estndar <p . Hallar:
~
(v)
1,42)
P(-1,79~X~-0,54)
P(O
(ii)
P(-O,73~
O)
(vi) P(X
(iii)
P(-1,37~
2,01)
(vii) P(XI
(iv) P(0,6S
(i)
(i)
1,13)
==:;
0,5)
1,26)
P(O == X == 1,42) es igual al rea bajo la curva normal estndar entre O y 1,42. O sea que en la tabla 6.2, buscar hacia abajo en la primera columna hasta llegar a 1,4, y luego
continuar a la derecha hasta la columna 2. El elemento es
0,4222. Por consiguiente, P(O == X
1,42) = 0,4222.
(ii)
Por simetra,
==
= ==
p(- o,n
=
(iii)
P(O
O)
0,73)
0,2673
P(-I,37=X=2,01)
=
P(-1,37==X==0)
0,4147
P(0=X=2,01)
0,4778 = 0,8925
-0,73
116
(i v)
ICAP. (,
1'(0:=0 X
0,(5)
(v)
P( - 1.79:=0 X "'"
0,54)
(vi)
1'(0 "'"
0,2054
0,4633
P(X ~ 1,13)
P(X
O) -
0.5000
P(O:=ol(
0,3708
1.13)
0.1
0,5)
21'(0 :=o X
0,5)
2(0.1915)
0.lil30
6.15. Sea X una variable aleatoria con dislribucin normal estndar .p. Determinar el valor de
(i)
()
P(O~X
(ii)
t)
En la tabla
a la derecha
1.43
(ii)
que la
t)
t)
0.7967
As, de la labia 6.2, obtenemos I
(iji)
O,7967,(iii)
l)
P(O
t)
0,4772
!
0,5000
0,2967
0,83.
2)
0, 1000
0,3772
P(t~X~2)
0,1000,
si,
CAP . 6J
117
6.16. Supngase que la temperatura T durante junio est distribuida normalmente con media 68 y
desvi ac in estndar 6. Hallar la probabilidad p de que la temperatura est entre 70 y 800.
70 en unidades estndar
(70 - 68) / 6
0,33.
En IOnces
p
= P(70,,: T
===
0,3479
Aqu T' es la variable aleatoria estandarizada correspondiente a T y as T' tiene distribucin normal estndar "' .
0.33
6.17. Supngase que las estaturas H de 800 estudiantes estn normalmente distribuidas con media
66 pulgadas y desviacin estndar 5 pulgadas. Hallar el nmero N de estudiantes con estatura,
Por
- 0,20
66) / 5 = O,SO
tanto~
P( -- 0,20
0,0793
Ent onces N
(ii)
0,28SI
0,3674
800(0,3674) = 294.
- 0.2
o. ~
1, 20
Por tanto,
P(H "" 72) = P(H' "" 1,2)
0,5000 As N
SOO(O, 1 151)
0,3849
0,1151
92 .
Aqu } f ' es la vari ab le aleatoria estandarizada correspondiente a H y, por tanto, H' tiene distribucin
normal estndar "'.
1.2
ras que salgan est entre 4 y 7 inclusive por medio de, (i) la distribucin binomial, (ii) la aproximacin normal a la distribucin binomial.
(i)
12 Y P
t.
P(4 caras)
P(S ca ras)
(2)
P(6 caras)
P(7 ca ras)
Por tant o,
495
40 96
792
924
792
2
) (!)4 (t)8
4
(~_)5
495
4096
(t)7
792
4096
2
) (t)6 (t)6
6
~
4096
2
) (t)7 (t)5
7
792
4096
e
e
3003
4096
= 0,733 2.
118
(ii)
[CAP. 6
0,25
0.20
0.15
0.05
lO
11
12
t =
t t =
np
12
6 Y u
ynpq
v'12
1,73 . Denotemos X el nm ero de caras que
Aqu J.I
sa le. Buscamos P(4 "" X "" 7). Pero si suponemos que el dato es continuo, con el fin de poder apli ca r la aproximacin
norma l, tenemos que hall ar P(3,5 ~ X "" 7,5), como se indica en el diagr ama anterior. Ahora
p ...
Entonces
0,4265
0,87 .
~7,5)
X
~
P(-- 1,45
(7,5 - 6)/1,73
* "" 0,87)
+ 0,3078
1.45
= 0,7343
'0.87
6.19. Un dado corriente se lanza 180 veces. Hallar la probabilidad P de que el lado 6 sa lga, (i) entre
29 y 32 veces inclu sive, (ii) entre 31 y 35 veces inclusive.
Aqu J.I
np
el lado 6 aparece.
(i)
= 180 ! = 30
= v'npq = v'180 ! . i = 6.
(J
-0,3
(28,5 - JO) / 5
(32,5 - 30)/5 = 0, 5
Por tanto,
(ii)
32.5)
+ 0,1 915
~
O)
+ P(O
X'
0,5)
0,5)
_0.1 0 '0. 5
= 0.3094
(30,5 - 30) /5
X ~ 35,5). Ahora
0,\
Entonces
P=
P(30,5""X~35,5) =
P(O
X *
1, 1) -
P(O,I~X' ~I,I)
P(O
X'
O, 1)
0.1
1.1
6.20. Hallar la probabilidad P de que cntre 10.000 dgitos al azar, el dgito 3 aparezca 950 veces a lo
sumo.
ro
Aqu J.I
np
10.000
= 1000 y (J = ynpq
ro de veces que el dgito 3 sale. Buscamos P( X "" 950). Ahora
= Y10,000 ro .lo =
30.
Ll amemos X
el nme-
CAP 6J
(950 -
- 1,67
P = P(X
Por tan to
1(00)/30
P(X~0) - P(-1,67~X*
0,5000 - 0,4525
:00)
0,0475
119
-1,67
DISTRIDUCION DE POISSON
6.21. Hallar (i) e - u, (ii) e -
2.5.
e- U
(ii)
e-
(e- 2 )(e - 0 .5 )
2.5
= T'
'\''' -A
~), (iii)
p(2; 0,7).
(i)
p(2; 1)
(ii)
p(3; ~)
I2e- 1
e- \
= 2! = 2
(] )3e - 0.5
0,36!i
= - 2 - = 0,184
e- Os
0.607
48
48
3!
(0 ,7)2 c -0.7
(0,49)(0,497)
2!
0,0 13
0,12
6.23. Supngase que 300 erratas estn di stribuidas al azar a lo largo de un libro de 500 pginas. Hallar
la probabilidad P de que una pgina dada contenga, (i) 2 erratas exactamente, (ii) 2 o ms erratas.
Consideremos el nmero de erratas de una pgina como el nmero de xitos en una sucesin de pruebas de Bernoulli.
Aqu n = 300 puesto que hay 300 erratas, y p = 1/500, la probabilidad de que aparezca una errata en la pgina dada.
Puesto que p es pequ eo, usamos la aproximacin de Poisso n a la distribucin binomial con A = np = 0,6.
(i)
(ii)
P(O erratas)
(0,6)2 e - 0. 6
p'(2 ; 0,6)
P(I errata)
(0,36)(0,549) /2
O!
_ (0,6)Oe-O.6
O!
=
e-O.6
0,0988 = O, I
= 0,549
(O 6\e-O ,6
,ft
= (O "6)(0 549) ~ 0329
l!
,
+ 0,329)
0,122 .
6.24. Supngase que el 2 % de los artculos producidos en una fbrica son defectuosos. Hallar la pro-
p(3; 2)
23 e- 2
31
8(0,135)/6 = 0,180
P. 6
120
p{k; A)
eA
sea
p(l.; l-..)
Pr(lh~lr
. A).
Usando
k p(k; A)
el trmino k
o puesto que su valor es cero, y faetorizamos A en cada trmino). Sea s = k
en la suma anterIOr. Cuando k recorre los valores la"', s recorre los valores O a "". As,
E(X)
pes; l-..} = 1 por el problema anterior.
ucsto que
(il)
p(s; ,,)
k 2 p(k; l-..)
Hacemos de nuevo
1 Y obtenemos
(s
Pero
(s
+ 1) pes; Xl
sp(s; A)
+ 1) p(8;
p(8; A)
A)
A+ 1
d,'nde u,:;,mo, (i) para obtener X y el problema anterior para obtener I En consecuencia,
X(X
+ 1)
).,2
var
SI {J
y n es
la distribucin binomial se
. n, p) <= p(k; A)
.\ = np.
es
ci n de
Tenemos b(;
11,
p)
(1
p)tt
(1
"In)".
In b(O; n,
ln(l+x)
1'''1' tanto,
n In (1 - Xln)
a la distribu-
CAP. 61
Por tanto, si
fI
121
es gmnde,
In b(O; '11., p)
'11.
ln (1
hlO cs,
b(k;
71,
p) "'"
'11.,
p) ""
b(2; n.p)
p(k; A).
PROllLEMAS VARIOS
30% azules y 20% verdes.
6.28. Las lmparas de colores producidas por una compaa son 50%
En una muestra de 5
hallar la probabilidad P de que 2 sean rojas, I sea verde y 2 sean
azules.
Por el teorema 6.6 sobre distribucin multinomial,
5!
p ::::
~.~.c_. __..,
(0,5) '(0.3)(0,2) 1
0.09
f(x)
cs una distribucin de probabilidad continua, esto es
Sustituyendo t :::: (x - /l)1cr en
f_~
12
f(x) dx
1.
1
Es suficiente mostrar que J'
i:
::::
l Tenemos
dI!
::::
J'
::::
oc
e-
(3'
+ t')/2 dI! dt
-oc
fJ
2l:1' Y O
r"'"
00,
~o
r cos
(J
y I
12
""/2
2JT
Por lanto, ds dI
drde
Pero
Por lanto, 1 2
r sen
Esto es,
211
()
de
6.30. Probar el teorema 6.3: Sea' X una variable aleatoria con distribucin normal
Entonccs, (i)
()
X)
Por definicin.
... y (ii)
1
f(x)
::::
var(X)
~'"
J'"
-00
e- ",(x-.tl"!'
ayl2;
fil. Por tanto O'x
u.
(x
da, obtenemos
rdr d8