Anda di halaman 1dari 16

,

PROBABILIDAD
Y APLICACIONES ESTADISTICAS

Paul L. Meyer
Departamento de Matemticas
Washington Stute Univcrsity

Versin en espmiol por


Carlos Prado Campos
Departamento de Estadistica
Instituto de Matemticas
Universidad Catlica de Chile

Con la colaboracin de
Germn Ardila C ullar
Departamento de Matemticas y Estadistica
Universidad Nacional de Colombia

ADDISON-WESLEY IBEROAMERICANA
Argentina Brasil Chile Colombia Ecuador Espal'\8
Estados Unidos Mxico Per Puerto Rico Venezuela
S4 Probabilidad condicional e independencia
4
3.35. En una ciudad se publican los peridicos A, B y C. Una encuesta reciente de lec-
tores indica lo siguiente: 20 por ciento lee A, 16 por ciento lee B, 14 por ciento lee C, 8 por Variables aleatorias unidimensionales
cien to lee A y B, 5 por cien to lee A y C, y 2 por ciento lee A, B y C. Para un adulto escogi-
do al azar, calcular la probabilidad de que (a) no lea ninguno de los peridicos (b) lea exac-
tamente uno de los peridicos (e) lea al menos A y B si se sabe que lee al menos uno de los
peridicos publicados.

3.36. Una moneda normal se lanza 2. veoes.


(a) Obtener la probabilidad de que haya un nmero igual de caras y sel los.
(b) Verificar que la probabilidad calculada en (a) es una funcin decreciente den.
3.37. Cada una de las urna 1, urna 2, , urna n, contiene a esferas blancas y p esferas
negras. Se pasa una esfera de la urna l a la urna 2 y luego se pasa una de la urna 2 a
la u rna 3, etc. Finalmente, se escoge una esfera de la urna n. Si la primera esfera que se pas
era blanca, cul es la probabilidad de que la ltima esfera elegida sea blanca? Qu sucede
cuando. n-+ oo? [Indicacin: sea p. = Prob (n-sima esfera pasada sea blanca) y exprese p. 4. 1 Nocin general de una variable aleatoria
en functn de p. _ 1.)

3.38. La urna 1 contiene a esferas blancas y P esferas negras mientras que una urna 2 Al describir el espacio muestra! de un experimento. no especificamos que un
con tiene a esferas blancas y Pnegras. Se escoge una esfera (de una de las urnas) y luego se de- resultado individual necesariamente tiene que se r un nmero. De hecho, hemos
v~elve a esa urna. Si la esfera escogida es blanca, se escoge la esfera siguiente de la urna 1; citado varios ejemplos en los cuales el resultado del experi mento .no fue una
so la esfera escogtda es negra, se escoge la siguiente de la urna 2. Contine de esta manera. cantidad numrica. Por ejemplo, al clasificar un artculo manufacturado si m-
Co,m o la primera esfera e~ogida proviene de la urna l , obtener Prob (n-sima esfera escogida plemente podramos usar las categoras defectuoso y <<no defectuoso. En otro
sea blanca) y tambtn el bmlte de esta probabilidad cuando n .... oo. caso. para observar la temperatura durante un perodo de 24 horas sencillamen-
3.39. Una mquina impresora puede imprimir n letras, digamos a 1 , . , a . Esta te podramos mantener un registro de la curva trazada por el termgraro. 'Sin
mquina es operada por impulsos elctricos y cada letra es producida por un impulso diferente. em bargo, en muchas situaciones experimentales vamos a interesarnos en medir
Supngase que exista. una probabilidad constante p de imprimir la letra correcta y tambin algo y anotarlo corno un nmero. An en los casos citados anteriormente po-
suponga mdependenc1a. Uno de los n impulsos, escogido al azar, aliment la mquina dos dremos asignar un nmero a
cada uno de los resultados (no numricos) del
v~ces Y las. dos veces se imprimi la letra cx 1 Calcule la probabilidad de que el impulso esco- experimento. Por ejemplo, pudimos asignar el valor uno a artculos no defec-
gidO estuv1ese proyectado para imprimir cx 1
tuosos y el valor cero a los defectuosos. Pudimos anotar la temperatura mxi-
ma del da, o la mnima, o el promedio de las temperaturas mxima y mnima.
Las ilustraciones anteriores son caractersticas de una clase muy general de
problemas. En muchas situaciones experi mentales deseamos asignar un nme-
ro rea l x a cada uno de los elementos s del espacio muestra! S. Esto es, x = X(s)
es el valor de una funcin X del espacio muestra! a los nmeros reales. Teniendo
esto presente, hagamos la siguiente definicin form al.

Defmicn. Sea un experimento ; y S el espacio muestra! asociado con el


experimento. Una funcin X que asigna a cada uno de los elementos
se S, un nmero rea 1 X(s), se llama variable aleatoria.

Observaciones: (a) La terminologa anterior es algo desarortunada. pero como es tan


universa lmente aceptada. nosotros no nos apartaremos de ell a. Hemos hecho lo ms claro
postble que X es unafuncilr y todava la llamamos variable (aleatori>l).
(b) Resulta que no toda runcin que se conciba puede ser considerada como una variable
aleatoria. Una exigencia (aunque no la ms general) es que para todo nmero real x el suceso
f X(s) = x} y para todo intervalo 1, el suceso {X(sJ E 1} tiene probabilidades bien definidas y
consecuentes con los axiomas bsicos. En la mayora de las aplicaciones no aparece esta difi-
cultad y no haremos rererencia posterior.
55
56 Vurablr~ nlculora' unldlrncn,Junulcs 4.t 1.1 Nodo)n tncrftl dt unu riubl< lculnrl 57

(e) En algunos cabos el resultado ' del c~pac1o muestra! es ya la caracterstica numrica el nmero X(s) ya se ha calculado y ha resultado as en el espacio muestra! Rx.
que queremos anotar. Sencillamente tomemos X(s) o: s. la funcin identidad. Aunque la primera interpretacin, (a), es la que se pretende corrientemente, el
. (d) En la mayora de las di~cusione, de variables aleatorias que siguen. no necesitamos ,cgundo punto de vista, (b), puede ser muy til y el lector deber recordarlo.
md1car la naturale7a funciomtl de X . Generalmente nos tnleresamos en Jos valores po.,ibles Lo que queremos decir. y esto ser ms evidente en las ltimas secciones, es que
de X. en vez de mdagar de dnde provienen esos valores. Por ejemplo. supongamos que lanza. al estudiar variables aleatorias estamos ms interesados respecto a los valores
mos dos monedas y con,1dcremos el espacio muestra! asociado con este experimento. Esto es,
4'eJ.Q_ma X q~e de su forma funcional. Por lo tanto, en muchos cas~s ignoraremos
completamente el espacio muestra! sobre el cual se puede dcfimr X.
S {CC.CS. SC.SS I.

Definamos la vanable aleatorm X como "gue: Y es el nmero de caras obtenida,. en los dos EJEMPLO 4.1. Supongamos que se pone una bombilla en un portalmparas.
huuamientos. Por lo tanto \'(('(') .:!. ,\((SI - .\'(SC) "' 1. y X(SSJ =o.
Se considera que el experimento termina cuando la bombilla se apaga. cul
es un resultado posible, digamos s? Una manera de describir s seria anotando
"mplemente la fecha y la hora del da en la cual la bombilla se quema, por
eJemplo 19 de mayo, 4:32 p.m. Por lo tanto el espacio muestra! se puede repre
presentar como S = {(d. t) 1d = fecha, t = hora del da}. Posiblemente la va-
rtable aleatoria de inters es X, la duracin del encendido. Ntese q!!.e_!!!l!L vez
4ue se ha observado s = (d, t), la evaluacin de X(s) no indica ninguna aleato
ricdad. Cuando est~ _especificado s, ~(s) est completamente determinado.
Los dos puntos de vista expresados anteriormente pueden aplicarse a este
eJemplo como sigue. En (a) consideramos que el experimento termina con la ob-
F IGURA 4. 1
servacin s = (d, t), la fecha y la hora del da. El clculo de X(s) se efecta, en-
tonces, haciendo una sencilla operacin aritmtica. En (b) consideramos que el
JC) Es muy importante comprender ljue una exgcnc1a bsica de una funcin (una-variada): experimento est terminado slo despue~ de que se haya calculado X(s) y el
a cada" e S le corresponde Hactameme un valor X(s). Esto se demuestra esqucmilticamcnte nmero X(s) = 107 horas, por ejemplo, se considera como el resu ltado del expe-
en la figura 4.1. Valore> diferentes de s pue1lm dar el mismo valor de X . Por eJemplo en la rimento.
ilustracin anterior encontramo; que X(CSI X(SC) = l. Podra seflalarsc que un anlisis similar se podra aplicar a otra variable
aleatoria de inters, por ejemplo, Y(s) la temperatura en la habitacin en el ins-
El espacio Rx. el conJunto de todos los valores posibles de X, se llama al-
gunas veces el recorrido. En ciertos sentidos podemos considerar a Rx como tante en que la bombilla se quem.
otro espacio muestra l. El espacio muc'>tral (original) S corresponde a los resultados
no numricos (posiblemente) del experimento. mientras que Rx es el espacio mues- EJI!MI'LO 4.2. En una mesa se lanzan tres monedas. Tan pronto como las
tra! asociado con la variable aleatona X. que representa la caracterstica numnca monedas caen . en la mesa, la fase "aleatoria" del experimento ha terminado.
que puede ser de mtcr-,. Si X(s) - s. tenemos S = Rx. Un solo resultado s podria consistir en una descripcin detallada de cmo y
~un~uc cMamos consc1cntcs del peligro pedaggico que existe al dar muchas dnde cayeron las monedas. Posiblemente estamos interesados slo en ciertas
exphcac~one~ de la m1sma coMJ. sealemos sin embargo que podemos concebir caractersticas numricas asociadas con este experimento. Por eJemplo, podra-
una \'anable aleatona X de dos maneras: mos calcular
(a) Realizamos el cxpenmcnto r. que tiene como resultado s E S. Luego eva-
luamos el nmero ,\ (s). X(s) = nmero de caras que aparecen,
(b) Efectuamos c. y obtenemo~ el resultado s. e (inmediatameme) calcula-
Y(s) = distancia mxima entre dos monedas cualesquiera,
mos X(s). El nmero .\ (.~) se considera entonces como el resuhado obtenido en
el experimento y Rx llega a ser el espacio muestra! del experimento. Z(s) = distancia mnima de las monedas de cualquier arista de la mesa.
. La dtfcrencta entre las Interpretaciones (a) y (b) es muy dificil de captar. Re-
la!Jv~mentc es muy pequea. pero es digna de atencin. En (a) el experimento Si la variable aleatoria X es de inters, como indicamos en el ejemplo anterior
termma. de hecho. con la observacin de s. La evaluacin de X(s} se considera podramos incluir la evaluacin de X(s) en la descripcin del experimento y por
como algo que se hace posteriormente y que no est afectada por la aleatorie- lo tanto indicar simplemente que el espacio muestra! asociado con el experimen-
dad de 1:. En (b) se considera que el experimento no est terminado hasta que to es {O, 1, 2, 3}. que corresponden a los valores de X. Aunque muy a menudo
58 V1riabi''S lleatoriiiS unidlnwnslonales 4.1 Nocibn g<n~rol de "''" ihh llotla !N

adoptaremos precisamente e~lc punto de vista, es importante establecer que la 4.3. ConMdcremos el lanzamiento de dos m&nedas. En este caso
rJLMI't.O
cuenta del nmero de caras se hace despus de que ba terminado la parte alea- .'i { CC. CS. SC. SS}. Sea X el nmero de caras obtenidas. En este caso Rx =
toria del experimento. lO, u:.
Sea B = { 1}. Puesto que X(CS) = X(SC) =
1 si y slo si X(s) l . te- =
nemos que A = {CS. SC} es equivalente a B.
~bservacwn . al referirnos a variables aleatorias usaremos, casi sin excepcin, letras
mayusculas tales como X. Y. Z , etc. Sin embargo, cuando hablamos del valor de esas variables Ahora damos la siguiente definicin importante.
aleatorias suponemos que en general usaremos letras minsculas tales como x, y, z, ere. Esta es
una disrincin muy imporranre que debemos hacer y el estudian re debe considerarla detenida- Definicin. Sea 8 un suceso en el recorrido Rx. Deji11imos entonces P(B)
menre. Por CJC~plo, cuando hablamos de escoger al azar una persona de alguna poblac1n
como sigue:
sealada Y med1r su altura (en pulgadas, por ejemplo). podamos referimos a los resultados
posibles como una variable alearoria X . Podramos luego hacer varias pregunras acerca de X P(8) = P(A). en donde A = {sE S I X{s) E B}. (4.2)
raJes como P(X) ~ 60 . Sin embargo, una vez que escogemos una persona y medimos su altura:
obrenemos un valor especfico de X , por ejemplo x. As no sea importante preguntar por En palabras: Definimos 1'(8) igual a la probabilidad del suceso A e: S.
P(x ~ 60) puesro que x es o no ~ 60. Esta distincin entre una variable aleatoria y su valor que es equivalente a B. en el sentido de la ecuacin {4.1).
es Importante. y haremos refercnctas poMeriores a ella.
Observaciones (a) Suponemos qu~ las probabilidades se pueden asociar con suce50S en
As como nos interesamos por los sucesos asociados con el espacio muestra!
S Por tanto la definicin anterior hace posible ~sig!!!.!:_ probabilidades a sucesos a'>ociados
S, tambin ser necesario tratar sucesos con respecto a la variable aleatoria X. con Rx en funcin de probabilidades definidas en S.
esto es, subconJunto del recorrido Rx. Muy a menudo ciertos sucesos asociados lb) Realmente es posible probar que P(B) debe ser como se dcfinr. Sin embargo. esto
con ~ estn relacionados (en un sentido que luego describiremos) con sucesos implicara alguna dilicultad terica que queremos evitar y, por tanto, prosegUiremos como
asoc1ados con Rx de la manera siguiente. antes.
(e) Puesto que en la formulacin de la ecuacin (4.2) los sucesos A y 8 se rcliercn a espa-
Definicin. Sea e un experimento y S su espacio muestra!. Sea X una va- cios mucstrales diferentes, realmente deberamos usar una notacin diferente cuando nos
riable aleatoria definida en S y sea Rx su recorrido. Sea B un suceso res- referimos a las probabilidades .definidas en S y para las definidas en Rx, por CJemplo algo
pecto a Rx ; eslo es, Be: Rx. Supongamos que A se define como P(A) y Px(B). Sin embargo, no haremos esto ~ino que continuaremos escribiendo sim-
plemente P(A) y P(B). El contexto dentro del cual aparecern estas expresiones harn evi-
dente la interpretacin.
A = {se S I X(s) E B}. (4.1) (d) Las probabilidades asociadas con sucesos en el espacio muestra! S (orip.inal) cst~n,
en un M:n tido, dclcrminadas por fuerzas que escapan a nuestro control>> o, como _se d1ce
En palabras: A consta de todos los resultados en S para los cuales algunas veces ((por naturaleza. La constitucin de una fuente radioactiva que em1te par-
X(s) E B (figura 4.2). En este caso decimos que A y B son sucesos equi- tculas. la d1~.tribucin de un gran nmero de personas que podra hacer una llamada tele-
valemes. -- - - - fnica durante cierta hora y la agitacin trmica que resulla de una corriente o las condi-
ciones atmosfricas que dan origen a una fuente de tormenta. ilustran este punto. Cuando
introducimos una variable aleatoria X y >U recorrido asociado Rx. ndudmo.< probabilda-
de:. sobre lo~ sucesos asociados con Rx que se determinan e.~trictamente si las posibilidades
asocrada:. con los sucesos en S estan espco.:ficadas.

EJilMPt.O 4.4. Si las monedas consideradas en el eJemplo 4.3 son <morma-


les. tenemos P(CS) = P(SC) =!. Por tanto P(CS. SC) =! + ! == !. (Los clcu-
los anteriores son una consecuencia directa de nuestra suposicin bsica que
f iGURA 4.2
se refiere a la regularidad de las monedas.) Puesto que el suceso {X = 1} es equi-
valente al suceso {CS.SC}. usando la ecuacin {4.1), tenemos que P(X :.. 1) =
Obser~c1anes: (a) Expresando ms informalmente lo anterior. A y 8 son sucesos equi- P{CS. SC) = 1. [Realmente no haba eleccin acerca del valor de P(X = 1), con-
valentes Siempre que ocurran JUntos. Esto es. siempre que A ocurre, ocurre 8 y viceversa. sistente con la ecuacin (4-2), una vez que se determin P(CS. SC). En e~te sen-
Si ocurri A. en ronces se obruvo un resultado s para el cual X(s) E 8 y por lo tanto ocurri tido se inducen las probabilidades asociadas con sucesos Rx.]
B. R~procamentc, si 8 ocurri, se observ un valor X(s) para el cual sE A y por lo ranto
ocumo A. Ob.,ervodtln: ahora que hemos establccdo la existencia de una funcin de probabilida-
(~) Es importante destacar que en nuestra definicin de sucesos equivalentes, A y 8 estn des inducidas sobre el recorrido de X (ecuaciones 4.1 y 4.2) encontraremos conveniente su-
asoc1ados con espacios muestralcs dlferenres. primir la naturaleza funcional <le X. Por lo tanto escribiremos (como lo hicimos en el eem-
641 Variabl"" olatorla unidtncn~illllales

plo amerior), P(X 1) l. Lo que se quiere decir es que un suceso en el espac1o muestra! Definicin. Sea ,\ una variable aleatoria discreta. Por tanto Rx. e l recorrido
S, lla~ado {CS,s~.l {si X(s) 1} ocurre con probabi lidad . Por lo tanto as1gnamos de ,\ . con~ta. a lo ms. de un nmero de valores. x1.x2. mnmto nume-
esa m1sma probab1hdad al suceso {X - 1} en el recorrido. Continuaremos escribiendo ex- rable. Con cada resultado posiblex1asociamos un nmero p(:<) P( .\ = X).
presiones como P(X 1), P(X S 5), el c. Es muy importante que el lector se d cuen1a de
lo que esas expresiones representan realmente.
llamado la probabilidad de x1. Los nmeros p(x,). i =
l. 2. deben
~allsfacer las condiciones siguientes:
.. Una vez q.ue se han determinado (o ms exactamente inducido) las proba-
bilidades asoc1adas con varios res ultados (o sucesos) en el recorrido Rx ignora- (al p(x) ~ O para todo i. (4.3)
remos a menudo el cspac10 muestra! original S que dio lugar a esas probabilida- T

des. As. en el eJemplo anterior. estamos simplemente interesados en RA = {0. (bl L p!x,) = l.
l. 2} Y las probabilidades asociadas (!.t.!). El hecho de que estas probabili- j 1

dades estn determinadas por una funcin de probabilidad definida en el espacio t a func1n p definida anteriormente se llama funcin d' probubiliclud (O funcin
muestra! ongmal S no nos preocupa SI estamos interesados slo en estudmr los 111.' probabi lidad puntual) de la variable aleatoria X. La colecc1n de pare'> {x, p(x,)).
valores de la vanable aleatoria X. 1. 2..... se llama algunas veces distribucin de prohuhilidud de X.
Al discutir. en detalle. muchos de los conceptos importantes asociados con
variables a~eatorias. enc~ntra_rcmos conveniente distinguir dos casos importan-
tes: las var~able~ aleatonas d1scretas y las continuas.

4.2 Variables aleatorias disc retas

Defmicin. Sea X una variable aleatoria. Si e l nmero de valores posibles


F IGURA 4.3
de X (es to cs. Rx. e l recorrido) es fini to o in finito numerab le. llamamos
a X una 11ariab/e aleatnria discr;a. Esto es. se pueden anotar los valores 0/l.wrtJCiciones : (a) La eleccin particular de los nmeros p(x,) posiblemente ~stit dctcnm
pos ib les de X como x" xl. x. En el caso fini to la lista term ina 11uda por la funcin de probabilidad asociada con sucesos en el espacio muestra! S sobre
Y en el caso infini to numerab le la lista contina indefinidamente. d cual se define X. Esto cs. p(x 1) = P(s 1 X(s) = x 1). (Ver ecuaciones 4.1 y 4.2.) Sin embargo.
1111~'to que slo estamos interesados en los valores de X. eslo es Rx. y en la, probubdidadcs
EJEMPLO 4.5. Una fuente radioactiva emite partculas alfa. Un contador ob-
1w~iadas con esos valores, omitimos nuevamente la naturaleza funcional de X. (Ver figu-
1.1 4.31. Aunque en la mayoria de los c-asos. de hecho. los nmeros se dclcrminar:in de la dis-
serva la emisin de esas partculas durante un periodo de tiempo especificado.
tllhucln de probab1hdades en algn espacio muestra! fundamcnla l S. n~tdcuiN conJunto
La siguiente variable aleatoria es de inters: X = nmero de partculas obser- tic nmero. p( ,,que ~usfaga la ecuacin (4.3) puede ~erv1r como una dc,cripcin probabl
vadas. i.Cules son los valores posibles de X? Supondremos que estos valores ll\ltca propm de una variable alea10ria discreta.
constan de todos los enteros no negativos. Esto es, Rx = {0. 1. 2..... n, .. }. tbJ St ,\ toma slo un nmero linito de valores. por CJemplo '(,. ..'(,. cnloncc'o p(\) - O
Una objecin que vimos anteriormente puede aparecer de nuevo en este punto. para 1 > N. y por lo tanto la serie infimta en la ecuacin (4.3) lle~a a -.cr una <,urna fimta
Podra argirse que durante un intervalo de tiempo especificado (finito) es Im- {e) Nuevamente podemo ob.enar una analogia con la mcc<in1ca al cons1dcrar una ma>a
posible observar m> de N partculas, por eJemplo. en donde N puede ser un hltal unttana d1s1nbU1da sobre la recta real con la masa completa ub1cada en lo .. puntos
entero positivo muy grande. Por tanto los valores posibles de X realmente serian: ' 1 '(z, Los nmeros p(x,) representan la cantidad de masa ub1cada en '
O, l. 2. . N. Sin embargo resulta que matemticamente es ms sencillo con- (d) La mterprctaC1n geomtrica (figura .t.4) de una d1s1nbuctn de probahllidad~-. C'o
siderar la descripcin Idealizada dada anteriormente. De hecho. cada vez que ,tempre uttl.
suponemos que los valores posibles de una variable aleatoria X son infinitos p(.'()
numerables estamos cons1derando en ese momento una representacin ideali-

~~~~~~~-x
zada de X.

En vista de nuestros comentarios previos sobre la descripcin probabilstica


de s ucesos con nmero finito de elementos o infinitos numerables. la descripcin x 1 x 2 xa x,.
probabi lstica de una variable aleatoria discreta no nos causar ninguna difi-
cultad. P rocederemos como se indica a continuacin. FIGURA 4.4 FIGURA 4.5
62 Variables aleatoria unldlmenionales 4.2 ~ 1
L.a dbtrlbudn normal 1>3

Oh\tFJadcmes: aqui empleamos el rc.ultado de que la serie Y''Omttrica 1 + r ~ r +


2
Sea B un suceso asociado con la variable aleatoria X. Esto es Be R11 (figura 4.5).
Especficamente, supongamos que B = {x1,, x12, -}. Por tanto .,11\Cr.!e a 1 (1 - r) s1cmpre que 1ri < l. A este resultado nos referiremos vanas vec..'S. Su-
l'""i!'"e que queremos calcular P(A). en donde A se define como 1El experimento termina
P(B) = P[siX(s)e B] (puesto que estos sucesos son equivalentes) 11 .pui:s de un nmero par de repeticiones!. Usando la ecuacin (4.4), tenemos
.. 3 3
= P[siX(s) = x,.j = 1, 2, ] = "'
L: p(x). (4.4) P(A) = L p(211) = + + ...
:1 16 256
j = 1

En palabras:J.!t probabilidad de un suceso Bes igual a la suma de las probabilidades = 1~(1 +-J\+)
de los resultados individuales asociados con B.
3 1 1
Observaciones: (a) Supngase que la variable aleatoria discreta X puede tomar slo un = 16 1 - ; . : 5.
nmero finito de valores, por eJemplo x, . "" S cada resultado es igualmente probable,
obviamente tenemos p(x 1 ) = = p(x,.) = 1/N.
(b) Si X toma un nmero infinito numerable de valores, entonces es imposible tener todos 4.3 La distribucin binomial
lQL!:CSultadqs igualmente probables. Porque no podemos satisfacer posiblemente la cO-
dicin I:~ , p(x1) = l si debemos tener p(x1) = e para todo i. En los captulos linaJes consideraremos, en forma detallada diversas variables
(e) En cada intervalo finito habr cuando ms un nmero finito de valores posibles de
h:atorias discretas importantes. Por el momento slo estudiaremos una de estas
,1
X . Si uno de tales intervalos no contiene ninguno de los valores posibles le asignamos pro-
babilidad cero. Esto es, si Rx = {x,x 2 , , x.} y si ningn x1 e(a,b), entonces P[a ~ X y luego la usaremos para ilustrar varios conceptos importantes.
::; b) =o.
EJtMPL.O 4.7. Supngase que los artculos que salen de una lnea de produc-
i:In se clasifican como defectuosos (D) o no defectuosos (N). Supongamos que se
EJEMPLO 4.6. Supngase que se pone un tubo de radio en un soporte y se 11gcn al azar tres artculos de la produccin de un da .Y se clasifican de acuerdo
prueba. Supngase que la probabilidad de que el control sea positivo es igual con este esquema. El espacio muestra! para este cxpcnmcnto, d 1gamos S, puede
a i: por tanto la probabilidad de que el control sea negativo es !. Supngase descri birse as:
adems, que probamos una gran cantidad de tales tubos. La prueba contina hasta
S= {DDD. DDN. DND,NDD. NND. NDN. DNN. NNN}.
que aparece el primer tubo positivo. Definase la variable aleatoria X como sigue:
X es el nmero de pruebas necesarias para finalizar el experimento. El espacio (Otra manera de describir S es como S= S 1 x Sz x SJ, el producto cartesiano
muestra! asociado con este experimento es oc S, S2. y S 3 , en donde cada S1 = {D, N}.)

S = { +.- +.- - +,- - - +, .. }. Supongamos que con probabilidad 0,2 un articu lo es defectuoso y por lo tanto
con probabilidad 0,8 un artculo no es defectuoso. Supongamos que esas .probablh-
Para determinar la distribucin de probabilidades de X razonamos como sigue. dades son iguales para cada artculo al menos durante nuestro estud1o. Fmalmentc,
Los valores posibles de X son ! , 2, , n, (obviamente estamos considerando supongam()S que la clasificacin de cualquier artculo particular. e.s independiente
el espacio muestra! idealizado). Y X = n si y slo si los primeros (n - 1) tubos son de la clasificacin de cualquier otro artculo. Usando estas supostc1oncs. se deduce
negativos y el n-simo tubo es positivo. Si suponemos que la condicin de un tubo que las probabilidades asociadas con los diversos resultados del espacio muestra! S
no afecta la condicin de otro podemos escribir como se describi anteriormente son
3
p(n) = P(X = n) = (if- '(l), n = !, 2, .. (0,2) 3 , (0,8)(0,2) 2 (0,8)(0,2) 2 , (0,8)(0,2) 2 , (0,2)(0.W, (0,2)(0,W, (0,2)(0.W. (0,8)

Para verificar que estos valores de p(n) satisfagan la ecuacin (4.3), observemos que Corrientemente nuestro inters no se enfoca hacia los resultados individuales de S;
sino que, simplemente, deseamos saber cuntos artculos defectuosos se encuentran
L
G()
p(n) = -3 ( 1 + -1 + -1 + ...) (sin considerar el orden en que ocurrieron). Es decir. deseamos considerar la
- 4 4 16
variable aleatoria X que asigna a cada uno de los resultados se S el nmero de
3 1 artculos defectuosos encontrados en s. Por tanto el conjunto de valores posibles
=_*=1. de X es {0, 1, 2, 3}.
6-1 V nlabl<"i al<alorias unidimensionale 4.3 11 l.o ~l,trlboa<UNI binomial 5

Pod.emos obtener la distribucin de probabilidades para X. p(x1) - P(X _ x 1)


Dl'mo.ltracin. com1dcremos un elemento particular del espacio muestra) e
como s1gue:
que ,au~faga la cond1c1n de que X = k. Tal resultado aparecera. por ejemplo.
1 l.es pnmeras k repeticiOnes de & resultasen en la ocurrencia de A mientras que las
X= O si y slo si ocurre NNN: uhunas 11 - k repeticiones res ultasen en A. es decir :
X= 1 si y slo si ocurre DNN. NDN. o NND:
X= 2 si y slo si ocurre DDN. DND, o NDD; AAA ... A AAA ... A
1
X = 3 si y slo si ocurre DDD.
L.__

k JI - k
(Ntese que {NNN} es equivalente a {X= O}. cte.) Por Jo tanto Puesto que todas las repeticiones son independientes, la probabilidad de esta
>ll~:csi n particular seria pk( l - p)" - k. Pero exactamente la m isma probabilidad
~0) = P(X = O)= (0,8)3, p(t) = P(X = 1) = 3(0,2)(0.8)2. ,.,lara asociada con cualquier otro resultado para el c ual X "" k. El nmero total
2 tic tales resuhat.los es igual a (Z). por lo que debemos elegir e xactamente k posiciones
p(2) == P(X = 2) = 3(0.2) (0.8). p(3) = P(X = 3) = (0.2)3. (l-ntre n) para las A. Pero esto produce el resultado anterior ya que esos (~) rcsul-
l.tdos son mutuamente excluyentes.
Nt~s~ que la suma de estas probabilidades es igual a 1. porque la suma puede
escnb1rsc (0.8 + 0.2)3 Ob:wrtacimw.~. (a) Para vcrolicar nucslros c. lculos ob:.cr"cmo~ que. usando el leorema
.Id bmomio. tenemo' I:~ 0 P(X = kj = t:0 ()p'( 1 - pr [p + ( 1 p)] = 1 = l. como
Ob;erwcin: la presentacin an1erior olustra cmo las probabilidades en el rccorndo okbera ser. Puc<.IO que la' probabilidades (;)p'll pr \C oblienen al desarroiiM la expre-
Rx (en e;le caso {0, l. 2. 3}) son inducidas por las probabilidades delinodas en el espac1o ,Qn bmom1al (p + (1 - p)]". a sla llamamos dlmlbucln bmomml.
muemal S. porque la suposicin de que los ocho resuhados de tb) Cada veL que rcalitamo :repc:ticionc> mdcpcndienlcs de un experimenlo y nos tn-
lcresamos slo en una d1cotoma- - defectuosos o no defectuosos. dureza sobre o baJO un
S = {DDD, DDN. DND, NDD. NND, NDN, DNN, NNN} .-1cr1o valor estndar. novel de ruido en un sistema de comun ocacooncs sobre o baJO un margen
prcasignado - considcramo~ potencialmenle un espacio mucslral en el cual podemos dcli-
licnen las probabilidades dadas por el ejemplo 4.7, que determina el valor de p(.~) para todo lllr una variable aleatoria binomial. Si las condiciones del cxpcrimen lo permanecen sufi-
xeRx. I"ICn tcmcnlc uniformes de modo que la probabilidad de algn atributo, por ejemplo A. per-
manezca conslante. podemos usar el modelo anterior.
(e) Si n es pequeo. los trminos individuales de la distribucin binomial son relativamen-
Generalicemos ahora las nociones presentadas en el ejemplo anterior. lc sencillos de calcular. Sin embargo. si n es razonablemente grande es1os clculos llegan
,, scr un poco complicado,. Afortunadamente. las probab11idade'> bonomiales han sido calcu-
Definicin. Consideremos un expenmento e y sea A un suceso asociado con c. l.lda . Exislen mucha\ de tales labulaciones. (Ver Apndice.)
Supon~amos. que P(A) == P Y por lo tanto P ()l) = 1 - p. Consideremos 11
repeticiones mdependientes de t. Por lo tanto el espacio muestra) consiste EJI \11'1 u. 4.8. Supongamos que un tubo de rad1o puesto en cierto tipo de
en ~odas las sucesiones posibles {a ~o a2 , a.}. en donde cada a1 es A 0 A, t:quipo tiene una probabilidad de 0.2 de funcionar ms de 500 horas. Si probamos
~gu~ que .A o ~ ocurra en la i-sima repeticin de e. (Hay 2" de tales suce- 20 tubos. ,cul es la probabilidad de que exactamente k de ellos funcionen ms
clone~.~ Aun mas, supongamos que P(A ) = p es el mismo para todas las de 500 horas. k - O, 1, 2, . 2CY/
repet1c1ones. Definamos la variable aleatoria X como sigue: x = nmero Si X es el nmero de tubos que funcionan ms de 500 horas. supondremos
de ve~es que ocurri el suceso A. Llamamos a X una variable aleatoria c.ue X tiene una distribucin binomia l. As P(X = k) "" ( 2k0 )(0,2)k(0.8)2 - k.
b111omwl con los ~armctros 11 y p. Sus valores posibles obviamente son Los s iguientes valores pueden leerse en la tabla 4.1.
0: 1, 2. , n. (Dec1mos en forma equivalente que X tiene una distribucin TABLA 4.)
btnomtal} Las repeticiones individuales de se llamarn ensayos de
Bemoullt. ---;x = 0) = 0.012 P(X = 4) = 0,218 P(X - 8) = 0,022

P(X = 1) 0.05!! P(X = 5) = 0.175 P(X 9) = 0.007


Teorema 4.1. Sea X una variable benomial basada en n repeticiones. Entonces
P(X = 2) = 0.137 P(X = 6) = 0.109 P(X 10) = 0,002
P(X = 3) = 0.205 P(X = 7) = 0.055 P(X k) = o para k ~ 11
(4.5) (Las probabilidades reMan tes son menores que 0.001 ).
~ nrlltbk-. albllurla' continu' 1>7
.. 1
66 Variablf:) ale11oria~ unidinN!ft~ioaal~

1' r lo t1nto y e Y2 son variables aleatonas independientes Y X = Y, .+ Yz.


Si dibujamos esta distribucin de probabilidades obtenemos el grfico que se ,~ x 'k si 'y slo si y1 = r e y2 = k - r, para cualquier entero r que sa11sfaga
mues tra en la figura 4.6. El modelo que observamos aqu es muy general: las
o r :o;; 11 1 y O :o;; k - r ~ llz. .
probabilidades binomiales aumentan montonamente basta que alcanzan un Las restricciones anteriores sobre r son equtvalentes a O ::;; r S n, Y k - llz ~
valor mximo y luego disminuyen montonamente. (Ver problema 4.8.) k. Combinndolas podemos escribir
P(x)
mx (0. k - 11 2 ) ~ r S m in (k, 11, ).

l'"r tanto tenemos

P(X k)=, .:t::.:~.,{":)f(l - p, - (/~ ,)P~ - (1 - Pzr ,-(t - t.


1 'o n la convencin corriente de que (~) = O cada vez que b > a o h < O, podernos
1 ,cribir la probabilidad anterior como
1 1, X
P(X = k)= E ( r')p;(l- p)"' - (k -
11 11 2
)P~- '(1 - Pz)"'-H'. (4.6)
O 1 2 3 4 S 6 7 8 9 10 11 12 13 14 15 16 17 18
=<> r
FtGURA 4.6
l'or eJemplo, si Pt = 0.2. Pz = 0.1. 111 = 112 = 10. y k = 2. la probabilidad anterior
EJEMPLO 4.9. Al operar una mquina, existe cierta probabilidad de que el llega a ser
operario cometa un error. Puede suponerse de manera realista que el operario
aprende en cuanto sabe que la probabilidad de cometer errores disminuye cuando
l use repetidamente la mquina. Supongamos que el operario hace n intentos y
P(X = 2) = t (' 0) (0,2)'(0,8)'
,or
0
'( lO ) (0.1) 2 - '(0.9)
2-r
8
' = 0,27,
que los n ensayos son estadsticamente independientes. Supongamos especifica-
mente que P(un error cometido en la i-sima repeticin) = 1/( + 1), i = 1, 2, .. , n. despus de un clculo elemental.
Supongamos que se consideran 4 intentos (esto es, n = 4) y que se define la variable
aleatoria X como el nmero de operaciones hechas si n error en la mquina. Obser- Ob~<rl'acin: supongamos que p, =
Pa En este caso. ~ 1 ecuacin (4 6) se reducira a
.. : . . .
vemos que X no est distribuida binomialmente porque la probabilidad de xito 1') '(1 _ p r-. puesto que ahora la variable aleatoria X llene una dtstnbuctn bmomtal.
no es constante. ~:r~ ,crq~e esto es as. obsrvc:.c que podemo'> e,cribir (puc,to que n, + n! = 11)
Para calcular la probabilidad de X = 3, por ejemplo, procedemos como sigue:
X = 3 si y slo si hay exactamente un intento no exitoso. Esto puede suceder en el
primero. segundo, tercero, o cuarto ensayo. Por lo tanto
P(x = k) t.o- p,r .~J~)V~ J
=HH +HH + HH + HH -= h Para mo strar que la suma antertor iguala (:) comprense stmplemente los coclictcnte:. de
de x' en ambos lados de la idcnttdad [1 + ")'' ( 1 + x )" [1 + x)'' ..,
P(X = 3)
las potcnctas
EJEMPLO 4.10. Consideremos una situacin semejante a la descrita en el
ejemplo 4.9. Esta vez supondremos que hay una probabilidad constante p, de no
4.4 Variables aleatorias continuas
cometer error en la mquina durante cada uno de los primeros n 1 intentos y una
probabilidad constante p 2 ~ p, de no cometer error en cada una de las siguientes Supongamos que el recorrido de X cslI formado por un gran nmero de v:~lores:
n 2 repeticiones. Sea X el nmero de operaciones exitosas de la mquina durante
por eJemplo todos los valores x en el intervalo O~ x $ ~ de 1~ forma 0:0.01
los n = n 1 + n 2 intentos independientes. Encontramos una expresin general 0.02: . ... 0,98; 0.99: 1.00. Con cada uno de esos valores e~ta asoctado un .num7~o
para P(X = k). Por la misma razn dada en el ejemplo precedente, X no est no negativo p(x;) = P(X = x 1). = t. 2.... , cuya suma es tgua1 a l. Esta Sltuacon
distribuida binomialmente. Para obtener P(X = k) procedemos como sigue.
se representa geomtricamente en la figura 4.7. . . . . . .
Sea Y1 el nmero de operaciones correctas durante los primeros n 1 intentos y Hemos sealado antes que podra ser matemticamente mas facll 1dcahzar la
y sea Y2 el nmero de operaciones correcta~ durante los segundos n 2 intentos.
11

anterior descripcin probabilstica de X al suponer que X puede tomar todos l o~ ((j IJnu consccucncta de la descripcin probabilstica de X pura cuulqui<r valor cspcc-
valores posibles, O S x S l . Si hacemos esto, i.qu le sucede a las probabilidade~ 111 n tic X por ejemplo x 0 es que tenemos P(X = xo) = O. puesto que P(X x.,) f~~{(x)dx
puntuales p(x)? Puesto que los valores posibles de X no son contables. no podemo' n 1 ,e rc\ultado puede parecer muy contraro a nuestra intuicin. Debemos establecer.
hablar realmente del i-simo valor de X y por lo tanto p(x1) pierde significado. 111 embargo. que SI permitimos que X tome todos los valores en un mtervalo. entonces la
Lo ~ue haremos es sustituir la funcin p. definida slo para x 1.x2 por una puhab1hdad cero no es equivaleme con la imposibilidad. Por tanto, en el caso con tinuo.
func1n f ?efinida (en el contexto presente) para todos los valores de x. O s x s 1. 1~ tJ ()no implica A =~-el conjunto vaco. (Ver teorema l. l.) Para decirlo de un modo
Las propiedades de la ecuacin (4.3) se sustituirn por ./(x) ;;::, O y JlJI.x)dx 1. = llll m formal. consideremos que elegimos un punto al azar en el segmento {x 1O S ~ S 2}.
Procederemos formalmente como sigue. t\unquc quisiramos estar de acuerdo (como un objetivo matemtico) con que ccu/u punto
nn~cb1ble del segmento pud1csc ser el resultado de nuestro expenmento. no> sorprende
P{x) 1111110' mucho si en realidad escogiramos precisamente el punto medio del segmento. o
,utlqu1cr otro punto especfico de ese elemento. Cuando indicamos esto en un lenguaje ma
h 1n.1t1CO preciso. decimos que el suceso tiene probabilidad 0. En v1sta de estas consldera-
(lunc,.la~ sigu1entcs probabilidades son todas iguales si X es una variable alea tona continua:

ldllllillllillld 11 !-. P(c S X S d). P(c s; X < d), P(c < X S ti). y P(c < X < d).
FIOURA 4.7
(d) Aunque no verificaremos los detalles aqui. puede demoMrarse que la untenor a~1gna
, 11111de probabilidades a los sucesos en Rx satisface los axiomas bi1sicos de probabilidades
Definicin. Se die~ yue X es una variable al~tutoria concinua si existe una funcin ((u:tcin 1.3), en donde podemos tomar {x 1 - oo < x < + oo} como el e>pacio muestra l.
f llamada funcin de densidad de probabi lidad (fdp) de X, que satisfce las (e) Si una funcin satisface las condiciones, f *(x) ~ O. para lodo x. YJ ~ / *(x)dx K.
siguientes condiciones: t'll donde K es un nmero positivo real {no necesariamente igual a 1), entonces tw satis-
lu~c todas las condiciones para ser una fdp. Sin embargo. podemos delnir ftcilmcnlc una
nueva funcin, por ejemplo f, en funcin de como sigue:
O

r
(a) f(x) 2:. para todo x.
f(x) =f*(x) para todo x.
(b) : f(x)dx = l. (4.7) K

l'm tanto f satisface todas las condiciones de una fdp.


(e) Para cualquier a, b. tal que - oo < a < b < + oo. (O Si X slo toma valores en un intervalo lnito (a, b], simplemente podemos establecer
tenemos P(a S X S b) = J~f(x)dx. (4.8) /( ~) O para todo x .,[a, b). Por tanto la fdp est delnida para Jodo., los valores reales de
1, y debemos exigir que f! ':f(x)dx = l. Cuando quiera que la fdp se especifique slo para
~bser~~ciones: {a) Fundamentalmente queremos decir que X es una vanable aleatoria (lcrlos valores de x. ~upondremo.s qu~o pa~lquier otro.
contmua s1 X puede tomar todos los valores en algn interva!o (c. ti) en donde 1- y d pueden (g) i/(.x) no representa la probabilidad de nada! Hemos observado ~~tes qu: P(X 2)
ser .-. r Y +-c. respectivamente. La existencia e>tipulada de una fdp es un mtodo ma- O. por ejemplo. y por tanto f{2) ciertamente no representa esta probabohdad. Slo cuando
tcmattco_ ~ue llene una base mtu1tiva considerable y hacen ms sencillos nuestros clculos. la func1n se integra entre dos lmites produce una probabilidad. Sin embargo. podemos
En rclac10~ con esto, de nuevo se debe sealar que cuando suponemos que X es una varia dar una mterprctacin de f{x)x como sigue. Del teorema del valor med1o del clculo ~
ble aleatona contmua. estamos considerando la descripcin idealizada de x. deduce que
{b) P(c < X < ti) representa el rea bajo el grlco en la lgura 4.8 de la fdp 1 entre x = e
y X= d.
.X S' S x + x.
S1 t:..x es pequeo. f(x)ilx es aproximudamenre igual a P(x S X S x + x). Si f e5 continuo
/(x)
por la derecha. ~ta aproximacin llega a ser ms segura cuando lJ..x - 0.)

~
(h) Deberamos sealar nuevamente que la distribucin de probabilidades (en este caso
la fdp) es mducida en Rx por las probabilidades asociadas con sucesos en S. As cuando
escribimos P(c < X <ti). queremos decir, como siempre P[c < X(s) < d], que a su vez es
'X 1gual a P(s 1 e< X(s) < d]. puesto que estos sucesos son equivalentes. La definicin ante-
nor ccuac16n {4.8), estipula esencialmente la existencia de una fdp f definida en una Rx
FIOURA 4.8 1al que
P[s lc < X{s) < d] = tf(x)dx.
Foocn de di-aribudol cumuiCI 71

~ucvamente eliminaremos la naiUraleza funciona l de X y por tanlo estaremos interesados t 'laracm:ntc.j (x) F: O y f ~ ~f(x)dx = J~2xdx = l. Para calcular P(X ~!J. debemos
solo en Rx y la fdp f.
evaluar simplemente la integral fl,J2(2x)dx =!.
. (i) En el .caso continuo. nuevamente podemos considerar la siguiente analoga con la m<~
camca: supongase que tenemos una masa total de una unidad, distribuida continuamente ~1 concepto de probabilidad condicional tratado en el captulo 3 se puede
en ,el mtervalo a S: X S: b. Entonces f(x) representa la densidad de la masa en el punto x ,1plicar debidamente a las variables aleatorias. Por ejemplo, en el ejemplo anterior
Y J,f(x)dx representa la masa total contenida en el intervalo e s; x :5 d. debi mos evaluar P(X 5 !11 ::; X 5 j). Aplicando directamente la definicin de
probabilidad individual, tenemos
~EMPL? 4.11. En la discu~in precedente sobre variable aleatoria, se supuso tt ') P(t 5 X ::; !)
la extst.encla .de una fdp. Cons1de~emos un eJemplo simple en el cual podamos P(X 5 -z 3 s; X 5 :J = 1'(-} s; X s; J)
determmar fac1l~~nt~ la fdp. hac~endo una suposicin apropiada acerca de la
conducta pr?babthsttca de la vanable aleatoria. Supngase que escogemos un J: 1 ~ 2xdx 5/36 5
punto en el mtervalo (0, 1). Repre:.entemos la variable aleatoria X cuyo valor es = Jii~2xdx = 1/3 = 12
la coordenada x del punto escogido.
EJtiMPLO 4.13. Sea X la duracin (en horas) de cierto tipo de bombilla elc-
. Suposicin : si 1 es cualquier intervalo entre (0, 1), entonces la Prob(X e f] es trica. Supngase que X es una variable aleatoria continua y supngase que la fdp
d1reetamente proporcional a la longitud de/, por ejemplo L(/). Esto es, Prob[X E /) f de X est dada por
= kL(J), en donde k es la constante de proporcionalidad. (Es fcil ver, tomando
1 = (0, 1) y observando que L((O, 1)) = 1 y Prob[X E (0. J)] = 1, que k= l.) J(x) = af x 3 , 1500 5 x 5 2500,
Obviamente X toma todos los valores en (0. !).Cules su fdp? Esto es,,podemos
encontrar una func16n J ta l que
= O, para cualquier otro valor.

P(a < X < h) = Stf(x)dx'? (Es decir. asignamos probabilidad cero a l suceso {X 5 1500} y {X > 2500}.)
Para evaluar la constante a. debemos acudir a la condicin I ~'f:..f(x)dx ~ 1 que en
. Ntese que si " < b < O o 1 < a < h, P(a < X < b) = O y por tanto f(x) = o. este caso llega a ser JH88a/x 3 clx = l. De esto obtenemos a = 7, 031, 250. El gr{11ico
S1 O< a < b < 1, P(a < X < b) = h - a y por tantof(x) = l . As encontramos, dcj parece en la figura 4 . 10.
1, 0 < X< 1, En un captulo posterior estudiaremos. con mucho detalle, diversas varibles
J(x) { O, aleatorias importantes, discretas y continuas. Mediante el uso de los determinsticos
para cualquier otro valor.
sabemos que ciertas funciones desempean un papel mucho ms importante que
f(x)
f(x)
otras. Por ejemplo, las funciones lineales, cuadrticas, exponenciales y trgonom-
tncas Juegan un papel primordial al describir modelos determinsticos. Al desarro-
llar los modelos no determinsticos (es decir, probabilsticos) encontraremos que
ciertas variables aleatorias son particularmente importantes.

~
L---+-----------~---x
X=tSOO
4.5 Funcin de distTibucin a cumulativa
Queremos presentar otro importante concepto general en este cap tulo.

FIGURA 4.9 FIGURA 4.10 Definicin. Sea X una variable aleatoria, discreta o continua. Definimos
que F es la fimcin de distribucin acumulativa de la variable aleatoria X
(abreviada fda) como F(x) = P( X 5 x).
EJeMPLO 4.12. Supngase que la variable aleatoria X es continua. (Ver
figura 4.9.) Sea la fdpfdada por Teorema 4.2. (a) Si X es una variable aleatoria discreta,

f(x) = 2x, 0 <X< 1,


F(x) = 2: p(x).
j
(4.9)

= O, para cualquier otro valor. en donde la suma se toma sobre todos los ndices j que satisfacen x1 5 x.
4.5

(b) Si X es una variable aleatoria continua con fdp f, F(x)

F(x) = r ..,J(s)ds. (4. 10)

Demostracin: ambos resultados se deducen inmediatamente de la definicin.

F(x)

:b -
!
l 1 2
1

FIGURA 4. 11
1
3
o X
FIGURA 4. 12

Los grficos obtenidos en las figuras 4.11 y 4. 12 para las fda (en cada uno de
los casos) son muy tpicos en el siguiente sentido.
(a) Si X es una variable aleatoria discreta con un nmero finito de valores
posibles, el grfico de la fda F se formar de trazos horizontales (se llama funcin
escalonada). La funcin F es continua excepto para los valores posibles de X ,
llamados, x., , x. En el valor x1 el grfico tendr un salto de magnitud
EJEMPLO 4.14. Supongamos que la variable aleatoria X toma los tres valores p(Xj) = P(X = XJ)
O, 1, Y 2 con probabilidades;, i , y t. respectivamente. Entonces (b) Si X es una funcin aleatoria continua, F ser una funcin continua para
todo x.
F(x) =O si X< O, (e) La fda F est definida para todos los valores de x , lo cual es una razn
= ! si 0 ~X < 1, importante para considerarla.
= t si J ~X < 2, Hay dos propiedades importantes de la fda que resumiremos en el teorema
= 1 si X~ 2.
siguiente.

(Ntese que es muy importante indicar la inclusin o exclusin de los puntos Teorema 4.3. (a) La funcin Fes no decreciente. Esto es, si x 1 S x 2 ,tenemos
extremos a l describir los diversos intervalos.) El grfico de F se da en la figura 4. 11. F(x.) S F(x2).
(b) limx ~ .., F(x) = O y limx ~ o F(x) = l. [A menudo esto lo escribimos
como F( -co) = O, F(co) = l.]
EJEMPLO 4.15. Supongamos que X es una variable aleatoria continua con fdp
Demostracin : (a) Definamos los sucesos A y B como sigue: A ={ X~ x.},
B = {X S x 2 } . Entonces, puesto que x 1 S x 2 , tenemos Ac By por el teorema 1.5,
f(x) = 2x, 0 < X< J, P(A) s P(B), que es el resultado pedido.
= O, para cualquier otro valor. (b) En el caso continuo tenemos
Por lo tanto la fda F est dada por
F( -co) = lim J x > f(s)ds = O,
x- -w

F(x) =O si x ~ O. F(co) = lim fx-,.,f(s)ds = 1


= rx2sds = x 2 x -~

Jo . En el caso discreto el argumento es anlogo.


SI 0 < X S J.
= 1 si x > l. La funcin de distribucin acumulat iva es importante por varias razones.
Esto es particularmente cierto cuando tratamos con una variable aleatoria continua,
El grfico aparece en la figura 4.12. po rque en este caso no podemos estudiar la conducta probabilstica de X al calcular
74 Vorlbl<-s tleotorias ,..idimensklea~
4.5 4.6 J)istribuciones mixtas 75

P(X = x). _Esa ~r_obabilidad es siempre igual a cero en el caso continuo. Sin embargo. EJEMPLO 4.16. Supongamos que una variable aleatoria continua tiene fda F
podemos mqumr acerca de P(X :s; x) y, como lo demostramos en el prximo dada por
teorema, obtener la fdp de X.
F(x) = O. x ;S O,
Teorema 4.4. (a) Sea F la fda de una variable aleatoria continua con fdp . =1-e-"'. x >O.
Luego
Entonces F'(x) =e "' para x > O, y as la fdp fes dada por
f(x) = dxd F(x),
X~ O,
para toda x en la cual Fes diferenciable. para cualquier otro valor

Observacin: una advertencia sobre la terminologa puede ser de utilidad. Esta termi-
(b) Sea X una variable aleatoria discreta con valores posibles x 1 x 2
nologa, aunque no es muy uniforme, ha llegado a estandariz.arsc. Cuando hablamos de la
Y supongamos que es posible rotular esos valores de modo que x 1 < x: '<
Sea F la fda de X. Entonces
2
..
distribucin de probabilidades de una variable aleatoria X indicamos su fdp f si X es con-
tmua, o de su funcin de probabilidad puntual p definida para x 1 x:. s X es discreta
p(x1) = P(X = x) = F(x)- F(x1 _ 1). Cuando hablamos de la funcin de distribucin acumulativa, o algunas veces slo de la
(4.12) funcin de disuibucitl, siempre nos referimos a F, en donde F(x) = P(X S x).
Demostracin:, (a) F(x) = P(X :s; x) = r -..,f(s)ds. As, aplicando al teorema
fundamental del calculo obtenemos, F'(x) = f(x). 4.6 Distribuciones mixtas
(b) Puesto que supusimos x 1 < x 2 < .. , tenemos
Hemos restringido nuestra exposicin slo a variables aleatorias que son dis-
F(x) = P(X = XJ u X = X 1 u u X = x.) cretas o continuas. Tales variables aleatorias ciertamente son las ms importantes
=p(x)+ p(x1 _ + + p{x 1). en las apl icaciones. Sin embargo, hay situaciones en las cuales podemos encontrar
1 )
y va riables del tipo mixto: la variable aleatoria X puede tomar ciertos valores dis-
F(X - ) = P(X =X - 1 u X = X - 2 u ... u X =X) tintos, por ejemplo x 1 , , Xn , con probabilidad positiva y tomar tambin todos
= p(x- 1) + p{x _ z) + .. + p(x.). los valores en algn intervalo, por ejemplo a :s; x :s; h. La distribucin de probabi-
lidades de tales variables aleatorias se obtendra al combinar las ideas consideradas
Luego F(x) - F(x1 _.) = P(X = x) = p(x1). anteriormente para la descripcin de las variables aleatorias discretas y continuas
como sigue. A cada uno de los valoresx se le asigna un nmero p(x) tal que p(x} ~ O,
. _Obsert'tlci6n : reconsideremos brevemente (a) del teorema anterior. Recordemm la deli- para todo . y tal que I: . 1 p(x1) = p < l. Entonces delinimos una funcin f que
mcn de denvada de la funcin F: satisface f(x) ~ O, J!f(x) dx = l - p. Para todo a. b. con - c:o < a < b < + c:o,
. F(x + 11) - F(x)
F'(X ) -_ 11m -
- 11
= lim P(X S x + 11) - P(X S x)
P(a :s; X ::;; b) = f f(x}dx + 1r,.E, ..,b1 p(xr).
- 11
1 De esta manera satisfacemos la condicin
= lim
1'
[P(x < X S x + 11)).
.--o
P(S} = P(- c:o < X < c:o) = l.
As si 11 es pequeo y positivo
Una variable aleatoria del tipo mixto puede aparecer como sigue. Supngase
F' (x) = /(x) , P(x <X S x + "l. que estamos probando un equipo y sea X el tiempo de funcionamiento. En la
- h mayora de los problemas describiramos X como una variable aleatoria continua
con valores posibles x ~ O. Sin embargo, hay algunos casos en los cuales hay
Es dcc1r, /(x) e~ aproximadamente gual a la cantidad de probabilidad en el mtervalo una probabilidad positiva, de que el artculo no funcione del todo, es decir, falla al
(.~. x + h) por longnud h>>. De aqu el nombre de funcin densidad de probabilidad.
tiempo X = O. En tal caso desearamos modilicar nuestro modelo y asignar una
711 Vribt<os tcohri ootdlnwoh kMolcs 4.7 4.H Unu ui!M!nudn TI

probabi lidad positiva, por ejemplo p. al resultado X = O. Por tanto. tendramos EJL.MI'I o 4.17. Un punto se e lige al azar sobre el segmento de linea (0. 2J.
P(X = 0) = p y P(X > O) = 1 - p. As el nmero p describira la distribucin ,Cul es la probabilidad de que el punto escogido quede entre 1 y i?
de X en O, mientras que la fdp f describira la distribucin de va lores de X > O Representando la coordenada del punto elegido por X, tenemos que la fdp
(figura 4.13). de X est dada por f(x) =!.O < x < 2, y por tanto P(l ~ X ~ ~) = a.
f(x)
fo"" f(x) dx t- p F(x)

~
L-------------------_.x x=a
1 ' X

FtCURA 4 . 13 FtCURA 4.14


FIGURA 4.15
4.7 Variables aleatorias distribuidas uniformemente
En los captulos 8 y 9 estudiaremos detalladamente diversas variables aleatorias EJI'.Mt'l o 4.18. Se puede suponer que la dureza, H . de una muestra de acero
importantes, discretas y continuas. Ya hemos presentado la importante variable (medida en la escala Rockwell) es una variable aleatoria continua distribuida uni-
aleatoria binomial. Consideremos brevemente ahora una variable continua de
formemente sobre (50, 70] en la escala 8. Por tanto
importancia.
Defmicin. Supongamos que X es una variable a leato ria continua que toma
todos los va lores en e l intervalo [a, b]. en donde ambos a y b son finitos. /(11) = * 50</ < 70,
S i la fdp de X est dada por
= O, para cualquier otro valor.
. 1
1 (x) = b- - , a ~ x ~ b, EJEMPLO 4.19. Obtengamos una expresin para la fda de una variable aleato-
- a (4.13)
ria distribuida uniformemente
= O, para cualquier otro valor

decimos que X est distribuida uniformemente en el intervalo [a, b]. (Ver


figura 4.14.)
F(x) = P(X ~ x) = f .. /(s) ds

=O si x <a,
Observacione~:
(a) Una variable aleatoria unirormemente distribuida tiene una rdp que
es una constanlt en el mtervalo de definicin. A fin de satisraccr la condicin f ~';/(x)dx 1, = x-a
si a~ x < b,
esta constante debe ser igual al recproco de la longitud del intervalo. = b-a
(b) Una varoable aleatoroa distribuoda unirormente representa la analoga continua a los
resullados igualmente posob1es en el sentido siguiente. Para cuaJquier sub-intenalo (c. d). =1 si x ~ b.
en donde a ~ e < d ~ b, P(c ~ X ~ d) es la misma para todos lo sub-intenalo que tienen
la misma longitud. Esto es, El grfico aparece en la figura 4.15.

P(c ~ X ~ d) -

, f(x)dx
d- e
=b _ a
J. 4.8 Una observacin
y as slo depende de la longitud del intervalo y no de la ubicacin del intervalo. H emos sealado repetidamente que en alguna etapa del desarrollo de nuestro
(e) Ahora podemos hacer precisa la nocin intuitiva de elegir un pumo P al azar en un modelo probabilstico, deben asignarse algunas probabilidades a los resultados
intervalo, por ejemplo La, b]. Con esto sencillamente indicaremos que la coordenada x del sobre la base de alguna evid encia experimental (tal como la frecuencia relativa,
punto elegido, por C)emplo X. est distribuida unirormemente en [a, bJ. por ejemplo) o algunas otras consideraciones, tales como experiencias pasadas
con l?s fen~rnenos estudiados. El interrogante siguiente se le podra presentar al (a) Para qu valores de a es significativo el modelo anterior?
cstud1ant~: 1.por qu no podramos obtener todas las probabilidades en las cuales (b) Verificar que lo anterior representa una distribucin de probabilidades legitima.
estarnos mteresados P?r un medio no deductivo? La respuesta es que muchos (e) Dcmotrar que para dos enteros positivos cualesquiera s y 1,
sucesos ~uyas ~ro~~b1hda~cs deseamos conocer son tan complicados que nuestro P(X > s + ti X > s) = P(X 2: 1).
conocnmcnto .mtuat1vo es msufciente. Por ejemplo, supongamos que diariamente 4.5. Supngase que la mquina 1 produce {diariamente) el doble de arliculos que la m-
salen 1000 arllculos de una lnea de produccin. algunos de los cuales son defec- quana 2. Sin embargo, cerca del4 por ciento de los artculos de la mquina 1 t iende a ser de-
tuosos. J?escarnos conocer la probabilidad de tener 50 o ms artculos defectuosos fectuoso mientras que la mquina 2 produce slo alrededor de 2 por ciento defectuosos. Su-
en un daa dado. Aun ~i. estarnos familiarizados con el comportamiento general pongamos que se combina la produccin diaria de las dos mquinas. Se toma una muestra
del proceso de producc1on. nos podra ser difcil asociar una medida cuantitat 1va aleatoria de 10 del resultado combinado. i.Cul es la probabilidad de que esta muestra
al s~ces.o: 50 o menos artc~los son defectuosos. Sin embargo, podramos afirma r contenga 2 defectuosos?
que IndiVIdualmente cualqUier artculo tena la probabilidad 0.10 de ser defectuoso. 4.6. Se lanza una serie de cohetes basta que el primer lanzamiento exitoso tiene lugar.
(Esto. es, las expcre~cias anteriores nos dan la informacin de que cerca del JO Sa e:,to no ocurre en 5 ensayos, el experimento se detiene y se inspecciona .el equipo. Supn-
po~ Ciento. de_los artlculos son defectuosos.) An ms, podramos suponer que Jos gase que hay una probabilidad constante de 0,8 de tener un lanzamiento exitoso y que los
art1culos IndiVIduales son defectuosos o no defectuosos independientemente. ensayos sucesivos son independientes. Adems, el costo del primer lanzamaento es K dlares
uno de otro. Ahora podemos proceder deductivamente y deriuar la probabilidad maentras que los lanzamientos que siguen cuestan K/3 dlares. Cada vez que hay un lan-
del suceso que se cons1dera. Esto es. si X = nmero de defectuosos. zamiento exitoso, se obtiene cierta cantidad de informacin que puede expresarse como una
ganancia financiera de C dlares. Si Tes el costo neto del experimento, encontrar la distri-
bucin de probabilidades de T.
P(X S 50)= .ro ('~)0.10f(0. 9o'ooo-k. 4.7. Calcular P(X - 5), en donde X es la variable aleatoria definida en el ejemplo 4.10.
Supongamos que n 1 = 10, n2 = 15, p, = 0,3 y Pz = 0,2.
Lo que se d~staca aqu es que los diversos mtodos para calcular probabilidades 4.8. (Propiedades de las probabilidades binomiales.) En la discusin del ejemplo 4.8 se
que ~ emos derJVIIdO (y los que estud iaremos posteriormente). son de much a impor- sugiri un modelo general para las probabilidades binomales!=)p'(l - p - , Indiquemos estas
tancia puesto que co n ellos podemos calcular las probabilidades asociadas con probabilidades por p.(k).
s uce~~s ms complicados lo cual sera dificil de obtener con medios intuitivos 0 (a) Demostrar que para O S k < n tenemos
empmcos.
p.(k + 1)/ p.(k) = [(n - k)/ (k + ll)(p/(1 - p)).
(b) Usando (a), demostrar que
PROBLEMAS (i) p.(k + 1) > p.(k) si k < np - (1 - p),
(ii) p.(k + 1) = p.(k} si k = np - { 1 - p),
(aii) p.(k + 1) < p,.(k) si k > np - (1 - p).
4.1. Se sabe que en una moneda ~le cara tres veces ms a menudo que sello. Esta mo-
neda se la~za tres veces. Sea X el nmero de caras que aparecen. Establecer la di>tribucin (e) Demostrar que si np - (1 - p) es un entero, p.(k) toma su valor mximo para dos
de probabahdades de X y tamban la fda. Hacer un grfico de ambas. valores de k, llamados k 0 = np - (1 - p) y k = np - {1 - p) + l.
(d) Demostrar que si np - (1 - p) no es un entero entonces p.(k} toma su valor mhimo
4.2. De un lote que contiene 25 artcul~. 5 de los cuales son defectuoscs. se eligen 4 cuando k es agua! al entero ms pequeo mayor que k0 .
al axar.. Sea X el nmero de artculo~ defectuosos encontrados. Obtener la distribucin de (e) Dcm~trar que sa np - (l - p) <O, p.(O) > p.(l) > > p.(n) mientras que si np -
probabahdadcs de X ~i
(1 - p) =O, p.(O)- p.(l) > p.(l) > > p.{n).
(a) los artculo' se e:.cogcn con ~u~titucin.
(b) los artculos se c,cogen ~m suslltucan. 4.9. La variable aleatoria continua X tiene fdp f(x) = x/2, O S x S 2. Se hacen dos
determinaciones independientes de X. Cul es la probabilidad de que ambas determina-
4.3j .Supngese que la variable alcatona X taenc valores posibles 1. 2. J ..... y PtX = ) caones sean mayores que uno? Si se han hecho tres determinaciones independientes, icut
= 1/2. J = 1, 2....
es la probabilidad de que exactamente dos sean mayores que uno?
(a) Calcular P(X es par).
(b) Calcu lar P(X 2: 5). 4.10. Sea X la duracin de un tubo electrnico y supongamos que X se puede represen-
(e) Calcular P(X es divi;ible por 3). tar como una variable aleatoria continua con fdp /{x) = be - o., x 2: O. Sea p .. PUS X < j
+ 1). Demostrar que p1 es de la forma (1 - a}a' y determine a.
4.4. Considrese una variable aleatoria X con resultados posibles: O, L 2 ... Supon-
gamos que P(X 2 ) ( 1 - tt)<l. j _ O, 1.2, ... 4. 11. La variable aleatoria continua X tiene la fdp j(x) = 3x 2 , - 1 S x S O. Si b es
un nmero que satisface - 1 < b < O, calcular P(X > b 1 X < b/ 2).
l'mbhnt' XI

4.12. Supongamos que f y g son fdp en el mismo intervalo, a$ x s b. (a) F(.~) ~ xf5, 0 S X $ 5 (b) F{x) ; (2/ n) sen '(j x). O S x S 1
(a) Demostrar que f + g no es una fdp en ese intervalo. (e) F(x) e3 x, -oo < x S O {d) F(x) = x 3/ 2 + , - 1 S x <; l.
(b) Demostrar que para todo nmero P. O < p < 1, P/(x) + (l - p)g(x) es una fdp en 4.18. Sea X la duracin de un instrumento electrnico (medido en horas). Supngase
ese intervalo.
4ue X e~ una variable aleatoria continua con fdp /(x) ; k/x". 2000 S x S 10.000.
4.13. Supongamos que el grlico de la ligura 4.16 representa la fdp de una variable {a) Para n - 2, determinar k.
aleatoria X. {b) Para n = 3, determinar k.
(a) i.Cul es la relacin entre ct y b? (e) (>ara , en general. determinar k.
(b) Si a > O y b > O, i.qu~ puede Ud. decir acerca del mayor valor que puede tomar b'! (d) i.Cul es la probabilidad de que el instrumento falle ante~ de 5000 hora; de func10
(Ver ligura 4.16.) nam1ento?
fl.x) (e) DibUJar la fda F(r) para (e) y determinar su forma algebra1ca.
4.19 Sea X una variable aleatoria distribuida binomialmente con base en 10 repetl
cione; de un experimento. Si p = 0,3, calcular las siguientes probabtlidade;,, usando la tabla
de la distribucin binomial del Apndice.
(a) P(X S 8) (b) P(X = 7) {e) P(X > 6).

4.20. Supngase que X est distribuida uniformemente ~n [ - oc. +.:x J: en donde :x > 0.
fiGURA 4.16 Cada vez que sea posible, determinar a de modo que se sattsfaga lo s1gu1ente.
4.14. El porcentaJe de alcohol (IOOX) en cierto compuesto se puede considerar como (a) P(X > 1) j (b) P{X > 1) = ~ (e) P(X < !l 0,7
una variable aleatoria, en donde X , O < X < 1, tiene la siguiente fdp: (d) P(X < !l - 0,3 (e) P(jXI < 1) = P(IXI > 1).
f(x) ~ 20xJ( I - x), O< x < l. 4.21. Suponiendo que X est distribuida uniformemente en [O. a]. oc > O responder las
preguntas del problema 4.20.
(a) Obtener una expresin para fda F y dibujar su grlico.
(b) Calcular P(X S ~). 4.22. Se escoge un punto a l azar de un segmento de longitud L. i.Cu{l l es la probabili-
(e) Supngase que el precio de venta del compuesto anterior depende del contenido al- dad de que la razn del segmento ms corto con relacin al mils largo sea menor que }'/
cohol. Espeelicamente, si~ < X < ~. el compuesto se vende por C 1 dlarcsjgaln; de otro 4.23. Una fbrica produce diariamente JO recipientes de vidrio. Se puede suponer que
modo se vende por C 1 dlares/galn. Si el costo es C 3 dlares/galn, encontrar la distribu- hay una probabilidad constante p = 0,1 de producir uno defectuoso. Antes de que estos
cin de probabilidades de la utilidad neta por galn.
depsitos se almacenen son inspeccionados y los defectuosos puestos aparte. Supongamos
4.15. Sea X una variable aleatoria continua con fdp f dada por: que hay una probabi lidad constante r = 0,1 de que un recipiente defectuoso sea m?l cla
/(x) ax, OS x S 1, silicado. Sea X igual al nmero de recipientes clasificados como defcc~uosos al tr.mmo. de
un da de produccin. (Suponemos que todos los recipientes que se fabncan en un d1a se tns
a, 1 S X S 2,
pcccionan ese mismo dia.)
.. - ax + 3a, 2 S x S 3, (a) Calcular P(X = 3) y P(X > 3). (b) Obtener una expresin para P(X k).
= O, para cualquier otro valor.
4.24. Supngase que el 5 por ciento de los artculos que salen de una lnea de producctn
(a) Determinar la constante a. (b) Determinar F. la fda y dibujar el grlico. son defectuoso>. Se escogen 10 de tales artculos y se inspeccionan. i.Cual es la probab1hdad
(e) Si X t. X 1. y X 3 son tres observaciones independientes de X cul es la probabilidad de que se encuentren a lo ms dos defectuosos?
de que exactamente uno de esos tres nmeros sea mayor que 1,5?
4.25. Suponiendo que la duraccin {en horas) de cierto tubo de radio es una 'ariable
4.16. Se supone que el dimetro de un cable elctrico, digamos X es una variable aleatoria alcatorta continua X con fdp f(x) = 100/ xl. x > 100 y O para cualqu1er otro valor.
continua con fdp /(x) 6x(l - x), O s x s l.
(a) 1.Cu1 es la probabilidad de que un tubo dure menos de 200 horas S I se sabe que el
(a) Verilicar que la anterior es una fdp y dibujarla. tubo todava funciona despus de !50 horas de servicio?
(b) Obtener una expresin para la fda de X y dibuJarla. (b) Cul es la probabilidad de que si se instalan 3 de tales tubos en un conJunto, exac
(e) Determinar un nmero b tal que P(X < b) = 2P(X > b). tamcnte uno tenga que ser sustituido despus de 150 horas de serv1c1o?
(d) Calcular P(X S 11! < X < j). (e) i.Cul es el nmero mximo de tubos que se pueden poner en un conJunto de modo
4.17. Cada una de las siguientes funciones representa la fda de una variable aleatoria que haya una probabilidad 0.5 de que despus de 150 horas de servicio todos ellos todava
continua. En cada caso F(x) = O para x < a y F(x) = 1 para x > b, en donde [a, bJ es el funcionen'/
intervalo indicado. En cada uno de los casos, dibuJar la funcin F, determinar la fdp f y 4.26. Un experimento consta de n ensayos independientes. Se puede suponer que ~ebi
dibujarla. Tambin verilicar que f es una fdp. do al aprendizaje>, la probabilidad de obtener un resultado exitoso aumenta con el nume
5
ro de ensayos real indos. Especficamente ~u pongamos que P(xito en la i -Csima repeticin)
(i + 1)/(i + 2). i ~ 1, 2, .. 11.
Funciones de variables aleatorias
(a) Cul es la probabilidad de tener tres resultados exitosos a lo menos en ocho repe
ticiones?
(b) Cul es la probab1hdad de que el pnmer resultado exitoso ocurra en la octava re-
peticin?
4.27. Refirndonos al eJemplo 4.10,
(a) calcular P(X 2) ,1 11 4,
(b) para un 11 arbitrario. demo;trar que P(X =n - 1) = P (exactamente un intento no
exitoso) es igual a [1/(n + 1)) I:~ 1 (1/ i).
4.28. St la variable aleatoria K est distribuida uniformemente en (0. 5) i.cul es la pro-
babthdad de que las races de la ecuacin 4x 2 + 4xK + K + 2 = O sean reales?
4.29. Supngase que la variable aleatoria X tiene valores posibles 1, 2, 3, ... y que S.l Un ejemplo
P(X = r) ok( l py 1,0 < (1 < l.
(a) Determinar la constante k.
Supongamos que el radio X de la entrada de un tubo muy bien calibrado
se considera como una variable aleatoria continua con fdp f. Sea A = nX el
2
(b) Encontrar la modll de esta distribucin (es decir, el valor de r que da el mayor valor
de P(X = r)). rea de la seccin de la entrada. Es evidente que, puesto que el valor de X es el
resultado de un experimento aleatorio, tambin lo es el valor de A. Es decir, A es
4.30. Una variable aleatoria X puede tomar cuatro valores con probabilidades ( 1 + 3x)/4,
una variable aleatoria (continua), y podramos obtener su fdp, digamos g. Espe
(1 - x)/4, (1 + 2x)/4. y (1 - 4x)/4. i.Para qu valores de X es sta una distribucin de pro-
babi lidades? raramos que puesto que A es una funcin de X, la fdp g es obtenible de alguna
manera, conociendo la fdp f. En este captulo trataremos problemas de esta na-
turaleza. Antes de fami liarizarnos con algunas tcnicas especficas necesarias.
formularemos ms precisamente los conceptos anteriores.

Rx Ry

G,__~x--18-l
=_x-t--.!.!..H_...;Q
fiGURA 5.1

5.2 Sucesos equivalentes

Sea & un experimento y sea S un espacio muestra! asociado con &. Sea X una
variable aleatoria definida en S. Supongamos que y = H(x) es una funcin real
de x. Entonces Y = H(X) es una variable aleatoria puesto que para cada se S.
se determina un valor de Y, sea y= H[X(s)]. Esquemticamente tenemos la
figura 5.1. Como antes, llamamos Rx al recorrido de X, el conjunto de valores
posibles de la funcin X. De igual modo, definimos como Rr al recorrido de la
variable aleatoria Y, el conjunto de valores posibles de Y. Previamente (ecuacin 4.1)
definimos la nocin de sucesos equivalentes en S y en Rx. Extendamos ahora este
concepto de la siguiente manera natural.
83