5.1 Dibuje una imagen que represente un mapeo del resultado de un lanzamiento de
dados, es decir, el patrón de puntos que aparecen, a los números 1, 2, 3, 4, 5, 6.
5.2 Repita el Problema 5.1 para una asignación de los lados que muestran 1, 2 o 3 puntos
al número 0 y los lados restantes al número 1.
5.3 Considere un experimento aleatorio para el cual S = {Si: Si = i, i = 1, 2,..., 10} y los
resultados son igualmente probables. Si una variable aleatoria se define como X (Si)
= 𝑆𝑖 2 , encuentra Sx y el PMF
5.4 Considere un experimento aleatorio para el cual S = {Si: Si = -3, -2, -1, 0, 1, 2, 3} y
los resultados son igualmente probables. Si una variable aleatoria se define como X (Si)
= 𝑆𝑖 2 , encuentra Sx y el PMF
Sx = {9, 4, 1, 0, 1, 4, 9}
Xi 0 1 4 9
F(Xi) 1/7 2/10 2/10 2/10
X= (0.5) i
10= (0.5) i i=20 i>20
1
(2)21 1
P (X > $10) = ∑∞ 𝑖
𝑖=21 (1/2) = 1 = ( )20
1−2 2
5.6 Si px [k] = 𝑎𝑝𝑘 para k = 2,3,... debe ser un PMF válido, ¿cuáles son los valores
posibles para a y p?
𝑝 𝑥[𝑘] = 𝑎𝑝𝑘
∞
∑ 𝑝 𝑥[𝑘] = 1
𝑘=2
∞
∑ 𝑎 𝑝𝑘 = 1
𝑘=2
∞
𝑎 ∑ 𝑝𝑘 = 1
𝑘=2
𝑝2
𝑎 =1
1−𝑝
1−𝑝
𝑎 = 0<𝑝<1
𝑝2
5.7 El valor máximo del PMF binomial ocurre para el valor único k = [(M + l) p], donde
[x] denota el entero mayor menor o igual a x, si (M + l) p no es un entero. Si, sin
embargo, (M + l) p es un entero, entonces el PMF tendrá el mismo valor máximo en k =
(M + l) p y k = (M + l) p -l. Para este último caso, cuando (M + l) p es un entero se le
pide que pruebe este resultado. Para ello, primero muestre que:
𝑝 𝑥[𝑘] (𝑀 + 1)𝑝 − 𝑘
=1+
𝑝 𝑥[𝑘 − 1] 𝑘(1 − 𝑝)
𝑝 𝑥[𝑘] (𝑀
𝑘
) 𝑝𝑘 (1 − 𝑝)𝑀−𝑘
= 𝑀
𝑝 𝑥[𝑘 − 1] (𝑘−1 ) 𝑝𝑘−1 (1 − 𝑝)𝑀
𝑀!
𝑝 𝑥[𝑘] (𝑀 − 𝑘)! 𝑘! 𝑝 (𝑀 − 𝑘 + 1) 𝑝
= =
𝑝 𝑥[𝑘 − 1] 𝑀! 1−𝑝 𝑘 1−𝑝
(𝑀 − 𝑘 + 1)! (𝑘 − 1)!
∞ ∞
= ∑ 𝑃(𝑘) = ∑ (1 − 𝑝)𝑘−1 𝑝
𝑘=20 𝑘=20
𝑝 (1 − 𝑝)20
= = (1 − 𝑝)19 = (0.99)19
1 − 𝑝 1 − (1 − 𝑝)
= 0.8262
P(k) = P [k ≥ 4]
∞ ∞
𝑝 (1 − 𝑝)4
= = (1 − 𝑝)3 = (0.75)3
1 − 𝑝 1 − (1 − 𝑝)
= 0.4219
clear all,clc
rand('state',0)
ntrials=1000;
x=zeros(ntrials,1);
for i=1:ntrials
k=0;
while x(i)==0
k=k+1;
if rand(1,1)<0.25
x(i,1)=k;
end
end
end
number=length(find(x>3));
probabilidad=number/ntrials
media=mean(x)
5.10 Utilizando una simulación por computadora para generar una variable aleatoria
geom (0,25), determine el valor promedio para un gran número de realizaciones.
Relacionar esto con el valor de p y explicar los resultados.
clear all,clc
rand('state',0)
ntrials=1000;
x=zeros(ntrials,1);
for i=1:ntrials
k=0;
while x(i)==0
k=k+1;
if rand(1,1)<0.25
x(i,1)=k;
end
end
end
number=length(find(x>3));
probabilidad=number/ntrials
media=mean(x)
5.11 Probar que el valor máximo de un PMF de Poisson se produce en k = [𝜆].
Sugerencia: Consulte el problema 5.7 para el enfoque.
𝑝 𝑥[𝑘] 𝑒 −𝜆 𝜆𝑘 /𝑘!
𝑄[𝑘] = = −𝜆 𝑘−1
𝑝 𝑥[𝑘 − 1] 𝑒 𝜆 /(𝑘 − 1)!
𝜆
𝑄[𝑘] = >1 𝑝𝑎𝑟𝑎 𝜆 > 𝑘 𝑜 𝑘 < 𝜆
𝑘
𝜆
𝑄[𝑘] = <1 𝑝𝑎𝑟𝑎 𝜆 < 𝑘 𝑜 𝑘 > 𝜆
𝑘
𝜆
𝑄[𝑘] = =1 𝑝𝑎𝑟𝑎 𝜆 = 𝑘
𝑘
𝑝 𝑥[𝑘]
>1 𝑘 < 𝜆 𝑜 𝑘 ≤ [𝜆]
𝑝 𝑥[𝑘 − 1]
𝑝 𝑥[𝑘]
<1 𝑘 > 𝜆 𝑜 𝑘 ≥ [𝜆 + 1]
𝑝 𝑥[𝑘 − 1]
∞
𝑘
𝑃[𝑥 ≥ 2] = ∑ 𝑒−𝜆 𝜆 /𝑘!
𝑘=2
1
𝑘
1= 𝑒−𝜆 ∑ 𝜆 /𝑘!
𝑘=0
−𝜆
𝑃[𝑥 ≥ 2] = 1 − 𝑒−𝜆 (1 + 𝜆) = 1 − 𝑒−𝜆 − 𝜆𝑒
P [k ≥ 2]
5.13 Utilizar una simulación por computadora para generar realizaciones de una
variable aleatoria Pois (𝜆) con 𝜆 = 5 aproximándola con una variable aleatoria bin
(100,0.05). ¿Cuál es el valor promedio de X?
clear all,clc
rand('state',0)
M=100;p=0.05;
for i=1:1000
x=floor(rand(M,1)+0.05);
b(i,1)=sum(x);
end
mean(b)
5.14 Si X ~ bin (100, 0.01), determine px [5], luego compare esto con el valor obtenido
usando una aproximación de Poisson.
100
𝑃𝑥[5] = ( ) 0.015 0.9995 = 0.0029
5
𝜆 = 𝑀𝑝 = 100(0.01) = 1
𝑒 −𝜆 𝜆5 15
𝑝̂ 𝑥[5] = = 𝑒 −1 = 0.0031
5! 5!
Para ello, observe que el mismo límite se obtiene si M es reemplazado por una variable
continua, digamos u, y que se puede considerar ln g(u) ya que el logaritmo es una
función continua. Consejo: Utilice la regla de L'Hospital.
𝑓(𝑢) = (1 + 𝑥/𝑢)𝑘
ln 𝑓(𝑢) = k ln(1 + 𝑥/𝑢)
ln(1 + 𝑥/𝑢)
lim ln 𝑓(𝑢) = lim
𝑘→∞ 𝑘→∞ 1/𝑢
1 −2
𝑥 (−𝑥 𝑢 )
1+𝑢 1
lim = lim 𝑥=𝑥
𝑘→∞ − 𝑘 −2 𝑘→∞ 1 +𝑢
𝑓(𝑢) → 𝑒 𝑥 𝑐𝑢𝑎𝑛𝑑𝑜 𝑘 → ∞
5.16 Comparar los PMFs para Pois (l) y b (10, 0.01) variables aleatorias.
Poison: 𝑃𝑥[𝑘] = 𝑒 1 1𝑘 /𝑘! k = 0, 1, 2,……
−1
13
𝑃𝑥(3) = 𝑒 = 0.0613
3!
Desde simulación
𝑃̂𝑥(3) = 0.0667
clear all,clc
rand('state',0)
p=0.01;M=100;
ntrials=10000;
for i=1:ntrials
x=floor(rand(M,1)+p);
y(i,1)=sum(x);
end
stem([1:100]',y(1:100))
count=0;
for i=1:ntrials
if y(i)==3
count=count+1;
end
end
EnSimulacion=count/ntrials
5.18 Comparar el valor teórico de P [X = 3] para la variable aleatoria de Poisson con el
valor estimado obtenido de la simulación del problema 5.17.
13
𝑃𝑥(3) = 𝑒 −1 = 0.0613
3!
Desde simulación
𝑃̂𝑥(3) = 0.0667
Py [k] = p k = -1
= 1-p k=0
5.20 Si X ~ Pois (𝜆), encuentre el PMF para Y = 2X.
X ~ Pois (𝜆)
y = 2x = 0, 2, 4,…..
−𝜆
𝜆𝑘/2
𝑃𝑦(𝑘) = 𝑒 𝑘 = 0, 2, 4, … ..
(𝑘/2)!
Y = sin πX
x y Py (0)= Px (-1) + Px (0) + Px (1)
-1 0
-1/2 -1 = ½ + 1/8 + 1/16 = 11/16
0 0
½ 1
1 0
Py (k) = ¼ k = -1
11/16 k=0
1/16 k=1
5.22 En este problema derivamos la expansión de Taylor para la función g (x) = exp (x).
Para ello, tenga en cuenta que la expansión alrededor del punto X = 0 viene dada por:
∞
𝑔(𝑛) (0) 𝑛
𝑔(𝑥) = ∑ 𝑥
𝑛!
𝑛=0
Donde 𝑔(0) (0) = 𝑔(0) y 𝑔(𝑛) (0) es la enésima derivada de g (x) evaluada en x = 0.
Demuestre que está dada por:
∞
𝑥𝑛
𝑒𝑥𝑝(𝑥) = ∑
𝑛!
𝑛=0
𝑔(0) = 1
5.24 Una barra horizontal de peso insignificante se carga con tres pesos como se
muestra en la Figura 5.18. Suponiendo que los pesos se concentran en sus ubicaciones
centrales, trace la masa total de la barra que comienza en el extremo izquierdo (donde x
= 0 metros) hasta cualquier punto de la barra. ¿Cómo se relaciona esto con un PMF y un
CDF?
1
5.25 Hallar y trazar la CDF de Y = -X, si X~Ber ( ).
4
y = -x
=0 x=0
= -1 x=1
Py [k] = p k = -1
= 1-p k=0
= 3/4 k=0
= 1/4 k = -1
1
2≤𝑥≤3
𝐹𝑥(𝑥) = 2
3
3≤𝑥≤4
4
{1 𝑥≥4
No desde Fx (3) = 1/2
𝑃 (2 ≤ 𝑥 ≤ 4) = 𝐹𝑥 (4+ ) − 𝐹𝑥 (2− )
𝑃 (2 ≤ 𝑥 ≤ 4) = 0.9375 − 0.5 = 0.4375
5.29 Probar que la función g (x) = exp (x) es una función monotamente creciente
mostrando que g(x2) ≥ g(x1) si x2 ≥ x1.
𝑒 𝑥2
𝑥1
= 𝑒 𝑥2−𝑥1 ≥ 1 𝑑𝑒𝑠𝑑𝑒 𝑥2 − 𝑥1 ≥ 0
𝑒
𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 ⇒ 𝑒 𝑥2 ≥ 𝑒 𝑥1
5.30 Calcule el PMF para una variable aleatoria geom (0.25) para k = 1,2, ....., 20
usando una simulación por computadora y compárela con el verdadero PMF. Además,
estime el COF de su simulación por computadora.
clear all,clc
rand('state',0)
p=0.25;
ntrials=1000;x=zeros(ntrials,1);
for i=1:ntrials
success=0;k=0;
while success==0
if rand(1,1)<p
success=1;
k=k+1;
else
k=k+1;
end
end
x(i,1)=k;
end
for i=1:20
pX(i,1)=length(find(x-i==0))/ntrials;
end
figure
stem([1:20]',pX,'-')
hold on
stem([1:20]'+0.2,p*(1-p).^([1:20]'-1),'--')
grid
c(1,1)=pX(1);
for i=2:20
c(i,1)=c(i-1,1)+pX(i);
end
hold off
figure
stem([1:20]',c)
grid
𝐹̂ 𝑥 (𝑥)
100
60𝑘
𝑃(𝑥 > 100) = 1 − ∑ 𝑒 −60
𝑘!
𝑘=0