UNIVERSIDAD DE LAS FUERZAS ARMADAS ESPE

INGENIERIA ELECTRONICA E INSTRUMENTACION

PROCESOS ESTOCASTICOS

NOMBRE: Efraín Alcoser

FECHA: 19/08/2017

INTUITIVE PROBABILITY AND

RANDOM PROCESSES USING
MATLAB
STEVEN M. KAY
University of Rhode Island

CAPITULO 5 DISCRETE RANDOM VARIABLES (Variables

discretas aleatorias)

Ing. Armando Álvarez Latacunga-Ecuador

Cumulative distribution function (Función de distribución acumulativa) CDF
Probability mass function (Función densidad de probabilidad) PMF

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

Sx = {1, 4, 9, 16, 25, 36, 49, 64, 81, 100}

Xi 1 4 9 16 25 36 49 64 81 100
F(Xi) 1/10 1/10 1/10 1/10 1/10 1/10 1/10 1/10 1/10 1/10

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

5.5 Si un hombre llega tarde a su trabajo en Si = i minutos, donde i = 1,2,.... Si P [Si] =

(1/2)𝑖 y se le impone una multa de $ 0.50 por minuto, encuentre el PMF de su multa. A
continuación encontrar la probabilidad de que se le multará más de $ 10.
X = multas i = minutos
X= (0.5) i i = X/0.5
X=0.5, 1, 1.5,……….
1
F (X) = ( ) 𝑋/0.5
2

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 𝑥[𝑘] (𝑀 − 𝑘 + 1)𝑝 − 𝑘(1 − 𝑝) (𝑀 + 1)𝑝 − 𝑘

=1+ = 1+
𝑝 𝑥[𝑘 − 1] 𝑘(1 − 𝑝) 𝑘(1 − 𝑝)
5.8 En una fiesta un barril grande se llena de 99 regalos de la mordaza y 1 anillo de
diamante, todo incluido en cajas idénticas. Cada persona en la fiesta tiene la oportunidad
de recoger una caja del barril, abrir la caja para ver si el diamante está dentro, y si no,
cerrar la caja y devolverla al barril. ¿Cuál es la probabilidad de que al menos 19 Las
personas elegirán regalos de mordaza antes de que el anillo de diamantes se seleccione?
P = 1 / 100
P(suceso) = (1 − 𝑝)𝑘−1 𝑝 Distribución Geométrica
P(k)=(0.99)𝑘−1 (0.01) k=1,2,…..

P(al menos 19 personas) = P [k ≥ 20]

∞ ∞

= ∑ 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

5.9 Si X es una variable aleatoria geométrica con p = 0.25, ¿cuál es la probabilidad de

que X ≥ 4? Verifique su resultado realizando una simulación por computadora.

P(suceso) = (1 − 𝑝)𝑘−1 𝑝 Distribución Geométrica

P(k)=(1 − 0.25)𝑘−1 (0.25) k=4,5,…..

P(k) = P [k ≥ 4]

∞ ∞

= ∑ 𝑃(𝑘) = ∑(1 − 𝑝)𝑘−1 𝑝

𝑘=4 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]

𝑝 𝑥[𝑘] > 𝑝 𝑥[𝑘 − 1] 𝑘 ≤ [𝜆]

𝑝 𝑥[𝑘] < 𝑝 𝑥[𝑘 − 1] 𝑘 ≥ [𝜆] + 1

5.12 Si 𝑋~ 𝑃𝑜𝑖𝑠(𝜆), traza P [X ≥ 2] frente a 𝜆 y explique sus resultados.

∞
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!

5.15 Probar el siguiente límite:

𝑥 𝑀
lim 𝑔(𝑀) = lim (1 + ) = exp(𝑥)
𝑀→∞ 𝑀→∞ 𝑀

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,……

Binomial: 𝑃𝑥[𝑘] = (100

𝑘
)(0.01)𝑘 (0.99)100−𝑘 k = 0, 1, 2,……, 100
clear all,clc
p=0.01;M=100;
lambda=M*p;
for k=0:M
Pbin(k+1,1)=(prod(1:M)/(prod(1:M-k)*prod(1:k)))*p^k*(1-
p)^(M-k);
Ppois(k+1,1)=exp(-lambda)/prod(1:k);
end
kk=[0:10]';
[kk';Pbin(1:11)';Ppois(1:11)']'
5.17 Generar realizaciones de una variable aleatoria Pois (l) usando una aproximación
binomial.

−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

5.19 Si X ~ Ber (p), encuentre el PMF para Y = -X.

X ~ Ber (p)
y = -x = 0 x=0
= -1 x=1

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)!

5.21 Una variable aleatoria discreta X tiene la PMF

1
𝑥1 = −1
2
1 1
𝑥2 = −
4 2
1
𝑝 𝑋[𝑋𝑖] = 𝑥3 = 0
8
1 1
𝑥4 =
16 2
1
{ 16 𝑥5 = 1

Si Y = sin πX, encuentre el PMF para Y.

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

𝑔′(𝑥) = 𝑒 𝑥 𝑔(0) (0) = 1

∞ ∞
𝑥
𝑔(𝑛) (0) 𝑛 𝑥𝑛
𝑒 = ∑ 𝑥 = ∑
𝑛! 𝑛!
𝑛=0 𝑛=0

5.23 Trazar la CDF para:

1
𝑘=1
4
1
𝑝 𝑥[𝑘] = 𝑘=2
2
1
{4 𝑘=3

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?

Figura 5.18: Barra sin peso que soporta tres pesos.

Función de distribución acumulativa

Función densidad de probabilidad

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

5.26 Encuentre el PMF si X es una variable aleatoria discreta con el CDF

0 𝑥<0
|𝑥|
𝐹𝑥(𝑥) = { 0≤𝑥≤5
5
1 𝑥>5

Función de distribución acumulativa

Función densidad de probabilidad

𝑃𝑥 (𝑥) = 𝐹𝑥 (𝑥 + ) − 𝐹𝑥 (𝑥 − )
5.27 ¿Es el siguiente CDF válido? Si no, ¿por qué no, y cómo podría modificarlo para
convertirlo en uno válido?
0 𝑥<2

1
2≤𝑥≤3
𝐹𝑥(𝑥) = 2
3
3≤𝑥≤4
4
{1 𝑥≥4
No desde Fx (3) = 1/2

Solo desde Fx (3) = 3/4

5.28 Si X tiene la CDF mostrada, Figura 5.11b, determine P [2 ≤ X < 4] de la CDF

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.

Necesitamos mostrar que si x2 ≥ x1 entonces 𝑒 𝑥2 ≥ 𝑒 𝑥1

Asumiendo que x2 ≥ x1 entonces

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)

5.31 La tasa de llegada de las llamadas en una estación de conmutación móvil es de 1

por segundo. La probabilidad de k llamadas en un T segundo intervalo es dada por un
Poisson PMF con 𝜆 = tasa de llegada x T. ¿Cuál es la probabilidad de que habrá más de
100 llamadas en un intervalo de l minuto?
∞
𝑃(𝑥 > 100) = ∑ 𝑃𝑥 (𝑘)
𝑘=101
∞
𝑒 −𝜆 𝜆𝑘
𝑃(𝑥 > 100) = ∑
𝑘!
𝑘=101
∞
60𝑘
𝑃(𝑥 > 100) = ∑ 𝑒 −60
𝑘!
𝑘=101

100
60𝑘
𝑃(𝑥 > 100) = 1 − ∑ 𝑒 −60
𝑘!
𝑘=0

𝑃(𝑥 > 100) = 8.68𝑥10−7