Variables en Es PDF

CAPÍTULO 4
Variables aleatorias
4.1 VARIABLES DE AZAR

4.2 variables aleatorias discretas
4.3 Valor esperado
4,4 esperanza de una función de una variable aleatoria
4.5 VARIACIÓN
4.6 El VARIABLES Bernoulli y aleatoria binomial
4.7 EL variable aleatoria de Poisson
4.8 Otras distribuciones de probabilidad discretas
4.9 valor esperado de las sumas de variables aleatorias
4.10 propiedades de la función de distribución acumulativa
4.1 VARIABLES DE AZAR
Con frecuencia, cuando se realiza un experimento, estamos interestedmainly de alguna fun- ción de los resultados en
comparación con el mismo resultado real. Por ejemplo, en lanzar los dados, que a menudo estamos interesados en la
suma de los dos dados y no estamos realmente preocupados por los valores individuales de cada dado. Es decir,
podemos estar interesados en saber que la suma es 7 y no puede estar preocupado sobre si el resultado real fue (1,
6), (2, 5), (3, 4), (4, 3), ( 5, 2), o (6, 1). Además, la in fl ipping una moneda, podemos estar intere- sadas en el número
total de cabezas que se producen y no se preocupan en absoluto acerca de la secuencia de cabeza-cola real que
resulta. Estas cantidades de interés, o, más formalmente, estas funciones reales de fi nido en el espacio muestral, se
conocen como variables aleatorias.
Debido a que el valor de una variable aleatoria es determinado por el resultado de la iment exper-, podemos
asignar probabilidades a los posibles valores de la variable aleatoria.
Ejemplo 1a
Supongamos que nuestro experimento consiste en lanzar 3 monedas justas. Si dejamos Y denotar el número de cabezas que
aparecen, entonces Y es una toma de variable aleatoria en uno de los valores
0, 1, 2, y 3 con probabilidades respectivas
P {Y = 0} = P {(T, T, T)} = 1
8
P {Y = 1} = P {(T, T, H), (T, H, T), (H, T, T)} = 3

8
P {Y = 2} = P {(T, H, S.S, T, S.S, H, T)} = 3

8
P {Y = 3} = P {(H, H, H)} = 1
8
117
118 Capítulo 4 Variables aleatorias
Ya que Y debe tomar uno de los valores de 0 a 3, debemos tener

•• 3 •• = 3
⋃ Σ
1 = PAG { Y = i} P {Y = i}
i=0 i=0
que, por supuesto, está de acuerdo con las probabilidades anteriores. .
Ejemplo 1b
Tres bolas han de ser seleccionados al azar sin reemplazo de una urna contención ing 20 bolas numeradas
del 1 al 20. Si apostar que al menos una de las bolas que se dibujan tiene un número tan grande como o
mayor que 17, lo que es la probabilidad que ganar la apuesta?
Solución. Dejar X denotar el número más grande seleccionado. Entonces X es una toma de variable aleatoria en uno de los
(valores
20 )3, 4,. . . , 20. Por otra parte, si suponemos que cada una de las
selecciones posibles son igualmente probables, entonces
3
( yo - 1 )
2
P {X = i} = ( 20 ) i = 3,. . . , 20 (1,1)
La ecuación (1.1) es consecuencia de que el número de selecciones que se traducen en el evento

{ X = i} es sólo el número de selecciones que dan como resultado la bola numerada yo y dos de las bolas numeradas 1a
( 11 )
través yo - 1 siendo escogidos. Debido a que hay claramente

( yo - 1 )
tales selecciones, se obtienen las probabilidades expresadas en la ecuación (1.1), de la que
2
vemos que
( 19 )
2
P {X = 20} = ( 20 ) =3
20 = 0,150
3
( 18 )
2
P {X = 19} = ( 20 ) = 51
380 L. 134
3
( 17 )
2
P {X = 18} = ( 20 ) = 34
285 L. 119
3
)
( dieciséis
2
P {X = 17} = ( 20 ) =2
19 L. 105
3
sección 4.1 Variables aleatorias 119
Por lo tanto, ya que el evento { X Ú 17} es la unión de los sucesos disjuntos { X = i}, i = 17, 18, 19, 20, se deduce
que la probabilidad de nuestra ganar la apuesta está dada por
P {X Ú 17} L. 105 + 0.119 + 0.134 + 0.150 = .508 .
1c Ejemplo
ensayos independientes que consisten en la ipping fl de una moneda que tiene probabilidad pag de que salga cara se realizan
continuamente hasta que se produce ya sea una cabeza o un total de norte IPS fl se hace. Si dejamos X denotar el número de
veces que la moneda es fl ipped, entonces X es una toma de variable aleatoria en uno de los valores 1, 2, 3,. . . , norte con
probabilidades respectivas
P {X = 1} = P {H} = P P {X = 2} = P {(T, H)} = ( 1 - páginas
P {X = 3} = P {(T, T, H)} = ( 1 - pag) 2 pag
P {X = n - 1} = P {(T, T, . . . , T, H)} = ( 1 - pag) norte - 2 pag

} {{ }
norte - 2
P {X = n} = P {(T, T, . . . , T, T), (T, T, . . . , T, H)} = ( 1 - pag) norte - 1

} {{ } } {{ }
norte - 1 norte - 1
Como comprobación, tenga en cuenta que
•• norte •• = norte
⋃ Σ
PAG { X = i} P {X = i}
i=1 i=1
Σ
= norte - 1 pag( 1 - pag) yo - 1 + ( 1 - pag) norte - 1
i=1
[ 1 - ( 1 - pag) norte - 1 ] + ( 1 - pag) norte - 1
= pag
1 - ( 1 - pag)
= 1 - ( 1 - pag) norte - 1 + ( 1 - pag) norte - 1
=1
1d Ejemplo
Tres bolas se eligen al azar de una urna que contiene 3 blanco, 3 rojo, y 5 bolas negras. Supongamos que ganamos
$ 1 por cada bola blanca seleccionada y perder $ 1 por cada bola roja
seleccionado. Si dejamos X denotar nuestras ganancias totales del experimento, a continuación, X es una variable dom ran-
tomando sobre los valores posibles 0,; 1,, 2,, 3 con probabilidades respectivas
( 53 ) ( 31 ) ( 31 ) ( 51 )
+
P {X = 0} = ( 11 ) = 55
165
3
( 31 ) ( 52 ) ( 32 ) ( 31 )
+
P {X = 1} = P {X = - 1} = ( 11 ) = 39
165
3
( 32 ) ( 51 )
P {X = 2} = P {X = - 2} = ( 11 ) = 15
165
3
( 33 )
P {X = 3} = P {X = - 3} = ( 11 ) =1
165
3
se obtienen Estas probabilidades, por ejemplo, observando que a fin de X para igualar 0, o bien los 3 bolas
seleccionadas deben ser de color negro o 1 pelota de cada color ha de ser seleccionado. Del mismo modo, el evento { X = 1} se
produce ya sea si 1 blanco y 2 bolas negras se seleccionan o si se selecciona 2 blanco y 1 rojo. Como comprobación,
observamos que
Σ3 Σ
P {X = i} + 3 P {X = - i} = 55 + 39 + 15 + 1 + 39 + 15 + 1 =1
165
i=0 i=1
La probabilidad de que ganamos dinero está dada por
Σ3
P {X = i} = 55
165 = 1 3
i=1
.
1e Ejemplo
Supongamos que hay norte distintos tipos de cupones y que cada vez que se obtiene un cupón, que es, independientemente de
las selecciones anteriores, la misma probabilidad de ser uno cualquiera de los
norte tipos. Una variable aleatoria de interés es T, el número de cupones que necesita ser recogida hasta que se obtiene un
conjunto completo de al menos uno de cada tipo. En lugar de Derivar P {T = n} directamente, vamos a empezar por
considerar la probabilidad de que T es mayor que norte. Para ello, fi x norte y definen los eventos UN 1, UN 2, . . . , UN norte como
sigue: UN j es el evento
sección 4.1 Variables aleatorias 121
que ningún tipo j cupón está contenida entre los primeros norte cupones recogidos, j = 1,. . . , NORTE.
Por lo tanto,
••• norte •••
⋃
P {T> n} = P UN j
j=1
=Σ PENSILVANIA j) - ΣΣ PENSILVANIA j 1 UN j 2) + · · ·
j j1<j2
+ ( - 1) k + 1 ΣΣΣ PENSILVANIA j 1 UN j 2 · · · UN j k) · · ·
j 1 < j 2 < ··· < jk
+ ( - 1) N + 1 PENSILVANIA 1 UN 2 · · · UN NORTE)
Ahora, UN j ocurrirá si cada una de las norte cupones recogidos no es de tipo j. Como cada uno de los cupones no será
de tipo j con probabilidad ( norte - 1) / NORTE, tenemos, por la independencia supuesta de los tipos de cupones
sucesivos,
) norte
PENSILVANIA j) = ( norte - 1
norte
Además, el evento UN j 1 UN j 2 ocurrirá si ninguno de los primeros norte cupones recogidos son de cualquier tipo j 1 o escribe j 2. Por lo tanto,
utilizando de nuevo la independencia, vemos que
) norte
PENSILVANIA j 1 UN j 2) = ( norte - 2
norte
El mismo razonamiento se da
) norte
PENSILVANIA j 1 UN j 2 · · · UN j k) = ( norte - k
norte
y vemos que, por n> 0,

( norte - 1 ) norte - ( norte 2 ) ( norte - 2 ) n+( norte 3 ) ( norte - 3 ) norte - ···
P {T> n} = N
norte norte norte
( NN - 1 )(1 ) norte
+ ( - 1) norte
norte
( Ni ) ( norte - yo )
Σ norte
= norte - 1 ( - 1) i + 1 (1,2)
norte
i=1
La probabilidad de que T es igual norte ahora puede ser obtenido a partir de la fórmula anterior por el uso de
P {T> n - 1} = P {T = n} + P {T> n}
o equivalente,
P {T = n} = P {T> n - 1} - P {T> n}
Otra variable aleatoria de interés es el número de diferentes tipos de cupones que se contienen en los primeros
norte -selecciones llaman a esta variable aleatoria re norte. Computar
P {D n = k}, vamos a empezar por la atención que se fijan en un conjunto particular de k tipos distintos, y nos dejaron a continuación,
determinar la probabilidad de que este conjunto constituye el conjunto de tipos distintos obtenidos en la primera norte trozos
escogidos. Ahora, con el fin para que esto sea la situación, es necesario y su fi ciente de que, de los primeros norte cupones
obtenidos,
UN: cada uno es uno de estos k tipos.
cada uno de estos k tipos está representado.

SEGUNDO:
Ahora, cada cupón seleccionado será uno de los k tipos con probabilidad k / N, por lo que la probabilidad de que UN será
válida es ( k / N) norte. Además, dado que es un cupón de uno de los k
tipos considerados, es fácil ver que es la misma probabilidad de ser de cualquiera de éstos k tipos. Por lo tanto, la probabilidad
condicional de segundo Dado que UN que ocurre es la misma que la probabilidad de que un conjunto de norte cupones, cada uno la
misma probabilidad de ser cualquiera de k tipos posibles, contiene un conjunto completo de todos k tipos. Pero esto es sólo la
probabilidad de que el número necesario para acumular un conjunto completo, la hora de elegir entre k tipos, es menor que o igual a
norte y es por lo tanto obtener a partir de la ecuación (1.2) con k reemplazando NORTE. Por lo tanto, tenemos
) norte
P (A) = (k
norte
( ki ) ( k - yo )
Σ norte
P (B | A) = 1 - k - 1 ( - 1) i + 1
k
i=1
( nk )
Por último, ya que hay posibles opciones para el conjunto de k tipos, que llegan a
)
P {D n = k} = (Nk P (AB)
••
)(kN ) norte •• 1 - k - 1Σ ( ki ) ( k - yo ) norte
= ( nk ( - 1) i + 1
k
i=1
Observación. Dado que hay que recoger al menos norte cupones para obtener un conjunto competir, se deduce que P {T> n} = 1
si n < NORTE. Por lo tanto, de la ecuación (1.2), obtenemos la identidad combinatoria interesante que, para los números enteros 1 ... n
< NORTE,
Σ
norte - 1 norte
( - 1) i + 1 = 1
norte
i=1
que puede escribirse como
Σ
norte - 1 norte
( - 1) i + 1 = 0
norte
i=0
o, después de multiplicar por ( - 1) norte norte norte y dejar j = N - yo,
( Nueva )Jersey
Σnorte
j norte( - 1) j - 1 = 0 1 ... n <N
j=1 .
sección 4.2 Variables aleatorias discretas 123
Para una variable aleatoria X, la función F definida por
F (x) = P {X ... X} -q<x<q
que se llama el función de distribución acumulativa, o, más simplemente, la función de distribución, de X. Por lo tanto, la
función de distribución especi fi ca, para todos los valores reales X, la probabilidad de que la variable aleatoria es inferior o
igual a X.
Ahora, supongamos que un ... segundo. Luego, porque el evento { X ... un} está contenido en el evento { X ... segundo}, resulta
que Fa), la probabilidad de que el primero, es menor que o igual a Pensión completa), la probabilidad de este último. En
otras palabras, F (x) es una función de ING nondecreas- X. Otras propiedades generales de la función de distribución se dan
en la Sección 4.10.
4.2 variables aleatorias discretas
Una variable aleatoria que puede tomar como máximo un número contable de valores posibles se dice que es discreta.
Para una variable aleatoria discreta X, definimos la función de masa de probabilidad p (a) de X por
p (a) = P {X = a}
La función de masa de probabilidad Pensilvania) es positivo para a lo sumo un número contable de Val- ues de a. Es decir, si X debe
asumir uno de los valores X 1, X 2, . . . , entonces
p (x yo) Ú 0 para i = 1, 2,. . .

p (x) = 0 para todos los demás valores de X
Ya que X debe tomar uno de los valores X yo, tenemos
Σq
p (x i) = 1
i=1
A menudo es instructivo para presentar la función de masa de probabilidad en un formato gráfico graficando p (x yo) sobre
el y- eje contra X yo sobre el X- eje. Por ejemplo, si la función de masa de probabilidad de X es
pag( 0) = 1 pag( 1) = 1 pag( 2) = 1

4 2 4
p (x)
1-2
1-4
X
0 1 2
FIGURA 4.1
p (x)
6
-
36
5
-
36
36
4
-
36
3
-
2
-
36
1
-
36
X
0 1 2 3 4 5 6 7 8 9 10 11 12
Figura 4.2
podemos representar esta función gráficamente como se muestra en la Figura 4.1. Del mismo modo, un gráfico de la función de
masa de probabilidad de la variable aleatoria que representa la suma cuando se enrollan dos dados se ve como en la Figura 4.2.
Ejemplo 2a
La función de masa de probabilidad de una variable aleatoria X es dado por p (i) = c λ yo/ i !, i = 0, 1, 2,. . . , dónde λ es
un valor positivo. Encontrar un) P {X = 0} y (b) P {X> 2}.
Σ
Solución. Ya que q p (i) = 1, tenemos
i=0
Σq λ yo
do
¡yo! = 1
i=0
Σ
que, por mi x = q X yo/ ¡yo!, implica que
i=0
ce λ = 1 o c = e - λ
Por lo tanto, (a) P {X = 0} = mi - λ λ 0 / 0! = mi - λ
(segundo) P {X> 2} = 1 - P {X ... 2} = 1 - P {X = 0} - P {X = 1}

- P {X = 2}
= 1 - mi - λ - λ mi - λ - λ 2 mi - λ .
2
La función de distribución acumulativa F se puede expresar en términos de Pensilvania) por
F (a) = Σ p (x)
todas X ... un
Si X es una variable aleatoria discreta cuyos valores posibles son X 1, X 2, X 3, . . . , dónde

X 1 < X 2 < X 3 < · · ·, a continuación, la función de distribución F de X es una función escalonada. Es decir,
sección 4.3 Valor esperado 125
El valor de F es constante en los intervalos [ X yo - 1, X yo) y luego da un paso (o salto) de tamaño p (x yo) a X yo. Por ejemplo, si X
tiene una función de masa de probabilidad dada por
pag( 1) = 1 pag( 2) = 1 pag( 3) = 1 pag( 4) = 1

4 2 8 8
entonces su función de distribución acumulada es

•••••••••••••••••••
0 un < 1
14 1 ... un < 2
34 2 ... un < 3
F (a) =
78 3 ... un < 4 1 4 ... un
Esta función se representa gráficamente en la Figura 4.3.
Fa)
7-8
3-4
1-4
un
1 2 3 4
FIGURA 4.3
Tenga en cuenta que el tamaño del paso en cualquiera de los valores 1, 2, 3, y 4 es igual a la probabilidad de que X
asume que el valor particular.
4.3 Valor esperado
Uno de los conceptos más importantes de la teoría de probabilidades es el de la expectativa de una variable aleatoria.
Si X es una variable aleatoria discreta que tiene una función de masa de probabilidad p (x), entonces el expectativa, o el valor
esperado, de X, denotado por EX], se define por
E [X] = Σ XP (x)
x: p (x)> 0
En otras palabras, el valor de espera X es un promedio ponderado de los valores posibles que
X puede adoptar, cada valor se pondera por la probabilidad de que X asume la misma. Por ejemplo, por un lado,
si la función de masa de probabilidad de X es dado por
pag( 0) = 1
2 = pag( 1)
entonces ( 1 2)
2 ( 1 2)
2
E [X] = 0 + 1 =1
2
es sólo el promedio corriente de los dos valores posibles, 0 y 1, que X puede asumir. Por otro lado, si
pag( 0) = 1 pag( 1) = 2
3 3
entonces
( 1 3)
3 ( 2 3)
3
E [X] = 0 + 1 =2
3
es una media ponderada de los dos valores posibles 0 y 1, donde se da el valor 1 el doble de peso como el
valor 0, ya pag( 1) = 2 pag( 0).
Otra motivación de la definición de la expectativa es proporcionada por la interpretación de frecuencia de
probabilidades. Esta interpretación (fi parcialmente justificado por las fuertes grandes números lawof, para ser presentado
inChapter 8) asume que si una secuencia infinita de replicaciones independientes de un experimento se lleva a cabo, a
continuación, para cualquier evento MI,
la proporción de tiempo que mi ocurre serán EDUCACIÓN FÍSICA). Ahora, considere una variabilidad aleatoria poder X que hay que
tener en uno de los valores X 1, X 2, . . . X norte con probabilidades respectivas
p (x 1), p (x 2), . . . , p (x norte), y pensar X como la representación de nuestras ganancias en un solo juego de azar. Es decir, con una
probabilidad p (x yo) vamos a ganar X yo unidades i = 1, 2,. . . , norte. Por la interpretación frecuencia, si jugamos este juego
continuamente, entonces la proporción de tiempo que ganamos X yo estarán p (x yo). Puesto que esto es cierto para todos i, i = 1, 2,. . . ,
norte, se sigue que nuestras ganancias promedio por partido serán
Σ norte
X yo p (x i) = EX]
i=1
Ejemplo 3a
Encontrar EX], dónde X es el resultado cuando tiramos un dado limpio.
Solución. Ya que pag( 1) = pag( 2) = pag( 3) = pag( 4) = pag( 5) = pag( 6) = dieciséis , obtenemos
)
( dieciséis )
( dieciséis )
( dieciséis )
( dieciséis )
( dieciséis )
( dieciséis
E [X] = 1 + 2 + 3 + 4 + 5 + 6 =7
2 .
Ejemplo 3b
Nosotros decimos eso yo es una variable de indicador para el evento UN Si
I = { 1 si UN ocurre
0 si UN do ocurre
Encontrar E [I].
Solución. Ya que pag( 1) = P (A), p ( 0) = 1 - PENSILVANIA), tenemos
E [I] = P (A)
Es decir, el valor esperado de la variable de indicador para el evento UN es igual a la probabilidad de que UN ocurre.
.
sección 4.3 Valor esperado 127
Ejemplo 3c
Un concursante en un concurso se presenta con dos preguntas, las preguntas 1 y 2, las cuales deben intentar
responder en algún orden que elija. Si se decide a tratar pregunta yo
primero, a continuación, se le permitirá ir a la pregunta j, j Z yo, sólo si su respuesta a la pregunta
yo es correcto. Si su respuesta inicial es incorrecta, no se le permite responder a las demás cues- ción. El
competidor es recibir V yo dólares si se responde a la pregunta yo correctamente, i = 1, 2. Por ejemplo, recibirá V 1 + V 2 dólares
si contesta ambas preguntas correctamente. Si la probabilidad de que él sabe la respuesta a la pregunta yo es PAG yo,
i = 1, 2, que pregunta si él intentará responder primero a fin de maximizar sus ganancias esperadas? Asumir que los
eventos mi yo, i = 1, 2, que conoce la respuesta a la pregunta yo son eventos independientes.
Solución. Por un lado, si se trata de responder a la pregunta 1 primero, entonces él va a ganar
0 con probabilidad 1 - PAG 1

V1 con probabilidad PAG 1 ( 1 - PAG 2)
V 1 + V 2 con probabilidad PAG 1 PAG 2
Por lo tanto, sus ganancias esperadas en este caso serán
V 1 PAG 1 ( 1 - PAG 2) + ( V 1 + V 2) PAG 1 PAG 2
Por otro lado, si se trata de responder a la pregunta 2 primero, sus ganancias esperadas serán
V 2 PAG 2 ( 1 - PAG 1) + ( V 1 + V 2) PAG 1 PAG 2
Por lo tanto, es mejor tratar la cuestión 1 primero si
V 1 PAG 1 ( 1 - PAG 2) Ú V 2 PAG 2 ( 1 - PAG 1)
o, equivalentemente, si
V 1 PAG 1
1 - PAG 1 Ú V 2 PAG12 - PAG 2
Por ejemplo, si él es 60 por ciento seguro de responder a la pregunta 1, un valor de $ 200, correcta y que es 80 por ciento
seguro de responder a la pregunta 2, por valor de $ 100, correctamente, entonces debe tratar de responder a la pregunta 2,
porque primero
400 = (100) (8). > ( 200) (. 6) .

.2 . 4 = 300
Ejemplo 3d
Una clase de escuela de 120 estudiantes se acciona en 3 autobuses a una interpretación sinfónica. Hay 36
estudiantes en uno de los autobuses, en otro 40, y 44 en el tercer autobús. Cuando llegan los autobuses, uno de los
120 estudiantes se elige al azar. Dejar X denotar el número de estudiantes en el autobús de ese estudiante elegido al
azar, y nd fi EX].
Solución. Dado que el estudiante elegido al azar es la misma probabilidad de ser cualquiera de los 120 estudiantes, se deduce
que
P {X = 36} = 36
120 P {X = 40} = 40 120 P {X = 44} = 44 120
Por lo tanto, ( 3 10 ) ( 1 3)
3 ( 11 )
E [X] = 36 + 40 + 44 = 1208
30 30 = 40.2667
Sin embargo, el número promedio de estudiantes en un autobús es 120/3 = 40, que muestra que el número esperado
de estudiantes en el autobús de un estudiante elegido al azar es mayor que el número promedio de estudiantes en un
autobús. Este es un fenómeno general, y que se debe a las más estudiantes hay en un autobús, lo más probable es
que un estudiante elegido al azar habría sido en ese bus. Como resultado, los autobuses con muchos estudiantes se
les da más peso que aquellos con un menor número de alumnos. (Ver Self Test-Problema 4.).
Observación. El concepto de probabilidad de expectativa es análogo al concepto de la física centro de gravedad de una
distribución de masa. Considere una variable aleatoria discreta X que tiene la función de masa de probabilidad p (x yo), yo Ú 1. Si
ahora imaginamos una varilla de menos peso en el que los pesos con los medios de p (x yo), yo Ú 1, están situados en los
puntos X yo, yo Ú 1 (véase la figura 4.4), entonces el punto en el que la varilla estaría en equilibrio se conoce como el centro de
gravedad. Para aquellos lectores familiarizados con la estática elementales, ahora es una simple cuestión de demostrar que
este punto está en EX]. †
-1 0 1^ 2
pag( -1) = 0.10, pag( 0) = 0.25, pag( 1) = 0,30, pag( 2) = 0,35
^ = Centro de gravedad = 0,9
Figura 4.4
4,4 esperanza de una función de una variable aleatoria
Supongamos que se nos da una variable aleatoria discreta junto con su función de masa de probabilidad y
que queremos calcular el valor esperado de alguna función de X,
decir, g (X). ¿Cómo podemos lograr esto? Una forma es la siguiente: Desde g (X) es en sí mismo una variable aleatoria discreta,
tiene una función de masa de probabilidad, que puede ser determinada a partir de la función de masa de probabilidad de X. Una
vez que hemos determinado la función de masa de probabilidad de g (X), podemos calcular E [g (X)] mediante el uso de la
definición del valor esperado.
Ejemplo 4a
Dejar X denotar una variable aleatoria que toma en cualquiera de los valores - 1, 0, y 1 con probabilidades respectivas
P {X = - 1} = 0.2 P {X = 0} = 0.5 P {X = 1} = 0.3
Calcular EX 2].
Solución. Dejar Y = X 2. Entonces la función de masa de probabilidad de Y es dado por
P {Y = 1} = P {X = - 1} + P {X = 1} = 0.5
P {Y = 0} = P {X = 0} = 0.5
Por lo tanto,
EX 2] = E [Y] = 1 (0,5) + 0 (0,5) = 0.5
† Para probar esto, hay que demostrar que la suma de los pares que tiende a girar en torno al punto EX]
es igual a 0. Es decir, debemos demostrar que 0 = Σ ( xi - E [X]) p (x yo), que es inmediata.

yo
sección 4.4 Esperanza de una función de una variable aleatoria 129
Tenga en cuenta que
. 5 = EX 2] Z ( EX]) 2 = . 01 .
Aunque el procedimiento anterior siempre nos permitirá calcular el valor esperado de cualquier función de X a
partir de un conocimiento de la función de masa de probabilidad de X,
hay otra manera de pensar acerca E [g (X)]: Ya que g (X) será igual g (x) cuando
X es igual a X, parece razonable que E [g (X)] sólo debe ser un promedio ponderado de los valores g (x), con g (x) siendo
ponderada por la probabilidad de que X es igual a X. Es decir, el siguiente resultado es bastante intuitiva:
Proposición 4.1.
Si X es una variable aleatoria discreta que lleva en uno de los valores X yo, yo Ú 1, con probabilidades respectivas p (x yo), entonces,
para cualquier función real gramo,
E [g (x)] = Σ g (x yo) p (x yo)

yo
Antes de probar esta proposición, vamos a ver que está de acuerdo con los resultados del Ejemplo 4a. Su
aplicación en ese ejemplo rendimientos
EX 2} = ( - 1) 2 (. 2) + 0 2 (. 5) + 1 2 (. 3)
= 1 (0.2 + 0.3) + 0 (0,5)
=. 5
que está de acuerdo con el resultado dado en el Ejemplo 4a.
Demostración de la proposición 4.1: La prueba de la proposición 4.1 procede, como en el veri fi cación precedente, mediante la
agrupación de todos los términos en Σ
g (x yo) p (x yo) que tienen el mismo valor
yo
de g (x yo). Concretamente, supongamos que y j, j Ú 1, representan los diferentes valores de g (x yo), yo Ú 1. A continuación, la agrupación de
toda la g (x yo) que tienen el mismo valor da
Σ Σ
g (x yo) p (x i) = Σ g (x yo) p (x yo)
yo j i: g (x i) = yj
Σ
=Σ y j p (x yo)
j i: g (x i) = yj
Σ
=Σ yj p (x yo)
j i: g (x i) = yj
=Σ y j P {g (X) = y j}
j
= E [g (X)]
4b Ejemplo
Un producto que se vende por estacionalidad produce una red de fi nes de segundo dólares por cada unidad vendida y una pérdida neta de dólares
por cada unidad de la izquierda sin vender cuando termine la temporada. El número de unidades del producto que se ordenan en una tienda de
departamento de fi específico durante cualquier estación es una función de masa de probabilidad variable aleatoria que tiene p (i), i Ú 0. Si la
tienda tiene que abastecerse de este producto por adelantado, determinar el número de unidades de la tienda debe abastecerse con el fin de
maximizar su beneficio esperado fi cio.
Solución. Dejar X denotar el número de unidades solicitadas. Si s unidades están llenos, entonces el per fi t-llaman PD) -puede
ser expresado como
P (s) = bX - ( s - X) Si X ... s
= sb Si X> s
Por lo tanto, el beneficio esperado es igual a fi cio
Σ Σ
E [P (s)] = s [ bi - ( s - i)] p (i) + q sbp (i)
i=0 i=S+1
•• 1 - s ••
s s
Σ Σ Σ
=(b+) ip (i) - s Pi) + sb Pi)
i=0 i=0 i=0
Σs Σs
=(b+) ip (i) - ( b + ) s Pi) + sb
i=0 i=0
Σs
= sb + (b + ) ( yo - s) p (i)
i=0
Para determinar el valor óptimo de s, investiguemos qué sucede con el fi nes cuando aumentamos s por 1
unidad. Por sustitución, vemos que la esperada per fi t en este caso viene dada por
s+1
Σ
E [P (s + 1)] = b (s + 1) + ( b + ) ( yo - s - 1) Pi)
i=0
Σs
= b (s + 1) + ( b + ) ( yo - s - 1) Pi)
i=0
Por lo tanto,
Σs
E [P (s + 1)] - E [P (s)] = b - ( b + ) Pi)
i=0
Por lo tanto, la media s + 1 unidades serán mejores que la media s unidades, siempre que sea
Σs
p (i) <b (4,1)
b+
i=0
Debido a que el lado izquierdo de la ecuación (4.1) está aumentando en s mientras que el lado derecho es constante, la
desigualdad será satisfecha para todos los valores de s ... s *, dónde s * es el mayor valor de s Ecuación satisfactorio (4,1). Ya
que
E [P ( 0)] < · · · < E [P (s *)] < E [P (s * + 1)]> E [P (s * + 2)]> · · ·
se deduce que la media s * + 1 materiales dará lugar a una máxima esperada fi nes. .
Utilidad 4c Ejemplo
Supongamos que se debe elegir una de dos acciones posibles, cada uno de los cuales pueden resultar en cualquiera de norte consecuencias,
denominado do 1, . . . , do norte. Supongamos que si la acción es primero
sección 4.4 Esperanza de una función de una variable aleatoria 131
elegido, consecuencia entonces do yo resultará con probabilidad pag yo, i = 1,. . . , norte, mientras que si se elige la segunda
acción, entonces consecuencia do yo resultará con probabilidad q yo,
Σ Σ
i = 1,. . . , norte, dónde norte pag i = n q i = 1. El siguiente método se puede utilizar para determinar
i=1 i=1
mina que la acción para elegir: empezar por la asignación de valores numéricos a las diferentes consecuencias de la siguiente
manera: En primer lugar, se identifican los más pequeños y los más deseable una consecuencias a llamarlos do y DO, respectivamente;
dará consecuencia do el valor 0 y dar do el valor 1. Ahora considere cualquiera de los otros norte - 2 consecuencias, dicen, do yo. Para
valorar esta consecuencia, imagina que se le da la posibilidad de elegir entre cualquiera remitente como del destinatario do yo o
tomar parte en un experimento aleatorio que, o bien le gana consecuencia do
con probabilidad u o consecuencia do con probabilidad 1 - u. Claramente, su elección dependerá del valor
de u. Por un lado, si u = 1, entonces el experimento es cierto para resultar en consecuencia DO, y desde do es
la consecuencia más deseable, se prefiere participando en el experimento para recibir do yo. Por otro lado, si u
= 0, entonces el experimento se traducirá en la menos deseable consecuencia, a saber, do -SO en este caso
se prefiere la consecuencia do yo a participar en el experimento. No fue u disminuye de 1 a 0, parece
razonable que su elección en algún punto de conexión de participar en el experimento a la devolución de
cierta do yo, y en ese punto de conmutación crítico va a ser indiferente entre las dos alternativas. Tome
probabilidad de que la indiferencia u como el valor de la consecuencia do yo. En otras palabras, el valor de do yo
es que la probabilidad u tales que son indiferentes entre ambos recep- ción la consecuencia do yo o tomar
parte en un experimento que devuelve consecuencia do
con probabilidad u o consecuencia do con probabilidad 1 - u. A esto le llamamos la indiferencia probabilidad de la utilidad
de la consecuencia do yo, y se designa como u (C yo).
Para determinar qué acción es superior, tenemos que evaluar cada una de ellas. Considere la acción primera, lo que resulta
en consecuencia do yo con probabilidad pag yo, i = 1,. . . , norte. Podemos pensar en el resultado de esta acción como está determinado
por un experimento de dos etapas. En la primera etapa, uno de los valores 1,. . . , norte se elige de acuerdo con las probabilidades pag
1, . . . , pag norte;
si el valor yo se elige, recibirá consecuencia do yo. Sin embargo, desde do yo es equivalente a la obtención consecuencia
do con probabilidad u (C yo) o consecuencia do con probabilidad 1 - u (C yo), se deduce que el resultado del experimento
de dos etapas es equivalente a un experimento en el que ya sea consecuencia do o consecuencia do se obtiene, con do
siendo obtenido con probabilidad
Σ norte
pag yo u (C yo)
i=1
Del mismo modo, el resultado de la elección de la segunda acción es equivalente a tomar parte en un experimento en el
que ya sea consecuencia do o consecuencia do se obtiene, con do siendo obtenido con probabilidad
Σ norte
q yo u (C yo)
i=1
Ya que do es preferible do, se deduce que la acción primera es preferible a la segunda acción si
Σ norte Σ norte
pag yo u (C yo) > q yo u (C yo)
i=1 i=1
En otras palabras, el valor de una acción puede ser medido por el valor esperado de la utilidad de su
consecuencia, y de la acción con la mayor utilidad esperada es la más preferible.
.
Una consecuencia lógica sencilla de la Proposición 4.1 es Corolario 4.1.
Corolario 4.1. Si un y segundo son constantes, entonces
E [aX + b] = aE [X] + b
Prueba.
E [aX + b] = Σ ( ax + b) p (x)
x: p (x)> 0
= un Σ XP (x) + b Σ p (x)
x: p (x)> 0 x: p (x)> 0
= aE [X] + b
El valor esperado de una variable aleatoria X, E [X], también se conoce como la media
o el primer momento de X. La cantidad EX norte], norte Ú 1, se llama el n-ésimo momento de X.
Por la Proposición 4.1, observamos que
EX n] = Σ X norte p (x)
x: p (x)> 0
4.5 VARIACIÓN
Dada una variable aleatoria X junto con su función de distribución F, sería muy útil si hemos sido capaces de
resumir las propiedades esenciales de F por determinados adecuadamente de fi nidas medidas. Una de estas
medidas sería EX], el valor esperado de X. Sin embargo aunque EX] se obtiene la media ponderada de los
valores posibles de
X, no nos dice nada acerca de la variación, o se extiende, de estos valores. Por ejemplo, aunque variables
aleatorias W, Y, y Z con función de masa de probabilidad determinados por
W = 0 con probabilidad 1
••• - 1 con probabilidad 12
=Y
+ 1 con probabilidad 12
••• - 100 con probabilidad 12
Z=
+ 100 con probabilidad 12
todos tienen la misma expectativa, a saber, 0-hay una mucho mayor dispersión en los valores de posible Y que
en los de W ( que es una constante) y en los valores posibles de Z que en los de Y.
Debido a que esperan X para asumir valores en torno a su media EX], parecería que una forma
razonable de medir la posible variación de X sería mirar a lo lejos X sería a partir de su media, en promedio.
Una forma posible medir esta variación sería considerar la cantidad E [| X - μ |], dónde μ = EX]. Sin embargo,
resulta ser matemáticamente inconveniente para hacer frente a esta cantidad, por lo que una cantidad más
manejable generalmente se considera, a saber, la expectativa del cuadrado de la diferencia entre X y su
media. por lo tanto tenemos la siguiente definición.
sección 4.5 Diferencia 133
De fi nición
Si X es una variable aleatoria de media μ, entonces la varianza de X, denotado por Var ( X),
se define por
var ( X) = E [(X - μ) 2]
Una fórmula alternativa Var ( X) se deriva como sigue:
var ( X) = E [(X - μ) 2]
=Σ ( X - μ) 2 p (x)
X
=Σ ( X 2 - 2 μ x + μ 2) p (x)
X
Σ
=Σ X 2 p (x) - 2 μ XP (x) + μ 2 Σ p (x)
X X X
= EX 2] - 2 μ 2 + μ 2
= EX 2] - μ 2
Es decir,
var ( X) = E [X 2] - ( EX]) 2
En otras palabras, la varianza de X es igual al valor esperado de X 2 menos el cuadrado de su valor esperado.
En la práctica, esta fórmula ofrece a menudo la manera más fácil de calcular Var ( X).
Ejemplo 5a
Calcule Var ( X) Si X representa el resultado cuando se rueda un dado limpio.
Solución. Se mostró en el Ejemplo 3a que E [X] = 72. También,
)
( dieciséis )
( dieciséis )
( dieciséis )
( dieciséis )
( dieciséis )
( dieciséis
EX 2] = 1 2 + 22 + 32 + 42 + 52 + 62
)
=(1 ( 91)
6
Por lo tanto,
) 2= 35
var ( X) = 91
6-(7 2 12 .
Una identidad útil es que, para cualquier constante un y segundo,
var ( aX + b) = a 2 var ( X)
Para probar esta igualdad, y mucho μ = EX] y la nota del Corolario 4.1 que E [aX + b] = a μ + segundo. Por lo tanto,
var ( aX + b) = E [(aX + b - un μ - segundo) 2]
= E [a 2 ( X - μ) 2]
= un 2 EX - μ) 2]
= un 2 var ( X)
Observaciones. (A) De forma análoga a los medios de ser el centro de gravedad de una distribución
ción de la masa, la varianza representa, en la terminología de la mecánica, el momento de inercia.
(B) La raíz cuadrada de la Var ( X) que se llama el desviación estándar de X, y lo denotamos por SD ( X). Es
decir,
DAKOTA DEL SUR( X) = √ var ( X)
variables aleatorias discretas son a menudo clasi fi ed de acuerdo a sus funciones de masa de probabilidad. En las
siguientes secciones, consideramos algunos de los tipos más comunes.
4.6 El VARIABLES Bernoulli y aleatoria binomial
Supongamos que un ensayo, o un experimento, cuyos resultados pueden clasificarse ya sea como una
éxito o una fracaso es interpretado. Si dejamos X = 1 cuando el resultado es un éxito y
X = 0 cuando se trata de un fallo, entonces la función de masa de probabilidad de X es dado por
pag( 0) = P {X = 0} = 1 - páginas( 1) = P {X = 1}
(6,1)
= pag
dónde pag, 0 ... pag ... 1, es la probabilidad de que el juicio es un éxito. Una variable aleatoria X se dice que es una variable
aleatoria Bernoulli ( después de que el matemático suizo Jacques Bernoulli) si su función de masa de probabilidad está dada
por las ecuaciones (6.1) para algunos pag ∈ ( 0, 1). Supongamos ahora que norte ensayos independientes, cada uno de los
cuales se traduce en un éxito con la capacidad proble- pag y en un fracaso con probabilidad 1 - pag, se han de realizar. Si X representa
el número de éxitos que ocurren en el norte ensayos, entonces X se dice que es una variable aleatoria binomial con parámetros
( norte, pag). Por lo tanto, una variable aleatoria de Bernoulli es sólo una variable aleatoria binomial con parámetros (1, pag).
La función de masa de probabilidad de una variable que tiene parámetros aleatoria binomial ( norte, pag) es dado por
)
p (i) = (ni pag yo( 1 - pag) norte - yo i = 0, 1,. . . , norte (6,2)
La validez de la ecuación (6.2) puede ser verificable ed por primera notar que la probabilidad de que cualquier secuencia particular
de norte los resultados que contengan yo éxitos y norte - yo fracasos es, por supuesto la independencia de los ensayos, pag yo( 1 - pag)
norte - yo. La ecuación (6.2), )

( Nientonces sigue, ya que hay
diferentes secuencias de la norte que conducen a resultados yo éxitos y

( Ni )
norte - yo fracasos. Esto tal vez lo más fácilmente puede observarse por el hecho de que hay
( 42la yo
diferentes opciones de ) ensayos que se traducen en éxitos. Por ejemplo, si n = 4, i = 2, entonces hay
= 6 maneras en que los cuatro ensayos puede resultar en dos éxitos,
sección 4.6 Las variables de Bernoulli y binomial azar 135
a saber, cualquiera de los resultados ( s, s, f, f), (s, f, s, f), (s, f, f, s), (f, s, s, f), (f, s, f, s), y ( f, f, s, s), donde el resultado ( s, s, f, f) medio
por ejemplo, que los primeros dos ensayos son éxitos y los dos últimos fracasos. Como cada uno de estos
resultados tiene una probabilidad
pag( 42
2 ( 1 - pag) 2 de ocurrir, la probabilidad deseada de dos éxitos en los cuatro ensayos es
)
pag 2 ( 1 - pag) 2.
Tenga en cuenta que, por el teorema del binomio, las probabilidades sumen 1; es decir,
Σq Σ ( ni) p yo( 1 - pag) norte - i = [ p + ( 1 - pag)] n = 1

p (i) = norte
i=0 i=0
Ejemplo 6a
Cinco monedas razonable se fl ipped. Si los resultados se suponen independientes, encuentre la función de masa bilidad
proba- del número de cabezas obtenidos.
Solución. Si dejamos X igual al número de cabezas (éxitos) que aparecen, entonces X)

es una variable aleatoria binomial con parámetros ( n = 5, p = 12 . Por lo tanto, por ecuaciones
ción (6.2),
)(12) 0( 1 ) 5= 1
P {X = 0} = (50
2 32
)(12) 1( 1 ) 4= 5
P {X = 1} = (51
2 32
)(12) 2( 1 ) 3= 10
P {X = 2} = (52
2 32
)(12) 3( 1 ) 2= 10
P {X = 3} = (53
2 32
)(12) 4( 1 ) 1= 5
P {X = 4} = (54
2 32
)(12) 5( 1 ) 0= 1
P {X = 5} = (55
2 32 .
6b Ejemplo
Se sabe que los tornillos producidos por una determinada empresa serán defectuosos con probabilidad 0,01,
independientemente el uno del otro. La compañía vende los tornillos en paquetes de 10 y ofrece una garantía de
devolución del dinero que a lo sumo 1 de los 10 tornillos es defectuoso. ¿Qué proporción de los paquetes vendidos debe
sustituir a la empresa?
Solución. Si X es el número de tornillos defectuosos en un paquete, a continuación, X es una variable aleatoria binomial con
parámetros (10, 0,01). Por lo tanto, la probabilidad de que un paquete tendrá que ser reemplazado es
) )
1 - P {X = 0} - P {X = 1} = 1 - ( 10 (. 01) 0 (. 99) 10 - ( 10 (. 01) 1 (. 99) 9
0 1
L. 004
Así, sólo 0.4 por ciento de los paquetes tendrá que ser reemplazado. .
6c Ejemplo
El siguiente juego de juego, conocido como la rueda de la fortuna (o arrojar-uno-suerte), es muy popular en los
carnavales y muchos casinos de juego: un jugador apuesta a uno de los números del 1 al 6. Tres dados a continuación
se enrollan, y si aparece la apuesta por el jugador número yo veces, i = 1, 2, 3, entonces el jugador gana yo unidades; si
la apuesta por el jugador número no aparece en ninguno de los dados, el jugador pierde 1 unidad. Este juego es justo
para el jugador? (En realidad, el juego es jugado por girar una rueda que viene a descansar sobre una ranura con la
etiqueta por tres de los números del 1 al 6, pero esta variante es matemáticamente equivalente a la versión dados.)
Solución. Si asumimos que los dados son justos y actúan de forma independiente el uno del otro, entonces el número de
)
veces que aparece la apuesta número es una variable aleatoria binomial con parámetros (3, dieciséis
. Por lo tanto, dejar X denotar las ganancias del jugador en el juego,
tenemos
) 0(
) ( dieciséis 5 ) 3= 125
P {X = - 1} = (30
6 216
) 1(
) ( dieciséis 5 ) 2= 75
P {X = 1} = (31
6 216
) 2(
) ( dieciséis 5 ) 1= 15
P {X = 2} = (32
6 216
) 3(
) ( dieciséis 5 ) 0= 1
P {X = 3} = (33
6 216
Con el fin de determinar si es o no es un juego justo para el jugador, vamos calcularon las finales EX]. A partir de las
probabilidades anteriores, obtenemos
E [X] = - 125 + 75 + 30 + 3
216
= - 17
216
Por lo tanto, en el largo plazo, el jugador perderá 17 unidades por cada 216 partidos en los que juega. .
En el siguiente ejemplo, se considera la forma más simple de la teoría de la herencia como el desarrollado por
Gregor Mendel (1822-1884).
6d Ejemplo
Supongamos que un rasgo particular (por ejemplo, color de los ojos o zurdo) de una persona se clasifica ed sobre
la base de un par de genes, y supongamos también que re representa un gen inante dom- y r un gen recesivo. Por
lo tanto, una persona con dd genes es puramente dominante, uno con rr es puramente recesivo, y uno con rd es
híbrido. Los individuos puramente dominantes y el híbrido son iguales en apariencia. Los niños reciben 1 gen de
cada padre. Si, con respecto a un rasgo particular, 2 padres híbridos tienen un total de 4 niños, lo que es la
probabilidad de que 3 de los 4 niños tienen la apariencia exterior del gen dominante?
Solución. Si asumimos que cada niño tiene la misma probabilidad de heredar cualquiera de los 2 genes de cada padre,
las probabilidades de que el niño de 2 padres híbridos tendrán dd, rr, y rd pares de genes son, respectivamente, 14, 14, y 12. Por
lo tanto, puesto que una descendencia
tener el aspecto exterior del gen dominante si su par de genes es o bien dd o rd,
se deduce que el número de estos niños se distribuye binomial con parámetros
( 4, 34 )
. Por lo tanto, la probabilidad deseada es
( 43 )(34) 3( 1 ) 1= 27
.
4 64
6e Ejemplo
Considere un juicio con jurado en el que tiene 8 de los 12 miembros del jurado para condenar al acusado; es decir, para
que el acusado de ser condenado, al menos 8 de los miembros del jurado deben votar culpable. Si asumimos que los
jurados actúan de forma independiente y que, si el Dant defen- es culpable, cada uno toma la decisión correcta con
probabilidad θ, ¿cuál es la probabilidad de que el jurado emite una decisión correcta?
Solución. El problema, como se dijo, es incapaz de solución, para todavía no existe suficiente información. Por
ejemplo, si el acusado es inocente, la probabilidad de que el jurado de rendir una decisión correcta es
( 12 )
Σ12
θ yo( 1 - θ) 12 - yo
yo
i=5
mientras que, si él es culpable, la probabilidad de una decisión correcta es
( 12 )
Σ12
θ yo( 1 - θ) 12 - yo
yo
i=8
Por lo tanto, si α representa la probabilidad de que el acusado es culpable, entonces, por namiento condi- sobre si es
o no es culpable, obtenemos la probabilidad de que el jurado emite una decisión correcta:
( 12 ) ( 12 )
Σ12 Σ12
α θ yo( 1 - θ) 12 - i + ( 1 - α) θ yo( 1 - θ) 12 - yo
yo yo .
i=8 i=5
Ejemplo 6f
Un sistema de comunicación consiste en norte componentes, cada uno de los cuales, de forma independiente, la función
con probabilidad pag. El total systemwill sea capaz de funcionar eficazmente si al menos la mitad de su función
componentes. (A) Para qué valores de pag es una 5-componente systemmore probable para operar con eficacia
que un sistema de 3 componentes? (B) En general, cuando es un (2 k + 1) Sistema de -component mejor que una
(2 k - 1) sistema de componentes?
Solución. ( a) Debido a que el número de componentes de funcionamiento es una variable aleatoria binomial con
parámetros ( norte, pag), se deduce que la probabilidad de que un sistema de 5-componente será eficaz es
( 53 ) )
pag 3 ( 1 - pag) 2 + ( 54 pag 4 ( 1 - pag) + p 5
mientras que la probabilidad correspondiente para un sistema de 3-componente es
( 32 )
pag 2 ( 1 - pag) + p 3
Por lo tanto, el sistema 5-componente es mejor si
10 pag 3 ( 1 - pag) 2 + 5 pag 4 ( 1 - pag) + p 5> 3 pag 2 ( 1 - pag) + p 3
lo que reduce a
3 ( pag - 1) 2 ( 2 pag - 1) > 0
p> 1
2
(B) En general, un sistema con 2 k + 1 componentes serán mejor que uno con 2 k - 1 componentes si (y solo
si) p> 12. Para probar esto, considere un sistema de 2 k + 1 Componentes y dejar X denotar el número de la
primera 2 k - 1 que la función. Entonces
PAG 2 k + 1 ( efectiva) = P {X Ú k + 1} + P {X = k} ( 1 - ( 1 - pag) 2)
+ P {X = k - 1} pag 2
que sigue porque el (2 k + 1) Sistema de -component será efectivo si, bien (i) X Ú k + 1; (Ii) X = k y al
menos una de la función de 2 componentes restantes; o (iii) X = k - 1 y ambos de la siguiente función
de 2 componentes. Ya que
PAG 2 k - 1 ( efectiva) = P {X Ú k}
= P {X = k} + P {X Ú k + 1}
obtenemos
PAG 2 k + 1 ( eficaz) - PAG 2 k - 1 ( eficaz)
= P {X = k - 1} pag 2 - ( 1 - pag) 2 P {X = k}
) (2k-1 )
=(2k-1 pag k - 1 ( 1 - pag) k pag 2 - ( 1 - pag) 2 pag k ( 1 - pag) k - 1
k-1 k
) (2k-1 ) )
=(2k-1 pag k ( 1 - pag) k [ pag - ( 1 - pag)] ya que =(2k-1
k k-1 k
> 0 3 p> 1
2 .
4.6.1 Propiedades de variables aleatorias binomial
Ahora vamos a examinar las propiedades de una variable aleatoria binomial con parámetros
norte y pag. Para empezar, vamos a calcular su valor esperado y la varianza. Ahora,
( Ni )
Σ
EX k] = n yo k pag yo( 1 - pag) norte - yo
i=0
( Ni )
Σ
= norte yo k pag yo( 1 - pag) norte - yo
i=1
El uso de la identidad
( Ni ) ( norte - 1 )
yo = norte
yo - 1
da
( norte - 1 )
Σ norte
EX k] = notario público yo k - 1 pag yo - 1 ( 1 - pag) norte - yo
yo - 1
i=1
( norte - 1 )
Σ
norte - 1
(j
= notario público + 1) k - 1 j=i-1
pag j ( 1 - pag) norte - 1 - j Dejando
j
j=0
= NPE [(Y + 1) k - 1]
dónde Y es una variable aleatoria binomial con parámetros norte - 1, pag. Ajuste k = 1 en los rendimientos de ecuaciones anteriores
E [X] = np
Es decir, el número esperado de éxitos que se producen en norte ensayos independientes cuando cada uno es un éxito con
probabilidad pag es igual a notario público. Ajuste k = 2 en la anterior ecuación ción, y utilizando la fórmula anterior para el
valor esperado de un binomio rendimientos variables aleatorias
EX 2] = NPE [Y + 1]
= np [(n - 1) p + 1]
Ya que E [X] = np, obtenemos
var ( X) = E [X 2] - ( EX]) 2
= np [(n - 1) p + 1] - ( notario público) 2
= notario público( 1 - pag)
En resumen, hemos demostrado lo siguiente:

Si X es una variable aleatoria binomial con parámetros norte y pag, entonces
E [X] = np
var ( X) = np ( 1 - pag)
Detalles La siguiente proposición cómo los binomiales de masa de probabilidad función primera aumenta y luego
disminuye.
Propuesta 6.1. Si X es una variable aleatoria binomial con parámetros ( norte, pag), donde 0 < p < 1, entonces como k
va de 0 a n, P {X = k} primera aumenta monótonamente y luego disminuye monótonamente, alcanzando su valor
más grande cuando k es el mayor entero menor o igual a ( n + 1) pag.
Prueba. Se prueba la proposición considerando P {X = k} / P {X = k - 1} y determinando para qué valores

de k es mayor o menor que 1. Ahora,
¡norte!
P {X = k} P {X = k - 1} ( norte - k)! k! p k ( 1 - pag) norte - k

=
¡norte!
( norte - k + 1)! ( k - 1)! pag k - 1 ( 1 - pag) norte - k + 1
= ( norte - k + 1) pag
k ( 1 - pag)
Por lo tanto, P {X = k} Ú P {X = k - 1} si y sólo si
( norte - k + 1) pag Ú k ( 1 - pag)
o, equivalentemente, si y sólo si
k ... ( n + 1) pag
y la proposición se prueba. .
Como una ilustración de la Propuesta 6,1 considere que la Figura 4.5, la gráfica de la función de masa de probabilidad
de una variable aleatoria binomial con parámetros (10, 12).
6g Ejemplo
En una elección presidencial en Estados Unidos, el candidato que obtiene el número máximo de votos en un estado es
otorgado el número total de votos de los colegios electorales asignados a
1024 p (k)
252
210
120
45
10
1
k
0 1 2 3 4 5 6 7 8 9 10
) ( 12
) 10
FIGURA 4.5 gráfico de p (k) = ( 10
k
ese estado. El número de votos de los colegios electorales de un estado determinado es más o menos cional proporcional a la
población de ese estado, es decir, un estado con la población norte tiene más o menos
Carolina del Norte votos electorales. (En realidad, está más cerca de NC + 2, como un estado se le da un voto electoral por
cada miembro que tiene en la Cámara de Representantes, con el número de estos representantes son más o menos
proporcional a la población del estado, y uno voto del colegio electoral para cada uno de sus dos senadores). determinemos
la potencia media de un ciudadano en un estado de tamaño norte en una estrecha elección presidencial, en donde, por potencia
media en una elección cerrada, nos referimos a que un votante en un estado de tamaño n = 2 k + 1 será decisivo si el otro norte -
1 electores se dividieron sus votos por igual entre los dos candidatos. (Estamos suponiendo que aquí norte es raro, pero el
caso en que norte que es aún es bastante similar.) Debido a que la elección está cerca, vamos a suponer que cada una de la
otra norte - 1 = 2 k
los votantes actúa de forma independiente y tiene la misma probabilidad de votar por uno u otro candidato. Por lo tanto, la
probabilidad de que un votante en un estado de tamaño n = 2 k + 1 hará una diferencia en el resultado es la misma que la probabilidad
de que 2 k lanzamientos de una moneda de tierra justo cabezas y colas de un número igual de veces. Es decir,
PAG{ votante en estado de tamaño 2 k + 1} hace la diferencia

)(12) k( 1 ) k
=(2k
k 2
= ( 2 k)! k! k! 2 2
k
Para aproximarse a la igualdad anterior, hacemos uso de la aproximación de Stirling, que dice que, por k grande,
k! ~ k k + 1/2 mi - k √ 2 π
en la que decimos que un k ~ segundo k cuando la relación un k / segundo k se aproxima a 1 como k enfoques q.
Por lo tanto, se deduce que
PAG{ votante en estado de tamaño 2 k + 1} hace la diferencia
( 2 k) 2 k + 1/2 mi - 2 k √ 2 π
~ √kπ
k 2 k + 1 mi - 2 k ( 2 π) 2 2 k = 1
Debido a que un votante por ejemplo (si él o ella hace una diferencia) afectará Carolina del Norte votos electorales, el número
esperado de votos electorales un votante en un estado de tamaño norte afectará a-o-potencia media es del votante dada por
potencia media = PNC { hace una diferencia}

Carolina del Norte
~ √ norte π / 2
= do √ 2 norte/ π
Por lo tanto, la potencia media de un votante en un estado de tamaño norte es proporcional a la raíz cuadrada de norte, lo que demuestra
que, en las elecciones presidenciales, los votantes en estados grandes tienen más poder que aquellos en estados más pequeños.
.
4.6.2 Cálculo de la función de distribución binomial
Suponer que X es binomial con parámetros ( norte, pag). La clave para el cálculo de su función de distribu- ción
( nk )
Σ
P {X ... i} = yo pag k ( 1 - pag) norte - k i = 0, 1,. . . , norte
k=0
es utilizar la siguiente relación entre P {X = k + 1} y P {X = k}, que se estableció en la prueba de la

proposición 6.1:
norte - kk + 1 P {X = k}
P {X = k + 1} = pag (6,3)
1 - pag
6h Ejemplo
Dejar X ser una variable aleatoria binomial con parámetros n = 6, p = . 4. A continuación, a partir de P {X = 0} = (0,6) 6 y de
forma recursiva el empleo de la ecuación (6.3), se obtiene
P {X = 0} = (0,6) 6 L. 0467
P {X = 1} = 4
6 6 1 P {X = 0} L. 1866
P {X = 2} = 4
6 5 2 P {X = 1} L. 3110
P {X = 3} = 4
6 4 3 P {X = 2} L. 2765
P {X = 4} = 4
6 3 4 P {X = 3} L. 1382
P {X = 5} = 4
6 2 5 P {X = 4} L. 0369
.
P {X = 6} = 4
6 1 6 P {X = 5} L. 0041
Un programa de ordenador que utiliza la recursividad (6.3) para calcular la función de distribución binomial está
escrito con facilidad. Computar P {X ... yo}, el programa debe calcular primero P {X = i} y luego utilizar la recursión para
calcular sucesivamente P {X = i - 1}, P {X = i - 2}, y así sucesivamente.
Nota histórica
ensayos independientes que tienen una probabilidad común de éxito pag fueron estudiadas primero por el
matemático suizo Jacques Bernoulli (1654-1705). En su libro jectandi Ars Con- (El arte de conjeturar), publicadas
por su sobrino Nicolás ocho años después de su muerte en 1713, Bernoulli demostró que si el número de
tales ensayos eran grandes, entonces la proporción de los que fueron éxitos estaría cerca pag con una
probabilidad cerca de 1.
Jacques Bernoulli era de la primera generación de la familia más famosa ical mathemat- de todos los
tiempos. En total, hubo entre 8 y 12 Bernoulli, repartidas en tres generaciones, que han hecho
contribuciones fundamentales a la probabilidad, estadísti- cas y matemáticas. Una di fi cultad en saber su
número exacto es el hecho de que varios tenían el mismo nombre. (Por ejemplo, dos de los hijos del
hermano de Jean Jacques
sección 4.7 La variable aleatoria de Poisson 143
fueron llamado Jacques y Jean.) Otra di fi cultad es que varios de los Bernoulli eran conocidos por diferentes
nombres en diferentes lugares. Nuestra Jacques (a veces escrito Jaques) fue, por ejemplo, también conocido
como Jakob (a veces escrito Jacob) y como James Bernoulli. Pero cualquiera que sea su número, su influencia y
la salida fueron prodigiosos. Al igual que los Bach de la música, los Bernoulli de las matemáticas eran una familia
para todas las edades!
Ejemplo 6i
Si X es una variable aleatoria binomial con parámetros n = 100 y p = . 75, fi nd P {X =

70} y P {X ... 70}.
Solución. La respuesta se muestra aquí en la Figura 4.6.
Distribución binomial
comienzo
Introduzca el valor de p: 0,75
Introduzca el valor de n: 100
Introducir valor para I: 70 Dejar
Probabilidad (número de éxitos = i) = 0,04575381
Probabilidad (número de éxitos <= i) = 0,14954105
Figura 4.6
4.7 EL variable aleatoria de Poisson
Una variable aleatoria X que toma uno de los valores 0, 1, 2,. . . se dice que es una Poisson
variable aleatoria con el parámetro λ si, por alguna λ> 0,
p (i) = P {X = i} = e - λ λ yo i = 0, 1, 2,. . . (7,1)

¡yo!
La ecuación (7.1) define un función de masa de probabilidad, ya
Σq Σq λ yo
p (i) = e - λ
¡yo! = e - λ mi λ = 1
i=0 i=0
La distribución de probabilidad de Poisson se introdujo por Sim' eon Denis Poisson en una
libro que escribió sobre la aplicación de la teoría de probabilidades a los pleitos, juicios penales, y similares.
Este libro, publicado en 1837, se tituló Recherches sur la proble- abilit'
e des jugements en mati` ERE criminelle et en mati` ERE civile (Las investigaciones sobre la
Probabilidad de veredictos en Materia Penal y Civil).
La variable aleatoria de Poisson tiene una enorme gama de aplicaciones en diversas áreas, ya que se puede utilizar como una
aproximación de una variable aleatoria binomial con parámetros ( norte, pag) cuando norte es grande y pag es lo suficientemente
pequeño como para que notario público es de moderada
tamaño. Para ver esto, supongamos que X es una variable aleatoria binomial con parámetros ( norte, pag),
y deja λ = notario público. Entonces
¡norte!
P {X = i} =
( norte - i)! i! p yo( 1 - pag) norte - yo
(λ ) yo ( ) norte - yo
¡norte!
= 1-λ
( norte - i)! i! norte norte
λ yo ( 1 - λ / norte) norte
= n (n - 1) · · · ( norte - i + 1)
norte yo ¡yo! ( 1 - λ / norte) yo
Ahora para norte grande y λ moderar,
( ) norte L mi - λ n (n - 1) · · · ( norte - i + 1) ( ) yo L 1
1-λ L1 1-λ
norte norte yo norte
Por lo tanto, para norte grande y λ moderar,
P {X = i} L mi - λ λ yo
¡yo!
En otras palabras, si norte ensayos independientes, cada uno de los cuales se traduce en un éxito con probabilidad pag, se llevan a cabo,
entonces, cuando norte es grande y pag es lo suficientemente pequeño como para hacer
notario público moderado, el número de éxitos que ocurre es aproximadamente una variable aleatoria de Poisson con
parámetro λ = notario público. Este valor λ ( que más tarde se demostró que ser igual al número esperado de éxitos) por lo
general se determina empíricamente.
Algunos ejemplos de variables aleatorias que generalmente obedecen la probabilidad de Poisson ley [es decir, que obedecen
a la ecuación (7.1)] son los siguientes:
1. El número de erratas en una página (o un grupo de páginas) de un libro

2. El número de personas en una comunidad que sobreviven a la edad de 100 años
3. El número de los números de teléfono erróneas que se marcan en un día

4. El número de paquetes de galletas para perros que se venden en una tienda en particular cada día
5. El número de clientes de entrar en un puesto de oficina en un día determinado
6. El número de vacantes que se produzcan durante un año en el sistema judicial federal

7. El número de α- partículas descargadas en una fi período de tiempo jos de algunos radioac-
materiales tivo
Cada una de las otras variables aleatorias anteriores, y numerosos, son aproximadamente Poisson por la misma razón,
a saber, debido a la aproximación de Poisson a la binomial. Por ejemplo, podemos suponer que existe una pequeña
probabilidad pag que se imprimen mal cada letra escrita en una página. Por lo tanto, el número de erratas en una página
será aproximadamente de Poisson con λ = notario público, dónde norte es el número de letras en una página. Del mismo
modo, podemos suponer que cada persona en una comunidad tiene una pequeña probabilidad de alcanzar la edad de 100.
Además, cada persona que entra en una tienda puede ser pensado como tener alguna pequeña probabilidad de comprar un
paquete de galletas para perros, y así sucesivamente.
Ejemplo 7a
Supongamos que el número de errores tipográficos en una sola página de este libro tiene una distribución de
Poisson con parámetro λ = 12. Calcular la probabilidad de que hay al menos un error en esta página.
Solución. dejando X denotar el número de errores en esta página, tenemos
P {X Ú 1} = 1 - P {X = 0} = 1 - mi - 1/2 L. 393 .
7b Ejemplo
Supongamos que la probabilidad de que un artículo producido por una determinada máquina será defectuoso es 0.1. Encuentre la
probabilidad de que una muestra de 10 elementos contendrá como máximo 1 artículo defectuoso.
( 10 ) )
Solución. La probabilidad deseada es (. 1) 0 (. 9) 10 + ( 10 (. 1) 1 (. 9) 9 = . 7361,
0 1
mientras que la aproximación de Poisson produce el valor mi - 1 + mi - 1 L. 7358. .
7c Ejemplo
Considere un experimento que consiste en contar el número de α partículas emitidas en un intervalo de 1

segundo por 1 gramo de material radiactivo. Si sabemos por experiencia que, en promedio, 3,2 tales α partículas
se desprenden, lo que es una buena aproximación de la probabilidad de que no más de 2 α aparecerán
partículas?
Solución. Si pensamos en el gramo de material radiactivo que consiste en un gran nú- mero norte de átomos, cada uno de
los cuales tiene probabilidad de 3,2 / norte de desintegrarse y el envío de una α de partículas durante la segunda
considerado, entonces vemos que, a un nivel muy cerca Imation aproxi-, el número de α partículas emitidas serán una
variable aleatoria de Poisson con parámetro λ = 3.2. Por lo tanto, la probabilidad deseada es
P {X ... 2} = mi - 3.2 + 3.2 mi - 3,2 + ( 3.2) 2

2 mi - 3.2
L. 3799 .
Antes de calcular el valor esperado y la varianza de la variable aleatoria de Poisson con parámetro λ, Recordamos que esta
variable aleatoria se aproxima a una variable aleatoria binomial con parámetros norte y pag cuando norte es largo, pag es
pequeño, y λ = notario público. Dado que el valor de una variable aleatoria binomial como ha esperado = np λ y la varianza notario
público( 1 - p) =
λ ( 1 - pag) L λ ( ya que pag es pequeño), parecería que tanto el valor esperado y la varianza de una variable aleatoria
de Poisson sería igual a su parámetro λ. Ahora verificamos este resultado:
Σ es decir - λ λ yo
E [X] = q
¡yo!
i=0
Σq mi - λ λ yo - 1
=λ
( yo - 1)!
i=1
Σq λj Dejando
= λ mi - λ
j! j=i-1
j=0
Σq λj
=λ ya que
j! = e λ
j=0
Por lo tanto, el valor esperado de una variable aleatoria de Poisson X es de hecho igual a su parámetro λ. Para
determinar su varianza, que fi cálculo primera EX 2]:
Σ yo 2 mi - λ λ yo
EX 2] = q
¡yo!
i=0
q
Σ es decir - λ λ yo - 1
=λ
( yo - 1)!
i=1
q
Σ ( j + 1) mi - λ λ j Dejando
=λ
j! j=i-1
j=0
••• q •••
Σ je - λ λ j Σ mi - λ λ j
=λ
j! + q j!
j=0 j=0
= λ (λ + 1)
donde la igualdad final es consecuencia de que la primera suma es el valor esperado de una variable aleatoria hijo
Pois- con el parámetro λ y la segunda es la suma de las probabilidades de esta variable aleatoria. Por lo tanto, ya
hemos demostrado que E [X] = λ, obtenemos
var ( X) = E [X 2] - ( EX]) 2
=λ
Por lo tanto, el valor esperado y la varianza de una variable aleatoria de Poisson son ambas iguales a su
parámetro λ.
Hemos demostrado que la distribución de Poisson con parámetro notario público Es una muy buena aproximación a la
distribución del número de éxitos en norte ensayos independientes cuando cada ensayo tiene una probabilidad pag de ser un
éxito, siempre y cuando norte es grande y pag
pequeña. De hecho, sigue siendo una buena aproximación incluso cuando los ensayos no son independientes, siempre que su
dependencia es débil. Por ejemplo, recordar el problema de la concordancia (Ejemplo 5m del Capítulo 2) en la que norte los
hombres seleccionan al azar sombreros de un conjunto compuesto por un sombrero de cada persona. Desde el punto de vista de
la cantidad de hombres que eligen su propio sombrero, podemos considerar la selección al azar como resultado de norte tri- als,
donde nos dicen que el juicio yo es un éxito si la persona yo selecciona su propio sombrero, i = 1,. . . , norte.
De fi nir los eventos mi yo, i = 1,. . . , norte, por
mi i = { juicio yo es un éxito}
Es fácil ver eso
EDUCACIÓN FÍSICA i} = 1 j Z yo
norte y EDUCACIÓN FÍSICA i | mi j} = 1
norte - 1,
norte
Por lo tanto, vemos que, a pesar de los acontecimientos mi yo, i = 1,. . . , norte no son independientes, su dependencia,
para grandes norte, parece ser débil. Debido a esto, parece razonable esperar que el número de éxitos será
aproximadamente de tener una distribución de Poisson con parámetro n * 1 / n = 1, y de hecho esto es veri fi en el
Ejemplo 5 m del capítulo 2. Por un segundo ejemplo de la fuerza de la aproximación de Poisson cuando los ensayos
son débilmente dependiente, consideremos de nuevo el problema de cumpleaños presentado en el ejemplo 5i del
capítulo 2. En este ejemplo , suponemos que cada uno de norte la gente es la misma probabilidad de tener cualquiera
de los 365 días del año como su cumpleaños, y el problema
es determinar la probabilidad de que un conjunto de norte personas independientes tienen diferentes cumpleaños. Se
utilizó un argumento combinatoria para determinar esta probabilidad, que ha demostrado ser inferior a 12 cuando n = 23.
Podemos aproximar la probabilidad anterior mediante el uso de la aproximación de Poisson de la siguiente manera: Imaginemos que
( norte )2
tenemos una prueba para cada una de las pares de individuos yo y
Ji Z j, y decir que el juicio i, j es un éxito si las personas yo y j tienen la misma fecha de nacimiento. Si dejamos mi ij el evento de que el
( norte )2
juicio i, j es un éxito, a continuación, mientras que la eventos
mi ij, 1 ... i <j ... norte, no son independientes (véase el ejercicio teórico 21), su dependencia parece ser bastante
débil. (De hecho, estos eventos son aún independiente por pares, en el que 2 de los eventos mi ij y mi kl son
independientes de nuevo, véase el ejercicio teórico 21). Ya que EDUCACIÓN FÍSICA ij) = 1/365, es razonable
norte )2 / 365 =
suponer que el número de éxitos debe tener aproximadamente una distribución de Poisson con (media
n (n - 1) / 730. Por lo tanto,
PAG{ no hay 2 personas tienen la misma fecha de nacimiento} = PAG{ 0} éxitos

{ - n (n - 1) 730 }
L exp
Para determinar el número entero más pequeño norte para que esta probabilidad es menor que 12, tenga en cuenta que
{ - n (n - 1) 730 }
exp ... 1
2
es equivalente a
{ n (n - 1) 730 }
exp Ú2
Tomando logaritmos de ambos lados, obtenemos
n (n - 1) Ú 730 log 2
L 505.997
que produce la solución n = 23, de acuerdo con el resultado del ejemplo 5i del capítulo 2.
Supongamos ahora que queríamos que la probabilidad de que, entre el norte gente, no 3 de ellos tienen su cumpleaños en el
mismo día. Considerando que el presente se convierte ahora en un problema binatorial fi culta com- DIF, es una simple cuestión de
norte )3 una prueba para cada una de las

obtener una buena aproximación. Para empezar, imaginemos que (tenemos
trillizos yo, j, k, donde 1 ... i <j <k ... norte,
y llamar a la yo, j, k juicio un éxito si las personas yo, j, y k todos tienen su cumpleaños en el mismo día. Como antes,
entonces se puede concluir que el número de éxitos es aproximadamente una variable aleatoria de Poisson con
parámetro
( norte )3 ) ( 1 365 ) 2
Pi, j, k tienen la misma fecha de nacimiento} = ( norte 3
= n (n - 1) ( norte - 2) 6 * (365) 2
Por lo tanto,
{ - n (n - 1) ( norte - 2) 799350 }
PAG{ hay 3 tienen la misma fecha de nacimiento} L exp
Esta probabilidad será menor que 12 cuando norte es tal que
n (n - 1) ( norte - 2) Ú 799350 log 2 L 554067.1
que es equivalente a norte Ú 84. Por lo tanto, la probabilidad aproximada de que al menos 3 personas en un grupo de tamaño 84 o más
grande tendrán la misma fecha de nacimiento excede 12.

Para el número de eventos que se produzca para tener aproximadamente una distribución de Poisson, no es
esencial que todos los eventos tienen la misma probabilidad de ocurrencia, sino sólo que todas estas probabilidades ser
pequeña. La siguiente es referido como el paradigma de Poisson.
Paradigma de Poisson. Considerar norte eventos, con pag yo igual a la probabilidad de que evento yo
ocurre, i = 1,. . . , norte. Si todo el pag yo son “pequeño” y los ensayos son ya sea independiente o como máximo “débilmente
dependiente”, entonces el número de estos eventos que se producen aproximadamente tiene una distribución de Poisson con media Σ ni
= 1 pag yo.
Nuestro siguiente ejemplo no sólo hace uso del paradigma de Poisson, pero también ilustra una variedad de las técnicas
que hemos estudiado hasta ahora.
Ejemplo 7d longitud de la pista más larga
Una moneda es fl ipped norte veces. Suponiendo que las ips fl son independientes, con cada uno salga cara con
probabilidad pag, ¿cuál es la probabilidad de que hay una serie de k
caras consecutivas?
Solución. Vamos a utilizar primero el paradigma de Poisson para aproximar esta probabilidad. Ahora bien, si, por i = 1,. . . , norte
- k + 1, dejamos H yo el evento de que fl ips i, i + 1,. . . , i + k - 1 toda la tierra en las cabezas, entonces la probabilidad deseada
es que al menos uno de los eventos
H yo ocurrir. Porque H yo es el caso de que, a partir de fl ip yo, el siguiente k fl ips todas las tierras en las cabezas, se deduce que
P (H i) = pag k. Así, cuando pag k es pequeño, wemight pensar que el nú- mero de la H yo que se producen deben tener una
distribución de Poisson aproximada. Sin embargo, tal no es el caso, ya que, aunque los eventos tienen probabilidades
pequeñas, algunas de sus dependencias son demasiado grandes para la distribución de Poisson para ser una buena
aproximación. Por ejemplo, debido a que la probabilidad condicional de que fl ips 2,. . . , k + 1 son todas las cabezas, dado que fl
ips 1,. . . , k son todas las cabezas es igual a la probabilidad de que fl ip k + 1 es una cabeza, se deduce que
P (H 2 | H 1) = pag
que es mucho mayor que la probabilidad incondicional de H 2.

El truco que nos permite utilizar una aproximación de Poisson es tener en cuenta que habrá una serie de k caras
consecutivas o bien si hay una cadena de tal manera que se inmediatamente seguida por una cola o si el fi nal k fl ips
todas las tierras en las cabezas. En consecuencia, para
i = 1,. . . , norte - k, dejar mi yo ser el caso de que fl ips yo, . . . , I + k - 1 son todas las cabezas y fl ip
i + k es una cola; También, y mucho mi norte - k + 1 ser el caso de que fl ips norte - k + 1,. . . , norte son todas las cabezas. Tenga en cuenta que
EDUCACIÓN FÍSICA i) = pag k ( 1 - pag),

yo ... norte - k
EDUCACIÓN FÍSICA norte - k + 1) = pag k

Así, cuando pag k es pequeño, cada uno de los eventos mi yo tiene una pequeña probabilidad de que se produzcan. Además, para yo Z j, si los
eventos mi yo y mi j se refieren a secuencias que no se superponen de ips FL, entonces EDUCACIÓN FÍSICA i | mi j) = EDUCACIÓN FÍSICA yo); si se
refieren a secuencias que se solapan, entonces EDUCACIÓN FÍSICA i | mi j) = 0. Por lo tanto, en ambos casos, las probabilidades condicionales
están cerca de los incondicionales, lo que indica que NORTE, el número de los eventos mi yo que se producen, debe tener una distribución de
Poisson con media aproximada
Σ
E [N] = norte - k + 1 EDUCACIÓN FÍSICA i) = ( norte - k) p k ( 1 - pag) + p k
i=1
Debido a que no habrá una racha de k cabezas si (y sólo si) N = 0, por lo tanto el anterior da
PAG( no hay cuerdas centrales de longitud k) = P (N = 0) L exp { - ( norte - k) p k ( 1 - pag) - pag k}
Si dejamos L norte denotar el mayor número de cabezas consecutivos en el norte IPS fl, entonces, porque L norte será
inferior a k si (y sólo si) no hay cuerdas centrales de longitud
k, la ecuación anterior se puede escribir como
P {L n < k} L exp { - ( norte - k) p k ( 1 - pag) - pag k}
Ahora, supongamos que la moneda que se está ipped fl es justo; Es decir, supongamos que p = 1/2. A continuación, el anterior
da
{ - norte - k + 2 } { - norte }
P {L n < k} L exp L exp
2k+1 2k+1
donde la aproximación final supone que mi k - 2 2k+1 L 1 (es decir, que k - 2

2k+1L 0). Dejar
j = Iniciar sesión 2 norte, y asumir que j es un número entero. por k = j + yo,
norte
2 k + 1 = norte 2 j 2i+1= 1 2i+1

Por consiguiente,
P {L n < j + i} L exp { - ( 1/2) i + 1}
lo que implica que
P {L n = j + i} = P {L n < j + i + 1} - P {L n < j + i}
L exp { - ( 1/2) i + 2} - exp { - ( 1/2) i + 1}
Por ejemplo,
P {L n < j - 3} L mi - 4 L. 0183
P {L n = j - 3} L mi - 2 - mi - 4 L. 1170
P {L n = j - 2} L mi - 1 - mi - 2 L. 2325
P {L n = j - 1} L mi - 1/2 - mi - 1 L. 2387
P {L n = j} L mi - 1/4 - mi - 1/2 L. 1723
P {L n = j + 1} L mi - 1/8 - mi - 1/4 L. 1037
P {L n = j + 2} L mi - 1/16 - mi - 1/8 L. 0569
P {L n = j + 3} L mi - 1/32 - mi - 1/16 L. 0298
P {L norte Ú j + 4} L 1 - mi - 1/32 L. 0308

Así, se observa el hecho bastante interesante que no importa cuán grande norte es decir, la longitud de la carrera más larga de
cabezas en una secuencia de norte IPS fl de una moneda estarán dentro de 2 log 2 ( norte) - 1 con una probabilidad
aproximadamente igual a 0,86.
Ahora derivamos una expresión exacta de la probabilidad de que hay una serie de
k caras consecutivas cuando una moneda que cae sobre las cabezas con probabilidad pag es fl ipped
norte veces. Con los acontecimientos mi yo, i = 1,. . . , norte - k + 1, tal como se ha definido anteriormente, y con L norte
denota, como antes, la longitud de la pista más larga de cabezas,
P (L norte Ú k) = P ( hay una serie de k cabezas consecutivos) = PAG( ∪ norte - k + 1

i = 1 mi yo)
La identidad de inclusión-exclusión para la probabilidad de una unión se puede escribir como
Σ
PAG( ∪ norte - k + 1
i = 1 mi i) = n - k + 1
( - 1) r + 1 Σ EDUCACIÓN FÍSICA yo 1 · · · mi yo r)
r=1 yo 1 < ··· < IR
Dejar S yo designar el conjunto de los números fl IP a la que el evento mi yo se refiere. (Así, por ejemplo,
S 1 = { 1,. . . , k + 1}). Ahora, considere una de las R- probabilidades de intersección manera que no incluya el evento mi norte - k + 1. Es
decir, consideran EDUCACIÓN FÍSICA yo 1 · · · mi yo r) dónde yo 1 < · · · <
yo r < norte - k + 1. Por un lado, si hay alguna superposición en los conjuntos S yo 1, . . . , S IR a continuación, esta probabilidad es 0. Por
otro lado, si no hay solapamiento, entonces los eventos mi yo 1, . . . , mi IR

son independientes. Por lo tanto,
si hay alguna superposición en S yo 1, . . . , S IR

EDUCACIÓN FÍSICA yo 1 · · · mi yo r) = { 0,
pag rk ( 1 - pag) r, si no hay solapamiento
Ahora hay que determinar el número de diferentes opciones de yo 1 < · · · < yo r < norte - k + 1 para el que no hay solapamiento en los
conjuntos S yo 1, . . . , S yo r. Para ello, tenga en cuenta primero que cada una de las S yo j, j = 1,. . . , r, Referirse a k + 1 ips fl, por lo que, sin
ningún solapamiento, que en conjunto se refieren a r (k + 1) IPS fl. Ahora considerar cualquier permutación de r cartas idénticas un ( uno
para cada uno de los conjuntos S yo 1, . . . , S IR - 1) y de norte - r (k + 1) cartas idénticas b ( uno para cada uno de los ensayos que no forman
parte de cualquiera de S yo 1, . . . , S IR - 1, S norte - k + 1). Interpretar el número de segundo 'S antes de la primera un como el número de ips fl
antes S yo 1, el número de segundo 'S entre la primera y la segunda un como el número de ips entre fl S yo 1 y S yo 2, y así sucesivamente,
con el número de segundo 'S después de la fi nal un representa el número de ips fl después de S yo r. Porque hay
( norte - rk )
permutaciones de r letras un y de norte - r (k + 1) cartas segundo, con cada uno de tales permutación
r
correspondiente (de una manera uno-a-uno) a una elección no solapada diferente, se sigue que Σ
)
EDUCACIÓN FÍSICA yo 1 · · · mi yo r) = ( norte - rk
pag rk ( 1 - pag) r
r
yo 1 < ··· < i r <n - k + 1
Debemos considerar ahora R- probabilidades manera de intersección de la forma
EDUCACIÓN FÍSICA yo 1 · · · mi IR - 1 mi norte - k + 1),
dónde yo 1 < · · · < yo r - 1 < norte - k + 1. Ahora, esta probabilidad será igual a 0 si hay alguna superposición en S yo 1, . . . , S IR - 1, S norte - k; si no
hay solapamiento, a continuación, los acontecimientos de la intersección será independiente, por lo
EDUCACIÓN FÍSICA yo 1 · · · mi IR - 1 mi norte - k + 1) = [ pag k ( 1 - pag)] r - 1 pag k = pag KR ( 1 - pag) r - 1
Por un argumento similar a la anterior, el número de juegos que no se superponen S yo 1, . . . , S IR - 1, S norte - k

será igual al número de permutaciones de r - 1 letras un ( uno para cada uno de los conjuntos
S yo 1, . . . , S IR - 1) y de norte - ( r - 1) ( k + 1) - k = n - rk - ( r - 1) cartas b ( uno para cada uno de los ensayos que no forman parte de
cualquiera de S yo 1, . . . , S IR - 1, S norte - k + 1). Puesto que hay
( norte - rk)
permutaciones de r - 1 letras un y de norte - rk - ( r - 1) cartas segundo, tenemos
r-1
)
Σ
EDUCACIÓN FÍSICA yo 1 · · · mi IR - 1 mi norte - k + 1) = ( norte - rk pag KR ( 1 - pag) r - 1
r-1
yo 1 <... < IR - 1 < norte - k + 1
Poniendo todo junto rendimientos la expresión exacta, a saber,

[( norte - rk ) ( norte - rk )]
Σ 1
P (L norte Ú k) = norte - k + 1 ( - 1) r + 1 + pag KR ( 1 - pag) r
r pag r-1
r=1
)
donde utilizamos la convención de que ( mj = 0 si m < j.
Desde un punto de vista computacional, un método más e fi ciente para el cálculo de la probabilidad deseada que el uso
de la identidad anterior es derivar un conjunto de ecuaciones sivos recurrentes. Para ello, vamos UN norte ser el caso de que hay
una serie de k cabezas consecutivos en una secuencia de norte IPS fl de una moneda, y dejar PAG n = PENSILVANIA norte). Vamos
a obtener un conjunto de ecuaciones recursivas para PAG norte condicionando cuando aparezca la primera cola. por
j = 1,. . . , k, dejar F j ser el caso de que aparezca la primera cola fl ip j, y deja H ser el caso de que la primera k IPS fl son todas
las cabezas. Debido a que los eventos F 1, . . . , F k, H son mutuamente excluyentes y exhaustivas (es decir, exactamente uno de
estos eventos debe ocurrir), tenemos
Σ
PENSILVANIA n) = k PENSILVANIA n | F j) P (F j) + PENSILVANIA n | H) P (H)
j=1
Ahora bien, dado que la primera cola aparece en IP fl j, dónde j < k, se deduce que los j
IPS fl se desperdician en cuanto a la obtención de una serie de k cabezas en una fila; Por lo tanto, la probabilidad condicional de
este evento es la probabilidad de que una cadena de tales ocurrirá entre los restantes norte - j IPS fl. Por lo tanto,
PENSILVANIA n | F j) = PAG norte - j
Porque PENSILVANIA n | H) = 1, la ecuación anterior da
PAG n = PENSILVANIA norte)
Σ
=k PAG norte - j P (F j) + P (H)
j=1
Σ
=k PAG norte - j pag j - 1 ( 1 - pag) + p k
j=1
Empezando con PAG j = 0, j < k, y PAG k = pag k, podemos utilizar la última fórmula para calcular de forma recursiva PAG k + 1, PAG k + 2, y
así sucesivamente, hasta PAG norte. Por ejemplo, supongamos que queremos la capacidad proble- que hay un plazo de 2 caras
consecutivas cuando una moneda es fl ipped 4 veces. Luego, con k = 2, tenemos PAG 1 = 0, PAG 2 = ( 1/2) 2. Porque cuando p = 1/2, la
recursividad se convierte
Σ
PAG n = k PAG norte - j ( 1/2) j + ( 1/2) k
j=1
obtenemos
PAG 3 = PAG 2 ( 1/2) + PAG 1 ( 1/2) 2 + ( 1/2) 2 = 3/8
y
PAG 4 = PAG 3 ( 1/2) + PAG 2 ( 1/2) 2 + ( 1/2) 2 = 1/2
que es claramente cierto porque hay 8 resultados que se traducen en una serie de 2 cabezas Utivé ordenarán: hhhh, hhht, hhth,
HtHh, thhh, HHTT, thht, y TTHH. Cada uno de estos resultados se produce con una probabilidad de 1/16.
.
Otro uso de la distribución de probabilidad de Poisson surge en situaciones en las que los “eventos” se producen en
ciertos puntos en el tiempo. Un ejemplo es para designar la ocurrencia de un terremoto como un evento; otra posibilidad
sería que los acontecimientos corresponden a las personas que entran en un establecimiento en particular (banco, puesto
de fi ce, gasolinera, y así sucesivamente); y una tercera posibilidad es que un evento ocurra siempre que se inicia una
guerra. Vamos a SUP- planteamos que los eventos se producen de hecho en ciertos puntos (al azar) de tiempo, y
supongamos que, por alguna constante positiva λ, las siguientes suposiciones son ciertas:
1. La probabilidad de que exactamente 1 evento se produce en un intervalo dado de longitud h es igual

a λ h + o (h), dónde Oh) es sinónimo de cualquier función f (h) para los que lim
h → 0 f (h) / h = 0.
[Por ejemplo, f (h) = h 2 es Oh), mientras f (h) = h no es.]
2. La probabilidad de que 2 o más eventos se producen en un intervalo de longitud h es igual
a Oh).
3. Para cualquier número entero n, j 1, j 2, . . . , j norte y cualquier conjunto de norte intervalos no superpuestos, si
definen mi yo ser el caso de que exactamente j yo de los eventos bajo consideración ocurrir en el yo º de estos intervalos,
entonces eventos mi 1, mi 2, . . . , mi norte son independientes. supuestos sin apretar PUT, 1 y 2 establecen que, para valores
pequeños de h, la probabilidad de que exactamente 1 evento se produce en un intervalo de tamaño h es igual λ h además
algo que es pequeño en comparación con h, mientras que la probabilidad de que 2 o más eventos ocurren es pequeña en
comparación con h. Supuesto 3 establece que lo que ocurre en un intervalo no tiene ningún efecto (probabilidad) en lo que
ocurrirá en otros intervalos, que no se superponen.
Ahora demostramos que, bajo supuestos 1, 2, y 3, el número de eventos que ocurren en cualquier intervalo de longitud t es
una variable aleatoria de Poisson con parámetro λ t. Para ser precisos, vamos a llamar el intervalo [0, t] y denotan el número de
eventos que ocurren en ese intervalo por Nuevo Testamento). Para obtener una expresión para P {N (t) = k}, empezamos por
romper el intervalo [0, t] dentro norte subintervalos que no se superponen, cada uno de longitud t / n ( Figura 4.7).
Ahora,
P {N (t) = k} = P {k del norte subintervalos contienen exactamente 1 evento
y el otro norte - k contener 0 eventos} (7,2)

+ P {N (t) = k y al menos 1 subintervalo contiene 2 o más
eventos}
La ecuación de proceder tiene porque el evento en el lado izquierdo de la ecuación (7.2), es decir, { N (t) = k}, es
claramente igual a la unión de los dos eventos mutuamente excluyentes
0
Nuevo Testamento
t 2t 3t t= -
- - - t norte
norte norte norte ( norte - 1) -
norte
Figura 4.7
en el lado derecho de la ecuación. dejando UN y segundo denotar los dos eventos mutuamente excluyentes en el lado
derecho de la ecuación (7.2), tenemos
P (B) ... PAG{ al menos un subintervalo contiene 2 o más eventos}

•• norte ••
⋃
= PAG { yo º subintervalo contiene 2 o más eventos}
i=1
Σ
... norte Pi º subintervalo contiene 2 o más eventos} de Boole de
desigualdad
i=1
)
( Tennesse
Σ
= norte o por supuesto 2
i=1
)
( Tennesse
= no
[ o (t / n) ]
=t
Tennesse
Ahora, además de cualquier t, t / n → 0 cuando norte → q, asi que o (t / n) / (t / n) → 0 cuando norte → q, por la de fi ni- ción de Oh). Por lo tanto,
P (B) → 0 cuando norte → q (7,3)
Además, dado que las hipótesis 1 y 2 implica que †
PAG{ 0 eventos se producen en un intervalo de longitud h}
= 1 - [ λ h + o (h) + O (h)] = 1 - λ h - Oh)
vemos en el supuesto de independencia (número 3) que
P (A) = P {k de los subintervalos contener exactamente 1 evento y el otro

norte - k contener 0 eventos}
)[ )] k [
( Tennesse ) )] norte - k
( Tennesse
λ tn + O
= ( nk 1-(λt -o
norte
Sin embargo, desde

[ )] = λ
( Tennesse t+t [ o (t / n) ] → λ t como norte → q
λ tn + O
norte
Tennesse
se sigue, por el mismo argumento que Veri fi ed a la aproximación de Poisson para la mial bino-, que
PENSILVANIA) → mi - λ t ( λ t) k como norte → q (7,4)

k!
Por lo tanto, de las ecuaciones (7.2), (7.3) y (7.4), dejando norte → q, obtenemos
P {N (t) = k} = e - λ t ( λ t) k k = 0, 1,. . . (7,5)

k!
† La suma de dos funciones, los cuales son Oh), es también Oh). Esto es así porque si lim h → 0 f (h) / h = lim h → 0 g (h) / h = 0, entonces
lim h → 0 [ f (h) + G (h)] / h = 0.
Por lo tanto, si los supuestos 1, 2, y 3 se satisfacen, entonces el número de eventos que ocurren en cualquier intervalo
fijo de longitud t es una variable aleatoria de Poisson con media λ t, y decimos que los eventos se producen de acuerdo con
un proceso de Poisson con tasa λ. El valor λ,
que se puede mostrar para igualar la tasa por unidad de tiempo a la que se producen los eventos, es una constante que debe ser
determinada empíricamente.
La discusión anterior explica por qué una variable aleatoria de Poisson es por lo general una buena aproximación
para fenómenos tan diversos como la siguiente:
1. El número de terremotos que ocurren durante algún período de tiempo fijada

2. El número de guerras por año
3. El número de electrones emitidos por un cátodo calentado durante un período de tiempo fijada
4. El número de muertes, en un período determinado de tiempo, de los asegurados de una compañía de seguros de vida
7e Ejemplo
Supongamos que los terremotos ocurren en la parte occidental de los Estados Unidos en ajustan baile con
supuestos 1, 2 y 3, con λ = 2 y con 1 semana, ya que la unidad de tiempo. (Es decir, los terremotos se producen
de acuerdo con los tres supuestos, a razón de 2 por semana).
(A) Encontrar la probabilidad de que se produzcan al menos 3 terremotos durante las próximas 2 semanas. (B) Determinar la
distribución de probabilidad del tiempo, a partir de ahora, hasta la próxima

terremoto.
Solución. ( a) De la ecuación (7.5), tenemos
P {N ( 2) Ú 3} = 1 - P {N ( 2) = 0} - P {N ( 2) = 1} - P {N ( 2) = 2}
= 1 - mi - 4 - 4 mi - 4 - 4 2
2 mi - 4
= 1 - 13 mi - 4
(B) Que X denotar la cantidad de tiempo (en semanas) hasta que el próximo terremoto. Porque
X será mayor que t si y sólo si no hay eventos se producen dentro de la próxima t unidades de tiempo, que tienen, de la
ecuación (7.5),
P {X> t} = P {N (t) = 0} = mi - λ t
por lo que la función de distribución de probabilidad F de la variable aleatoria X es dado por
F (t) = P {X ... t} = 1 - P {X> t} = 1 - mi - λ t
= 1 - mi - 2 t .
4.7.1 Cálculo de la función de distribución de Poisson
Si X es de Poisson con parámetro λ, entonces
P {X = i + 1}
=λ (7,6)
P {X = i} = e - λ λ i + 1 / ( i + mi
1)!- λ λ yo/ ¡yo! i+1
Sección 4.8 Otras distribuciones de probabilidad discreta 155
Empezando con P {X = 0} = mi - λ, podemos utilizar (7.6) para calcular sucesivamente
P {X = 1} = λ P {X = 0}
P {X = 2} = λ
2 P {X = 1}
.
.
.
P {X = i + 1} = λ
i + 1 P {X = i}
El sitio web incluye un programa que utiliza la ecuación (7.6) para calcular las capacidades de Poisson proble-.
Ejemplo 7f
(A) Determinar P {X ... 90} cuando X es de Poisson con media 100. (b) Determinar P {Y ... 1075}
cuando Y es de Poisson con media 1000.
Solución. Desde el sitio web, se obtienen las soluciones: (a) P {X ... 90} L. 1714;
(segundo) P {Y ... 1075} L. 9894.
4.8 Otras distribuciones de probabilidad discretas
4.8.1 La variable aleatoria geométrica
Supongamos que los ensayos independientes, cada uno con una probabilidad pag, 0 < p < 1, de ser un éxito, se llevan a cabo
hasta que se produce un éxito. Si dejamos X igual el número de ensayos requiere, entonces
P {X = n} = ( 1 - pag) norte - 1 pag n = 1, 2,. . . (8,1)
La ecuación (8.1) sigue porque, a fin de X A igual norte, es necesario y su fi ciente que la primera norte - 1 de pruebas
son los fallos y la norte ª prueba es un éxito. La ecuación (8.1) sigue entonces, ya que los resultados de las pruebas
sucesivas se supone que son independientes.
Ya que
Σq Σq pag
P {X = n} = p ( 1 - pag) norte - 1 =
1 - ( 1 - p) = 1
n=1 n=1
se deduce que, con probabilidad 1, un éxito finalmente ocurrirá. Cualquier variabilidad aleatoria poder X cuya función de
masa de probabilidad viene dada por la ecuación (8.1) se dice que es una
geométrico variable aleatoria con el parámetro pag.
8a EJEMPLO
Una urna contiene norte blanco y METRO bolas negras. Bolas se seleccionan al azar, uno a la vez, hasta que se obtiene un
negro. Si asumimos que cada bola seleccionada se reemplaza antes de la siguiente se dibuja, ¿cuál es la probabilidad de
que (a) exactamente norte sorteos son necesarias? (B) al menos k sorteos son necesarias?
Solución. Si dejamos X denotar el número de sorteos que sea necesario para seleccionar una bola de negro, a continuación,
X satisface la ecuación (8.1) con p = M / (M + NORTE). Por lo tanto,
(un)
) norte - 1 METRO
P {X = n} = (N
M+N M + N = MN norte
( M- 1+ NORTE) norte
(segundo)
( NM + N )
Σq norte - 1
P {X Ú k} = M
M+N
n=k
) ( NM + N ) k-1/[ ]
= ( METRO 1 - norte
M+N M+N
) k-1
= ( norte
M+N
Por supuesto, la parte (b) podría haber sido obtenido directamente, ya que la probabilidad de que al menos k ensayos son
necesarios para obtener un éxito es igual a la probabilidad de que la primera
k - 1 de pruebas son todos los fallos. Es decir, para una variable aleatoria geométrica,
P {X Ú k} = ( 1 - pag) k - 1
.
8b Ejemplo
Encuentre el valor esperado de una variable aleatoria geométrica.
Solución. Con q = 1 - pag, tenemos
Σ
E [X] = q iq yo - 1 pag
i=1
Σ
=q ( yo - 1 + 1) q yo - 1 pag
i=1
Σ Σ
=q ( yo - 1) q yo - 1 p + q q yo - 1 pag
i=1 i=1
Σ
=q JQ j p + 1
j=0
Σq
=q JQ j - 1 p + 1
j=1
= qE [X] + 1
Por lo tanto,
pE [X] = 1
arroje el resultado
E [X] = 1
pag
En otras palabras, si los ensayos independientes con una probabilidad común pag de ser ful éxito- se lleva a cabo hasta que se
produce el éxito primera, entonces el número esperado de los ensayos requeridos es igual a 1 / pag. Por ejemplo, el número
esperado de rollos de una feria morir que se necesita para obtener el valor 1 es 6.
.
8c Ejemplo
Encuentra la varianza de una variable aleatoria geométrica.
Solución. Para determinar Var ( X), vamos primera calculamos EX 2]. Con q = 1 - pag, tenemos
Σ
EX 2] = q yo 2 q yo - 1 pag
i=1
Σ
=q ( yo - 1 + 1) 2 q yo - 1 pag
i=1
Σ Σ Σ
=q ( yo - 1) 2 q yo - 1 p + q 2 ( yo - 1) q yo - 1 p + q q yo - 1 pag
i=1 i=1 i=1
Σ Σq
=q j2 qj p + 2 JQ j p + 1
j=0 j=1
= qE [X 2] + 2 qE [X] + 1
Utilizando E [X] = 1 / pag, la ecuación para EX 2] rendimientos
pE [X 2] = 2 q
p+1
Por lo tanto,
EX 2] = 2 q + p
pag 2 = q + 1 pag 2
dando el resultado
var ( X) = q + 1
pag 2 - 1 pag 2 = q pag 2 = 1 - pag pag 2 .
4.8.2 El Negativo variable aleatoria binomial
Supongamos que los ensayos independientes, cada uno con probabilidad pag, 0 < p < 1, de ser un éxito se llevan a cabo
hasta que un total de r éxitos se acumulan. Si dejamos X igual el número de ensayos requiere, entonces
)
P {X = n} = (n - 1 pag r ( 1 - pag) norte - r n = r, r + 1,. . . (8,2)
r-1
La ecuación (8.2) sigue porque, para que el r º éxito que se produzca en el norte º juicio, debe haber r - 1 éxitos en la
primera norte - 1 de pruebas y la norte º juicio debe ser un éxito. La probabilidad de que el primer evento es
( norte - 1 )
pag r - 1 ( 1 - pag) norte - r
r-1
y la probabilidad de la segunda es pag; por lo tanto, por la independencia, la ecuación (8.2) es esta- cado. Para verificar
que un total de r éxitos, finalmente, deben acumularse, ya sea que puedan demostrar analíticamente que
( norte - 1 )
Σq Σ
P {X = n} = q pag r ( 1 - pag) norte - r = 1 (8,3)
r-1
n=r n=r
o podemos dar un argumento probabilístico de la siguiente manera: El número de ensayos necesario para obtener r éxitos
se pueden expresar como Y 1 + Y 2 + · · · + Y r, dónde Y 1 es igual al número de ensayos necesarios para el éxito primero, Y 2 el
número de ensayos adicionales después del éxito primera hasta que se produce la segunda éxito, Y 3 el número de ensayos
adicionales hasta el tercer éxito, y así sucesivamente. Debido a que los ensayos son independientes y todos tienen la
misma probabilidad de éxito, se deduce que Y 1, Y 2, . . . , Y r son todas las variables aleatorias geométricas. Por lo tanto, cada uno
es finito con probabilidad 1, por lo r
Σ
Y yo También debe ser finito,
i=1
el establecimiento de la ecuación (8.3).
cualquier randomvariable X cuya probabilitymass función está dada por la ecuación (8.2) se dice que es una binomial
negativa variable aleatoria con parámetros ( r, pag). Tenga en cuenta que una variable aleatoria geométrica es sólo una
binomial negativa con el parámetro (1, pag).
En el siguiente ejemplo, usamos la binomial negativa para obtener otra solución del problema de los
puntos.
8d Ejemplo
Si los ensayos independientes, cada uno lo que resulta en un éxito con probabilidad pag, se llevan a cabo, lo que es la
probabilidad de r éxitos ocurridos antes metro fracasos?
Solución. La solución se llegará a señalando que r éxitos ocurrirán antes

metro fracasos si y sólo si el r º éxito se produce a más tardar el ( r + m - 1) -ésimo ensayo. Esto se deduce porque
si el r º éxito se produce antes o en el ( r + m - 1) -ésima prueba, entonces debe haber ocurrido antes de la metro º
fracaso, ya la inversa. Por lo tanto, de la ecuación (8.2), la probabilidad deseada es
r+m-1 ( norte - 1 )
Σ
pag r ( 1 - pag) norte - r
r-1 .
n=r
Ejemplo 8e El problema partido Banach
En todo momento, un matemático fumador de pipa lleva 2 cajas de cerillas-1 en su bolsillo izquierdo y 1 en su bolsillo
derecho. Cada vez que necesita un partido, que es igualmente probable que tomarlo desde cualquier bolsillo. Considere
el momento en que los primeros matemático descubre que uno de sus cajas de cerillas está vacía. Si se supone que
ambas cajas de cerillas contenida inicialmente norte partidos, ¿cuál es la probabilidad de que haya exactamente k partidos,
k = 0, 1,. . . , NORTE, en la otra caja?
Solución. Dejar mi el evento de que themathematician primero descubre que la caja de cerillas de la derecha está
vacía y que hay k partidos en el cuadro de la izquierda en el momento. Ahora, se producirá este caso si y sólo si el ( N
+ 1) -ésimo elección de la caja de cerillas de la derecha se hace en el ( N + 1 + norte - k) º juicio. Por lo tanto,
fromEquation (8,2) (con
p = 12, r = N + 1, y n = 2 norte - k + 1), vemos que
)(12) 2 norte - k + 1
P (E) = ( 2 norte - k
norte
Puesto que hay una probabilidad igual de que es el cuadro de la izquierda que es primero descubierto a estar vacía y hay
k partidos en el cuadro de la derecha en ese momento, el resultado deseado es
)(12) 2 norte - k
2 P (E) = ( 2 norte - k
norte .
Ejemplo 8f
Calcular el valor esperado y la varianza de una variable aleatoria binomial negativa con parámetros r y pag.
Solución. Tenemos
( norte - 1 )
Σ
EX k] = q norte k pag r ( 1 - pag) norte - r
r-1
n=r
( nr ) ( norte - 1 ) ( nr )
Σq
=r norte k - 1 pag r + 1 ( 1 - pag) norte - r ya que norte =r
pag r-1
n=r
( metro - 1 )
Σq
=r ( metro - 1) k - 1 m=n
pag r + 1 ( 1 - pag) metro - ( r + 1) configurando +1
pag r
m=r+1
=r
pE [(Y - 1) k - 1]
dónde Y es una variable aleatoria binomial negativa con parámetros r + 1, pag. Ajuste
k = 1 en los rendimientos de ecuaciones anteriores
E [X] = r
pag
Ajuste k = 2 en la ecuación para EX k] y utilizando la fórmula para el valor esperado de una variable aleatoria
binomial negativa da
EX 2] = r
pE [Y - 1]
(r+1 )
=r
pag pag - 1
Por lo tanto,
(r+1 ) ) 2
var ( X) = r -(r
pag pag - 1 pag
= r ( 1 - p) p 2
.
Por lo tanto, a partir del Ejemplo 8f, si los ensayos independientes, cada uno de los cuales es un éxito con capacidad proble- pag, se
llevan a cabo, entonces el valor esperado y la varianza del número de ensayos que se necesita para amasar r éxitos es r / p y r ( 1 - páginas
2, respectivamente.
Desde una variable aleatoria geométrica es sólo una binomial negativa con el parámetro
r = 1, se deduce a partir del ejemplo anterior que la varianza de una variable aleatoria geométrica con
parámetro pag es igual a (1 - páginas 2, que comprueba con el resultado del ejemplo 8c.
8g Ejemplo
Encuentre el valor esperado y la varianza del número de veces que hay que lanzar un dado hasta que el
resultado 1 ha ocurrido 4 veces.
Solución. Puesto que la variable aleatoria de interés es una binomial negativa con parámetros r = 4 y p = dieciséis , resulta
que
E [X] = 24
)
var ( X) = 4 ( 56( dieciséis

) 2= 120
.
4.8.3 La variable aleatoria hipergeométrica
Supongamos que una muestra de tamaño norte está para ser elegido al azar (sin sustitución) de una urna que contiene norte bolas, de los
cuales metro son de color blanco y norte - metro son de color negro. Si dejamos X
denotar el número de bolas de blancos seleccionado, entonces
( mi ) ( norte - metro )
norte - yo
P {X = i} = ( nn ) i = 0, 1,. . . , norte (8,4)
Una variable aleatoria X cuya función de masa de probabilidad viene dada por la ecuación (8.4) para algunos valores de norte, N,
m se dice que es una hipergeométrica variable aleatoria.
Observación. Aunque hemos escrito la masa de probabilidad hipergeométrica fun- ción con yo al pasar de 0 a n, P {X = i} en
realidad ser 0, a menos yo satisface las desigualdades norte - ( norte - metro) ... yo ... min ( norte, metro). Sin embargo, la
( rk )a nuestra convención que
ecuación (8.4) es siempre válida debido
es igual a 0 cuando cualquiera k < 0 o r < k. .
8h EJEMPLO
Un número desconocido, por ejemplo, NORTE, de los animales habitan en una determinada región. Para obtener alguna
información sobre el tamaño de la población, los ecologistas suelen realizar el experimento siguiente: Se primer coger un
número, por ejemplo, metro, de estos animales, marcar de alguna manera, y liberarlos. Después de dejar que el tiempo de
los animales marcados se disperse por toda la región, una nueva captura de tamaño, por ejemplo, norte, está hecho. Dejar X
denotar el número de animales marcados en esta segunda captura. Si asumimos que la población de animales en la
región se mantuvo fijo entre el tiempo de las dos capturas y que cada vez que un animal fue capturado era la misma
probabilidad de ser cualquiera de los animales no capturadas restantes, se deduce que X es una variable aleatoria
hipergeométrica tal que
norte - yo
P {X = i} = ( nn ) K PAG yo( NORTE)
Supongamos ahora que X se observa a la igualdad yo. Entonces, ya PAG yo( NORTE) representa la probabilidad del
evento observado cuando en realidad hay norte animales presentes en la región, parecería que una estimación razonable
de norte sería el valor de norte que maximiza
PAG yo( NORTE). una estimación de este tipo se llama una máxima verosimilitud estimar. (Ver Ejercicios teóricos 13 y 18
para otros ejemplos de este tipo de procedimiento de estimación.)
La maximización de PAG yo( NORTE) se puede hacer más, simplemente por primera observando que
PAG yo( NORTE)
N -(NMinnesota
PAG yo( norte - 1) = ( norte - metro --nnorte)
+ yo)
Ahora, la relación anterior es mayor que 1 si y sólo si
( norte - Minnesota - norte) Ú N (N - metro - n + yo)
o, equivalentemente, si y sólo si
norte ... Minnesota

yo
Así, PAG yo( NORTE) es primera creciente y luego decreciente, y alcanza su valor máximo en el valor de la integral más
grande que no exceda mn / i. Este valor es la estimación de máxima campana bilidad de NORTE. Por ejemplo,
supongamos que la captura inicial consistió m =
50 animales, que están marcados y luego puesto en libertad. Si una captura subsiguiente consiste en
n = 40 animales de los cuales i = 4 están marcados, entonces tendríamos Estimamos que hay alrededor de 500 animales
de la región. (Tenga en cuenta que la estimación anterior también podría haber sido obtenida por el supuesto de que la
proporción de animales marcados en la región,
Minnesota, es aproximadamente igual a la proporción de animales marcados en la segunda captura, en.)
.
Ejemplo 8i
Un comprador de componentes eléctricos los compra en lotes de tamaño 10. Es su política de inspeccionar 3
componentes al azar de un lote y al aceptar el lote sólo si todos son 3 no defectuoso. Si el 30 por ciento de los lotes
tienen 4 componentes defectuosos y el 70 por ciento tiene sólo el 1, la proporción de lotes exentos rechazar el
comprador?
Solución. Dejar UN el evento de que el comprador acepta mucho. Ahora,
P (A) = P (A | Mucho tiene 4 unidades defectuosas) 3

10 + P (A | Mucho tiene 1 defectuoso) 7 10
( 40 ) ( 63 ) ( 10 ) ( 93 )
) )
= ( 10 ) ( 3 10 + ( 10 ) ( 7 10
3 3
= 54
100
Por lo tanto, el 46 por ciento de los lotes se rechazan. .
Si norte bolas se eligen al azar sin reemplazo de un conjunto de norte bolas de que la fracción p = m / N es
blanco, entonces el número de bolas blancas seleccionado es hypergeo- métrica. Ahora, parecería que cuando metro
y norte son grandes en relación con norte, no debe hacer mucha diferencia si la selección se hace con o sin
sustitución ción, ya que, no importa lo que las bolas han sido previamente seleccionado, cuando metro y norte
son grandes, cada selección adicional será blanco con una probabilidad aproximadamente igual a pag. En otras palabras,
parece intuitivo que cuando metro y norte son grandes en relación con norte, la función de masa de probabilidad de X debe
ser aproximadamente la de una variable aleatoria binomial con parámetros norte y pag. Para verificar esta intuición, cuenta
que si X es hipergeométrica, entonces, para yo ... norte,
norte - yo
P {X = i} = ( nn )
( norte - metro)! ( norte - norte)! ¡norte!

= ¡metro!
( metro - yo)! ¡yo! ( norte - metro - n + yo)! (norte - yo)! ¡NORTE!
)
m metro - 1 norte - m N - yo
norte - metro - 1
= ( Ni
N norte - 1 · · · metronorte
- i + 1- i + 1 norte - yo - 1
norte - metro - ( norte - yo - 1)

···
norte - yo - ( norte - yo - 1)
( Ni )
L pag yo( 1 - pag) norte - yo cuando pgrande
= m / Nen
y metro y norte
relación con norte
son y yo
8j Ejemplo
Determinar el valor esperado y la varianza de X, una variabilidad aleatoria hipergeométrica capaz con parámetros norte, NORTE,
y metro.
Solución.
Σ
EX k] = n yo k P {X = i}
i=0
( mi ) ( norte - metro ) / ( nn )
Σ
= norte yo k
norte - yo
i=1
El uso de las identidades
( mi ) ( metro - 1 ) ( nn ) ( norte - 1 )
yo = metro y norte = norte
yo - 1 norte - 1
obtenemos
( metro - 1 ) ( norte - metro ) / ( norte - 1 )

Σ norte
EX k] = Nuevo Méjico yo k - 1
norte yo - 1 norte - yo norte - 1
i=1
( metro - 1 ) ( norte - Minnesota - 1 - j ) / ( norte - 1 )
Σ
norte - 1
= Nuevo Méjico ( j + 1) k - 1
norte j norte - 1
j=0
= Nuevo Méjico
NE [(Y + 1) k - 1]
dónde Y es una variable aleatoria hipergeométrica con parámetros norte - 1, norte - 1, y

metro - 1. Por lo tanto, al establecer k = 1, tenemos
E [X] = nm
norte
En otras palabras, si norte bolas son seleccionados al azar de un conjunto de norte bolas, de los cuales metro son de color blanco, a
continuación, el número esperado de bolas de blancos seleccionado es nm / N.
Tras el establecimiento k = 2 en la ecuación para EX k], obtenemos
EX 2] = Nuevo Méjico
NE [Y + 1]
[( norte - 1) ( metro - 1) ]
= Nuevo Méjico + 1
norte norte - 1
donde la igualdad final utiliza nuestro resultado anterior para calcular el valor esperado de la variable aleatoria
hipergeométrica Y.
Porque E [X] = nm / N, podemos concluir que
[( norte - 1) ( metro - 1) ]
var ( X) = nm + 1 - Nuevo Méjico
norte norte - 1 norte
dejando p = m / N y el uso de la identidad
metro - 1
norte - 1 = Notario público

norte - 1- =
1 pag - 1 - pag norte - 1
muestra que
var ( X) = np [(n - 1) pag - ( norte - 1) 1 - pag

norte - 1 + 1 - notario público]
= notario público( 1 - pag)( 1 - norte - 1

norte - 1)
.
Observación. Hemos demostrado en el Ejemplo 8j que si norte bolas son seleccionados al azar con- cabo la sustitución de un conjunto de norte
bolas, de las cuales la fracción pag son de color blanco, a continuación, el número esperado de bolas blancas elegido es notario público. Además,
si norte es grande en relación con norte
[así que eso ( norte - n) / (N - 1) es aproximadamente igual a 1], entonces
var ( X) L notario público( 1 - pag)
En otras palabras, EX] es el mismo que cuando la selección de las bolas se realiza con sustitución (de modo
que el número de bolas blancas es binomial con parámetros norte
y pag), y si la colección total de bolas es grande, entonces Var ( X) es aproximadamente igual a lo que sería si la
selección se realiza con reemplazo. Esto es, por supuesto, exactamente lo que habríamos adivinado, dado nuestro
resultado anterior que cuando el número de bolas en la urna es grande, el número de bolas blancas elegido
aproximadamente tiene la función de masa de una variable aleatoria binomial.
.
4.8.4 La Distribución Zeta (o Zipf)
Una variable aleatoria se dice que tiene un zeta (a veces llamada la Zipf) de distribución si su función de masa de
probabilidad está dada por
P {X = k} = C
k α + 1 k = 1, 2,. . .
para un cierto valor de α> 0. Puesto que la suma de las probabilidades anteriores debe ser igual a 1, se deduce que
•• q
(1 ) •• - 1
Σ α+1
C=
k
k=1
La distribución zeta debe su nombre al hecho de que la función

) s+( 1 ) s+ ···+(1 ) s+ ···
ζ ( s) = 1 + (1
2 3 k
se conoce en disciplinas matemáticas como la función zeta de Riemann (después de la matemático alemán
GFB Riemann).
La distribución zeta fue utilizado por el economista italiano V. Pareto para describir la distribución de los
ingresos familiares en un país determinado. Sin embargo, fue GK Zipf que aplique la distribución zeta a una
amplia variedad de problemas en diferentes áreas y, al hacerlo, popularizó su uso.
4.9 valor esperado de las sumas de variables aleatorias
Una propiedad muy importante de las expectativas es que el valor esperado de una suma de variables aleatorias es
igual a la suma de sus expectativas. En esta sección, vamos a demostrar este resultado bajo el supuesto de que el
conjunto de valores posibles del experimento, es decir, el espacio muestral bilidad proba- S -es ya sea finito o
numerable infinito. Aunque el resultado es verdadero sin este supuesto (y una prueba se describe en los ejercicios
teóricos), no sólo el supuesto de simplificar la discusión, sino que también dará lugar a una prueba esclarecedora
que se sumará a nuestra intuición acerca de las expectativas. Por lo tanto, para el resto de esta sección,
supongamos que el espacio muestral S es o bien un finito o una numerable en conjunto finito.
Para una variable aleatoria X, dejar X (s) denotar el valor de X cuando s ∈ S es el resultado del experimento. Ahora si X y
Y son las dos variables aleatorias, entonces también lo es su suma. Es decir, Z = X + Y es también una variable aleatoria.
Además, Z (S) = X (s) + Y (s).
9a Ejemplo
Supongamos que el experimento consiste en fl ipping una moneda 5 veces, con el resultado de ser la secuencia
resultante de cabezas y colas. Suponer X es el número de cabezas en las ips fl primera y 3 Y es el número de
cabezas en las fi nal 2 ips fl. Dejar Z = X + Y. Entonces, por ejemplo, para el resultado s = (h, t, h, t, h),
X (s) = 2
Y (s) = 1
Z (S) = X (s) + Y (s) = 3
lo que significa que el resultado ( h, t, h, t, h) Resultados en 2 cabezas en los tres primeros ips FL, 1 cabeza en dos ips fl la fi nal,
y un total de 3 cabezas en el cinco ips fl. .
Dejar p (s) = P ({s}) ser la probabilidad de que s es el resultado del experimento. Debido a que podemos escribir cualquier
caso UN como lo finito o infinito numerable en unión de los eventos mutuamente excluyentes { s}, s ∈ UN, se sigue por los
axiomas de la probabilidad de que
P (A) = Σ PD)
s ∈ UN
Cuando A = S, la ecuación anterior da
1=Σ PD)
s∈S
sección 4.9 Valor esperado de sumas de variables aleatorias 165
Ahora deja X una variable aleatoria, y considerar EX]. Porque X (s) es el valor de X
cuando s es el resultado del experimento, parece intuitivo que EX] -la media ponderada de los valores
posibles de X, con cada valor ponderado por la probabilidad de que
X asume que el valor debe ser igual a una media ponderada de los valores X (s), S ∈ S,
con X (s) ponderada por la probabilidad de que s es el resultado del experimento. Ahora probamos esta
intuición.
Proposición 9.1.
E [X] = Σ X (s) p (s)
s∈S
Prueba. Supongamos que los valores distintos de X son X yo, yo Ú 1. Para cada yo, dejar S yo ser el caso de que X es igual a X yo. Es
decir, S i = { s de: X (S) = x yo}. Entonces,
E [X] = Σ X yo P {X = x yo}
yo
=Σ X yo PD yo)
yo
Σ
=Σ X yo PD)
yo s∈Si
Σ
=Σ X yo PD)
yo s∈Si
Σ
=Σ X (s) p (s)
yo s∈Si
=Σ X (s) p (s)
s∈S
donde la igualdad del final sigue porque S 1, S 2, . . . son eventos mutuamente excluyentes cuya unión es S.
9b Ejemplo
Supongamos que dos ips fl independientes de una moneda que cae en cara con probabilidad pag
se hacen, y dejar X denotar el número de cabezas obtenidos. Porque
P (X = 0) = P (t, t) = ( 1 - pag) 2,
P (X = 1) = P (h, t) + P (t, h) = 2 pag( 1 - p) P (X = 2) = P (h, h) =
p2
se desprende de la definición del valor esperado que
E [X] = 0 · ( 1 - pag) 2 + 1 · 2 pag( 1 - pag) + 2 · pag 2 = 2 pag
lo que concuerda con
E [X] = X (h, h) p 2 + X (h, t) p ( 1 - pag) + X (t, h) ( 1 - p) p + X (t, t) ( 1 - pag) 2
= 2 pag 2 + pag( 1 - pag) + ( 1 - páginas
= 2 pag .
Ahora probamos el resultado importante y útil que el valor esperado de una suma de variables aleatorias es
igual a la suma de sus expectativas.
Corolario 9.2. Para las variables aleatorias X 1, X 2, . . . , X norte,
Σ Σ
mi X yo EX yo]
i=1 i=1
Prueba. Dejar Z = Σ ni = 1 X yo. Luego, por la Proposición 9.1,
E [Z] = Σ Z (s) p (s)

s∈S
( X 1 ( s) + X 2 ( s) + . . . + X norte( s)) p (s)
=Σ
s∈S
=Σ X 1 ( s) p (s) + Σ X 2 ( s) p (s) + . . . + Σ X norte( s) p (s)
s∈S s∈S s∈S
= EX 1] + EX 2] + . . . + EX norte] .
9c Ejemplo
Encuentre el valor esperado de la suma obtenida cuando norte dados equilibrados se enrollan.
Solución. Dejar X la suma. Vamos a calcular EX] mediante el uso de la representación
Σ
X = norte X yo
i=1
dónde X yo es el valor vuelto hacia arriba sobre el Die yo. Porque X yo es igualmente probable que sea cualquiera de los valores de 1 a 6, se
deduce que
Σ
EX i] = 6 yo( 1/6) = 21/6 = 7/2
i=1
que produce el resultado

Σ Σ
E [X] = E X yo EX i] = 3.5 norte
i=1 i=1 .
9d Ejemplo
Encuentra el número total esperado de éxitos que resultan de norte ensayos cuando el juicio yo es un éxito con probabilidad pag yo,
i = 1,. . . , norte.
Solución. dejando
Si el juicio yo es un éxito
X i = { 1,
0, si el juicio yo es un fracaso
tenemos la representación
Σ
X = norte X yo
i=1
sección 4.9 Valor esperado de sumas de variables aleatorias 167
Por consiguiente,
Σ Σ
E [X] = norte EX i] = n pag yo
i=1 i=1
Tenga en cuenta que este resultado no requiere que los ensayos sean independientes. Incluye como un caso especial el valor
esperado de una variable aleatoria binomial, que asume ensayos independientes y todo pag i = pag, y por lo tanto tiene significaría
notario público. También da el valor esperado de una variable aleatoria hipergeométrica que representa el número de bolas
blancas seleccionadas cuando norte bolas son seleccionados al azar, sin reemplazo, de una urna de norte bolas de los cuales metro
son de color blanco. Podemos interpretar la hipergeométrica como la representación del número de éxitos en norte ensayos,
donde el juicio yo se dice que es un éxito si el yo º bola seleccionada es blanco. Porque el yo º bola seleccionada es igualmente
probable que ser cualquiera de las norte bolas y por lo tanto tiene probabilidad Minnesota de ser blanco, se deduce que la
hipergeométrica es el nú- mero de éxitos en norte ensayos en los que cada prueba es un éxito con probabilidad p = m / N.
Por lo tanto, a pesar de que estos ensayos hipergeométricas dependen, se deduce a partir del resultado del
Ejemplo 9d que el valor esperado de la hipergeométrica es np = nm / N. .
9e Ejemplo
Deducir una expresión para la varianza del número de ensayos con éxito en el Ejemplo 9 re, y aplicarlo para
obtener la varianza de una variable aleatoria binomial con parámetros
norte y pag, y de una variable aleatoria hipergeométrica igual al número de bolas blancas elegidas cuando norte bolas se
eligen al azar de una urna que contiene norte bolas de los cuales metro
son de color blanco.
Solución. dejando X ser el número de ensayos con éxito, y el uso de la misma repre- sentación de X -a saber, X
= Σ ni = 1 X yo -como en el ejemplo anterior, tenemos
•••••• norte
•••••••
••••• norte
Σ Σ
EX 2] = mi X yo Xj
i=1 j=1
••• norte
•• X i + Σ •••••
Σ
= mi X yo Xj
i=1 j Z yo
•• norte ••
Σ Σ Σ
= mi X 2i + n X yo X j
i=1 i=1 j Z yo
Σ Σ Σ
= norte EX 2 yo ] + n
EX yo X j]
i=1 i=1 j Z yo
Σ Σ
=Σ pag i + n EX yo X j] (9,1)
yo i=1 j Z yo
donde la ecuación nal fi usó X 2 i= X yo. Sin embargo, debido a que los valores posibles de
ambos X yo y X j son 0 ó 1, se deduce que
Si X i = 1, X j = 1
X yo X j = { 1,
0, de lo contrario
Por lo tanto,
EX yo X j] = P {X i = 1, X j = 1} = PAG( ensayos yo y j son éxitos)
Ahora, por un lado, si X es binomial, entonces, para yo Z j, los resultados de un ensayo yo y el juicio j
son independientes, con cada uno siendo un éxito con probabilidad pag. Por lo tanto,
EX yo X j] = pag 2, yo Z j
Junto con la ecuación (9.1), la ecuación anterior muestra que, para una variable dom ran- binomial X,
EX 2] = np + n (n - 1) pag 2
lo que implica que
var ( X) = E [X 2] - ( EX]) 2 = np + n (n - 1) pag 2 - norte 2 pag 2 = notario público( 1 - pag)
Por otro lado, si X se hipergeométrica, a continuación, teniendo en cuenta que una bola blanca se elige en el juicio yo, cada una de la otra norte
- 1 bolas, de los cuales metro - 1 son de color blanco, es igualmente probable que sea el j º balón elegido, para j Z yo. En consecuencia, para j Z yo,
metro - 1
P {X i = 1, X j = 1} = P {X i = 1} P {X j = 1 | X i = 1} = metro
nortenorte - 1
Utilizando pag i = Minnesota, que ahora obtenemos, a partir de la ecuación (9.1),
metro - 1
EX 2] = Nuevo Méjico
N + n (n - 1) metro nortenorte - 1
Por consiguiente,
) 2
metro - 1
var ( X) = nm
N + n (n - 1) metro nortenorte - 1 - ( Nuevo Méjico
norte
que, como se muestra en el Ejemplo 8j, puede ser simplificarse para producir
( )
var ( X) = np ( 1 - pag) 1 - norte - 1
norte - 1
dónde p = m / N. .
4.10 propiedades de la función de distribución acumulativa
Recordemos que, para la función de distribución F de X, F (b) denota la probabilidad de que la variable aleatoria X lleva en un
valor que es menor que o igual a segundo. A continuación se presentan algunas propiedades de la función de distribución
acumulativa (cdf) F:
1. F es una función no decreciente; es decir, si un < segundo, entonces Fa) ... Pensión completa).
2. lim
segundo → q F (b) = 1.
3. lim
segundo → - q F (b) = 0.
4. F es correcto continua. Es decir, para cualquier segundo y cualquier secuencia decreciente segundo norte, norte Ú 1, que converge a segundo,
lim
norte → q Pensión completa n) = Pensión completa).
Propiedad 1 sigue, como se señaló en la sección 4.1, ya que, por un < segundo, el evento
{ X ... un} está contenido en el evento { X ... segundo} y así no puede tener una mayor probabilidad. Propiedades 2, 3 y 4
todos siguen de la propiedad de continuidad de las probabilidades
sección 4.10 Las propiedades de la función de distribución acumulativa 169
(Sección 2.6). Por ejemplo, para demostrar la propiedad 2, observamos que si segundo norte aumenta a q, a continuación, los eventos { X ... segundo
norte}, norte Ú 1, están aumentando los eventos cuya unión es el evento { X < q}.
Por lo tanto, por la propiedad de continuidad de las probabilidades,
lim
norte → q P {X ... segundo n} = P {X < q} = 1
lo que demuestra la propiedad 2.

La prueba de la propiedad 3 es similar y se deja como ejercicio. Para demostrar la propiedad 4, observamos que si segundo norte disminuye
hasta segundo, entonces { X ... segundo norte}, norte Ú 1, están disminuyendo eventos cuya intersección es { X ... segundo}. La propiedad
continuidad entonces, los rendimientos
lim
norte P {X ... segundo n} = P {X ... segundo}
verificable, que es propiedad de 4.

Todas las preguntas acerca de probabilidad X puede ser respondida en términos de la función de distribución, F. Por ejemplo,
P {a <X ... b} = F (b) - Fa) para todos un <b (8,1)
Esta ecuación se puede ver mejor de mantener si se escribe el evento { X ... segundo} como la unión de los eventos mutuamente
excluyentes { X ... un} y { un <X ... segundo}. Es decir,
{ X ... b} = {X ... un} ∪ { un <X ... segundo}
asi que
P {X ... b} = P {X ... un} + P {a <X ... segundo}
que establece la ecuación (9.1).

Si queremos calcular la probabilidad de que X es estrictamente menor que segundo, podemos volver a aplicar la propiedad de
continuidad para obtener
( { })
P {X <b} = P lim X ... segundo - 1
norte →q norte
( )
= lim X ... segundo - 1
norte → q PAG norte
( )
= lim segundo - 1
norte →q F norte
Tenga en cuenta que P {X <b} no es necesariamente igual Pensión completa), ya que Pensión completa) también incluye la probabilidad de que X
es igual segundo.
Ejemplo 10a
La función de distribución de la variable aleatoria X es dado por

•••••••••••••••••••••••••••
0 x<0
X
0 ... x < 1 2 3
2
F (x) = 1 ... x < 2 11 12
2 ... x < 3 1
3 ... X
F (x)
1
11
-
12
2-3
1-2
X
1 2 3
Figura 4.8: gráfico de F (x).
Un gráfico de F (x) se presenta en la Figura 4.8. Calcule (a) P {X < 3}, (b) P {X = 1}, (c)
P {X> 12}, y (d) PAG{ 2 < X ... 4}.
{ } = lim ( )
Solución. ( un) P {X < 3} = lim X ... 3 - 1 3-1 = 11
norte PAG norte norte F norte 12
(segundo)
P {X = 1} = P {X ... 1} - P {X < 1}
( )
= F( 1) - lim 1-1 =2
norte F norte 3-1 2=1 6
(do)
{ } = 1 - PAG { }
PAG X> 1 X ... 1
2 2
( 1 2)
2
=1-F =3
4
(re)
PAG{ 2 < X ... 4} = F( 4) - F( 2)
=1
12 .
RESUMEN
Una función de fi nida de valor real en el resultado de un experimento de probabilidad se llama variable aleatoria.
Si X es una variable aleatoria, entonces la función F (x) definida por
F (x) = P {X ... X}
que se llama el función de distribución de X. Todas las probabilidades relativas X puede expresarse en términos de F.
Resumen 171
Una variable aleatoria cuyo conjunto de valores posibles es o bien finito o numerable infinito se llama discreto. Si X es
una variable aleatoria discreta, entonces la función
p (x) = P {X = x}
que se llama el función de probabilidad de X. Además, la cantidad EX] definida por
E [X] = Σ XP (x)
x: p (x)> 0
que se llama el valor esperado de X. E [X] También se conoce comúnmente como la media o el tación tivas de X.
Una identidad de utilidad establece que, para una función gramo,
E [g (x)] = Σ g (x) p (x)

x: p (x)> 0
los diferencia de una variable aleatoria X, denotado por Var ( X), se define por
var ( X) = E [(X - EX]) 2]
La varianza, que es igual al cuadrado esperado de la diferencia entre X

y su valor esperado, es una medida de la difusión de los valores posibles de X. la identidad es Auseful
var ( X) = E [X 2] - ( EX]) 2
La cantidad √ var ( X) que se llama el desviación estándar de X.

Ahora observamos algunos tipos comunes de variables aleatorias discretas. La variabilidad aleatoria poder X cuya función de
masa de probabilidad está dada por
)
p (i) = (ni pag yo( 1 - pag) norte - yo i = 0,. . . , norte
se dice que es una variable aleatoria binomial con parámetros norte y pag. Tal una variable aleatoria puede ser
interpretado como el número de éxitos que se producen cuando norte ensayos independientes, cada uno de lo que
resulta en un éxito con probabilidad pag, se llevan a cabo. Su media y varianza vienen dadas por
E [X] = np var ( X) = np ( 1 - pag)
La variable aleatoria X cuya función de masa de probabilidad está dada por
p (i) = e - λ λ yo yo Ú 0
¡yo!
se dice que es una Poisson randomvariable con el parámetro λ. Si un gran número de (aproximadamente) se realizan
ensayos independientes, cada uno con una pequeña probabilidad de tener éxito, entonces el número de ensayos con
éxito que resultado será tener una distribución que es aproximadamente la de una variable aleatoria de Poisson. La
media y la varianza de una variable aleatoria de Poisson son ambas iguales a su parámetro λ. Es decir,
E [X] = var ( X) = λ
p (i) = p ( 1 - pag) yo - 1 i = 1, 2,. . .

se dice que es una geométrico variable aleatoria con el parámetro pag. Tal una variable aleatoria representa el número de
prueba del éxito primera cuando cada ensayo es independientemente un éxito con probabilidad pag. Su media y varianza
vienen dadas por
E [X] = 1
pag var ( X) = 1 - pag pag 2

)
p (i) = (i - 1 pag r ( 1 - pag) yo - r yo Ú r
r-1
se dice que es una binomial negativa variable aleatoria con parámetros r y pag. Tal variable aleatoria representa el
número de prueba del r º éxito cuando cada ensayo es independientemente un éxito con probabilidad pag. Su
media y varianza vienen dadas por
E [X] = r
pag var ( X) = r ( 1 - pag) pag 2
UN hipergeométrica variable aleatoria X con los parámetros norte, NORTE, y metro representa el número de bolas blancas
seleccionadas cuando norte bolas se eligen al azar de una urna que contiene norte bolas de los cuales metro son de color blanco.
La función de masa de probabilidad de esta variable aleatoria está dada por
norte - yo
p (i) = ( nn ) i = 0,. . . , metro
Con p = m / N, la media y la varianza son
E [X] = np var ( X) = N - norte

norte - 1 notario público( 1 - pag)
Una propiedad importante del valor esperado es que el valor esperado de una suma de variables aleatorias es
igual a la suma de sus valores esperados. Es decir,
Σ Σ
mi X yo EX yo]
i=1 i=1
PROBLEMAS
4.1. Dos bolas se eligen al azar de una urna que con- 4.3. Tres dados se lanzan. Al asumir que cada uno de
TaiNing 8 blanco, 4 negro, y 2 bolas de color naranja. SUP- pose que el 6 3 = 216 resultados posibles es igualmente probable, encuentre las
ganamos $ 2 por cada bola negro seleccionado y perdemos $ 1 por cada probabilidades asociadas a las posibles ues que Val- X puede asumir,
bola blanca seleccionado. Dejar en donde X es la suma de los 3 dados.
X denotar nuestras ganancias. ¿Cuáles son los posibles Val- ues de X, y
¿cuáles son las probabilidades asociadas con cada valor? 4.4. Cinco hombres y 5 mujeres se clasifican de acuerdo a
sus puntuaciones en un examen. Asumen que no hay dos resultados
4.2. Dos dados justos se enrollan. Dejar X igual a la son iguales y todos los 10! posibles clasificaciones son igualmente
producto de los 2 dados. Calcular P {X = i} para probables. Dejar X denotan la mayor ing Rank- alcanzado por una mujer.
i = 1,. . . , 36. (Por ejemplo, X = 1
Problemas 173
si la persona mejor clasificado es de sexo femenino.) Encuentra P {X} = i, (En dólares) igual a la suma de los dedos mostrados por él y su
i = 1, 2, 3,. . . , 8, 9, 10. oponente. Si ambos jugadores adivinar correctamente o si ni
4.5. Dejar X representar la diferencia entre el nú- adivina correctamente, entonces no se intercambia dinero.
BER de cabezas y el número de colas obtiene cuando se lanza una Considere un jugador fi cado, y denotan por X la cantidad de
moneda norte veces. ¿Cuáles son los valores de posible ¿X? dinero que gana en un solo juego de dos dedos Morra.
4.6. En el problema 5, para n = 3, si la moneda se asume justo, ¿cuáles son (un) Si cada jugador actúa independientemente del otro,
las probabilidades asociadas a los UE que Val- X puede asumir? y si cada jugador hace su elección del número de dedos
que sostendrá y el número que va a suponer que su
4.7. Supongamos que se tira un dado dos veces. ¿Cuáles son los oponente, con aforo de tal manera que cada una de las 4
posibles valores que los siguientes Ables variabilidad al azar pueden posibilidades es igualmente probable, ¿cuáles son las
asumir: posible valores de X y cuáles son sus probabilidades
(un) el valor máximo que aparezca en los dos rodillos; asociadas?
(segundo) el valor mínimo que aparezca en los dos rodillos;
(do) la suma de los dos rodillos; (segundo) Supongamos que cada jugador actúa de manera independiente
(re) el valor del rollo primer menos el valor de del otro. Si cada jugador decide sostener el mismo número
el segundo rollo? de dedos que se adivina su oponente se mantienen, y si es
4.8. Si el dado en el problema 7 se asume justo, calcular la misma probabilidad de contener hasta 1 o 2 dedos,
las probabilidades asociadas con las Ables variabilidad al azar en ¿cuáles son los valores posibles de cada jugador X y su
las partes (a) a (d). aso- ated probabilidades?
4.9. Ejemplo Repita 1b cuando se seleccionan las bolas

con reemplazo. 4.13. Un vendedor ha programado dos citas a
4.10. En el Ejemplo 1d, calcular el babilidad condicional vender enciclopedias. Su primera cita fi dará lugar a una venta con 0.3
dad que ganamos yo dólares, dado que ganamos cosa algu-; la probabilidad, y su segunda conducirá de forma independiente a una
calcular para i = 1, 2, 3. venta con 0,6 probabilidad. Cualquier venta realizada es la misma
4.11. (un) Un entero norte está para ser seleccionado al azar de probabilidad de ser para el modelo de lujo, que cuesta $ 1000, o el
{ 1, 2,. . . , (10) 3} en el sentido de que cada número entero tiene la modelo estándar, que cuesta $ 500. Determinar la función de masa de
misma probabilidad de ser seleccionado. ¿Cuál es la probabilidad X, el valor total en dólares de las ventas.
probabilidad de que norte será divis- ble por 3? por 5? por 7? por
15? por 105? ¿Cómo cambiaría su respuesta si (10) 3 se
sustituye por (10) k como k se hizo más y más grande? 4.14. Cinco números distintos están distribuidos al azar
a los jugadores numerados del 1 al 5. Siempre que dos jugadores
(segundo) Una función importante en el número teoría- comparan sus números, el que tiene la más alta uno es declarado
uno cuyas propiedades pueden ser demostrado estar ganador. Inicialmente, los jugadores 1 y 2 comparan sus números; el
relacionada con lo que es probablemente el más importante ganador y luego compara su número con el de jugador 3, y así
problema sin resolver de las matemáticas, la hipótesis de sucesivamente. Dejar X indican el número de veces que el jugador 1 es
Riemann-M es el función obius un ganador. Encontrar P {X = i}, i = 0, 1, 2, 3, 4.
μ ( norte), de fi nido para todos los valores enteros positivos norte
como sigue: Factor norte en sus factores primos. Si hay un factor
4.15. La Asociación Nacional de Baloncesto (NBA) proyecto
primordial repetido, como en 12 = 2 · 2 · 3 o 49 = 7 · 7, a
lotería implica los 11 equipos que tuvieron los registros peor de
continuación, μ ( norte) Se define a la igualdad 0. Ahora vamos norte
ganados y perdidos durante el año. Un total de 66 bolas se
ser elegido al azar de {1, 2,. . . (10) k}, dónde k es largo. determinar PAG{
colocan en una urna. Cada una de estas bolas está inscrito con
μ ( N) = 0} como k → q.
el nombre de un equipo: Once tiene el nombre del equipo con el
peor récord, 10 tienen el nombre del equipo con el segundo peor
Insinuación: Computar PAG{ μ ( NORTE) Z 0}, utilizar la identidad
registro, 9 tienen el nombre de la teamwith la tercera peor
) ( 8 9 ) ( 24 25)
25) ( 48 49)
49 registro, y así sucesivamente (con 1 bola que tiene el nombre
Πq PAG 2
yo - 1
=(3 ···=6 del equipo con el peor récord 11). Una bola se elige entonces al
PAG 2 4 π2 azar, y el equipo cuyo nombre está en la pelota se le da la
i=1 yo
primera en el draft de jugadores a punto de entrar en la liga. Otra

dónde PAG yo es el yo th-prime más pequeño. (El número 1 no es un número bola se elige entonces, y si “pertenece” a un equipo diferente de
primo.) la que recibió el draft de primera, entonces el equipo al que
4.12. En el juego de dos dedos Morra, 2 jugadores muestran pertenece recibe la segunda selección del draft. (Si la pelota
1 o 2 dedos y simultáneamente adivinar el número de dedos su pertenece
oponente se mostrará. Si sólo uno de los jugadores adivina
correctamente, gana una cantidad
al equipo que recibe la primera selección, entonces es dis- cardada 4.20. Un libro de juegos de azar recomienda el siguiente “-ganar
y se elige otro; esto continúa hasta que se elija la pelota del otro estrategia de Ning”para el juego de la ruleta: Apuesta $ 1 en rojo. Si aparece de
)
color rojo (que tiene una probabilidad 18
equipo.) Por último, se elige otra bola, y el equipo cuyo nombre , entonces
38
aparece en la bola (siempre que sea diferente de los dos equipos tomar el $ 1 FI pro t y dejar de fumar. Si el rojo no aparece y se pierde
anteriores) recibe la tercera selección del draft. El proyecto recoge esta apuesta (que tiene una probabilidad 20
38 de
restante 4 a 11 son luego entregados a los 8 equipos que no que ocurre), hacer apuestas adicionales $ 1 en rojo en cada una de las
“ganar la Tery mucho-,” en orden inverso al de su registro de siguientes dos vueltas de la rueda de la ruleta y luego dejar de fumar. Dejar X
ganados y perdidos. Por ejemplo, si el equipo con el peor registro denotar sus ganancias al salir.
no ha recibido ninguna de las selecciones 3 de la lotería, entonces (un) Encontrar P {X> 0}.
ese equipo recibiría la cuarta selección del draft. Dejar X (segundo) ¿Está convencido de que la estrategia es de hecho
un “ganar” estrategia? ¡Explica tu respuesta!
(do) Encontrar EX].
denotar el draft del equipo con el peor récord. Encuentra la
4.21. Cuatro autobuses que transportaban a 148 estudiantes de la misma
función de masa de probabilidad de X.
la escuela llegan a un estadio de fútbol. Los autobuses llevan,
4.16. En el problema 15, dejó el equipo número 1 será el equipo
respectivamente, 40, 33, 25, y 50 estudiantes. Uno de los estudiantes se
con el peor registro, deje el equipo número 2 sea el equipo con el
selecciona aleatoriamente. Dejar X denotar el número de estudiantes que
segundo peor registro, y así sucesivamente. Dejar
estaban en el autobús car- rying el estudiante seleccionado al azar. Uno de
Y yo denotar el equipo que recibe el número del draft yo.
los conductores 4 de bus también se selecciona al azar. Dejar Y denotar el
(Así, Y 1 = 3 si el balón primer elegido pertenece al equipo número 3.)
número de estudiantes en su autobús.
Calcula la probabilidad de masa fun- ción de (a) Y 1, ( segundo) Y 2, y C)
Y 3.
(un) ¿Cuál de EX] o E [Y] cree usted que es más grande?
4.17. Supongamos que la función de distribución de X es
¿Por qué?
dada por
(segundo) Calcular EX] y E [Y].
•••••••••••••••••••••••••••••
4.22. Supongamos que dos equipos juegan una serie de juegos que
0 b<0
termina cuando uno de ellos ha ganado yo juegos. Supongamos que cada
segundo
0 ... b < 1 juego que se juega es, independientemente, ganado por el equipo UN con
4 probabilidad pag. Encontrar el nú- mero esperado de juegos que se juegan
1 2 + segundo - 1 cuando (a) i = 2 y (b)
F (b) = 1 ... b < 2
4 i = 3. Además, en ambos casos muestran que este número se maximiza
cuando p = 12.
11
2 ... b < 3 4.23. Tienes $ 1000, y un determinado producto
12
actualmente se vende por $ 2 por onza. Supongamos que después de una
1 3 ... segundo
semana, la mercancía se venderá por $ ya sea 1 ó $ 4 por onza, con la
misma probabilidad de ser estas dos posibilidades.
(un) Encontrar P {X = i}, i = 1, 2, 3.
(segundo) Encontrar PAG{ 12 < X < 32}.

(un) Si su objetivo es maximizar la esperada
4.18. Se hicieron cuatro ips fl independientes de una moneda al aire. Dejar
cantidad de dinero que posee al final de la semana, ¿qué
X denotar el número de cabezas obtenidos. Trazar la función de estrategia debe emplear?
masa de probabilidad de la variable aleatoria
X - 2. (segundo) Si su objetivo es maximizar la esperada
4.19. Si la función de distribución de X es dado por cantidad de la mercancía que posee al final de la semana,
••••••••••••••••••••••••••••••••••••• ¿qué estrategia debe emplear?
0 b<012
0 ... b < 1 3 5 4.24. UN y segundo jugar el juego siguiente: UN anota

cualquiera de los números 1 o el número 2, y segundo debe adivinar cuál. Si el
número que UN ha escrito se yo y segundo ha adivinado correctamente, segundo recibe

1 ... b < 2 4 5
yo unidades de A. Si segundo hace una suposición errónea, segundo paga 34 unidad
F (b) = para
2 ... b < 3 9 10 3 ... A. Si segundo aleatoriza su decisión al adivinar 1 con
b < 3.5 probabilidad pag y 2 con probabilidad 1 - pag, determinar su
ganancia esperada si (a) UN ha escrito número 1 y (b) UN ha
escrito el número 2.
1 segundo Ú 3.5 ¿Qué valor de pag maximiza el valor mínimo de posible segundo 'Promedio
que se esperaría de ganancia, y lo que es este valor maximin? (Tenga en cuenta
calcular la función de masa de probabilidad de X. que segundo Que está espera
Problemas 175
ganancia no depende sólo de pag, sino también en lo Nota: Si el cheque primera es negativa, todavía debe verificar la
UN hace.) otra posibilidad.
Consideremos ahora el jugador A. Supongamos que ella también cambia 4.30. Una persona lanza una moneda al aire hasta que aparezca una cola de
aleatoriamente su decisión, anotando el número 1 con probabilidad q. Que es UN la primera vez. Si aparece la cola en el norte º ip fl, la persona gana 2 norte dólares.
'S pérdida esperada si (c) Dejar X denotar las ganancias del jugador. Muestra esa E [X] = + q. Este
segundo elige número 1 y (d) segundo escoge el número 2? problema se conoce como la paradoja de San Petersburgo.
¿Qué valor de q Minimiza UN 'S pérdida máxima esperada?
Demostrar que theminimumof UN 'S max- pérdida imumexpected es (un) ¿Usted estaría dispuesto a pagar $ 1 millón para jugar
igual a themaximumof segundo 'S ganancia mínima esperada. Este este juego una vez?
resultado, conocido como el teorema minimax, fue primero (segundo) ¿Usted estaría dispuesto a pagar $ 1 millón para
establecida en general- dad por el matemático John von Neumann y cada juego si se puede jugar por todo el tiempo que le gusta y sólo
es el resultado fundamental en la disciplina themathematical conocida tuvo que conformarse cuando haya detenido la reproducción?
como la teoría de juegos. El valor común se llama el valor del juego
para el jugador SEGUNDO. 4.31. Cada noche diferentes meteorólogos nos dan la
la probabilidad de que llueva el día siguiente. A juzgar qué tan bien estas
4.25. Dos monedas deben ser fl ipped. La moneda primer aterrizará personas predicen, vamos a anotar cada uno de ellos de la siguiente
en cabezas con 0,6 probabilidad, el segundo con 0,7 probabilidad. manera: Si un meteorólogo dice que va a llover con probabilidad pag, entonces
Suponga que los resultados de las ips fl son independientes y él o ella recibirá una puntuación de
permiten X igual al número total de cabezas que resultan.
(un) Encontrar P {X = 1}. 1 - ( 1 - pag) 2 si llueve

(segundo) Determinar EX]. 1 - pag 2 si no llueve
4.26. Uno de los números 1 a 10 es al azar CHO-
a continuación, vamos a realizar un seguimiento de las puntuaciones en un
sen. Usted debe tratar de adivinar el número elegido, haciendo
lapso de tiempo determinados y concluir que el meteorólogo de la
preguntas con “sí” no-respuestas. Calcular el número esperado de
puntuación media más alta es el mejor predictor de tiempo. Supongamos
preguntas que tendrá que preguntar en cada uno de los dos casos
ahora que una esencia meteorólogo dado es consciente de nuestro
siguientes:
mecanismo de puntuación y quiere maximizar su puntuación esperada. Si
(un) Tu yo ª pregunta es ser “¿Es ¿yo? ” i =
esto persona realmente cree que va a llover mañana con probabilidad pag *,
1, 2, 3, 4, 5, 6, 7, 8, 9, 10.
¿Qué valor de pag debe afirmar que él o ella con el fin de maximizar la
(segundo) Con cada pregunta intenta eliminar uno
puntuación esperada?
medio de los números restantes, tan cerca como sea posible.
4.27. Una compañía de seguros escribe una política para el efecto 4.32. Para determinar si tienen una cierta dis-
que una cantidad de dinero UN debe ser pagado si algún evento mi se aliviar, 100 personas son mediante un análisis de sangre. Sin embargo,
produce dentro de un año. Si compañeros de la empresa estimación que mi ocurrirá en lugar de probar cada sepa- rado individuo, se ha decidido primera
dentro de un año con probabilidad pag, qué debe cargar al cliente con el para colocar las personas en grupos de 10. Las muestras de sangre de
fin de que su esperada fi nes será del 10 por ciento de ¿UN? las 10 personas en cada grupo se agruparon y ana- lisadas juntos. Si la
prueba es negativa, una prueba SUF fi cina de las 10 personas, mientras
4.28. Una muestra de 3 artículos se selecciona al azar de una que si la prueba es positiva, cada una de las 10 personas también serán
caja que contiene 20 elementos de los cuales 4 son defectuosos. Encuentra el probados individualmente y, en total, 11 pruebas se realizarán en este
número esperado de artículos defectuosos en la muestra. grupo. Supongamos que la probabilidad de que una persona tiene la
enfermedad es 0,1 para todas las personas, independientemente unos de
4.29. Hay dos causas posibles para un desglose de otros, y calcular el número esperado de las pruebas necesarias para
una maquina. Para comprobar la primera posibilidad costaría cada grupo. (Tenga en cuenta que estamos asumiendo que la prueba
do 1 dólares, y, si eso fuera la causa del desglose, el problema combinada será positiva si al menos una persona en la piscina tiene la
enfermedad.)
podría ser reparados a un costo de R 1
dólares. Del mismo modo, hay costos do 2 y R 2 asociados con la
segunda posibilidad. Dejar pag y 1 -
pag denotar, respectivamente, las probabilidades de que la 4.33. Un vendedor de periódicos adquiere los papeles a 10 centavos y vende
avería se debe a la primera y segunda posibilidades. ¿En qué ellos a los 15 centavos de dólar. Sin embargo, no se le permitió regresar
condiciones de p, C yo, R yo, i = 1, 2, debe comprobar que la primera papeles sin vender. Si su demanda diaria es una variable aleatoria
causa posible de desglose y luego el segundo, en lugar de binomial con n = 10, p = 13, Aproximadamente el cuántos papeles que debe
invertir el orden de verificación, a fin de minimizar el costo adquirir el fin de maximizar su beneficio esperado fi cio?
esperado de la devolución de la máquina a fin de trabajar?
4.34. En el Ejemplo 4b, suponer que la tienda por departamentos
incurre en un coste adicional de do por cada unidad de insatisfecha
demanda. (Este tipo de costos se refiere a menudo como un costo de cada uno de los componentes de funciones independientemente con
buena voluntad porque la tienda pierde la buena voluntad de aquellos probabilidad pag 1, mientras que en un día seco cada uno de ellos funcionan de
clientes cuyas demandas no cumple con CAN.) Calcular el beneficio manera independiente con probabilidad pag 2. Si la probabilidad de que llueva
esperado fi cio de las existencias del almacén s unidades, y determinar el mañana es α, ¿cuál es la capacidad proble- que el sistema satelital funcionará?
valor de s
que maximiza el beneficio esperado fi cio. 4.45. Un estudiante se prepara para tomar una importante
4.35. ABox contiene 5 rojos y 5 canicas azules. Twomar- examen oral y está preocupado por la posibilidad de tener una “on”
bles se retiran al azar. Si son del mismo color, entonces usted día o un día “off”. Se fi guras que si tiene una en el día, entonces
gana $ 1,10; Si son diferentes ORS COL-, entonces ganas - $ 1.00. cada uno de sus examinadores se le pasará, independientemente
(Es decir, se pierde $ 1,00.) Calcular unos de otros, con una probabilidad de 0,8, mientras que si tiene un
mal día, esta probabilidad se reducirá a 0,4. SUP- suponen que el
(un) el valor esperado de la cantidad ganada; estudiante pasará el examen si la mayoría de los examinadores
(segundo) la variación de la cantidad ganada. pasar. Si el estudiante siente que es el doble de probabilidades de
4.36. Considere el problema 22 con i = 2. Encontrar la varianza del número de tener un mal día ya que es tener una en el día, en caso de que
partidos jugados, y muestran que este número se maximiza cuando p solicitar un ejem- inación con 3 examinadores o evaluadores con 5?
= 12.
4.37. Encuentra Var ( X) y Var ( Y) para X y Y como se da en
Problema 21. 4.46. Supongamos que se necesitan al menos 9 votos de un 12-
4.38. Si E [X] = 1 y Var ( X) = 5, fi nd jurado miembro para condenar a un acusado. Supongamos también que la
(un) MI[( 2 + X) 2]; probabilidad de que un miembro del jurado vota una persona culpable inocente es
(segundo) Var (4 + 3 X). 0,2, mientras que la probabilidad de que el miembro del jurado vota una persona
inocente culpable es 0,1. Si cada miembro del jurado actúa de forma
4.39. Una bola se extrae de una urna que contiene 3 blanco y
independiente y si el 65 por ciento de los acusados son culpables, encuentre la
3 bolas negras. Después de que el balón se extrae, se reemplaza y otra bola
probabilidad de que el jurado emite una decisión correcta. ¿Qué porcentaje de los
se dibuja. Este proceso continúa indefinidamente. ¿Cuál es la probabilidad
acusados sea condenado?
de que, de los primeros 4 bolas extraídas, exactamente 2 son de color
blanco?
4.40. En una selección múltiple examwith 3 respuestas posibles 4.47. En algunos tribunales militares, son nombrados 9 jueces.
para cada una de las 5 preguntas, ¿cuál es la probabilidad de que un Sin embargo, tanto la fiscalía como los abogados de la defensa
estudiante obtendrá 4 o más respuestas correctas simplemente adivinando? tienen derecho a un desafío imperativa de cualquier juez, en cuyo
caso el juez que se retira del caso y no se sustituye. Un acusado se
4.41. Aman dice tener la percepción extrasensorial. Como declara culpable si la mayoría de los jueces emitir votos de
una prueba, una moneda se ipped fl 10 veces y se le pide al hombre culpabilidad, y él o ella se declara inocente De otro modo.
para predecir el resultado de antemano. Se pone 7 de 10 respuestas Supongamos que cuando el acusado es, de hecho, culpable, cada
correctas. ¿Cuál es la probabilidad de que él habría hecho al menos juez (independiente) de los votos culpables con 0,7 probabilidad,
tan bien si no tuviera ESP? mientras que cuando el acusado es, de hecho, inocente, esta
probabilidad se reduce a 0,3.
4.42. Supongamos que, en vuelo FL, motores de avión fallarán
con probabilidad 1 - pag, independientemente de motor a motor. Si un (un) ¿Cuál es la probabilidad de que un acusado culpable
avión necesita una mayoría de sus motores operativos para completar se declara culpable cuando hay (i) 9, (ii) 8, y (iii) 7 jueces?
un exitoso vuelo FL, por lo que los valores de pag es preferible a un
plano 3-motor de un avión 5-motor? (segundo) Repita la parte (a) para un acusado inocente.
(do) Si el abogado persecución no ejerce
4.43. Un canal de comunicaciones transmite los dígitos 0 el derecho a un desafío imperativa de un juez, y si la defensa
y 1. Sin embargo, debido a la electricidad estática, el dígito transmitida se limita a un máximo de dos de estos desafíos, ¿cuántos
es recibida incorrectamente con 0,2 probabilidad. Supongamos que desafíos caso de que el abogado de la defensa hacer si él o
queremos transmitir un mensaje importante que consiste en un dígito ella es 60 por ciento seguro de que el cliente es culpable?
binario. Para reducir la posibilidad de error, transmitimos 00000 en
lugar de 0 y 11111 en lugar de 1. Si el receptor del mensaje utiliza la 4.48. Se sabe que los disquetes producidos por un CER
“mayoría” de decodificación, ¿cuál es la probabilidad de que el Tain empresa será defectuosa con probabilidad
mensaje será un error cuando se descodifica? ¿Qué suposiciones . 01, independientemente uno de otro. La compañía vende los
independencia estás haciendo? discos en paquetes de tamaño 10 y ofrece una garantía de
devolución del dinero que a lo sumo 1 de los 10 disquetes en el
4.44. Un sistema de satélites consiste en norte componentes y paquete será defectuoso. La garantía es que el cliente puede
funciones en un día determinado si al menos k del norte devolver todo el paquete de disquetes si él o ella fi NDS más
componentes funcionan en ese día. En un día lluvioso
Problemas 177
de un disquete defectuoso en ella. Si alguien compra 3 paquetes, 4.57. Supongamos que el número de accidentes que ocurren en
¿cuál es la probabilidad de que él o ella estará exactamente 1 de una carretera cada día es una variable aleatoria de Poisson con
ellos? parámetro λ = 3.
(un) Calcule la probabilidad de que 3 o más accidentes
4.49. Cuando la moneda es 1 fl ipped, aterriza en cabezas con proble-
ocurrir hoy.
capacidad 0,4; cuando es moneda de 2 fl ipped, aterriza en cabezas con
(segundo) Repita la parte (a) bajo el supuesto de que por lo
0,7 probabilidad. Una de estas monedas se elige al azar y fl ipped 10
menos 1 accidente ocurre en la actualidad.
veces.
(un) ¿Cuál es la probabilidad de que la moneda cae en 4.58. Compara la aproximación de Poisson con la cor-
cabezas en exactamente 7 de los 10 ips fl? rect probabilidad binomial para los casos siguientes:
(segundo) Teniendo en cuenta que el primero de estos diez fl ips tierras (un) P {X = 2} cuando n = 8, p = . 1;
cabezas, ¿cuál es la probabilidad condicional de que exactamente 7 (segundo) P {X = 9}, cuando n = 10, p = . 95;
de la 10 fl ips tierra en la cabeza? (do) P {X = 0} cuando n = 10, p = . 1;

(re) P {X = 4} cuando n = 9, p = . 2.
4.50. Supongamos que una moneda sesgada que se posa en la cabeza con
probabilidad pag se fl ipped 10 veces. Dado que un total de 6 cabezas 4.59. Si usted compra un billete de lotería en 50 loterías, en cada una de
resultados, fi nd la probabilidad condicional de que el primer 3 resultados lo que sus posibilidades de ganar un premio es 1
100, qué
son es el (aproximado) probabilidad de que usted va a ganar un premio
(un) h, t, t ( lo que significa que los primeros resultados fl ip en
cabezas, la segunda en las colas, y la tercera en las colas); (un) ¿al menos una vez?
(segundo) ¿Exactamente una vez?
(segundo) t, h, t. (do) ¿por lo menos dos veces?
4.51. El número esperado de errores tipográficos en una 4.60. El número de veces que una persona contrae un resfriado
la página de una determinada revista es 0,2. ¿Cuál es la capacidad en un año dado es una variable aleatoria de Poisson con parámetro λ = 5.
proble- que la siguiente página se lee contiene (a) y (b 0) 2 o más Supongamos que una nueva droga de la maravilla (sobre la base de
errores tipográficos? Explique su razonamiento! grandes cantidades de vitamina C) acaba de ser comercializado que
reduce la Poisson paráme- ter a λ = 3 para el 75 por ciento de la población.
Para el otro 25 por ciento de la población, el fármaco no tiene ningún efecto
4.52. El número medio mensual de todo el mundo por aire
apreciable sobre los resfriados. Si un individuo trata de la droga por un
accidentes de avión de las líneas aéreas comerciales es de 3.5. ¿Cuál es la
año y tiene 2 resfriados en ese momento, ¿qué probabilidades hay de que
probabilidad de que habrá
el fármaco es beneficioso para él o ella?
(un) al menos 2 este tipo de accidentes en el próximo mes;
(segundo) a lo sumo 1 accidente en el próximo mes? Explique su

razonamiento!
4.61. La probabilidad de obtener una casa llena en una
4.53. Aproximadamente 80.000 matrimonios se llevaron a cabo en el
mano de poker es de aproximadamente 0.0014. Encuentra una
estado de Nueva York el año pasado. Estimar la probabilidad de que,
aproximación de la probabilidad de que, en 1000 manos de póquer,
por lo menos una de estas parejas,
le repartirán al menos 2 casas completas.
(un) ambos socios nacieron el 30 de abril;
(segundo) ambas partes celebraron su cumpleaños en el
4.62. Considerar norte ensayos independientes, cada uno de los cuales
mismo día del año. Estado
los resultados en uno de los resultados, 1. . . , k con probabilidades respectivas pag
de sus supuestos.
1, . . . , pag k, Σ Ki = 1 pag i = 1. Demostrar que si todo el pag yo son pequeños, entonces
4.54. Supongamos que el número medio de vehículos aban- la probabilidad de que no resultado del ensayo se presenta más de una vez es
semanal doned en una determinada carretera es 2,2. Aproxi- aproximadamente igual a exp ( - n (n - 1) Σ
imate la probabilidad que habrá

yo pag 2 yo / 2).
(un) sin coches en la próxima semana abandonada;
4.63. Las personas entran en un casino de juego a un ritmo de 1 cada
(segundo) al menos 2 coches abandonados en la próxima semana.
2 minutos.
4.55. Un cierto agencia tipificación emplea 2 mecanógrafos. los (un) ¿Cuál es la probabilidad de que nadie entra
número medio de errores por artículo es 3 cuando tecleado por el primer 12:00-12:05?
mecanógrafo fi y 4,2 cuando tecleado por el segundo. Si el artículo es la (segundo) ¿Cuál es la probabilidad de que al menos 4 personas
misma probabilidad de ser escrito por cualquiera de mecanógrafa, entrar en el casino durante ese tiempo?
aproximar la probabilidad de que no tendrá errores.
4.64. La tasa de suicidios en un cierto estado es de 1 por cada suicidio
100.000 habitantes al mes.
4.56. Howmany personas son necesarias para que el babilidad (un) Encuentre la probabilidad de que, en una ciudad de 400.000
dad de que al menos uno de ellos tiene el mismo cumpleaños que usted es habitantes dentro de este estado, no será de 8 o más suicidios
mayor que 12? en un mes determinado.
(segundo) ¿Cuál es la probabilidad de que habrá por lo 4.69. Una moneda feria se ipped fl 10 veces. Encuentra la probabilidad
menos 2 meses durante el año que va a tener 8 o más que hay una serie de 4 caras consecutivas por
suicidios? (un) usando la fórmula derivada en el texto;
(do) Contando el presente mes como el mes nú- (segundo) usando las ecuaciones recursivas derivados en el
ber 1, ¿cuál es la probabilidad de que el primer mes que texto.
tiene 8 o más suicidios estarán número del mes i, i Ú 1? (do) Compare su respuesta con la dada por el
¿Qué suposiciones estás haciendo? aproximación de Poisson.
4.70. En el tiempo 0, una moneda que cae en cara con proble-

4.65. Cada uno de 500 soldados en una compañía del ejército indepen- capacidad pag es fl ipped y cae al suelo. SUP- plantean que
dientemente tiene una determinada enfermedad con una probabilidad de 1/10 3. aterriza en la cabeza. A veces eligen accord- ing a un proceso de
Esta enfermedad se mostrará en una prueba de sangre, y para facilitar las Poisson con tasa λ, la moneda se recogió y fl ipped. (Entre estos
cosas, muestras de sangre de todos los 500 Diers Sol- se reúnen y se tiempos la moneda permanece en el suelo.) ¿Cuál es la proba-
ensayaron. bilidad de que la moneda está en el lado de la cabeza en el
(un) ¿Cuál es el (aproximado) probabilidad de que momento t? Insinuación ¿Cuál sería la probabilidad condicional si
el análisis de sangre será positivo (es decir, al menos una persona no hubiera ips fl adicionales por el tiempo t, y lo que sería si había
tiene la enfermedad)? ips fl adicionales por el tiempo t?
Supongamos ahora que la prueba de sangre produce un resultado positivo.
(segundo) ¿Cuál es la probabilidad, bajo esta circuns- 4.71. Considere una rueda de ruleta que consiste en 38 nú-
postura, que más de una persona tiene la enfermedad? fibras de 1 a 36, 0, y el doble 0. Si Smith siempre apuesta que el
resultado será uno de los números del 1 al 12, ¿cuál es la
Una de las 500 personas es Jones, quien sabe que tiene la probabilidad de que
enfermedad. (un) Smith perderá su primer 5 apuestas;
(do) ¿Qué piensa Jones es la probabilidad de que (segundo) su primera victoria ocurrirá en su cuarta apuesta?
más de una persona tiene la enfermedad? Debido a que la prueba 4.72. Dos equipos atléticos juegan una serie de juegos; los primeros
combinada fue positivo, los dades de Autor-han decidido probar cada equipo para ganar 4 juegos se declara el NER-ganar total.
individuo sepa- rado. La primera yo - 1 de estas pruebas fueron Supongamos que uno de los equipos es más fuerte que el otro y gana
negativos, y la yo ésimo de una sola, que estaba en Jones-era extremo cada juego con probabilidad 0,6, independientemente de los
positivo. resultados de los otros juegos. Encuentra la probabilidad, por i = 4, 5,
6, 7, que el equipo más fuerte gana la serie exactamente yo juegos.
(re) Teniendo en cuenta la anterior, escenario, ¿cuál es la Comparar la probabilidad de que el equipo más fuerte gana con la
probabilidad, como una función de yo, que ninguna de las personas que probabilidad de que iba a ganar una serie de 2 fuera de la 3.
quedan tienen la enfermedad?
4.66. Un total de 2 norte la gente, que consiste en norte aco- casado

ples, están sentados al azar (siendo igualmente probable todos los 4.73. Supongamos que en el problema 72 que los dos equipos están
ordenamientos posibles) en una mesa redonda. Dejar do yo igualados y cada uno tiene probabilidad 12 WIN-Ning de cada
el evento de que los miembros de la pareja yo están sentados uno juego. Encuentra el número esperado de partidos jugados.
junto al otro, i = 1,. . . , norte.
(un) Encontrar ORDENADOR PERSONAL yo).
4.74. Un entrevistador se le da una lista de personas a las que puede
(segundo) por j Z yo, fi nd ORDENADOR PERSONAL j | do yo).
entrevista. Si el entrevistador necesita entrevistar a 5 personas, y si
(do) Calcule la probabilidad, por norte grande, que cada persona (de forma independiente) está de acuerdo en ser
no hay parejas casadas que están sentados uno junto al entrevistado con probabilidad 23, ¿cuál es la probabilidad de que su lista
otro. de personas a su permitirá obtener la cantidad necesaria de
4.67. Repetir el problema anterior, cuando la capacidad es entrevistas si la lista se compone de (a) 5 personas y (b) 8 personas?
al azar, pero sujeto a la restricción de que los hombres y mujeres Para la parte (b), ¿cuál es la probabilidad de que el entrevistador le
alternativo. hablará a exactamente (c) 6 personas y (d) 7 personas en la lista?
4.68. En respuesta a un ataque de 10 misiles, 500 antibal-

Se lanzan misiles Listic. Los objetivos de misiles de los misiles
antibalísticos son independientes, y cada misil antiballstic tiene la 4.75. Una moneda feria está continuamente fl ipped hasta cabezas
misma probabilidad de ir hacia cualquiera de los misiles de destino. Si aparece por 10ª vez. Dejar X denotar el nú- mero de colas que se
cada Sile mis- antibalísticos golpea con independencia de su objetivo producen. Calcular la función de masa de probabilidad de X.
con probabilidad
. 1, utiliza el paradigma de Poisson para aproximar la probabilidad de que 4.76. Resolver el problema partido Banach (Ejemplo 8e)
todos los misiles son golpeados. cuando la caja de cerillas de la izquierda contenía originalmente
Ejercicios teóricos 179
norte 1 partidos y el cuadro de la derecha contenía norte 2

partidos. Pagos del Keno en 10 apuestas Número Número de Resultados
4.77. En el problema de la caja de cerillas de Banach, encontramos el proble-

dólares ganados de cada $ 1 apostados
posibilidad de que, en el momento en que se vacía la caja de primera
(en lugar de ser encontrado vacío), la otra caja contiene exactamente
0-4 -1
k partidos.
5 1
4.78. Una urna contiene 4 blanco y 4 bolas negras. Nosotros corrimos-
6 17
domly elegir 4 bolas. Si 2 de ellos son blancos y 2 son de color negro, nos
7 179
detenemos. Si no es así, reemplazamos las bolas en la urna y otra vez
8 1, 299
elegiremos al azar a 4 bolas. Esto continúa hasta exactamente 2 de los 4
9 2, 599
elegidos son de color blanco. ¿Cuál es la probabilidad de que vamos a hacer 10 24, 999
exactamente
norte ¿trozos escogidos?
4.79. Supongamos que un lote de 100 artículos contiene 6 que 4.81. En el Ejemplo 8i, qué porcentaje de yo lotes defectuosos
son defectuosas y 94 que no están defectuosos. Si X sí rechaza el comprador? Encontrarlo para i = 1, 4. Teniendo en
es el número de artículos defectuosos en una muestra extraída cuenta que un lote es rechazado, ¿cuál es la probabilidad condi-
al azar de 10 unidades del lote, fi nd (a) cional que contenía 4 componentes defectuosos?
P {X = 0} y B) P {X> 2}.
4.80. Un juego muy popular en los casinos de juego de Nevada es 4.82. Un comprador de transistores los compra en lotes de 20.
Keno, que se juega como sigue: veinte números son seleccionados al Es su política de inspeccionar al azar 4 componentes de un lote y para
azar por el casino a partir del conjunto de números del 1 al 80. Un aceptar el lote sólo si todos son 4 no defectuoso. Si cada componente en
jugador puede seleccionar de 1 a 15 números; una victoria se produce si una gran cantidad es, de forma independiente, defectuosa con probabilidad
alguna fracción del subconjunto elegido del jugador coincide con 0,1, lo que es rechazado pro-porción de los lotes?
cualquiera de los 20 números sorteados por la casa. La recompensa es

una función del número de elementos en la selección del jugador y el 4.83. Existen tres carreteras en el condado. el nú-
número de coincidencias. Por ejemplo, si el jugador selecciona sólo 1 bre de accidentes diarios que se producen en estas formas de alto son
número, entonces él o ella gana si este número es de entre el conjunto variables aleatorias de Poisson con parámetros respectivos .3, 0.5, y 0.7. Encontrar
de los 20, y la recompensa es $ 2.2 ganaron por cada dólar apostado. el nú- mero esperado de accidentes que van a suceder en cualquiera de
(Como la probabilidad de que el jugador de ganar en este caso es estas carreteras hoy en día.
4.84. Supongamos que las 10 bolas se ponen en 5 cajas, con

14, está claro que la recompensa “justo” debería ser de $ 3 Ganador por cada cada bola independientemente siendo puesta en caja yo con probabilidad pag yo,
apuesta $ 1.) Cuando el jugador selecciona 2 números, una recompensa (de Σ 5 i = 1 pag i = 1.
probabilidades) de $ 12 Ganador por cada apuesta de $ 1 se haga cuando ambos (un) Encuentra el número esperado de cajas que hacen
números se encuentran entre los 20, no tiene ninguna pelota.
(segundo) Encuentra el número esperado de cajas que tienen
(un) ¿Cuál sería la recompensa justa en este caso? exactamente 1 pelota.
Dejar PAG n, k denotar la probabilidad de que exactamente 4.85. Existen k tipos de cupones. Independientemente de
k del norte números elegidos por el jugador se encuentran entre los los tipos de cupones recogidos previamente, cada nuevo cupón de
20 seleccionados por la casa. recogida es de tipo yo con probabilidad
(segundo) Calcular PAG n, k pag yo, Σ Ki = 1 pag i = 1. Si norte cupones se recogen, encuentre el número
(do) La apuesta más típico en Keno consiste en esperado de distintos tipos que aparecen en este conjunto. (Es decir,
seleccionar 10 números. Para tal apuesta del casino paga encuentre el número esperado de los tipos de cupones que aparecen al
como se muestra en la siguiente tabla. Calcular el pago menos una vez en el conjunto de norte cupones).
esperado:
Ejercicios teóricos
4.1. Existen norte distintos tipos de cupones, y cada uno para obtener al menos uno de cada tipo. Calcular
se obtiene una vez que lo hará, independientemente de las opciones P {T = n}. Insinuación: Utilice un argumento similar a la utilizada en el
anteriores, ser de tipo yo con probabilidad PAG yo, i = Ejemplo 1e.
1,. . . , NORTE. Dejar T denotar la necesidad número uno seleccione
4.2. Si X tiene función de distribución F, ¿cuál es la distribu- 4.11. Considerar norte ensayos secuenciales independientes, cada una de las
bución de la función mi ¿X? que es exitosa con probabilidad pag. Si hay un total de k éxitos,
4.3. Si X tiene función de distribución F, ¿cuál es la distribu- muestran que cada una de las
función bución de la variable aleatoria α X + β, n! / [k! (n - k)!] posibles disposiciones del k éxitos y norte - k es
dónde α y β son constantes, α Z 0? igualmente probable fracasos.
4.4. Para una variabilidad aleatoria de valor entero no negativo 4.12. Existen norte componentes alineados en una lineal
poder NORTE, muestra esa arreglo. Supongamos que cada componente funciones
pendientemente inde- con probabilidad pag. ¿Cuál es la probabilidad
Σ
E [N] = q P {N Ú yo}
de que no hay 2 componentes vecinos son tanto no funcional?
i=1
Insinuación: Condición del número de componentes defectuosos y
Σ Σ Σq utilizar los resultados del Ejemplo 4c del capítulo 1.
Insinuación: q P {N Ú i} = q P {N = k}. ahora inter-
i=1 i=1 k=i
cambiar el orden de adición. 4.13. Dejar X ser una variable aleatoria binomial con param
4.5. Para una variable aleatoria no negativa de valor entero (etros norte, pag). ¿Qué valor de pag maximiza P {X = k}, k = 0, 1,. . . , ¿norte? Este
NORTE, muestra esa es un ejemplo de un método Statistical esta- utilizado para estimar pag cuando
un mial bino- ( norte, pag) variable aleatoria se observa a la igualdad
Σq
iP {N> i} = 1
2 ( E [N 2] - E [N]) k. Si suponemos que norte se conoce, entonces calculamos
i=0
pag por la elección que el valor de pag lo que maximiza
Σ Σ Σ P {X = k}. Esto se conoce como la método de estimación de máxima
Insinuación: q iP {N> i} = q yo q P {N = k}. Ahora
i=0 i=0 k=i+1
verosimilitud.
intercambiar el orden de la suma.
4.14. Una familia tiene norte niños con probabilidad α pag norte, norte Ú 1, donde α ... ( 1 - páginas.
4.6. Dejar X ser tal que
(un) ¿Qué proporción de las familias no tiene hijos?
P {X = 1} = p = 1 - P {X = - 1} Encuentra do Z 1 de tal
(segundo) Si cada niño tiene la misma probabilidad de ser un niño o una
manera que CE X] = 1. chica (independientemente el uno del otro), lo que pro- porción de las
familias consiste en k los niños (y cualquier número de niñas)?
4.7. Dejar X ser una variable aleatoria con valor esperado
μ y la varianza σ 2. Encuentre el valor esperado y la varianza de
4.15. Suponer que norte lanzamientos independientes de una moneda que tiene
probabilidad pag de que salga cara son hechos. Muestran que la

Y=X-μ
σ probabilidad de que un número par de cabezas de resultados es 12 [ 1 +
( q - pag) norte], dónde q = 1 - pag. Para ello, probando y utilizando la
4.8. Encuentra Var ( X) Si
identidad
P (X = a) = p = 1 - P (X = segundo)
[ norte/ 2]( norte )
Σ [( p + q) n + ( q - pag) norte]
4.9. Mostrar cómo la derivación del binomio babilidad pag 2 yo q norte - 2 i = 1
2 yo 2
dades i=0
)
dónde [ norte/ 2] es el mayor entero menor que o igual a norte/ 2.
P {X = i} = (n pag yo( 1 - pag) norte - yo, i = 0,. . . , norte
yo Compare este ejercicio con ejercicio teórico 3.5 del capítulo 3.
conduce a una prueba del teorema del binomio

4.16. Dejar X ser una variable aleatoria de Poisson con paráme-
( Ni )
Σ ter λ. Muestra esa P {X = i} aumenta monótonamente y luego disminuye
( x + y) n = n X yo y norte - yo monotónicamente como yo aumenta, alcanzando su máximo cuando yo
i=0 es el mayor entero que no exceda λ.
cuando X y y son no negativos.

Insinuación: Considerar P {X = i} / P {X = i - 1}.
Insinuación: Dejar p = X
x + y.
4.10. Dejar X ser una variable aleatoria binomial con param 4.17. Dejar X ser una variable aleatoria de Poisson con
etros norte y pag. Muestra esa parámetro λ.
(un) Muestra esa
[1 ] = 1 - ( 1 - pag) n + 1
mi [ 1 + mi - 2 λ ]
X+1 ( n + 1) pag P {X es aún} = 1
2
utilizando el resultado de ejercicio teórico 15 y la relación ¿Qué se puede concluir a partir de sus respuestas a las partes (a)
) -
( norte 2
entre Poisson y variables aleatorias binomiales.
(c) sobre la independencia de la
(segundo) Verificar la fórmula en la parte (a) directamente por MAK- eventos mi ij?
ing uso de la expansión de mi - λ + mi λ. 4.22. Una urna contiene 2 norte bolas, de las cuales 2 están numeradas
4.18. Dejar X ser una variable aleatoria de Poisson con paráme- 1, 2 están numerados 2,. . . Y 2 están numeradas norte.
ter λ. ¿Qué valor de λ maximiza P {X = k}, k Ú 0? Bolas se retiran sucesivamente 2 en un momento con- fuera de
reemplazo. Dejar T denotar la selección primera en la que las
4.19. Muestra esa X es una variable aleatoria de Poisson con
bolas retirados tienen el mismo número (y dejarlo igual infinito si
parámetro λ, entonces
ninguno de los pares retirados tiene el mismo número). Queremos
demostrar que, para 0 < α < 1,
EX n] = λ E [(X + 1) norte - 1]
Ahora utilizar este resultado para calcular EX 3].

lim
4.20. Considerar norte monedas, cada uno de los cuales independientemente norte P {T> α n} = e - α / 2
sale cara con probabilidad pag. Suponer que Para verificar la fórmula anterior, dejar METRO k denotar el número de pares
norte es grande y pag es pequeño, y dejar λ = notario público. Supongamos
retirados en la primera k trozos escogidos,
que todos norte las monedas se lanzan; si al menos uno sale cara, termina el
k = 1,. . . , norte.
experimento; si no, otra vez MEZCLA todos norte monedas, y así
(un) Argumentar que cuando norte es largo, METRO k puede ser
sucesivamente. Es decir, nos detenemos la primera vez que al menos una de
considerado como el número de éxitos en k
las norte monedas vienen cabezas. Dejar X denotar el número total de
(aproximadamente) ensayos independientes.
cabezas que aparecen. ¿Cuál de los siguientes razonamientos con- cerned
(segundo) Aproximado PM k = 0} cuando norte es largo.
con aproximar P {X = 1} es correcto (en todos los casos, Y es una variable
(do) Escribir el evento { T> α norte} en términos del valor
aleatoria de Poisson con parámetro λ)?
de una de las variables METRO k.
(re) Verificar la probabilidad de limitación dado para
P {T> α norte}.
(un) Debido a que el número total de cabezas que se producen
4.23. Considere una colección aleatoria de norte los individuos. En
cuando todo norte Las monedas son laminados es aproximadamente una
aproximar la probabilidad de que ninguna de estas personas 3
variable aleatoria de Poisson con parámetro λ,
comparten la misma fecha de nacimiento, un hijo mejor aproximación
Pois- que el obtenido en el texto (al menos para los valores de norte entre
P {X = 1} L P {Y = 1} = λ mi - λ
80 y 90) se obtiene por dejar mi yo el evento de que hay por lo menos
3 días en los cumpleaños i, i = 1,. . . , 365.
(segundo) Debido a que el número total de cabezas que se producen
cuando todo norte Las monedas son laminados es aproximadamente una

(un) Encontrar EDUCACIÓN FÍSICA yo).
variable aleatoria de Poisson con parámetro λ,
(segundo) Dar una aproximación de la probabilidad
y porque dejamos sólo cuando este número es positivo,
que no hay 3 personas comparten el mismo cumpleaños.
(do) Evaluar la precedente cuando n = 88 (que
puede ser demostrado ser el valor más pequeño de norte para los que la
P {X = 1} L P {Y = 1 | Y> 0} = λ mi - λ probabilidad es superior a 0,5).
1 - mi - λ
4.24. Aquí hay otra manera de obtener un conjunto de recurrente
(do) Debido a que al menos una moneda sale cara, X ecuaciones sivos para determinar PAG norte, la probabilidad de que hay
será igual a 1 si ninguno de los otros norte - 1 monedas vienen una serie de k cabezas consecutivos en una secuencia de norte IPS fl
cabezas. Debido a que el número de cabezas resultantes de estas norte de una moneda que cae en cara con probabilidad pag:
- 1 monedas es aproximadamente de Poisson con media ( norte - 1) pag

L λ, (un) Argumentar que, por k < norte, habrá una serie de
k caras consecutivas si cualquiera
P {X = 1} L P {Y = 0} = mi - λ 1. hay una serie de k caras consecutivas

dentro de los primeros norte - 1 ips fl, o
4.21. A partir de un conjunto de norte las personas elegidas al azar, permiten mi ij
2. no hay ninguna cadena de k caras consecutivas
denotar el caso de que personas yo y j tienen la misma fecha de nacimiento.
dentro de los primeros norte - k - 1 fl ips, fl ip norte - k
Suponga que cada persona tiene la misma probabilidad de tener cualquiera de
es una cola, y fl ips norte - k + 1,. . . , norte son todas las cabezas.
los 365 días del año como su cumpleaños. Encontrar
(un) EDUCACIÓN FÍSICA 3,4 | mi 1,2); (segundo) Utilizando el anterior, se refieren PAG norte a PAG norte - 1. Comienzo-
(segundo) EDUCACIÓN FÍSICA 1,3 | mi 1,2); ing con PAG k = pag k, la recursión puede ser utilizado para obtener PAG k + 1, entonces
(do) EDUCACIÓN FÍSICA 2,3 | mi 1,2 ∩ mi 1,3). PAG k + 1, y así sucesivamente, hasta PAG norte.
4.25. Supongamos que el número de eventos que se producen sin reemplazo. Dejar Y denotar el número más grande
en un tiempo fi cado es una variable aleatoria de Poisson con seleccionado.
parámetro λ. Si cada evento se cuenta con probabilidad pag, independientemente (un) Encuentra la función de masa de probabilidad de Y.
de cada otro caso, muestran que el número de eventos que se (segundo) Derivar una expresión para E [Y] y luego utilizar
cuentan es una variable aleatoria de Poisson con parámetro λ pag. identidad combinatoria de Fermat (ver Theoret- Ejercicio ical
11 del Capítulo 1) para simplificar la expresión.
También, dar una discusión intuitiva de por qué esto debería ser así.
Como una aplicación del resultado anterior, supongamos que el 4.31. Un frasco contiene m + n fichas, numeradas
número de depósitos nium Ura distintas en una zona determinada es 1, 2,. . . , n + metro. Un conjunto de tamaño norte es dibujado. Si dejamos X denotar
una variable aleatoria de Poisson con parámetro λ = 10. Si, en un el número de fichas dibujadas con un número que exceda de cada uno de
período fijada de tiempo, cada depósito se descubrió de forma
los números de los restantes, calcular la función de masa de probabilidad
independiente con probabilidad 1
de X.
50, hallar la probabilidad

que el depósito (a) exactamente 1, (b) al menos 1, y (c) como máximo 1 se 4.32. Un frasco contiene norte papas fritas. Supongamos que un niño de sucesión
descubre durante ese tiempo. vamente dibuja un chip de la jarra, cada vez sus- ing del trazado
4.26. Probar antes de sacar otra. El proceso continúa hasta que el niño dibuja
∫q
Σ norte un chip que él ha dibujado previamente. Dejar X denotar el nú-
mi - λ λ yo mi - X X norte dx
¡yo! = 1 ¡norte! λ mero de sorteos, y calcular su función de masa de probabilidad.
i=0
Insinuación: Use integración por partes.
4.27. Si X es una variable aleatoria geométrica, muestran analíticamente 4.33. Demostrar que la ecuación (8.6) se deduce de la ecuación
camente que (8.5).

4.34. A partir de un conjunto de norte elementos, un subconjunto no vacío es
P {X = n + k | X> n} = P {X = k} elegido al azar en el sentido de que todos los subconjuntos no vacíos son
la misma probabilidad de ser seleccionado. Dejar X denotar el número de
Uso de la interpretación de una variable aleatoria geométrica, dar elementos en el CHO- subconjunto sen. El uso de las identidades dados en
un argumento verbal de por qué la ecuación precedente es cierto. el ejercicio Teóricamente cal 12 del capítulo 1, muestran que
4.28. Dejar X ser un randomvariable binomial negativa con

norte
parámetros r y pag, y deja Y ser una variable dom ran- binomial con E [X] = ) norte - 1
parámetros norte y pag. Muestra esa 2 - ( 12
P {X> n} = P {Y <r}
var ( X) = n · 2 2 norte - 2 - n (n + 1) 2 norte - 2
( 2 norte - 1) 2
Insinuación: O bien se podría intentar una prueba analítica de la
ecuación anterior, que es equivalente a la prueba de la identidad Mostrar también que, norte grande,
( yo - 1 ) ( norte ) var ( X) n
Σq Σ 4
pag r ( 1 - pag) yo - r = r - 1
r-1 yo en el sentido de que la relación Var ( X) a norte/ 4 se aproxima a 1
i=n+1 i=0
como norte enfoques q. Comparar esta fórmula con la forma límite
* pag yo( 1 - pag) norte - yo
de Var ( Y) cuando
P {Y = i} = 1 / n, i = 1,. . . , norte.
o se podría intentar una prueba que utiliza la interpretación abilistic
4.35. Una urna contiene inicialmente una roja y una bola azul.
proble- de estas variables aleatorias. Es decir, en este último caso,
En cada etapa, una pelota se elige aleatoriamente y luego
empezar por considerar una secuencia de ensayos independientes
reemplazado junto con otro del mismo color. Dejar
con una probabilidad común pag del éxito. A continuación, tratar de
X denotar el número de selección del balón escogido primera que es
expresar los eventos { X> n} y { Y <r} en términos de la OUT- viene de
de color azul. Por ejemplo, si ción la primera selec- es rojo y el
esta secuencia.
segundo azul, entonces X es igual a 2.
4.29. Para una variable aleatoria hipergeométrica, determinar

(un) Encontrar P {X> i}, i Ú 1.
(segundo) Demostrar que, con probabilidad 1, es una bola azul

P {X = k + 1} / P {X = k}
finalmente elegido. (Es decir, demostrar que P {X <
4.30. Bolas numeradas 1 a través norte están en una urna. Cenar- q} = 1.)
que plantean n, n ... NORTE, de ellos son seleccionados al azar (do) Encontrar EX].
Auto-Test Problemas y Ejercicios 183
4.36. Supongamos que los valores posibles de X son { X yo}, la posi- (do) Utilizando la fórmula de la parte (b), argumentar que
valores bles de Y son { y j}, y los posibles valores de X + Y son { z k}. Dejar UN k Σ
denotar el conjunto de todos los pares de índices ( yo, j) de tal manera que X i E [X + Y] = Σ ( X i + y j) P {X = x yo,
+ y j = z k; es decir, yo j
UN k = {( yo, j): x i + y j = z k}. Y = y j}
(un) Argumenta eso
(re) Muestra esa
P {X + Y = z k} = Σ P {X = x yo, Y = y j}
( i, j) ∈ UN k
P (X = x i) = Σ P (X = x yo, Y = y j),
j
(segundo) Muestra esa P (Y = y j) = Σ P {X = x yo, Y = y j}

yo
Σ
E [X + Y] = Σ ( X i + y j) P {X = x yo,
(mi) Pruebalo
k ( i, j) ∈ UN k
Y = y j} E [X + Y] = E [X] + E [Y]
Problemas y ejercicios AUTO-TEST
4.1. Supongamos que la variable aleatoria X es igual a y luego apuesta X, el resultado final será ya sea ganar
el número de éxitos obtenidos por un determinado jugador de pelota base- en X - do o - X - C ( es decir, la pérdida de x + C En este último caso).
sus próximos 3 turnos al bate. Si P {X = 1} = Además, para qué valores de do ¿Vale la pena comprar la información?
. 3, P {X = 2} = 0.2, y P {X = 0} = 3 P {X = 3}, nd fi EX].
4.7. Un filántropo escribe un número positivo X en un
4.2. Suponer que X lleva en uno de los valores 0, 1, pedazo de papel rojo, muestra el papel a un observador TiAl impar- y,
y 2. Si por alguna constante c, P {X = i} = cP {X = i - 1}, i = 1, 2, nd a continuación, se vuelve boca abajo sobre la mesa. El observador
fi EX]. entonces fl ips una moneda. Si sale cara, escribe el valor 2 X y, si sale
4.3. Una moneda que, cuando se fl ipped, sale cara con cruz, el valor
probabilidad pag es fl ipped hasta cara o cruz ha ocurrido dos X/ 2, en un pedazo de papel azul, que luego se vuelve boca
veces. Encuentra el número esperado de ips fl. abajo sobre la mesa. Sin conocer bien el valor X o el resultado de
la ip de monedas fl, usted tiene la opción de entregar ya sea el
4.4. A cierta comunidad se compone de metro familias, rojo o el azul pedazo de papel. Después de hacerlo y observar el
Σ
norte yo de los cuales tienen yo niños, r norte i = metro. Si uno de
número escrito en ese papel, puede optar por recibir como
i=1 recompensa, ya sea esa cantidad o la cantidad (desconocida),
las familias se eligen al azar, permiten X denotar el número de escrito por el otro pedazo de papel. Por ejemplo, si decide
niños en esa familia. Si una de las entregar el papel azul y observe el valor de 100, entonces se
Σr puede elegir ya sea para aceptar 100 como recompensa o para
en yo los niños se elige al azar, permiten Y denotar el número
i=1 tomar la cantidad (200 ó 50) en el papel rojo. Supongamos que
total de niños en la familia de ese niño. Muestra esa E [Y] Ú EX].
desea que su recompensa esperada a ser grande.
4.5. Suponer que P {X = 0} = 1 - P {X = 1}. Si

E [X] = 3Var ( X), fi nd P {X = 0}.
4.6. Hay 2 monedas en un contenedor. Cuando uno de ellos es (un) Argumentan que no hay ninguna razón para entregar el
fl ipped, aterriza en cabezas con 0,6 probabilidad, y cuando el otro es fl roja primer artículo, ya que si lo hace, entonces no importa
ipped, aterriza en cabezas con 0,3 probabilidad. Una de estas monedas qué valor se observa, siempre es mejor cambiar a la de
es para ser elegido al azar y luego fl ipped. Sin saber qué moneda se papel azul.
elija, se puede apostar cualquier cantidad hasta 10 dólares, y, a (segundo) Dejar y un valor no negativo fijada, y con-
continuación, ya sea ganar esa cantidad si la moneda cae en cara o se Sider la siguiente estrategia: Girar sobre el papel azul, y si su
pierde si sale cruz. Supongamos, sin embargo, que una información valor es al menos Y, luego aceptar esa cantidad. Si es menos
privilegiada está dispuesto a vender, por un importe DO, Se seleccionó la de Y, luego cambiar a la de papel rojo. Dejar R y ( X) denotar la
información en cuanto a que la moneda. ¿Cuál es su ganancia esperada recompensa obtenida si el filántropo escribe la cantidad X y
si usted compra esta información? Tenga en cuenta que si usted compra usted emplea esta estrategia. Encontrar E [R y ( X)]. Tenga en
cuenta que E [R 0 ( X)] es el
recompensa esperada si el filántropo escribe la cantidad X P {Y = i} = P {X = i | X> 0} donde X es de Poisson con

cuando se emplea la estrategia de elegir siempre el papel
azul. parámetro λ. Encontrar E [Y].
4.16. Cada uno de norte chicos y norte niñas, en forma independiente y ran-
4.8. Dejar B (n, pag) representar una variable aleatoria binomial
domly, elige un miembro del otro sexo. Si un niño y una niña se eligen
con los parámetros norte y pag. Argumenta eso
mutuamente, se convierten en una pareja. Numerar las niñas, y dejar GRAMO
P {B (n, pag) ... i} = 1 - P {B (n, 1 - pag) ... norte - yo - 1}

yo ser el caso de que el número chica yo es parte de una pareja. Dejar PAG
0=
Insinuación: El número de éxitos de menos de o igual a 1 - PAG( ∪ ni = 1 GRAMO yo) ser la probabilidad de que no se forman parejas.
yo es equivalente a lo comunicado por el número de fracasos?

(un) Que es P (G yo)?
(segundo) Que es P (G i | GRAMO j)?
4.9. Si X es una variable aleatoria binomial con el resultado esperado
(do) Cuando norte es grande, aproximar PAG 0.
valor 6 y la varianza 2,4, fi nd P {X = 5}.
(re) Cuando norte es grande, aproximar PAG k, la proba-
4.10. Una urna contiene norte bolas numeradas 1 a través norte. Si
bilidad de que exactamente k se forman parejas.
retiras metro bolas de azar en la secuencia, cada vez que la sustitución
(mi) Utilizar la identidad de inclusión-exclusión a eva-
de la bola seleccionada previamente, nd fi
comió PAG 0.
P {X = k}, k = 1,. . . , metro, dónde X es el máximo de la metro números
4.17. Un total de 2 norte la gente, que consiste en norte aco- casado
elegidos.
ples, se dividen aleatoriamente en norte pares. numerar
Insinuación: Primera nd fi P {X ... k}.
arbitrariamente las mujeres, y dejar W yo el evento de que la mujer yo se
4.11. equipos UN y segundo jugar una serie de juegos, con el
empareja con su marido.
primer equipo en ganar 3 juegos que se declaró el ganador de la serie.
(un) Encontrar P (W yo).
Supongamos que el equipo UN gana independientemente cada juego con
(segundo) por yo Z j, fi nd P (W i | W j).
probabilidad pag. Encuentra la probabilidad condicional que el equipo UN victorias
(do) Cuando norte es grande, la aproximación de la probabilidad
que ninguna mujer se empareja con su marido.

(un) la serie ya que se gana el juego primero;
(re) Si cada pareja debe estar formado por un hombre y una
(segundo) el juego primero dado que se gana la serie.
Mujer, ¿qué hace el problema de reducir a?
4.12. Un equipo de fútbol local tiene 5 más partidos por jugar. 4.18. Un patrón del casino seguirá haciendo $ 5 apuestas en
Si gana su partido de este fin de semana, entonces se jugará su final 4 rojo en la ruleta hasta que ha ganado 4 de estas apuestas.
juegos en el tramo superior de su liga, y si pierde, entonces se jugará sus (un) ¿Cuál es la probabilidad de que se coloca un total
juegos fi nales en el soporte inferior. Si se juega en el soporte superior, 9 de apuestas?
entonces se va a ganar de forma independiente cada uno de sus juegos en (segundo) Lo que es sus ganancias esperadas cuando se
este soporte con 0,4 probabilidad y, que desempeña en el soporte inferior, se detiene?
entonces se va a ganar de forma independiente cada uno de sus juegos Observación: En cada apuesta, ella ya sea ganar $ 5 con probabilidad 18
con 0,7 probabilidad. Si la probabilidad de que el equipo gana su partido
38 o perder $ 5 con probabilidad 20 38.
de este fin de semana es 4.19. Cuando tres amigos van a tomar un café, que deciden
pagará el cheque por cada fl ipping una moneda y luego dejar que el pago
. 5, ¿cuál es la probabilidad de que gane al menos 3 de su final 4 “persona extraña”. Si los tres fl ips pro duce el mismo resultado (de modo
juegos? que no hay ninguna persona extraña), a continuación, hacen una segunda
4.13. Cada uno de los miembros de un panel de 7-juez inde- ronda de ips fl, y continúan haciéndolo hasta que haya una persona
pendientemente toma una decisión correcta con 0,7 probabilidad. Si la extraña. ¿Cuál es la probabilidad de que
decisión del panel se realiza por regla de la mayoría, ¿cuál es la
probabilidad de que el panel toma la decisión correcta? Teniendo en (un) exactamente se realizan 3 rondas de ips fl?
cuenta que 4 de los jueces estuvieron de acuerdo, ¿cuál es la probabilidad (segundo) Se necesitan más de 4 rondas?
de que el panel tomó la decisión correcta? 4.20. Demostrar que si X es una variable aleatoria geométrica con
parámetro pag, entonces
4.14. En promedio, 5.2 huracanes golpean una determinada región en una
año. ¿Cuál es la probabilidad de que habrá 3 o menos huracanes MI[ 1 / X] = - pag Iniciar sesión( pag)
1 - pag
que golpean este año?
4.15. El número de huevos puestos en una hoja de árbol por un insecto Insinuación: Tendrá que evaluar una expresión de la forma q
de un cierto tipo es una variable aleatoria de Poisson con parámetro λ. Sin Σ
un yo/ yo. Para ello, escriba un yo/ i = ∫ un
embargo, una variable aleatoria como se puede observar sólo si es 0 X yo - 1 dx,
i=1
positivo, ya que si es 0, entonces no podemos saber que un insecto como y luego intercambiar la suma y la integral.
estaba en la hoja. Si dejamos Y denotar el número observado de huevos, 4.21. Suponer que
a continuación,
P {X = a} = p, P {X = b} = 1 - pag
las bolas que van en la urna yo. Supongamos que los eventos cor- respondiendo
(un) Muestra esa X - segundo
un - segundo es una variabilidad aleatoria de Bernoulli
a las ubicaciones de los diferentes bolas son independientes.
poder.
(segundo) Encuentra Var ( X).
(un) ¿Qué tipo de variable aleatoria es X ¿yo? sea lo
4.22. Cada juego es una victoria con probabilidad pag.
específico como sea posible.
Va a jugar 5 partidos, pero si gana el juego quinto, a
(segundo) por yo Z j, qué tipo de variable aleatoria es
continuación, usted seguir jugando hasta que lo pierde.
X i + X j?
(un) Encuentra el número esperado de juegos que (do) Encontrar P {X 1 + X 2 + X 3 = 7}.
juegas. 4.25. Para el problema de fósforo (Ejemplo 5 m de

(segundo) Encuentra el número esperado de juegos que
Capítulo 2), nd fi
tú pierdes.
(un) el número esperado de partidos.
4.23. Las bolas se retiraron al azar, de una en una con- tiempo
(segundo) la varianza del número de coincidencias.
reemplazo a cabo, de una urna que tiene inicialmente
norte blanco y METRO bolas negras. Encuentre la probabilidad de que norte bolas 4.26. Dejar α ser la probabilidad de que un aleatoria geométrica
blancas se dibujan antes metro bolas negras, variable X con el parámetro pag es un número par.
norte ... N, m ... METRO. (un) Encontrar α mediante el uso de la identidad α = Σ q i = 1
4.24. Diez bolas son para ser distribuidos entre 5 urnas, P {X = 2i}.
con cada bola de entrar en la urna yo con probabilidad pag yo, Σ 5 i = 1 pag i (segundo) Encontrar α por el condicionamiento de si X = 1 o
= 1. Sea X yo denotar el número de X> 1.

CAPÍTULO 5
Las variables aleatorias continuas
5.1 INTRODUCCIÓN
5,2 esperanza y la varianza de variables aleatorias continuas
5.3 LA VARIABLE aleatorio uniforme
5.4 VARIABLES aleatoria normal
5.5 VARIABLES aleatoria exponencial
5.6 Otras distribuciones continuas
5.7 La distribución de una función de una variable aleatoria
5.1 INTRODUCCIÓN
En el Capítulo 4, se consideraron las variables-que aleatorias discretas es decir, variables aleatorias cuyo conjunto
de valores posibles es o bien finito o numerable infinito. Sin embargo, también existen variables aleatorias cuyo
conjunto de valores posibles es incontable. Dos ejemplos son el tiempo que un tren llega a una parada fi cado y la
vida útil de un transistor. Dejar X
ser una variable tales aleatorio. Nosotros decimos eso X es un continuo † variable aleatoria si existe una función no negativa f, de fi nido
para todos los bienes X ∈ (- q, q), que tiene la propiedad de que, para cualquier conjunto segundo de los números reales, ‡
P {X ∈ B} = ∫ f (x) dx (1,1)
segundo
La función F que se llama el la función de densidad de probabilidad de la variable aleatoria X.

(Véase la Figura 5.1.)
En palabras, la ecuación (1.1) establece que la probabilidad de que X Estará en segundo puede ser obtenido mediante la integración de la
función de densidad de probabilidad sobre el conjunto SEGUNDO. Ya que X debe asumir un cierto valor, F debe satisfacer
1 = P {X ∈ (- q, q)} = ∫ q
-qf (x) dx
Todas las declaraciones de probabilidad sobre X puede ser respondida en términos de f. Por ejemplo, a partir de la ecuación (1.1),
dejando B = [a, b], obtenemos
Pensilvania ... X ... b} = ∫ segundo f (x) dx (1,2)

un
† Aveces llamado absolutamente continua.
‡ De hecho, por razones técnicas, la ecuación (1.1) es cierto sólo para el mensurable conjuntos SEGUNDO, que, afortunadamente, incluir a todos los
grupos de interés práctico.
186
sección 5.1 Introducción 187
X
BAF
P (a X b) = área de la región sombreada
Figura 5.1: función de densidad de probabilidad F.
Si dejamos a = b en la ecuación (1.2), obtenemos
P {X = a} = ∫ un f (x) dx = 0
un
En palabras, esta ecuación establece que la probabilidad de que una variable aleatoria continua asumirá cualquier
valor fijo es cero. Por lo tanto, para una variable aleatoria continua,
P {X <a} = P {X ... a} = F (a) = ∫ un

-qf (x) dx
Ejemplo 1a
Suponer que X es una variable aleatoria continua cuya función de densidad de probabilidad está dada por
DO( 4 X - 2 X 2) 0 < x < 2 0

f (x) = {
de otra manera
(A) ¿Cuál es el valor de ¿DO?

(B) Encuentre P {X> 1}.
Solución. ( un) Ya que F es una función de densidad de probabilidad, debemos tener ∫ q

-qf (x) dx = 1,
lo que implica que
∫2
do ( 4 X - 2 X 2) dx = 1
0
o
[ ] ||||| x = 2
do 2 X2- 2 X3 =1
3
x=0
C=3
8
Por lo tanto, (b) P {X> 1} = ∫ q

∫ 2 1 ( 4 X - 2 X 2) dx = 12
1f (x) dx = 38 .
188 Capítulo 5 Las variables aleatorias continuas
Ejemplo 1b
La cantidad de tiempo en horas que un funciones del ordenador antes de descomponerse es una variable aleatoria
continua con función de densidad de probabilidad dada por
λ mi - X/ 100 X Ú 0 0
f (x) = {
x<0
¿Cuál es la probabilidad de que
(A) un ordenador funcionará entre 50 y 150 horas antes de descomponerse? (B) que funcionará para
menos de 100 horas?
Solución. ( a) Desde
∫q
1=∫q mi - X/ 100 dx
-qf (x) dx = λ 0
obtenemos
1 = - λ ( 100) mi - X/ 100 || q
0= 100 λ o λ = 1 100
Por lo tanto, la probabilidad de que un ordenador funcione entre 50 y 150 horas antes de descomponerse está
dada por
1 100 mi - X/ 100 dx = - mi - X/ 100 || 150

PAG{ 50 < X < 150} = ∫ 150
50
50
= mi - 1/2 - mi - 3/2 L. 384
(B) De manera similar,
1 100 mi - X/ 100 dx = - mi - X/ 100 || 100

P {X < 100} = ∫ 100 0= 1 - mi - 1 L. 633
0
En otras palabras, aproximadamente el 63,3 por ciento de las veces, una computadora fallará antes de registrar 100 horas
de uso. .
1c Ejemplo
El tiempo de vida en horas de un cierto tipo de tubo de radio es una variable aleatoria que tiene una función de densidad de
probabilidad dada por
••••• 0
X ... 100 100
f (x) =
X 2 x> 100
¿Cuál es la probabilidad de que exactamente 2 de 5 tales tubos en un aparato de radio tendrán que ser sustituido dentro
de la primera 150 horas de operación? Asumir que los eventos mi yo, i =
1, 2, 3, 4, 5, que la yo º tales tubo tendrá que ser sustituido dentro de este tiempo son independientes.
sección 5.1 Introducción 189
Solución. Desde el planteamiento del problema, tenemos
EDUCACIÓN FÍSICA i) =f∫(x)

150 dx
0
∫ 150
= 100 X - 2 dx
100
=1
3
Por lo tanto, a partir de la independencia de los eventos mi yo, se deduce que la probabilidad deseado es
( 52 )(13) 2( 2 ) 3= 80
3 243
.
La relación entre la distribución acumulada F y la densidad de probabilidad

F se expresa por
F (a) = P {X ∈ (- q, a]} = ∫ un
-qf (x) dx
Diferenciando ambos lados de los rendimientos de ecuaciones anteriores
d DAF (a) = f (a)
Es decir, la densidad es la derivada de la función de distribución acumulativa. A algu- qué interpretación

más intuitiva de la función de densidad se puede obtener de la ecuación (1.2) como sigue:
{ } = ∫ a+ε/2
PAG un - ε f (x) dx L ε f (a)
2 ... X ... a + ε 2 un - ε / 2
cuando ε es pequeño y cuando f ( ·) es continua en x = a. En otras palabras, la probabilidad de que X estará contenida en un
intervalo de longitud ε alrededor del punto un es aproximadamente
ε f (a). A partir de este resultado, vemos que f (a) es una medida de qué tan probable es que la variable aleatoria será cerca a.
1d Ejemplo
Si X es continua con función de distribución F X y función de densidad de F X, hallar la función de densidad de = Y 2 X.
Solución. Vamos a determinar F Y en dos maneras. La forma primera es derivar, y luego diferenciar, la función
de distribución de Y:
F Y ( a) = P {Y ... un}
= PAG{ 2 X ... un}
= P {X ... un/ 2}
= F X( un/ 2)
La diferenciación da
F Y ( a) = 1
2 F X( un/ 2)
Otra manera de determinar F Y es tener en cuenta que
F Y ( un) L Pensilvania - 2 ... Y ... a + 2}
= Pensilvania - 2 ... 2 X ... a + 2}
= Pensilvania
2 - 4 ... X ... un 2 + 4}
L 2 F X( un/ 2)
Dividiendo por da el mismo resultado que antes. .
5,2 esperanza y la varianza de variables aleatorias continuas
En el capítulo 4, que de fi ne el valor esperado de una variable aleatoria discreta X por
E [X] = Σ xP {X = x}
X
Si X es una función que tiene variable aleatoria continua de densidad de probabilidad f (x), entonces, porque
f (x) dx L P {x ... X ... x + dx} para dx pequeña
es fácil ver que el análogo de fi nición es para definir el valor esperado de X por
E [X] = ∫ q
- q xf (x) dx
Ejemplo 2a
Encontrar EX] cuando la función de densidad de X es
f (x) = { 2 X Si 0 ... X ... 1

0 en otro caso
Solución.
E [X] = ∫ xf (x) dx
=∫1 2 X 2 dx
0
=2
3
.
Ejemplo 2b
La función de densidad de X es dado por
f (x) = { 1 si 0 ... X ... 1

0 en otro caso
Encontrar E [e X].
sección 5.2 Esperanza y la varianza de las variables aleatorias continuas 191
Solución. Dejar Y = e X. Empezamos por determinar F Y, la probabilidad de distribución fun- ción de Y. Ahora, durante 1 ... X ... mi,
F Y ( x) = P {Y ... X}
= Educación física X ... X}
= P {X ... Iniciar sesión( X)}
= ∫ Iniciar sesión( X) f (y) dy

0
= Iniciar sesión( X)
diferenciando F Y ( X), podemos concluir que la función de densidad de probabilidad de Y

es dado por
F Y ( x) = 1 1 ... X ... mi
X
Por lo tanto,
E [e X] = E [Y] = ∫ q
- q xf Y ( x) dx
= ∫ mi dx
1
= mi - 1
.
Aunque el método empleado en el Ejemplo 2b para calcular el valor esperado de una función de X siempre
es aplicable, no es, como en el caso discreto, una forma alternativa de procedimiento. El siguiente es un análogo
directo de la proposición 4.1. del capítulo 4.
Proposición 2.1. Si X es una variable aleatoria continua con ción fun- densidad de probabilidad f (x), entonces, para
cualquier función real gramo,
E [g (x)] = ∫ q
-qg (x) f (x) dx
Una aplicación de la Propuesta 2.1 con el Ejemplo 2b rendimientos
E [e X] = ∫ 1 mi X dx ya que f (x) = 1, 0<x<1

0
= mi - 1
que está de acuerdo con el resultado obtenido en ese ejemplo.

La prueba de la proposición 2.1 es más complicado que el de su discreta analógica variable aleatoria.
Vamos a presentar tal prueba bajo la condición de que la variable aleatoria g (X) es no negativo. (La prueba
general, que sigue el argumento en el caso que presentamos, se indica en los ejercicios teóricos 2 y 3.) Se
necesitará el lema siguientes, que es de interés independiente.
lema 2.1
Para una variable aleatoria no negativa Y,
E [Y] = ∫ q P {Y> y} dy
0
Prueba. Se presenta un índice cuando hay Y es una variable aleatoria continua con función de densidad de probabilidad F Y.
Tenemos
∫q ∫q
P {Y> y} dy = ∫ q F Y ( x) dx dy
0 0 y
donde hemos utilizado el hecho de que P {Y> y} = ∫ q

yFY( X) dx. Intercambiando el orden
de la integración en los rendimientos de ecuaciones anteriores
∫q (∫ X )
P {Y> y} dy = ∫ q dy F Y ( x) dx
0 0 0
=∫q xf Y ( x) dx
0
= E [Y] .
Demostración de la proposición 2.1. Desde el Lema 2.1, para cualquier función gramo para cual g (x) Ú 0,
E [g (x)] = ∫ q P {g (X) > Y} dy

0
∫
=∫q f (x) dx dy
0 x: g (x)> y
∫ g (x)
=∫ dy f (x) dx
x: g (x)> 0 0
=∫ g (x) f (x) dx
x: g (x)> 0
que completa la prueba.
2c Ejemplo
Un palo de longitud 1 se divide en un punto T que se distribuye de manera uniforme en (0, 1). determinar la duración
prevista de la pieza que contiene el punto pag, 0 ... pag ... 1.
Solución. Dejar L pag( T) denotar la longitud de la substick que contiene el punto pag, y tenga en cuenta que
L pag( U) = { 1 - UU <p
T U> p
(Véase la Figura 5.2.) Por lo tanto, de la proposición 2.1,
E [L pag( U)] = ∫ 1 L pag( u) du

0
= ∫ pag ( 1 - u) du + ∫ 1 udu
0 pag
1 2 - pag 2
=1 +
2 - ( 1 - pag) 22 2
=1
2 + pag( 1 - pag)
sección 5.2 Esperanza y la varianza de las variables aleatorias continuas 193
1-T
0 T pag 1 (a)
0 pag T 1 (b)
Figura 5.2: Substick punto que contiene pag: ( un) U <p; ( segundo) U> pag.
Ya que pag( 1 - pag) se maximiza cuando p = 12, es interesante notar que la duración prevista de la substick que
contiene el punto pag se maximiza cuando pag es el punto medio de la vara originales.
.
2d Ejemplo
Supongamos que si usted está s minutos antes a una cita, a continuación, se incurren en el costo cs,
y si usted es s minutos más tarde, entonces incurren en el costo Kansas. Supongamos también que el tiempo de
viaje fromwhere que actualmente está en el lugar de su cita es una función que tenga variable aleatoria continua
de densidad de probabilidad f. Determinar la hora a la que debe salir si se quiere disminuir el costo esperado.
Solución. Dejar X denotar el tiempo de viaje. Si te vas t minutos antes de su nombra- miento, entonces su costo
llaman do t ( X) -es dado por
do t ( X) = {c (t - X) Si X ... t
k (X - t) Si X Ú t
Por lo tanto,
CE t ( X)] = ∫ q do t ( x) f (x) dx
0
=∫t Connecticut - x) f (x) dx + ∫ q k (x - t) f (x) dx

0 t
∫t ∫t ∫q ∫q
= Connecticutf (x) dx - do xf (x) dx + k xf (x) dx - kt f (x) dx
0 0 t t
El valor de t que reduce al mínimo CE t ( X)] ahora puede ser obtenida por cálculo. los rendimientos de la diferenciación
d dtE [C t ( X)] = ct f (t) + CF (t) - ct f (t) - kt f (t) + Kt f (t) - k [ 1 - Pie)]
= ( k + c) F (t) - k
Igualando el lado más a la derecha a cero indica que el costo esperado mínima se obtiene cuando salga t * minutos
antes de su cita, donde t * satis fi ca
Pie *) = k .
k+c
Al igual que en el capítulo 4, podemos utilizar proposición 2.1 para mostrar lo siguiente.
Corolario 2.1. Si un y segundo son constantes, entonces
E [aX + b] = aE [X] + b
La prueba de Corolario 2.1 para una variable aleatoria continua X es la misma que la dada por una variable
aleatoria discreta. El único catión fi modi es que la suma se sustituye por una integral y la función de masa de
probabilidad mediante una función de densidad de probabilidad.
La varianza de una variable aleatoria continua se define exactamente como lo es para una variable aleatoria Creta dis-,
es decir, si X es una variable aleatoria con valor esperado μ, entonces la varianza de X se define de fi (para cualquier tipo
de variable aleatoria) por
var ( X) = E [(X - μ) 2]
La fórmula alternativa,
var ( X) = E [X 2] - ( EX]) 2
se establece de una manera similar a su contraparte en el caso discreto.
2e Ejemplo
Encuentra Var ( X) para X como se da en el Ejemplo 2a.
Solución. Nos Fi cálculo primera EX 2].
EX 2] = ∫ q
-qX2 f (x) dx
=∫1 2 X 3 dx
0
=1
2
Por lo tanto, desde E [X] = 23, obtenemos
) 2= 1
var ( X) = 1
2-(2 3 18 .
Se puede demostrar que, para las constantes un y segundo,
var ( aX + b) = a 2 var ( X)
La prueba imita la dada para las variables aleatorias discretas.

Hay varias clases importantes de variables aleatorias continuas que aparecen con frecuencia en aplicaciones de
probabilidad; las siguientes secciones están dedicadas a un estudio de algunos de ellos.
5.3 LA VARIABLE aleatorio uniforme
Una variable aleatoria se dice que es uniformemente distribuidos en el intervalo (0, 1) si su función de densidad de
f (x) = { 1 0 < x < 1 (3,1)

0 en otro caso
Obsérvese que la ecuación (3.1) es una función de densidad, ya f (x) Ú 0 y ∫ q - q f (x) dx =

∫ 1 0 dx = 1. Porque f (x) > 0 sólo cuando X ∈ ( 0, 1), se deduce que X debe asumir un valor en el intervalo (0, 1). Además,
dado que f (x) es constante para X ∈ ( 0, 1), X es tan probable que
sección 5.3 La variable aleatoria Uniforme 195
fa) Fa)
1
1
- - -
-
un un
(un) (segundo)
Figura 5.3: Gráfica de (a) fa) y B) Fa) para un uniforme ( α, β) variable aleatoria.
estar cerca de cualquier valor en (0, 1) como lo es para estar cerca de cualquier otro valor. Para verificar esta afirmación, cabe destacar que,
para cualquier 0 < un <b < 1,
Pensilvania ... X ... b} = ∫ segundo f (x) dx = b - un

un
En otras palabras, la probabilidad de que X es en cualquier subintervalo particular de (0, 1) es igual a la longitud de ese
subintervalo.
En general, se dice que X es una variable aleatoria uniforme en el intervalo ( α, β) si la función de densidad de
probabilidad de X es dado por
••••• 1
f (x) = β - α Si α < x < β (3,2)

0 de otra manera
Ya que F (a) = ∫ un
-qf (x) dx, se sigue fromEquation (3.2) que la función de distribución
de una variable aleatoria uniforme en el intervalo ( α, β) es dado por
•••••••••
0 un ... α
un - α β - α α < un < β
F (a) =
1 un Ú β
Figura 5.3 presenta un gráfico de f (a) y Fa).
Ejemplo 3a
Dejar X ser distribuido uniformemente sobre ( α, ß). Encontrar un) EX] y (b) Var ( X).
Solución. ( un)
E [X] = ∫ q
- q xf (x) dx
X
=∫β
α β - α dx
= β2- α2
2 ( β - α)
=β+α
2
En palabras, el valor esperado de una variable aleatoria que se distribuye uniformemente sobre un cierto
intervalo es igual al punto medio de ese intervalo. (B) Para hallar Var ( X), Primero se calcula EX 2].
1
EX 2] = ∫ β
α β - α X 2 dx
= β3- α3
3 ( β - α)
= β 2 + αβ + α 2
3
Por lo tanto,
var ( X) = β 2 + αβ + α 2 - ( α + β) 2
3 4
= ( β - α) 2
12
Por lo tanto, la varianza de una variable aleatoria que se distribuye uniformemente sobre un intervalo es el
cuadrado de la longitud de ese intervalo dividido por 12. .
Ejemplo 3b
Si X se distribuye uniformemente sobre (0, 10), calcular la probabilidad de que (a) X < 3, (b)
X> 6, y (c) 3 < X < 8.
1 10 dx = 3
Solución. ( un) P {X < 3} = ∫ 3
0 10
1 10 dx = 4
(segundo) P {X> 6} = ∫ 10
6 10
1 10 dx = 1
(do) PAG{ 3 < X < 8} = ∫ 8 .
3 2
Ejemplo 3c
Los autobuses llegan en una parada ed especificidad en intervalos de 15 minutos a partir de las 7 A.M Es decir, que llegan a las 7,
7:15, 7:30, 7:45, y así sucesivamente. Si un pasajero llega a la parada en un momento en que se distribuye de manera uniforme
entre 7 y 7:30, fi nd la probabilidad de que él espera (a) menos de 5 minutos para un autobús; (B) más de 10 minutos para un
autobús.
Solución. Dejar X denotar el número de minutos últimos 7 que el pasajero llega a la parada. Ya que X es
una variable aleatoria uniforme en el intervalo (0, 30), se sigue que el pasajero tendrá que esperar a menos
de 5 minutos si (y solo si) llega 7:10-7:15 o entre 7:25 y 7 : 30. Por lo tanto, la probabilidad deseada para la
parte (a) es
1 30 dx + ∫ 30 1 30 dx = 1
PAG{ 10 < X < 15} + PAG{ 25 < X < 30} = ∫ 15
10 25 3
Del mismo modo, tendría que esperar más de 10 minutos si llega entre 7 y 07:05 o 07:15-07:20, por lo que
la probabilidad de que la parte (b) es
.
PAG{ 0 < X < 5} + PAG{ 15 < X < 20} = 1
3
sección 5.3 La variable aleatoria Uniforme 197
El siguiente ejemplo fue primero considerado por el matemático francés Joseph

LF Bertrand en 1889 y se refiere a menudo como La paradoja de Bertrand. Representa nuestra introducción inicial
a un tema comúnmente se conoce como probabilidad geométrica.
Ejemplo 3d
Considere un acorde al azar de un círculo. ¿Cuál es la probabilidad de que la longitud de la cuerda será
mayor que el lado del triángulo equilátero inscrito en el círculo?
Solución. Como se dijo, el problema es incapaz de solución, ya que no está claro qué se entiende por una
cuerda al azar. Para dar sentido a esta frase, vamos a reformular el problema de dos maneras distintas.
La formulación primera es la siguiente: La posición de la cuerda puede ser determinada por su distancia
desde el centro del círculo. Esta distancia puede variar entre 0 y
r, el radio del círculo. Ahora, la longitud de la cuerda será mayor que el lado del triángulo equilátero inscrito
en el círculo si la distancia desde la cuerda al centro del círculo es menor que r / 2. Por lo tanto, suponiendo
que un acorde al azar es un acorde cuya distancia re desde el centro del círculo se distribuye de manera
uniforme entre 0 y
r, vemos que la probabilidad de que la longitud de la cuerda es mayor que el lado de un triángulo equilátero
inscrito es
{ }=r/2
PAG D <r
2 r=1 2
Para nuestra segunda formulación del problema, considere una cuerda arbitraria de la CLE cir-; a través de
un extremo de la cuerda, trazar una tangente. El ángulo θ entre la cuerda y la tangente, que puede variar from0 ◦ a
180 ◦, determina la posición de la cuerda. (Véase la Figura 5.4.) Además, la longitud de la cuerda será mayor que
el lado del triángulo equilátero inscrito si el ángulo θ es de entre 60 ◦ y 120 ◦. Por lo tanto, suponiendo que un
acorde al azar es un acorde cuyo ángulo θ se distribuye de manera uniforme entre 0 ◦ y 180 ◦, vemos que la
respuesta deseada en esta formulación es
PAG{ 60 < θ < 120} = 120 - 60

180 = 1 3
Tenga en cuenta que los experimentos aleatorios podrían ser realizadas de tal manera que 12 o 13 sería la probabilidad
correcta. Por ejemplo, si un disco circular de radio r se lanza sobre una mesa gobernado con líneas paralelas a una
distancia 2 r Aparte, a continuación, una y sólo una de estas líneas cruzarían el disco y forman un acorde. Todas las
distancias de este acorde con el centro del disco serían igualmente probable, por lo que la probabilidad de que la longitud
deseada de la cuerda será mayor que el lado de un triángulo equilátero inscrito es 12. Por el contrario, si el
UN
FIGURA 5.4
experimento consistió en rotación de una aguja libremente alrededor de un punto UN en el borde (véase la figura 5.4) del
círculo, la respuesta deseada sería 13. .
5.4 VARIABLES aleatoria normal
Nosotros decimos eso X es una variable aleatoria normal, o simplemente que X se distribuye normalmente, con parámetros μ y
σ 2 si la densidad de X es dado por
f (x) = 1 √ 2 πσ mi - ( X - μ) 2/2 σ 2 -q<x<q
Esta función de densidad es una curva en forma de campana que es simétrica respecto μ. ( Véase la Figura 5.5.)
. 399
-3 -2 -1 0 1 2 3
(un)
. 399
- - -
- +
-2 +2
(segundo)
Figura 5.5: función de densidad normal: (a) μ = 0, σ = 1; (B) arbitraria μ, σ 2.
La distribución normal fue introducida por el matemático francés Abraham DeMoivre en 1733, que lo utilizó para
probabilidades aproximadas asociados a variables aleatorias binomiales cuando el parámetro binomial norte es largo.
Este resultado se extendió posteriormente por Laplace y otros y ahora se engloba en un teorema probabilidad
conocida como el teorema del límite central, que se discute en el Capítulo 8. El teorema del límite central, uno de los
dos resultados más importantes de la teoría de la probabilidad, † da una base teo retical a la observación empírica a
menudo observado que, en la práctica, muchos fenómenos aleatorios obedecen, al menos aproximadamente, una
distribución de probabilidad normal. Algunos ejemplos de fenómenos aleatorios que obedecen a este comportamiento
son la altura de un hombre, la velocidad en cualquier dirección de una molécula en gas, y el error cometido en la
medición de una cantidad física.
Para probar que f (x) es de hecho una función de densidad de probabilidad, tenemos que demostrar que
∫q
1
√ 2 πσ
- q mi - ( X - μ) 2/2 σ 2 dx =1
† La otra es la ley fuerte de los grandes números.

sección 5.4 Variables aleatorias normales 199
Haciendo la sustitución y = (x - μ) / σ, vemos eso

∫q ∫q
1
√ 2 πσ √2π
- q mi - ( X - μ) 2/2 σ 2 dx =1 - q mi - y 2/2 dy
Por lo tanto, debemos demostrar que

∫q
- q mi - y 2/2 dy =√2π
Con este fin, y mucho I = ∫ q - q mi - y 2/2 dy. Entonces

∫q
yo 2 = ∫ q
- q mi - y 2/2 dy - q mi - X 2/2 dx
∫q
=∫q
-q - q mi - ( y 2+ X 2) / 2 dx dy
Ahora evaluamos la integral doble por medio de un cambio de variables en coordenadas polares. (Es decir,
dejar x = r cos θ, y = r pecado θ, y dx dy = rd θ Dr.) Así,
∫ 2π
yo 2 = ∫ q mi - r 2/2 rd θ Dr
0 0
∫q
=2π re - r 2/2 Dr
0
= - 2 π mi - r 2/2 || q
0
=2π
Por lo tanto, I = √ 2 π, y el resultado se demostró.

Un hecho importante acerca de las variables aleatorias normales es que si X se distribuye normalmente con
parámetros μ y σ 2, entonces Y = aX + b se distribuye normalmente con parámetros un μ + segundo y un 2 σ 2. Para probar esta
afirmación, supongamos que a> 0. (La prueba cuando un < 0 es similar.) Let F Y denotar la función de distribución
acumulativa de Y. Entonces
F Y ( x) = P {Y ... X}
= P {aX + b ... X}
= P {X ... X - segundo
un }
= F X( X - segundo
un )
dónde F X es la función de distribución acumulada de X. Por la diferenciación, la función de densidad de Y es entonces
F Y ( x) = 1
un )
af X( X - segundo
= 1 √ 2 π un σ exp { - ( X - segundo
un - μ) 2 / 2 σ 2}
= 1 √ 2 π un σ exp { - ( X - segundo - un μ) 2 / 2 ( un σ) 2}
lo que demuestra que Y es normal con parámetros un μ + segundo y un 2 σ 2.

Una implicación importante del resultado anterior es que si X se distribuye normalmente con parámetros μ y σ 2, entonces
Z = (X - μ) / σ normalmente se distribuye con paráme- tros 0 y 1. una variable aleatoria Tal se dice que es una estándar,
o una unidad, variable aleatoria normal.
Ahora demostramos que los parámetros μ y σ 2 de un randomvariable normales representan, respectivamente, el

valor esperado y la varianza.
Ejemplo 4a
Encontrar EX] andVar ( X) cuando X es un randomvariable normal con parámetros μ y σ 2.
Solución. Vamos a empezar por el hallazgo de la media y la varianza de la variable normal estándar ran- dom Z = (X -
μ) / σ. Tenemos
E [Z] = ∫ q
- q xf Z (
x) dx
∫q
= 1√ 2 π
- q xe - X 2/2 dx
= - 1 √ 2 π mi - X 2/2 | q - q
=0
Así,
var ( Z) = E [Z 2]
∫q
= 1√ 2 π
-qX2 mi - X 2/2 dx
La integración por partes (con u = x y dv = xe - X 2 / 2) da ahora
var ( Z) = 1 √ 2 π ( - xe - X 2/2 | q - q + ∫ q
- q mi - X 2/2 dx)
∫q
= 1√ 2 π
- q mi - X 2/2 dx
=1
Porque X = μ + σ Z, el anterior produce los resultados
E [X] = μ + σ E [Z] = μ
y
var ( X) = σ 2 var ( Z) = σ 2 .
Es habitual para denotar la función de distribución acumulativa de una variable aleatoria normal estándar por ( X).
Es decir,
∫X
( x) = 1 √ 2 π
- q mi - y 2/2 dy
Los valores de ( X) para no negativo X se dan en la Tabla 5.1. Para valores negativos de X,
( X) se puede obtener de la relación
( - x) = 1 - ( X) -q<x<q (4,1)
TABLA 5.1: ZONA ( X) Bajo la curva normal estándar a la izquierda de X
X . 00 . 01 . 02 . 03 . 04 . 05 . 06 . 07 . 08 . 09
.0 . 5000 . 5040 . 5080 . 5120 . 5160 . 5199 . 5239 . 5279 . 5319 . 5359
.1 . 5398 . 5438 . 5478 . 5517 . 5557 . 5596 . 5636 . 5675 . 5714 . 5753
.2 . 5793 . 5832 . 5871 . 5910 . 5948 . 5987 . 6026 . 6064 . 6103 . 6141
.3 . 6179 . 6217 . 6255 . 6293 . 6331 . 6368 . 6406 . 6443 . 6480 . 6517
.4 . 6554 . 6591 . 6628 . 6664 . 6700 . 6736 . 6772 . 6808 . 6844 . 6879
.5 . 6915 . 6950 . 6985 . 7019 . 7054 . 7088 . 7123 . 7157 . 7190 . 7224
.6 . 7257 . 7291 . 7324 . 7357 . 7389 . 7422 . 7454 . 7486 . 7517 . 7549
.7 . 7580 . 7611 . 7642 . 7673 . 7704 . 7734 . 7764 . 7794 . 7823 . 7852
.8 . 7881 . 7910 . 7939 . 7967 . 7995 . 8023 . 8051 . 8078 . 8106 . 8133
.9 . 8159 . 8186 . 8212 . 8238 . 8264 . 8289 . 8315 . 8340 . 8365 . 8389
1.0 . 8413 . 8438 . 8461 . 8485 . 8508 . 8531 . 8554 . 8577 . 8599 . 8621
1.1 . 8643 . 8665 . 8686 . 8708 . 8729 . 8749 . 8770 . 8790 . 8810 . 8830
1.2 . 8849 . 8869 . 8888 . 8907 . 8925 . 8944 . 8962 . 8980 . 8997 . 9015
1.3 . 9032 . 9049 . 9066 . 9082 . 9099 . 9115 . 9131 . 9147 . 9162 . 9177
1.4 . 9192 . 9207 . 9222 . 9236 . 9251 . 9265 . 9279 . 9292 . 9306 . 9319
1.5 . 9332 . 9345 . 9357 . 9370 . 9382 . 9394 . 9406 . 9418 . 9429 . 9441
1.6 . 9452 . 9463 . 9474 . 9484 . 9495 . 9505 . 9515 . 9525 . 9535 . 9545
1.7 . 9554 . 9564 . 9573 . 9582 . 9591 . 9599 . 9608 . 9616 . 9625 . 9633
1.8 . 9641 . 9649 . 9656 . 9664 . 9671 . 9678 . 9686 . 9693 . 9699 . 9706
1.9 . 9713 . 9719 . 9726 . 9732 . 9738 . 9744 . 9750 . 9756 . 9761 . 9767
2.0 . 9772 . 9778 . 9783 . 9788 . 9793 . 9798 . 9803 . 9808 . 9812 . 9817
2.1 . 9821 . 9826 . 9830 . 9834 . 9838 . 9842 . 9846 . 9850 . 9854 . 9857
2.2 . 9861 . 9864 . 9868 . 9871 . 9875 . 9878 . 9881 . 9884 . 9887 . 9890
2.3 . 9893 . 9896 . 9898 . 9901 . 9904 . 9906 . 9909 . 9911 . 9913 . 9916
2.4 . 9918 . 9920 . 9922 . 9925 . 9927 . 9929 . 9931 . 9932 . 9934 . 9936
2.5 . 9938 . 9940 . 9941 . 9943 . 9945 . 9946 . 9948 . 9949 . 9951 . 9952
2.6 . 9953 . 9955 . 9956 . 9957 . 9959 . 9960 . 9961 . 9962 . 9963 . 9964
2.7 . 9965 . 9966 . 9967 . 9968 . 9969 . 9970 . 9971 . 9972 . 9973 . 9974
2.8 . 9974 . 9975 . 9976 . 9977 . 9977 . 9978 . 9979 . 9979 . 9980 . 9981
2.9 . 9981 . 9982 . 9982 . 9983 . 9984 . 9984 . 9985 . 9985 . 9986 . 9986
3.0 . 9987 . 9987 . 9987 . 9988 . 9988 . 9989 . 9989 . 9989 . 9990 . 9990
3.1 . 9990 . 9991 . 9991 . 9991 . 9992 . 9992 . 9992 . 9992 . 9993 . 9993
3.2 . 9993 . 9993 . 9994 . 9994 . 9994 . 9994 . 9994 . 9995 . 9995 . 9995
3.3 . 9995 . 9995 . 9995 . 9996 . 9996 . 9996 . 9996 . 9996 . 9996 . 9997
3.4 . 9997 . 9997 . 9997 . 9997 . 9997 . 9997 . 9997 . 9997 . 9997 . 9998
La prueba de la ecuación (4.1), que sigue de la simetría de la densidad normal estándar, se deja como un
ejercicio. Esta ecuación establece que si Z es una variable aleatoria normal estándar, entonces
P {Z ... - x} = P {Z> x} -q<x<q
Ya que Z = (X - μ) / σ es una variable aleatoria normal estándar cada vez X se distribuye normalmente con
parámetros μ y σ 2, se deduce que la función de distribución de X
se puede expresar como
(X-μ ) )
F X( a) = P {X ... a} = P ... un - μ = ( un - μ
σ σ σ
4b Ejemplo
Si X es una variable aleatoria normal con parámetros μ = 3 y σ 2 = 9, fi nd (a) PAG{ 2 <

X < 5}; (segundo) P {X> 0}; (do) P {| X - 3 | > 6}.
Solución. ( un)
{2-3 }
PAG{ 2 < X < 5} = PAG
3<X-3 3 <5 - 3 3
{-1 }
= PAG
3<Z<2 3
) )
=(2 - (- 1
3 3
) )]
=(2 -[ 1-(1 L. 3779
3 3
(segundo)
{X-3 } = P {Z> - 1}
P {X> 0} = PAG
3> 0 - 3 3
= 1 - (- 1)
= ( 1)
L. 8413
(do)
P {| X - 3 | > 6} = P {X> 9} + P {X < - 3}

{X-3 +} PAG {X-3 }
= PAG
3> 9 - 3 3 3<-3-3 3
= P {Z> 2} + P {Z < - 2}
= 1 - ( 2) + ( - 2)
= 2 [1 - ( 2)]
L. 0456
.
4c Ejemplo
Un examen es frecuentemente considerada como buena (en el sentido de determinar un margen de grado válida para
aquellos tomarlo) si los resultados de las pruebas de los que tomaron el examen puede ser aproximada por una función de
densidad normal. (En otras palabras, un gráfico de la frecuencia de las puntuaciones de grado debe tener aproximadamente
la forma de campana de la densidad normal.) El instructor menudo utiliza los resultados de las pruebas para estimar los
parámetros normales μ y σ 2 y luego asigna el grado de la letra A a aquellos cuya calificación de la prueba es mayor que μ +
σ, B para aquellos cuya puntuación es de entre μ y μ + σ, C para aquellos cuya puntuación es de entre μ - σ y μ, D para
aquellos cuya puntuación es de entre μ - 2 σ
y μ - σ, y F para los que recibieron una puntuación por debajo μ - 2 σ. ( Esta estrategia se refiere a veces como la calificación
“en la curva.”) Desde
{X-μ } = 1 - ( 1) L. 1587
P {X> μ + σ} = PAG
σ> 1
{ } = ( 1) - ( 0) L. 3413
PAG{ μ < X < μ + σ} = PAG 0<X-μ
σ<1
{-1<X-μ }
PAG{ μ - σ < X < μ} = PAG
σ<0
= ( 0) - (- 1) L. 3413
{-2<X-μ }
PAG{ μ - 2 σ < X < μ - σ} = PAG
σ<-1
= ( 2) - ( 1) L. 1359
{X-μ } = ( - 2) L. 0228
P {X < μ - 2 σ} = PAG
σ<-2
se deduce que aproximadamente el 16 por ciento de la clase recibirá un grado A en el examen, el 34 por ciento un
grado B, 34 por ciento de un grado C, y 14 por ciento un grado D; 2 por ciento fallará.
.
4d Ejemplo
Un perito en una demanda de paternidad testi fi ca que la duración (en días) de gestación humana es una
distribución aproximadamente normal con parámetros μ = 270 y σ 2 = 100. El acusado en el juicio es capaz de
demostrar que estaba fuera del país durante un período que comenzó 290 días antes del nacimiento del niño
y terminó 240 días antes del nacimiento. Si el acusado era, de hecho, el padre del niño, ¿cuál es la
probabilidad de que la madre pudo haber tenido la gestación muy largo o muy corto indicado por el
testimonio?
Solución. Dejar X denotar la longitud de la gestación, y se supone que el demandado es el padre. Entonces
la probabilidad de que el nacimiento podría ocurrir en el plazo indicado es
P {X> 290or X < 240} = P {X> 290} + P {X < 240}

{ X - 270 +} PAG { X - 270 }
= PAG > 2 <-3
10 10
= 1 - ( 2) + 1 - ( 3)
L. 0241
.
4e Ejemplo
Supongamos que un mensaje, ya sea binario 0 o 1-debe ser transmitida por el alambre de ubicación UN a la ubicación SEGUNDO.
Sin embargo, los datos enviados a través del cable están sujetos a una perturbación ruido de canal, por lo que, para reducir la
posibilidad de error, el valor 2 se envía a través del cable cuando themessage es 1 y el valor - 2 se envía cuando themessage es
0. Si x, x =; 2, es el valor enviado en la ubicación UN, entonces R, el valor recibido en la ubicación SEGUNDO, es dado por
R = x + NORTE, dónde norte es la perturbación de ruido de canal. Cuando el mensaje se recibe en la ubicación SEGUNDO, el
receptor decodifica de acuerdo con la siguiente regla:
Si R Ú. 5, a continuación, 1 se concluye. Si R < . 5, a
continuación, 0 se concluye.
Debido a que el ruido del canal es a menudo una distribución normal, vamos a determinar las probabilidades de error cuando norte
es una variable aleatoria normal estándar.
Se pueden producir dos tipos de errores: Uno es que el mensaje 1 se puede determinar incorrectamente que 0,
y la otra es que 0 se puede determinar incorrectamente que 1. El primer tipo de error se producirá si el mensaje es
1 y 2 + N < . 5, mientras que el segundo se producirá si el mensaje es 0 y - 2 + norte Ú. 5. Por lo tanto,
PAG{ de error | mensaje es 1} = P {N < - 1.5}
= 1 - ( 1.5) L. 0668
PAG{ de error | mensaje es 0} = P {N Ú 2.5}
= 1 - ( 2.5) L. 0062
.
5.4.1 La aproximación normal a la distribución binomial
Un resultado importante de la teoría de probabilidad conocida como el límite DeMoivre-Laplace THE- Orem establece que cuando norte
es decir, una variable aleatoria binomial grande con parámetros norte y pag
tendrá aproximadamente la misma distribución como una variable aleatoria normal con el samemean y la varianza
como la binomial. Este resultado se probó originalmente para el caso especial de p = 12 byDeMoivre en 1733 y luego se
extendió a lo general pag por Laplace en 1812. Se establece formalmente que si “estandarizar” el binomio por primera
sustrayendo su media notario público y dividiendo el resultado por su desviación estándar √ notario público( 1 - pag), a
continuación, la función de distribución de esta variable aleatoria estandarizada (que tiene media 0 y varianza 1)
convergerá a la función de distribución normal estándar como norte → q.
El teorema del límite DeMoivre-Laplace
Si S norte denota el número de éxitos que se producen cuando norte ensayos independientes, cada uno que resulta en un éxito con
probabilidad pag, se llevan a cabo, a continuación, para cualquier un < segundo,
{ }
√ notario
PAG un ... S norte público(
- notario →
público1 - pag) ... segundo ( segundo) - ( un)
como norte → q.
Debido a que el teorema anterior es sólo un caso especial del teorema del límite central, que se presenta en el
capítulo 8, no vamos a presentar una prueba.
Tenga en cuenta que ahora tenemos dos aproximaciones posibles a las probabilidades binomiales: la aproximación de
Poisson, que es bueno cuando norte es grande y pag es pequeño, y la aproximación normal, que puede ser demostrado ser
bastante bueno cuando notario público( 1 - pag) es largo. (Véase la Figura 5.6.) [La aproximación normal será, en general, ser
bastante bueno para valores de norte
satisfactorio notario público( 1 - pag) Ú 10.]
Ejemplo 4f
Dejar X ser el número de veces que una moneda que es fl ipped 40 veces cae en la cabeza. Encuentre la
probabilidad de que X = 20. El uso de la aproximación normal y luego compararla con la solución exacta.
(10, 0,7) 0,7)

0.30 0.20
0.25
0.15
0.20
0.15 0.10
0.10
0.05
0.05
0.0 0.0
0 2 4 6 8 10 0 5 10 (20, 15 20
X
0,7)
0.16 0.14
0.14 0.12
0.12 0.10
0.10
0.08
0.08
0.06
0.06
0.04 0.04
0.02 0.02
0.0 0.0
0 5 10 15 (30, 20 25 30 0 10 20 (50, 0,7)
30 40 50
X xx
Figura 5.6: La función de masa de probabilidad de un binomio ( norte, pag) variable aleatoria se vuelve más y más “normal”, como norte se vuelve más y
más grande.
Solución. Para emplear la aproximación normal en cuenta que debido a que la binomial es una variable
aleatoria discreta de valor entero, mientras que la normal es una variable aleatoria continua, es mejor para
escribir es P {X = i} como Pi - 1/2 < X <i + 1/2} antes de aplicar la aproximación normal (esto se llama el corrección
de continuidad). Si lo hace, da
P {X = 20} = PAG{ 19.5 ... X < 20.5}

{ 19.5 - 20 }
= PAG √ 10 < X - 20 √ 10 < 20.5 - 20 √ 10
{ -. 16 < X - 20 }
L PAG √ 10 < .dieciséis
L (. dieciséis) - (-. dieciséis) L. 1272
El resultado es exacta
)(12) 40 L. 1254
P {X = 20} = (40 .
20
4g Ejemplo
El tamaño ideal de una clase de primer año en una universidad en particular es de 150 estudiantes. La universidad,
sabiendo por experiencia que, en promedio, sólo el 30 por ciento de los aceptados para la admisión en realidad asistir,
utiliza una política de aprobación de las solicitudes de 450 estudiantes. Calcular la probabilidad de que más de 150 fi
estudiantes de primer año asisten a este colegio.
Solución. Si X denota el número de estudiantes que asisten, a continuación, X es una variable dom ran- binomial con
parámetros n = 450 y p = . 3. Uso de la corrección de continuidad,
Vemos que los rendimientos normales de aproximación

{ X - ( 450) (. 3) }
P {X Ú 150,5} = PAG √ 450 (0,3) (7). Ú 150,5 - ( 450) (. (0,3)

√ 450 3) (7).
L 1 - ( 1.59)
L. 0559
Por lo tanto, a menos de 6 por ciento del tiempo hacer más de 150 de los primeros 450 aceptado en realidad asistir.
(¿Qué suposiciones independencia hemos hecho?) .
4h EJEMPLO
Para determinar la eficacia de una determinada dieta en la reducción de la cantidad de colesterol en el torrente
sanguíneo, 100 personas se ponen en la dieta. Después de que hayan estado en la dieta para una su fi ciente longitud de
tiempo, se tomará su nivel de colesterol. El nutricionista de ejecutar este experimento ha decidido apoyar la dieta si al
menos el 65 por ciento de la población tiene un nivel de colesterol más bajo después de ir en la dieta. ¿Cuál es la
probabilidad de que el nutricionista hace suya la nueva dieta si, de hecho, no tiene ningún efecto sobre el nivel de
colesterol?
Solución. Supongamos que si la dieta no tiene ningún efecto sobre el nivel de colesterol, entonces, estrictamente por
casualidad, el recuento de cada persona será menor de lo que era antes de la dieta con probabilidad 12. Por lo tanto, si X es el
número de personas cuyo recuento se reduce, entonces la probabilidad de que el nutricionista le respaldar la dieta, cuando en
realidad no tiene ningún efecto sobre el nivel de colesterol se
( 100 )(12) P {X Ú 64.5}

Σ100 100 =
yo
i = sesenta y cinco
••••• X - ( 100) ( 12) •••••
= PAG √ Ú 2.9
100 ( 12) ( 12)
L 1 - ( 2.9)
L. 0019 .
Ejemplo 4i
Cincuenta y dos por ciento de los residentes de la ciudad de NewYork están a favor de prohibir el consumo de cigarrillos en
zonas de propiedad pública. Calcule la probabilidad de que más de 50 por ciento de una muestra aleatoria de norte la gente de
Nueva York están a favor de esta había sido prohibido cuando (a) n = 11 (b) n = 101 (c) n = 1001 ¿Qué tan grande sería norte tienen
que ser para hacer esta probabilidad supera 0,95?
Solución. Dejar norte denotar el número de residentes de la ciudad de Nueva York. Para responder a la pregunta anterior,
)
( nnfueron
debemos primero entender que una muestra aleatoria de tamaño norte es una muestra de tal manera que la norte personas
escogidos de tal manera que cada una de las
subconjuntos de norte personas tuvieron la misma oportunidad de ser el subconjunto elegido. Por consiguiente,
S norte, el número de personas de la muestra que están a favor de la prohibición de fumar, es una variable aleatoria
hipergeométrica. Es decir, S norte tiene la misma distribución que el número de bolas blancos obtenidos cuando norte bolas
se eligen de una urna de norte bolas, de los cuales 0,52 norte son de color blanco. Pero porque norte y 0,52 norte son
ambos grandes en comparación con el tamaño de la muestra norte, se sigue de la aproximación binomial para la
hipergeométrica (véase la Sección 4.8.3) que la distribución de S norte está estrechamente aproximada por una dis-
tribución binomial con parámetros norte y p = . 52. La aproximación normal a la distribución binomial muestra entonces que
{ S norte -. 52 norte }
PD n> . 5 n} = P √ norte(. 52) (. 48) > 0.5 norte√ -.norte(.

52 norte
52) (. 48)
{ S norte -. 52 norte }
= PAG √ norte(. 52) (. 48) > -. 04 √ norte
L (. 04 √ norte)
Así, ••• (. 1,328) = 0,5528,

Si n = 11
PD n> . 5 norte} L (. 4,020) = 0,6562, Si n = 101
( 1,2665) = 0,8973, si n = 1001
Para que esta probabilidad sea al menos 0,95, necesitaríamos (0,04 √ norte) > . 95. Porque
( X) es una función creciente y (1,645) = 0.95, esto significa que
. 04 √ n> 1,645
o
norte Ú 1691.266
Es decir, el tamaño de la muestra tendría que ser al menos 1.692. .
Notas históricas sobre la distribución normal
La distribución normal fue introducida por el matemático francés Abraham DeMoivre en 1733. DeMoivre, que
utiliza esta distribución para aproximar bilidades proba- relacionados con lanzamiento de una moneda, lo llamó el
exponencial curva en forma de campana. Su utilidad, sin embargo, se hizo realmente evidente sólo en 1809,
cuando el famoso matemático alemán Karl Friedrich Gauss utilizó como una parte integral de su enfoque para
predecir la localización de entidades astronómicas. Como resultado, se hizo común después de este tiempo para
llamar a que la Distribución gaussiana.
Durante mediados y finales del siglo 19, sin embargo, la mayoría de los estadísticos comenzaron a creer que la
mayoría de los conjuntos de datos tendría histogramas se ajustan a la forma de campana de Gauss. De hecho, llegó a
ser aceptado que era “normal” para cualquier dato de buen comportamiento establecidos a seguir esta curva. Como
resultado de ello, siguiendo el ejemplo del estadístico británico Karl Pearson, la gente comenzó refiriéndose a la curva
de Gauss llamándolo simplemente el normal curva. (Una explicación parcial de por qué conjuntos tantos datos se
ajustan a la curva normal es proporcionado por el teorema del límite central, que se presenta en el Capítulo 8.)
Abraham DeMoivre (1667-1754)
Hoy en día no hay escasez de consultores estadísticos, muchos de los cuales realizan sus actividades en el más
elegante de los ajustes. Sin embargo, el primero de su raza trabajó, a principios
años del siglo 18, fuera de una tienda de apuestas oscuro, sucio en Long Acres, Londres, conocido como
Masacre del Coffee House. Era Abraham DeMoivre, un protestante de refugiados fromCatholic Francia, y, por un
precio, que iba a calcular la probabilidad de apuestas de juegos de azar en todo tipo de juegos de azar.
Aunque DeMoivre, el descubridor de la curva normal, se ganaba la vida en la cafetería, que era un
matemático de las capacidades reconocidas. De hecho, él era un miembro de la Royal Society y se
informó a ser un íntimo del Isaac Newton.
Escuchar a Karl Pearson imaginar DeMoivre en el trabajo en la Masacre Coffee House: “ Me
pictureDeMoivre trabajando en una mesa sucia en la casa de café con una rota- abajo jugador junto a él e
Isaac Newton caminando a través de la multitud a su esquina a buscar a su amigo. Sería una gran imagen
para un artista inspirado. ”
Karl Friedrich Gauss
Karl Friedrich Gauss (1777-1855), uno de los primeros usuarios de la curva normal, era uno de los más
grandes matemáticos de todos los tiempos. Escucha las palabras del conocido historiador matemática ET
Bell, tal como se expresa en su libro 1954 Los grandes matemáticos: En un capítulo titulado “El príncipe de
los matemáticos”, escribe, “ Arquímedes, Newton y Gauss; estos tres son de una clase por sí mismos entre
los grandes matemáticos, y no es para los mortales ordinarios para tratar de clasificarlos por orden de
mérito. Los tres comenzaron maremotos en tanto pura como aplicada ics mathemat-. Arquímedes estimado
sus matemáticas puras más alto que el de sus aplicaciones; Newton parece haber encontrado la principal
justificación de sus inventos matemáticos en el científico utiliza para que los puso; mientras que Gauss
declaró que era lo mismo para él si trabajaba en la pura o aplicada en el lado. ” ‡
5.5 VARIABLES aleatoria exponencial
Una variable aleatoria continua cuya densidad de probabilidad función se da, por alguna
λ> 0, por
Si X Ú 0 0
f (x) = { λ mi - λ X
Si x < 0
se dice que es una exponencial variable aleatoria (o, más simplemente, se dice que está exponencialmente distribuido)
con el parámetro λ. La función de distribución acumulativa Fa) de una variable aleatoria exponencial está dada por
F (a) = P {X ... un}
= ∫ un λ mi - λ X dx
0
= - mi - λ X || un
0
= 1 - mi - λ un un Ú 0
Tenga en cuenta que F( q) = ∫ q

0λ mi - λ X dx = 1, ya que, por supuesto, debe hacerlo. El parámetro λ lo hará ahora
ser demostrado ser igual al recíproco del valor esperado.
Ejemplo 5a
Dejar X ser una variable aleatoria exponencial con el parámetro λ. Calcular (a) EX] y (b) Var ( X).
sección 5.5 Variables aleatorias exponenciales 209
Solución. ( a) Dado que la función de densidad está dada por
f (x) = { λ mi - λ X X Ú 0
0 x<0
obtenemos, por n> 0,
EX n] = ∫ q X norte λ mi - λ X dx
0
Integrando por partes (con λ mi - λ x = dv y u = x norte) rendimientos
EX n] = - X norte mi - λ x | q 0 + ∫ q mi - λ X nx norte - 1 dx
0
∫q
= 0 + norte λ mi - λ X X norte - 1 dx
λ 0
= norte
λ EX norte - 1]
dejando n = 1 y luego n = 2 da
E [X] = 1
λ
EX 2] = 2
λ E [X] = 2 λ2
(B) Por lo tanto,

) 2= 1
var ( X) = 2
λ2- ( 1 λ λ2
Por lo tanto, la media de la exponencial es el recíproco de su parámetro λ, y la varianza es la media al

cuadrado. .
En la práctica, la distribución exponencial se presenta a menudo como se produce la distribución de la cantidad de

tiempo hasta que algún evento específico. Por ejemplo, la cantidad de tiempo (a partir de ahora) hasta que se
produzca un terremoto, o hasta que una nueva guerra estalla, o hasta que una llamada telefónica que recibe resulta
ser un número equivocado, son variables aleatorias que tienden en la práctica tiene exponencial distribuciones. (Para
una explicación teórica de este fenómeno, véase la Sección 4.7.)
5b Ejemplo
Supongamos que la duración de una llamada de teléfono en cuestión de minutos es una variable aleatoria exponencial con el parámetro λ = 1
10. Si alguien llega inmediatamente por delante de usted a un público

cabina telefónica, encuentre la probabilidad de que va a tener que esperar (a)
más de 10 minutos; (B) entre 10 y 20 minutos.
Solución. Dejar X denotar la duración de la llamada hecha por la persona en la cabina. Entonces las probabilidades
deseadas son (a)
P {X> 10} = 1 - F( 10)
= mi - 1 L. 368
(segundo)
PAG{ 10 < X < 20} = F( 20) - F( 10)
= mi - 1 - mi - 2 L. 233 .
Se dice que una variable aleatoria no negativa X es sin memoria Si
P {X> s + t | X> t} = P {X> s} para todos S t Ú 0 (5,1)
Si pensamos X como siendo el tiempo de vida de algún instrumento, la ecuación (5.1) establece que la probabilidad de
que el instrumento sobrevive durante al menos s + t horas, dado que ha sobrevivido t hora, es la misma que la
probabilidad inicial que sobrevive durante al menos s
horas. En otras palabras, si el instrumento está vivo en la edad t, la distribución de la cantidad ing restante de
tiempo que sobrevive es la misma que la distribución original vida. (Es decir, es como si el instrumento no
“recuerda” que ya ha estado en uso durante un tiempo t.)
La ecuación (5.1) es equivalente a
P {X> s + t, X> t}
= P {X> s}
P {X> t}
o
P {X> s + t} = P {X> s} P {X> t} (5,2)
Dado que la ecuación (5.2) se satisface cuando X se distribuye de manera exponencial (para mi - λ ( s + t) =
mi - λ s mi - λ t), se deduce que las variables aleatorias exponencialmente distribuidos son sin memoria.
5c Ejemplo
Considere un puesto de fi ce que es atendida por dos empleados. Supongamos que cuando el Sr. Smith entra en el
sistema, descubre que la señora Jones está siendo servida por uno de los empleados y el Sr. Brown por el otro.
Supongamos también que el Sr. Smith se le dice que su servicio se iniciará tan pronto como sea ms Jones o el Sr. hojas
marrón. Si la cantidad de tiempo que un empleado pasa con un cliente se distribuye de forma exponencial con el
parámetro λ, ¿cuál es la probabilidad de que, de los tres clientes, el Sr. Smith es el último en abandonar el puesto de
oficina?
Solución. La respuesta se obtiene mediante el razonamiento de la siguiente manera: Considere el momento en que el Sr.
Smith cinco primeros NDS Un empleado de forma gratuita. En este punto, ya sea ms Jones o el Sr. Brown habrían justo a la
izquierda, y el otro todavía estaría en servicio. Sin embargo, debido a que la exponencial es sin memoria, se deduce que la
cantidad adicional de tiempo que esta otra persona (ya sea ms Jones o el Sr. Brown) aún tendría que pasar en el puesto de
oficina se distribuye de forma exponencial con el parámetro λ. Es decir, es el mismo que si el servicio para esa persona se
acaba de empezar en este punto. Por lo tanto, por simetría, la probabilidad de que los acabados persona fi restantes antes
Smith hojas deben igual 12.
.
Resulta que no sólo es la distribución exponencial sin memoria, pero también es el único de distribución que
posee esta propiedad. Para ver esto, supongamos que X es sin memoria y dejar F (x) = P {X> x}. Entonces, por la
ecuación (5.2),
F (s + t) = F (s) F (t)
Es decir, F( ·) satisface la ecuación funcional
g (s + t) = g (s) g (t)
Sin embargo, resulta que la única solución continua derecha de esta ecuación funcional es †
g (x) = e - λ X (5,3)
y, puesto que una función de distribución continua siempre tiene la razón, debemos tener
F (x) = e - λ X o F (x) = P {X ... x} = 1 - mi - λ X
lo que demuestra que X se distribuye de manera exponencial.
5d Ejemplo
Supongamos que el número de millas que un coche puede correr antes de su batería se agota se distribuye de manera
exponencial con un valor promedio de 10.000 millas. Si una persona desea hacer un viaje de 5000 millas, ¿cuál es la
probabilidad de que él o ella será capaz de completar el viaje sin tener que reemplazar la batería del coche? ¿Qué se
puede decir cuando la distribución no es exponencial?
Solución. De ello se desprende directamente en el hotel sin memoria de la distribución exponencial que la vida
útil restante (en miles de millas) de la batería es exponencial con el parámetro λ = 1
10. Por lo tanto, la probabilidad deseada es
PAG{ tiempo de vida restante> 5} = 1 - F( 5) = mi - 5 λ = mi - 1/2 L. 604 Sin embargo, si la distribución de por vida F
No es exponencial, entonces el probabilidad es relevante
PAG{ curso de la vida> t + 5 | curso de la vida> t} = 1 - F (t + 5)

1 - Pie)
dónde t es el número de millas que la batería había estado en uso antes del inicio del viaje. Por lo tanto, si
la distribución no es exponencial, se necesita información adicional (es decir, el valor de t) antes se puede
calcular la probabilidad deseada. .
Una variación de la distribución exponencial es la distribución de una variable aleatoria que es igualmente
probable que ser positivo o negativo y cuyo valor absoluto se distribuye de forma exponencial con el parámetro λ,
# λ Ú 0. Tal una variable aleatoria se dice que es
tener un Laplace distribución, ‡ y su densidad está dada por
f (x) = 1
2 λ mi - λ | x | - q < x < q
† Uno puede probar la ecuación (5.3) de la siguiente manera: Si g (s + t) = g (s) g (t), entonces
(2 ) (1 ) )
gramo = gramo = gramo 2 (1
norte n+1 norte norte
y repitiendo este rendimientos g (m / n) = g ( 1 / norte). También,
(1 ) (1 ) (1 )
gramo( 1) = gramo = gn o gramo = ( gramo( 1)) 1 / norte
n+1 n+···+1 norte norte norte
Por lo tanto, g (m / n) = (g ( 1)) Minnesota, que, desde gramo que está bien continua, que implica g (x) = (g ( 1)) X.
) ) 2 Ú 0, obtenemos g (x) = e - λ X, dónde λ = - Iniciar sesión( gramo( 1)).
Porque gramo( 1) = ( g ( 12
‡ También a veces se llama la variable aleatoria exponencial doble.

Su función de distribución está dada por
•••••••••••
∫X
x<0
12
-qλ mi λ X dx
F (x) = ∫0 ∫X
λ mi - λ X dx x> 0
12
-qλ mi λ X dx + 1 2 0
••• 12 mi λ X
x<0
=
1 - 12 mi - λ X x> 0
5e Ejemplo
Consideremos de nuevo el ejemplo 4e, lo que supone que un mensaje binario es para ser transmisores ted de UN a SEGUNDO,
con el valor 2 que se envía cuando el mensaje es 1 y - 2 cuando está
0. Sin embargo, Supongamos ahora que, en lugar de ser una variable aleatoria normal estándar, el ruido de canal norte es una
variable aleatoria laplaciano con el parámetro λ = 1. Supongamos de nuevo que si R es el valor recibido en la ubicación SEGUNDO,
entonces el mensaje se decodifica como sigue:
Si R Ú. 5, a continuación, 1 se concluye. Si R < . 5, a
continuación, 0 se concluye.
En este caso, donde el ruido es laplaciano con el parámetro λ = 1, los dos tipos de errores se habrá
probabilidades dada por
PAG{ de error | 1 mensaje se envía} = P {N < - 1.5}
=1
2 mi - 1.5
L. 1116
PAG{ de error | 0 mensaje se envía} = P {N Ú 2.5}
=1
2 mi - 2.5
L. 041
Al comparar esto con los resultados del ejemplo 4e, vemos que las probabilidades de error son mayores cuando el
ruido es laplaciano con λ = 1 que cuando se trata de una variable normal estándar.
5.5.1 Tasa de funciones de riesgo
Considere una variable aleatoria continua positiva X que interpretamos como la vida útil de algún artículo. Dejar X tienen
la función de distribución F y la densidad f. los tasa de riesgo ( a veces llamado el tasa de fracaso) función λ ( t) de F se
define por
λ ( t) = f (t)
Pie) , dónde F = 1 - F
Interpretar λ ( t), supongamos que el artículo ha sobrevivido durante un tiempo t y deseamos la probabilidad de que no va a
sobrevivir durante un tiempo adicional dt. Es decir, consideran P {X ∈
( t, t + dt) | X> t}. Ahora,
P {X ∈ ( t, t + dt) | X> t} = P {X ∈ ( t, t + dt), X> t}

P {X> t}
= P {X ∈ ( t, t + dt)}
P {X> t}
L f (t)
F (t) dt
Así, λ ( t) representa la intensidad de probabilidad condicional de que una t- unidad de edad itemwill fallar.
Supongamos ahora que la distribución de por vida es exponencial. Luego, en el hotel sin memoria, se deduce que la
distribución de la vida restante de una t- elemento años de edad, es el mismo que el de un nuevo elemento. Por lo tanto, λ ( t) debe
ser constante. De hecho, esto comprueba hacia fuera, ya
λ ( t) = f (t)
Pie)
= λ mi - λ t
mi - λ t
=λ
Por lo tanto, la función de tasa de fracaso de la distribución exponencial es constante. El parámetro λ se refiere a
menudo como el tarifa de la distribución.
Resulta que la función de la tasa de fracaso λ ( t) determina de forma única la distribu- ción F. Para probar esto, tenga en
cuenta que, por definición,
dt Pie)
λ ( t) = re
1 - Pie)
Integrando ambos lados rendimientos
log (1 - F (t)) = - ∫ t λ ( t) dt + k
0
o {-∫t }
1 - F (t) = e k exp λ ( t) dt
0
dejando t = 0 muestra que k = 0; así,

{-∫t }
F (t) = 1 - exp λ ( t) dt (5,4)

0
Por lo tanto, una función de distribución de una variable aleatoria positiva continua puede ser indicado por dando
su función tasa de riesgo. Por ejemplo, si una variable aleatoria tiene una función que tasa de riesgo lineal es, si
λ ( t) = a + bt
entonces su función de distribución está dada por
F (t) = 1 - mi - a - bt 2/2
y diferenciación da su densidad, a saber,

f (t) = (a bt +) e - ( a + bt 2 / 2) tÚ0
Cuando a = 0, la ecuación anterior se conoce como el función de densidad de Rayleigh.
Ejemplo 5f
A menudo se oye que la tasa de muerte de una persona que fuma es, en cada edad, el doble que el de un no fumador.
¿Qué significa esto? Qué significa que un no fumador tiene el doble de probabilidad de sobrevivir a un determinado número
de años igual que un fumador de la misma edad?
Solución. Si λ s ( t) denota la tasa de riesgo de un fumador de edad t y λ norte( t) de un no fumador de edad t, entonces el
enunciado en cuestión es equivalente a la afirmación de que
λ s ( t) = 2 λ norte( t)
La probabilidad de que una UN- años de edad, no fumador va a sobrevivir hasta la edad B, A < SEGUNDO, es
PENSILVANIA- años de edad, no fumadora llega a la edad SEGUNDO}
= PAG{ la vida del fumador> B | la vida del fumador> UN}
= 1 - F no( SEGUNDO)
1 - F no( UN)
{ - ∫ segundo }
λ norte( t) dt
0
= exp {-∫ UN } a partir de (5.4)
exp λ norte( t) dt
0
{ - ∫ segundo }
= exp λ norte( t) dt
UN
mientras que la probabilidad correspondiente para un fumador es, por el mismo razonamiento,
{ - ∫ segundo }
PENSILVANIA- años de edad, fumador llega a la edad B} = exp λ s ( t) dt

UN
{-2 ∫ segundo
}
= exp λ norte( t) dt
UN
•• exp { - ∫ segundo } •• 2
= λ norte( t) dt
UN
En otras palabras, para dos personas de la misma edad, uno de los cuales es un fumador y el otro un no
fumador, la probabilidad de que el fumador sobrevive a cualquier edad es la cuadrado ( no la mitad) de la
probabilidad correspondiente para un no fumador. Por ejemplo, si λ norte( t) = 1
30, 50 ... t ... 60, entonces la probabilidad de que un no fumador de 50 años de edad
llega a 60 años de edad es mi - 1/3 L. 7165, mientras que la probabilidad correspondiente para un fumador es mi - 2/3 L. 5134.
.
Sección 5.6 Otras distribuciones continuas 215
5.6 Otras distribuciones continuas
5.6.1 la distribución gamma
Una variable aleatoria se dice que tiene una distribución gamma con parámetros ( α, λ), λ> 0,
α> 0, si su función de densidad está dada por
••••• λ mi - λ X( λ X) α - 1
XÚ0
f (x) = (Α)
0 x<0
dónde ( α), llamó al función gamma, se define como
(Α) = ∫ q mi - y y α - 1 dy
0
Integración de ( α) por rendimientos de piezas
(Α) = - mi - y y α - 1 ||| q mi - y ( α - 1) y α - 2 dy
0+ ∫q 0
∫q
= ( α - 1) mi - y y α - 2 dy (6,1)
0
= ( α - 1) ( α - 1)
Para los valores integrales de α, decir, α = norte, obtenemos, mediante la aplicación de la ecuación (6.1) varias veces,
( n) = (n - 1) ( norte - 1)
= ( norte - 1) ( norte - 2) ( norte - 2)
= · · · = ( norte - 1) ( norte - 2) · · · 3 · 2 (1)
Puesto que (1) = ∫ q

0 mi - X dx = 1, se deduce que, para valores enteros de norte,
( n) = (n - 1)!
Cuando α es un entero positivo, por ejemplo, α = norte, la distribución gamma con parámetros
(Α, λ) a menudo surge, en la práctica como la distribución de la cantidad de tiempo que uno tiene que esperar hasta que un total de
norte Se ha producido eventos. Más especıficamente, si los eventos están ocurriendo al azar y de acuerdo con los tres axiomas de
la Sección 4.7, a continuación, resulta que la cantidad de tiempo que uno tiene que esperar hasta que un total de norte eventos se
ha producido será una variable aleatoria gamma con parámetros ( norte, λ). Para probar esto, T norte denotar el momento en que el norte
º evento ocurre, y tenga en cuenta que T norte es menor que o igual a t si y sólo si el número de eventos que se han producido por el
tiempo t Por lo menos norte. Es decir, con Nuevo Testamento)
igual al número de eventos en [0, t],
P {T norte ... t} = P {N (t) Ú norte}
Σ
=q P {N (t) = j}
j=n
Σ mi - λ t ( λ t) j
=q
j!
j=n
donde la identidad final es consecuencia de que el número de eventos en [0, t] tiene una distribución de Poisson con
parámetro λ t. La diferenciación de la anterior ahora se obtiene la función de densidad de T norte:
Σ mi - λ t j ( λ t) j - 1 λ Σ λ mi - λ t ( λ t) j
f (t) = q -q
j! j!
j=n j=n
Σ λ mi - λ t ( λ t) j - 1 Σ λ mi - λ t ( λ t) j
=q
( j - 1)! - q j!
j=n j=n
= λ mi - λ t ( λ t) norte - 1
( norte - 1)!
Por lo tanto, T norte tiene la distribución gamma con parámetros ( norte, λ). ( Esta distribución se refiere a menudo en la
literatura como la n-Erlang distribución.) Tenga en cuenta que cuando n = 1, esta distribución se reduce a la distribución
exponencial.
La distribución gamma con λ = 12 y α = norte/ 2, norte un entero positivo, se denomina
χ 2n ( leer “chi-cuadrado”) de distribución con norte grados de libertad. La distribución chi-cuadrado se presenta a
menudo en la práctica como la distribución del error involucrado en Si se intenta alcanzar un objetivo en norte- espacio
dimensional cuando cada coordenada error se distribuye normalmente. Esta distribución se estudió en el capítulo 6,
donde su relación con la distribución normal es detallada.
Ejemplo 6a
Dejar X ser una variable aleatoria gamma con parámetros α y λ. Calcular (a) EX] y (b) Var ( X).
Solución. ( un)
∫q
E [X] = 1 λ xe - λ X( λ X) α - 1 dx
(Α) 0
∫q
=1 λ mi - λ X( λ X) α dx
λ? (α) 0
= ( α + 1)
λ? (α)
=α
λ por la ecuación (6.1)
(B) Por primera calcular EX 2], se puede demostrar que
var ( X) = α
λ2
Los detalles se dejan como ejercicio. .
5.6.2 la distribución de Weibull
TheWeibull distribución se utiliza ampliamente en la práctica de la ingeniería debido a su versatilidad. Se propuso

originalmente para la interpretación de los datos de fatiga, pero ahora su uso se ha extendido a muchos otros
problemas de ingeniería. En particular, se utiliza ampliamente en el campo de fenómenos de la vida como la distribución
de la vida útil de un objeto, especialmente cuando el modelo “eslabón más débil” es apropiado para el objeto. Es decir,
consideran una
Sección 5.6 Otras distribuciones continuas 217
objeto consiste en muchas partes, y supongamos que el objeto experimenta la muerte (URE fail) cuando cualquiera de
sus partes fallan. Se ha demostrado (tanto teóricamente y empíricamente) que bajo estas condiciones una distribución
de Weibull proporciona una aproximación cercana a la distribución de la vida útil del artículo.
La función de distribución de Weibull tiene la forma

••••••• 0
X ... ν
{-(X-ν ) β}
F (x) = (6,2)
1 - exp x> ν
α
Una variable aleatoria cuya función de distribución acumulativa está dada por la ecuación (6.2) se dice que es una variable
aleatoria de Weibull con los parámetros ν, α, y β. La diferenciación se obtiene la densidad:
••••••• 0
X ... ν
(X-ν ) {-(X-ν )
β - 1 exp β}
f (x) = β
x> ν
α α α
5.6.3 La distribución de Cauchy
Una variable aleatoria se dice que tiene una distribución de Cauchy con el parámetro θ, - q < θ <
q, si su densidad está dada por
1 1 + ( X - θ) 2 - q < x < q
f (x) = 1
π
6b Ejemplo
Supongamos que un haz estrecho ashlight fl se hace girar alrededor de su centro, que está situado a una
distancia de la unidad X- eje. (Véase la Figura 5.7.) Considere el punto X en el que el haz corta a la X- cuando
el eje ashlight fl ha dejado de girar. (Si el haz no está apuntando hacia el X- eje, repetir el experimento.)
0 X X- eje
Figura 5.7
Como se indica en la Figura 5.7, el punto X se determina por el ángulo θ entre el ashlight fl y la y- eje, que,
a partir de la situación física, parece estar distribuido de manera uniforme entre - π / 2 y π / 2. La función de
distribución de X por tanto, está dada por
F (x) = P {X ... X}
= PAG{ broncearse θ ... X}
= PAG{ θ ... broncearse - 1 X}
=1
2+1 π broncearse - 1 X
donde la última igualdad sigue desde θ, siendo uniforme sobre ( - π / 2, π / 2), tiene distribución
PAG{ θ ... a} = a - (- π / 2) =1 -π
π 2 + un π 2 < un < π 2
Por lo tanto, la función de densidad de X es dado por
1
f (x) = d -q<x<q
DXF (x) = π ( 1 + X 2)
y vemos que X tiene la distribución de Cauchy. † .
5.6.4 La Beta Distribución
Una variable aleatoria se dice que tiene una distribución beta si su densidad está dada por
••••• 1
f (x) = Licenciado en Letras, b) x un - 1 ( 1 - X) segundo - 1 0 < x < 1
0 de otra manera
dónde
Licenciado en Letras, b)X =un∫- 1 ( 1 - X) segundo - 1 dx

0
La distribución beta se puede usar para modelar un fenómeno aleatorio cuyo conjunto de valores posibles es algún
intervalo finito [ discos compactos] -que, dejando do denotar el origen y teniendo re - do como una unidad de medida, se
puede transformar en el intervalo [0, 1].
Cuando a = segundo, la densidad beta es aproximadamente simétrica 12, dando más y más peso a las regiones alrededor 12 como
el valor común un aumenta. (Véase la Figura 5.8). Cuando b> un,

la densidad es sesgada a la izquierda (en el sentido de que los valores más pequeños se hacen más probable); y es sesgada a la
derecha cuando a> segundo. ( Véase la Figura 5.9.)
La relación
Licenciado en Letras, b) = (a) (b) (6,3)

( a + segundo)
se puede demostrar que existir entre

0
y la función gamma.
† Ese re
dx ( broncearse - 1 x) = 1 / (1 + X 2) se puede ver de la siguiente manera: Si y = broncearse - 1 X, entonces bronceado y = X, asi que
( pecado y ) )
dy dx = ( 2 cos y + sen 2 y dx
1 = re
dx ( broncearse y) = d dy ( broncearse y) dx dy = d dy cos y 2 cos y dy
o
dx dy = 2 cos y 1 moreno 2 y + 1 = 1
sen 2 y + 2 cos y = X2+1

sección 5.7 La distribución de una función de una variable aleatoria 219
f (x)
a = 10
a=3
1-4
a=
a=1
X
0 1-2 1
Figura 5.8: densidades beta con parámetros ( un, segundo) cuando a = segundo.
f (x)
a=6
3-2
a=
Figura 5.9: densidades beta con parámetros ( un, segundo) cuando a / (a + b) = 1/20.
Al usar la ecuación (6.1), junto con la identidad (6.3), es un asunto fácil demostrar que si X es una variable aleatoria
beta con parámetros un y segundo, entonces
E [X] = a
a+b
ab
var ( X) =
( a + segundo) 2 ( a + b + 1)
Observación. Una de fiscalización de la ecuación (6.3) aparece en el Ejemplo 7c del capítulo 6..
5.7 La distribución de una función de una variable aleatoria
A menudo, sabemos que la distribución de probabilidad de una variable aleatoria y estamos interesados en
determinar la distribución de alguna función de la misma. Por ejemplo, supongamos que conocemos la distribución
de X y quiere hallar la distribución de g (X). Para ello, es
necesario expresar el caso de que g (X) ... y en términos de X estar en algún conjunto. Se ilustra con los
siguientes ejemplos.
Ejemplo 7a
Dejar X ser distribuido uniformemente sobre (0, 1). Obtenemos la distribución de la variable aleatoria Y, definida por Y =
X norte, como sigue: Para 0 ... y ... 1,
F Y ( y) = P {Y ... y}
= P {X norte ... y}
= P {X ... y 1 / norte}
= F X( y 1 / norte)
= y 1 / norte
Por ejemplo, la función de densidad de Y es dado por

••••• 1
F Y ( y) = Nueva York 1 / norte - 1 0 ... y ... 1 0 .

de otra manera
7b Ejemplo
Si X es una variable aleatoria continua con densidad de probabilidad F X, entonces la distribución de Y = X 2 se obtiene
como sigue: Para y Ú 0,
F Y ( y) = P {Y ... y}
= P {X 2 ... y}
= PAG{ -√ y ... X ... √ y}
= F X( √ y) - F X( -√ y)
los rendimientos de diferenciación
F Y ( y) = 1 .
2 √ y [f X( √ y) + f X( -√ y)]
7c Ejemplo
Si X tiene una densidad de probabilidad F X, entonces Y = | X | tiene una función de densidad que se obtiene como sigue: Para y Ú 0,
F Y ( y) = P {Y ... y}
= P {| X | ... y}
= PAG{ - y ... X ... y}
= F X( y) - F X( - y)
Por lo tanto, en la diferenciación, obtenemos
F Y ( y) = f X( y) + f X( - y) yÚ0
.
sección 5.7 La distribución de una función de una variable aleatoria 221
El método empleado en los Ejemplos 7a a 7c se puede utilizar para demostrar el teorema 7.1.
Teorema 7.1. Sea X una densidad de probabilidad variable aleatoria continua que tiene fun- ción f X. Supongamos que g (x) es un
estrictamente monótona (creciente o decreciente), NEGOCIABLES diferenciación (y por lo tanto continua) en función de x. A
continuación, la variable aleatoria Y definido por Y = g (X) tiene una función de densidad de probabilidad dada por
••••• F X[ gramo - 1 ( y)] |||| d dyg - 1 ( y) ||||
si y = g (x) para algún x

F Y ( y) =
0 Si y Z g (x) para todo x
dónde gramo - 1 ( y) Se define a ser igual que el valor de X de tal manera que g (x) = y.
Vamos a demostrar el teorema 7.1, cuando g (x) es una función creciente.
Prueba. Suponer que y = g (x) para algunos X. Luego, con Y = g (X),
F Y ( y) = P {g (X) ... y}
= P {X ... gramo - 1 ( y)}
= F X( gramo - 1 ( y))
La diferenciación da
F Y ( y) = f X( gramo - 1 ( y)) d .
dyg - 1 ( y)
que está de acuerdo con el Teorema 7.1, ya gramo - 1 ( y) es no decreciente, por lo que su derivada es no negativo.
Cuando y Z g (x) para cualquier X, entonces F Y ( y) es o bien 0 o 1, y en cualquier caso F Y ( y) = 0.
7d Ejemplo
Dejar X ser una variable aleatoria no negativa continua con función de densidad f, y deja
Y = X norte. Encontrar F Y, la función de densidad de probabilidad de Y.
Solución. Si g (x) = x norte, entonces
gramo - 1 ( y) = y 1 / norte
y
d dy {g - 1 ( y)} = 1
Nueva York 1 / norte - 1
Por lo tanto, desde el teorema 7.1, obtenemos
F Y ( y) = 1
Nueva York 1 / norte - 1 f (y 1 / norte)
por n = 2, esto da
F Y ( y) = 1
2 √ yf ( √ y)
que (ya X Ú 0) está de acuerdo con el resultado del ejemplo 7b. .

RESUMEN
Una variable aleatoria X es continuo si hay una función no negativa f, llamó al

la función de densidad de probabilidad de X, de tal manera que, para cualquier conjunto SEGUNDO,
P {X ∈ B} = ∫ f (x) dx
segundo
Si X es entonces su función continua, la distribución F será diferenciable y
d DXF (x) = f (x)
El valor esperado de una variable aleatoria continua X se define por
E [X] = ∫ q
- q xf (x) dx
Una identidad útil es que, para cualquier función gramo,
E [g (x)] = ∫ q
-qg (x) f (x) dx
Como en el caso de una variable aleatoria discreta, la varianza de X se define por
var ( X) = E [(X - EX]) 2]
Una variable aleatoria X se ha dicho uniforme durante el intervalo de ( un, segundo) si su función de densidad de probabilidad está dada
por
••••• 1
f (x) = segundo - Automóvil club británico ... X ... segundo

0 de otra manera
Su valor esperado y la varianza son
E [X] = a + b var ( X) = (b - un) 2

2 12
Una variable aleatoria X se ha dicho normal con los parámetros μ y σ 2 si su función de densidad de probabilidad está dada
por
f (x) = 1 √ 2 πσ mi - ( X - μ) 2/2 σ 2 - q < x < q
Se puede demostrar que

μ = EX] σ 2 = var ( X)
Si X es normal con media μ y la varianza σ 2, entonces Z, definida por
Z=X-μ
σ
es normal con media 0 y varianza 1. una variable aleatoria Tal se dice que es una estándar
variable aleatoria normal. probabilidades unos X se puede expresar en términos de bilidades proba- acerca de la
variable normal estándar Z, cuya función de distribución de probabilidad se puede obtener ya sea de la Tabla 5.1 o
desde un sitio web.
Resumen 223
Cuando norte es grande, la función de distribución de probabilidad de una variabilidad aleatoria binomial capaz con parámetros norte
y pag se puede aproximar por la de una variable aleatoria con media normal notario público y la varianza notario público( 1 - pag).
Una variable aleatoria cuya densidad de probabilidad función es de la forma
f (x) = { λ mi - λ X X Ú 0
0 de otra manera
se dice que es una exponencial variable aleatoria con el parámetro λ. Su valor esperado y la varianza son,
respectivamente,
E [X] = 1
λ var ( X) = 1 λ2
Una propiedad clave que sólo poseen variables aleatorias exponenciales es que son oryless miem-, en el sentido de
que, para el positivo s y t,
P {X> s + t | X> t} = P {X> s}
Si X representa la vida de un elemento, entonces la propiedad sin memoria establece que, para cualquier
t, la vida útil restante de un t- elemento años de edad, tiene la misma distribución de probabilidad como la vida de un nuevo
elemento. Por lo tanto, uno no necesita recordar la edad de un artículo para conocer su distribución de la vida restante.
Dejar X ser una variable aleatoria continua no negativa con función de distribución F
y función de densidad de f. La función
λ ( t) = f (t) tÚ0
1 - Pie)
que se llama el tasa de riesgo, o tasa de fracaso, funcion de F. Si interpretamos X como la vida de un artículo, entonces, para
valores pequeños de dt, λ ( t) dt es aproximadamente la probabilidad de que una t- elemento-vieja unidad fallará dentro de un
tiempo adicional dt. Si F es la distribución exponencial con el parámetro λ, entonces
λ ( t) = λ t Ú 0
Además, el exponencial es la distribución único y que tiene una tasa de fracaso constante.
Una variable aleatoria se dice que tiene una gama de distribución con parámetros α y λ
si su función de densidad de probabilidad es igual a
f (x) = λ mi - λ X( λ X) α - 1 XÚ0
(Α)
y es 0 en caso contrario. La cantidad ( α) se llama la función gamma y está definida por
(Α) = ∫ q mi - X X α - 1 dx
0
El valor esperado y la varianza de una variable aleatoria gamma son, respectivamente,
E [X] = α
λ var ( X) = α λ2
Una variable aleatoria se dice que tiene una beta de distribución con parámetros ( un, segundo) si su función de densidad de
probabilidad es igual a
f (x) = 1
Licenciado en Letras, b) x un - 1 ( 1 - X) segundo - 1 0 ... X ... 1
y es igual a 0 en caso contrario. El constante Licenciado en Letras, segundo) es dado por

0
La media y la varianza de una variable aleatoria tales son, respectivamente,
ab
E [X] = a
a + b var ( X) = ( a + segundo) 2 ( a + b + 1)
PROBLEMAS
••••• 10
5.1. Dejar X ser una variable aleatoria con una probabilidad den-
función sidad
f (x) = X 2 x> 10 0
X ... 10
f (x) = {c ( 1 - X 2) - 1 < x < 1

0 de otra manera
(un) Encontrar P {X> 20}.
(segundo) ¿Cuál es la función de distribución acumulativa

(un) ¿Cuál es el valor de ¿do?
de ¿X?
(segundo) ¿Cuál es la función de distribución acumulativa
(do) ¿Cuál es la probabilidad de que, de 6 de tales tipos de
de ¿X?
dispositivos, por lo menos 3 funcionarán durante al menos 15
5.2. Un sistema que consiste en una unidad original más una horas? ¿Qué suposiciones estás haciendo?
función de lata repuesto para un periodo de tiempo aleatorio X.
5.5. Una estación de llenado se suministra con gasolina una vez
Si la densidad de X se da (en unidades de meses) por
semana. Si su volumen semanal de ventas en miles de litros es una
variable aleatoria con probabilidad función de densidad
f (x) = {CXE - X/ 2 x> 0

0 X ... 0
¿cuál es la probabilidad de que el sistema funciona durante al menos f (x) = { 5 (1 - X) 4 0 < x < 1
0 de otra manera
5 meses?
5.3. Considere la función lo que tiene que la capacidad del tanque sea de manera que la
probabilidad de ser del suministro agotado en una semana es 0.01?
DO( 2 X - X 3) 0 < x < 52
f (x) = {
0 de otra manera
5.6. Calcular EX] Si X tiene
•••••una
1 4 función
xe - X/ 2 de
x> densidad
00 dada por
Podría F ser una función de densidad de probabilidad? Si es así, determinar DO.

(un) f (x) = ;
repetir si f (x) fueron dadas por
de otra manera
DO( 2 X - X 2) 0 < x < 52

f (x) = { (segundo) f (x) = {c ( 1 - X 2) - 1 < x < 1 ;
0 de otra manera 0 de otra manera
••••• 5
5.4. La función de densidad de probabilidad de X, el tiempo de vida

(do) f (x) = X 2 x> 5 0 .
de un cierto tipo de dispositivo electrónico (medido en horas), viene
X ... 5
dada por
Problemas 225
5.7. La función de densidad de X es dado por (segundo) Si, a las 10:15, el autobús aún no ha llegado, lo
es la probabilidad de que va a tener que esperar al menos un
adicional de 10 minutos?
f (x) = {a + bx 2 0 ... X ... 1
0 de otra manera 5.14. Dejar X ser un uniforme (0, 1) variable aleatoria. com-
pute EX norte] mediante el uso de la Propuesta 2.1 y, a continuación, comprobar el
Si E [X] = 35, fi nd un y segundo. resultado mediante el uso de la definición de tación tivas.
5.8. El tiempo de vida en horas de un tubo electrónico es un ran-

variable de dom que tiene una función de densidad de probabilidad dada por 5.15. Si X es una variable aleatoria normal con parámetros
μ = 10 y σ 2 = 36, calcular
f (x) = xe - X XÚ0
(un) P {X> 5};
(segundo) PAG{ 4 < X < dieciséis};
Calcular el tiempo de vida esperado de tal tubo. (do) P {X < 8};
5.9. Considere Ejemplo 4b del capítulo 4, pero ahora SUP- (re) P {X < 20};
pose que la demanda estacional es una función que tiene domvariable (mi) P {X> dieciséis}.
ran- continua de densidad de probabilidad f. 5.16. La precipitación anual (en pulgadas) en una determinada región es
Muestran que la cantidad óptima de valores es el valor distribuida normalmente con μ = 40 y σ = 4. ¿Cuál es la probabilidad de
s * que satisface que, a partir de este año, se tardará más de 10 años antes de un año
se produce teniendo una precipitación de más de 50 pulgadas? ¿Qué
F (s *) = segundo suposiciones estás haciendo?
b+
dónde segundo es neto per fi t por unidad de venta, es la pérdida neta 5.17. Un hombre apuntando a un objetivo recibe 10 puntos si su
por unidad de vender, y F es la función de distribución acumulativa ción disparo está dentro de 1 pulgada de la diana, 5 puntos si está
de la demanda estacional. entre 1 y 3 pulgadas de la diana, y 3 puntos si está entre 3 y 5
5.10. Los trenes se dirigió hacia el destino UN llegar al tren pulgadas de la diana. Encuentra el número esperado de los
estación en intervalos de 15 minutos a partir de las 7 A.M, puntos anotados, si la distancia del tiro al blanco se distribuye
mientras que los trenes se dirigían a destino segundo llegar a intervalos de 15 uniformemente entre 0 y 10.
minutos a partir de las 7:05 A.M
(un) Si un determinado pasajero llega a la estación a las 5.18. Suponer que X es una variable aleatoria normal con
un tiempo uniformemente distribuido entre 7 y 8 A.M y luego se 5. Si significaría P {X> 9} = 0,2, lo que es aproximadamente el Var ( X)?
sube al primer tren de ficción que llega, ¿qué proporción de
tiempo hace que él o ella hasta el destino ¿UN?
5.19. Dejar X ser una variable aleatoria normal con media
12 y varianza 4. Encontrar el valor de do de tal manera que
(segundo) ¿Y si el pasajero llega en un momento uniforme
P {X> c} = . 10.
formemente distribuido siete y diez-8:10
¿A.M? 5.20. Si el 65 por ciento de la población de una gran comu-
nidad está a favor de un aumento propuesto en los impuestos escolares,
5.11. Un punto se elige al azar en un segmento de línea
aproximar la probabilidad de que una muestra aleatoria de 100 personas
de longitud L. Interpretar esta declaración, y encontrar la probabilidad de
contendrá
que la relación de la más corta para el segmento más largo es menos de 14.
(un) al menos 50 años que están a favor de la proposición;
(segundo) entre 60 y 70 años cumplidos que están a favor;
5.12. Un autobús viaja entre las dos ciudades UN y SEGUNDO,
(do) menos de 75 a favor.
los cuales están a 100 millas de distancia. Si el autobús tiene una avería, la
distancia de la descomposición de la ciudad UN 5.21. Supongamos que la altura, en pulgadas, de un 25 años de edad
tiene una distribución uniforme sobre (0, 100). Hay una estación de hombre es una variable aleatoria normal con parámetros
servicio de autobuses en la ciudad UN, en SEGUNDO, y en el centro de μ = 71 y σ 2 = 6.25. ¿Qué porcentaje de los hombres de 25 años de edad son más
la ruta entre UN y SEGUNDO. Se sugiere que sería más e fi cientes a las de 6 pies, 2 pulgadas de alto? ¿Qué porcentaje de los hombres en el club de 6
tres estaciones han situado a 25, 50 y 75 millas, respectivamente, a partir pies de altura son más de 6 pies, 5 pulgadas?
A. ¿Estás de acuerdo? ¿Por qué?
5.22. La anchura de una ranura de una pieza forjada duraluminio es (en

5.13. Se llega a una parada de autobús a las 10 horas, sabiendo pulgadas) distribuye normalmente con μ = . 9000 y
que el autobús llegará en algún momento de manera uniforme dis- σ = . 0030. Los límites de especificación se dan como
buido entre 10 y 10:30. . 9000; 0,0050.
(un) ¿Cuál es la probabilidad de que usted tendrá que (un) ¿Qué porcentaje de piezas forjadas será tuosos
esperar más de 10 minutos? TIVE?
(segundo) ¿Cuál es el valor máximo permisible de σ punto elegido en la región de negro tendrá una lectura Mally
que permitirá no más de 1 en 100 tantes tuosos cuando las distribuido nor- con parámetros (6, 9). Un punto se elegido al azar en
anchuras se distribuyen normalmente con μ = . 9000 y σ? la imagen y tiene una lectura de 5. Si la fracción de la imagen que es
de color negro es α, por lo que el valor de α sería la probabilidad de
5.23. Mil rollos independientes de una matriz de feria se cometer un error sea el mismo, independientemente de si se llegó a
hacerse. Calcular una aproximación a la capacidad proble- que la conclusión de que el punto estaba en la región de color negro o
el número 6 aparecerá entre 150 y 200 veces inclusive. Si el blanco en la región?
número 6 aparece exactamente 200 veces, encuentre la
probabilidad de que el número 5 aparecerá a menos de 150 5.31. (un) Un fuego estación es que se encuentra a lo largo de un camino de
veces. longitud A, A < q. Si los incendios se producen en puntos escogidos de
5.24. Los tiempos de vida de los chips de ordenador interactivos pro- manera uniforme en (0, UN), en caso de que la esta- ción estar ubicado
ducido por un cierto fabricante de semiconductores se de manera que se minimice la distancia esperada del fuego? Es decir,
distribuyen normalmente con parámetros μ = elegir un para
1,4 * 10 6 horas y σ = 3 * 10 5 horas. ¿Cuál es la probabilidad

aproximada de que un lote de 100 fichas contendrá al menos 20 minimizar E [| X - a |]
cuyos tiempos de vida son menos de
cuando X se distribuye uniformemente sobre (0, UN).
1.8 * 10 6?
(segundo) Supongamos ahora que el camino es de infinito
5.25. Cada elemento producido por un fabricante determinado es,
longitud-de estiramiento fromPoint 0 hacia el exterior para q.
independientemente, de calidad aceptable con bilidad proba- 0,95.
Si la distancia de un incendio desde el punto 0 se
Calcule la probabilidad de que a lo sumo 10 de los próximos 150
exponencialmente distribuidos con tasa λ, donde la estación
artículos producidos son inaceptables.
debe re fi ahora se encuentra? Es decir, queremos minimizar E
[| X - a |], dónde X ahora es exponencial con tasa λ.
5.26. Hay dos tipos de monedas se producen en una fábrica: una feria
moneda y una parcial que sale cara 55 per- ciento de las veces. Tenemos
5.32. El tiempo (en horas) requerido para reparar una máquina es
una de estas monedas, pero no sabemos si se trata de una moneda o un
una variable aleatoria exponencial con el parámetro distribuido λ
ser sesgada. Con el fin de determinar qué tipo de moneda que tenemos,
= 12. Que es
vamos a realizar la siguiente prueba estadística: Vamos a lanzar la moneda
(un) la probabilidad de que un tiempo de reparación supera 2
1000 veces. Si la moneda cae en cabezas 525 o más veces, y luego
horas?
vamos a la conclusión de que se trata de una moneda sesgada, mientras
(segundo) la probabilidad condicional de que una reparación toma
que si cae sobre las cabezas de menos de 525 veces, y luego vamos a la
al menos 10 horas, dado que su duración excede de 9
conclusión de que se trata de una moneda al aire. Si la moneda es
horas?
realmente justo, ¿cuál es la probabilidad de que vamos a llegar a una
5.33. El número de años a las funciones de radio es exponen-
conclusión falsa? ¿Cómo sería si la moneda se sesgada?
cialmente distribuido con el parámetro λ = 18. Si le compra una radio
usada, ¿cuál es la probabilidad de que va a trabajar después de 8
años adicionales?
5.27. En 10.000 lanzamientos independientes de una moneda, la moneda
5.34. cifras Jones que el número total de miles
aterrizado en cabezas 5800 veces. Es razonable suponer que la
de millas que un auto se puede conducir antes de que tendría que ser
moneda no es justo? Explique.
chatarra es una variable aleatoria exponencial con el parámetro 1
5.28. El doce por ciento de la población es zurdo.
Aproximar la probabilidad de que hay por lo menos 20 zurdos en 20. Smith tiene un auto usado que
según él ha sido impulsado sólo 10.000 millas. Si Jones compra
una escuela de 200 estudiantes. Estado de sus supuestos.
el coche, ¿cuál es la probabilidad de que se obtendría al menos
20.000 millas adicionales fuera de él? Repetitivo bajo el supuesto
5.29. Un modelo para el movimiento de una acción supone
de que el kilometraje total del coche no se distribuye de manera
que si el precio actual de la acción es s, luego, después de un período,
exponencial, sino que es (en miles de millas) uniformemente
que será o bien nos con probabilidad pag
distribuidas en (0, 40).
o ds con probabilidad 1 - pag. Suponiendo que los movimientos sucesivos
son independientes, la aproximación de la probabilidad de que el precio de la
5.35. La tasa de riesgo de cáncer de pulmón λ ( t) de un t- edad
acción será de hasta al menos el 30 por ciento después de los próximos
fumador masculino es tal que
períodos 1000 si
u = 1.012, d = 0,990, y p = . 52. λ ( t) = . 027 + 0,00025 ( t - 40) 2 t Ú 40
5.30. Una imagen se divide en dos regiones, una
blanco y el otro negro. Una lectura tomada en un punto elegido Suponiendo que un fumador varón de 40 años de edad, sobrevive a todos los
al azar en la sección blanca dará una lectura que se distribuye otros peligros, ¿cuál es la probabilidad de que sobreviva a (a) de 50 años o
normalmente con μ = (b) 60 años de edad sin cáncer de pulmón contra- tante?
4 y σ 2 = 4, mientras que uno tomado de un azar
5.36. Supongamos que la distribución de la vida de un itemhas la 5.39. Si X es una variable aleatoria exponencial con
función de la tasa de riesgo λ ( t) = t 3, t> 0. ¿Cuál es la probabilidad de que parámetro λ = 1, calcular la probabilidad función densidad de la
variable aleatoria Y definida por
(un) el elemento sobrevive a la edad de 2 años? = Y Iniciar sesión X.
(segundo) la vida útil del elemento es de entre 0,4 y 1,4? 5.40. Si X se distribuye uniformemente sobre (0, 1), fi nd la
(do) un elemento de 1 años de edad, va a sobrevivir a los 2 años? función de densidad de Y = e X.

5.41. Encuentra la distribución de R = A pecado θ, dónde UN es
5.37. Si X se distribuye uniformemente sobre ( - 1, 1), nd fi un fi ja constante y θ se distribuye uniformemente en
(un) P {| X | > 12}; ( - π / 2, π / 2). Tal una variable aleatoria R surge en la teoría de la
(segundo) la función de densidad de la variable aleatoria balística. Si un proyectil es fi rojo desde el origen en un ángulo α de
| X |. la tierra con una velocidad
ν, entonces el punto R en la que vuelve a la tierra puede ser expresado
5.38. Si Y se distribuye uniformemente sobre (0, 5), lo como R = (v 2 / gramo) sen 2 α, dónde gramo es la constante gravitacional,
es la probabilidad de que las raíces de la ecuación 4 X 2 + 4 xy + Y igual a 980 tros centime- por segundo al cuadrado.
+ 2 = 0 son reales?
Ejercicios teóricos
5.1. La velocidad de una molécula en un gas uniforme en equi- 5.5. Utilice el resultado de que, para una variabilidad aleatoria no negativa
Librium es una variable aleatoria cuya función de densidad de poder Y,

E [Y] = ∫ q P {Y> t} dt
0
hacha 2 mi - bx 2 X Ú 0 0
f (x) = { para demostrar que, para una variabilidad aleatoria no negativa capaces X,
x<0
dónde b = m / 2 kT y k, T, y metro denotar, respectivamente,

constante, la atura de Boltzmann absoluta tem- del gas, y la EX n] = ∫ q nx norte - 1 P {X> x} dx
0
masa de la molécula. Evaluar un en términos de segundo.
Insinuación: Empezar con
5.2. Muestra esa

EX n] = ∫ q P {X n> t} dt
0
E [Y] = ∫ q P {Y> y} dy - ∫ q P {Y < - y} dy
0 0
y realizar el cambio de variables t = x norte.
Insinuación: Muestra esa 5.6. Definen una colección de eventos mi un, 0 < un < 1, hav- ing la propiedad de que EDUCACIÓN
∫q FÍSICA a) = 1 para todos un pero

(⋂ )
P {Y < - y} dy = - ∫ 0 PAG = 0.
0 - q xf Y ( x) dx
∫q un mi un
P {Y> y} dy = ∫ q xf Y ( x) dx Insinuación: Dejar X ser uniforme en (0, 1) y de fi ne cada

0 0 mi un en términos de X.
5.7. La desviación estándar de X, denotado SD (X), es

5.3. Demostrar que si X tiene función de densidad de f, entonces
dada por
DAKOTA DEL SUR( X) = √ var ( X)
E [g (x)] = ∫ q
-qg (x) f (x) dx Encontrar SD (aX + segundo) Si X tiene varianza σ 2.
Insinuación: Usando ejercicio teórico 2, comenzar con 5.8. Dejar X ser una variable aleatoria que toma valores
entre 0 y do. Es decir, PAG{ 0 ... X ... c} = 1. Demostrar que
E [g (x)] = ∫ q P {g (X) > Y} dy - ∫ q P {g (X) < - y} dy

0 0
var ( X) ... do 2
4
y luego proceder como en la demostración dada en el texto cuando g (X) Ú 0.
Insinuación: Un método consiste en primer argumentar que
5.4. Demostrar Corolario 2.1.

EX 2] ... cE [X]
y luego utilizar esta desigualdad para mostrar que cuando X es una variable aleatoria gamma con pará- metros α y λ.
)
var ( X) ... do 2 [ α ( 1 - α)] dónde α = EX] 5.21. Muestra esa ( 12 = √ π.
do ( 12 )
Insinuación: = ∫ q 0 mi - X X - 1/2 dx. Haz el cambio
5.9. Muestra esa Z es una variable aleatoria normal estándar,
entonces para x> 0, de variables y = √ 2 X y luego relacionar la expresión resultante de
(un) P {Z> x} = P {Z < - X}; la distribución normal.
(segundo) P {| Z | > X} = 2 P {Z> x}; 5.22. Calcular la función de la tasa de riesgo de un ran- gamma
(do) P {| Z | <X} = 2 P {Z <x} - 1. variable de dom con parámetros ( α, λ) y demostrar que va en aumento
5.10. Dejar f (x) denotar la función de densidad de probabilidad de cuando α Ú 1 y disminuyendo cuando α ... 1.
una variable aleatoria normal con media μ y la variabilidad Ance σ 2. Muestra
5.23. Calcular la función de la tasa de riesgo de un Weibull
esa μ - σ y μ + σ son puntos de in fl exión de esta función. Es decir, variable aleatoria y demostrar que va en aumento cuando
muestran que β Ú 1 y disminuyendo cuando β ... 1.
F '' ( x) = 0 cuando x = μ - σ o x = μ + σ.
5.24. Demostrar que un gráfico de log (log (1 - F (x)) - 1) en contra
5.11. Dejar Z ser una variable aleatoria normal estándar Z,
Iniciar sesión X será una línea recta con pendiente β cuando
y deja gramo ser una función diferenciable con tiva deriva- gramo '.
F( ·) es una función de distribución de Weibull. Show también que
aproximadamente el 63,2 por ciento de todas las observaciones de
(un) Muestra esa P.ej '( Z)] = E [Zg (Z)]
tal distribución será inferior a α.
(segundo) Muestra esa E [Z n + 1] = nE [Z norte - 1]
Asumir que v = 0.
(do) Encontrar E [Z 4].
5.25. Dejar
5.12. Utilizar la identidad de ejercicio teórico 5 para derivar ) β
EX 2] cuando X es una variable aleatoria exponencial con el parámetro Y = (X - ν
λ. α
5.13. La mediana de un hav- variable aleatoria continua
Demostrar que si X es una variable aleatoria de Weibull con
función de distribución de ING F es que el valor metro de tal manera que
parámetros ν, α, y β, entonces Y es una variable aleatoria exponencial
F (m) = 12. Es decir, una variable aleatoria es la misma probabilidad de ser
con el parámetro λ = 1 y viceversa.
mayor que la media, ya que es a ser más pequeños. Encuentra la mediana
de X Si X es
5.26. Si X es una variable aleatoria beta con parámetros un
(un) uniformemente distribuida sobre ( un, segundo);
y segundo, muestra esa
(segundo) normal con parámetros μ, σ 2;
(do) exponencial con tasa λ.
E [X] = a
5.14. El modo de una variable aleatoria continua que tiene a+b
densidad F es el valor de X para cual f (x) alcanza su máximo. ab
Calcular el modo de X en los casos (a), (b), y (c) de ejercicio var ( X) =
( a + segundo) 2 ( a + b + 1)
teórico 5,13.
5.15. Si X es una variable aleatoria exponencial con
5.27. Si X se distribuye uniformemente sobre ( un, segundo), lo ran-
parámetro λ, y c> 0, demostrar que cX es TiAl exponen- con el
variable de dom, que tiene una relación lineal con X, se distribuye
parámetro λ / do.
uniformemente sobre (0, 1)?
5.16. Calcular la función de la tasa de riesgo X cuando X es
5.28. Considere la distribución beta con parámetros
uniformemente distribuida en (0, un).
( un, segundo). Muestra esa
5.17. Si X tiene la función de tasa de riesgo λ X( t), calcular el
(un) cuando a> 1 y b> 1, la densidad es modal uni- (es decir, que
función de la tasa de riesgo hacha dónde un es una constante positiva.
tiene un modo único) con el modo de igual a ( un - 1) / ( a + b
- 2);
5.18. Compruebe que la función de densidad gamma integra
(segundo) cuando un ... 1, segundo ... 1, y a + b < 2, la densidad es o bien
a 1.
unimodal con el modo a 0 o 1 o en forma de U con los modos tanto en
5.19. Si X es una variable aleatoria exponencial con media
0 y 1;
1 / λ, muestra esa
(do) cuando a = 1 = segundo, todos los puntos en [0, 1] son modos.
5.29. Dejar X una variable aleatoria continua que tiene

EX k] = k! k = 1, 2,. . .
λk función de distribución acumulativa F. De fi ne la variable dom ran- Y por
Y = F (X). Muestra esa Y se distribuye uniformemente sobre (0, 1).
Insinuación: Hacer uso de la función de densidad gamma para evaluar
la anterior.
5.30. Dejar X tener densidad de probabilidad F X. Encuentra el proble-
5.20. Comprueba eso
función de densidad de la capacidad de la variable aleatoria Y
var ( X) = α definida por Y = aX + segundo.
λ2
5.31. Encontrar la función de densidad de probabilidad de Y = e X Σ

Es una identidad bien sabido que q 1/k2=
cuando X se distribuye normalmente con parámetros μ 1
y σ 2. La variable aleatoria Y se dice que tiene una π 2 / 6, por lo Q 1 = 6 / π 2. ( En la teoría de números, esto se conoce
distribución lognormal ( desde registro Y tiene una distribución como el teorema de Legendre.)
normal) con parámetros μ y σ 2. (do) Ahora argumentar que
5.32. Dejar X y Y ser variabilidad aleatoria independiente ( PAG 2 )
ables que son a la vez la misma probabilidad de ser Π
yo - 1
Q1=q
1, 2,. . . , (10) NORTE, dónde norte es muy grande. Dejar re denotar el
PAG 2
i=1 yo
máximo común divisor de X y Y, y deja
Q k = P {D = k}. dónde PAG yo es el yo th-más pequeño primo mayor que 1.
(un) Dar un argumento heurístico que Q k = 1
k 2 Q 1.
Insinuación: Tenga en cuenta que con el fin de re A igual k, k Sugerencia: X y Y será relativamente primo si no tienen factores
debe dividir tanto X y Y y también X / k, y primos comunes. Por lo tanto, de la parte (b), vemos que
Y / k debe ser primos entre sí. (Es decir, X / k,
y Y / k debe tener un máximo común divisor igual a 1.) ( PAG 2 )
Πq
yo - 1
=6
(segundo) Utilice la parte (a) para demostrar que PAG 2 π2
i=1 yo
que se observó sin explicación en el problema 11 del

Q 1 = P {X y Y son relativamente primos} capítulo 4. (La relación entre este problema y Problema 11
del Capítulo 4 es que X y Y son primos entre si XY no
1 tiene múltiples factores primos.)
=
Σq
1/k2 5.33. Demostrar el teorema 7.1 cuando g (x) es una fun- disminuyendo
k=1 ción.
Problemas y ejercicios AUTO-TEST
5.1. El número de minutos de tiempo de juego de un cierto 5.3. Para alguna constante do, la variable aleatoria X tiene
jugador de baloncesto de la escuela secundaria en un sen juego de azar la función de densidad de probabilidad
CHO es una variable aleatoria cuya función de densidad de probabilidad
está dada en la siguiente figura:
f (x) = {cx 4 0 < x < 2
0 de otra manera
.050
Encontrar un) EX] y (b) Var ( X).
.025 5.4. La variable aleatoria X tiene la densidad de probabilidad
función
10 20 30 40
f (x) = ax + bx { 2 0 < x < 1
0 de otra manera
Encuentre la probabilidad de que el jugador juega
(un) más de 15 minutos;
Si E [X] = . 6, fi nd (a) P {X < 12} y (b) Var ( X).
(segundo) entre 20 y 35 minutos;
5.5. La variable aleatoria X se dice que es una uni- discreta
(do) menos de 30 minutos;
formar variable aleatoria en los números enteros 1, 2,. . . , norte Si
(re) más de 36 minutos.
5.2. Para alguna constante do, la variable aleatoria X tiene
P {X = i} = 1
la función de densidad de probabilidad ni = 1, 2,. . . , norte
Para cualquier número real no negativo X, dejar Int ( X)

f (x) = {cx norte 0 < x < 1
0 de otra manera (A veces escrito como [ X]) siendo el mayor inte- ger que es
menor o igual a X. Muestra esa
Encontrar un) do y B) P {X> x}, 0 < x < 1. T es una variable aleatoria uniforme en (0, 1), Fain

Variables en Es PDF

Cargado por

Copyright:

Formatos disponibles

Variables en Es PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Variables en Es PDF

Cargado por

Copyright:

Formatos disponibles

CAPÍTULO 4

4.1 VARIABLES DE AZAR

4.1 VARIABLES DE AZAR

P {Y = 1} = P {(T, T, H), (T, H, T), (H, T, T)} = 3

P {Y = 2} = P {(T, H, S.S, T, S.S, H, T)} = 3

Ya que Y debe tomar uno de los valores de 0 a 3, debemos tener

que, por supuesto, está de acuerdo con las probabilidades anteriores. .

La ecuación (1.1) es consecuencia de que el número de selecciones que se traducen en el evento

través yo - 1 siendo escogidos. Debido a que hay claramente

P {X Ú 17} L. 105 + 0.119 + 0.134 + 0.150 = .508 .

P {X = 1} = P {H} = P P {X = 2} = P {(T, H)} = ( 1 - páginas

P {X = 3} = P {(T, T, H)} = ( 1 - pag) 2 pag

P {X = n - 1} = P {(T, T, . . . , T, H)} = ( 1 - pag) norte - 2 pag

P {X = n} = P {(T, T, . . . , T, T), (T, T, . . . , T, H)} = ( 1 - pag) norte - 1

Como comprobación, tenga en cuenta que

= 1 - ( 1 - pag) norte - 1 + ( 1 - pag) norte - 1

La probabilidad de que ganamos dinero está dada por

••• norte •••

j 1 < j 2 < ··· < jk

y vemos que, por n> 0,

UN: cada uno es uno de estos k tipos.

cada uno de estos k tipos está representado.

que puede escribirse como

o, después de multiplicar por ( - 1) norte norte norte y dejar j = N - yo,

Para una variable aleatoria X, la función F definida por

F (x) = P {X ... X} -q<x<q

4.2 variables aleatorias discretas

p (x yo) Ú 0 para i = 1, 2,. . .

Ya que X debe tomar uno de los valores X yo, tenemos

pag( 0) = 1 pag( 1) = 1 pag( 2) = 1

Por lo tanto, (a) P {X = 0} = mi - λ λ 0 / 0! = mi - λ

(segundo) P {X> 2} = 1 - P {X ... 2} = 1 - P {X = 0} - P {X = 1}

La función de distribución acumulativa F se puede expresar en términos de Pensilvania) por

Si X es una variable aleatoria discreta cuyos valores posibles son X 1, X 2, X 3, . . . , dónde

pag( 1) = 1 pag( 2) = 1 pag( 3) = 1 pag( 4) = 1

entonces su función de distribución acumulada es

Esta función se representa gráficamente en la Figura 4.3.

4.3 Valor esperado

Encontrar EX], dónde X es el resultado cuando tiramos un dado limpio.

Nosotros decimos eso yo es una variable de indicador para el evento UN Si

Solución. Ya que pag( 1) = P (A), p ( 0) = 1 - PENSILVANIA), tenemos

Solución. Por un lado, si se trata de responder a la pregunta 1 primero, entonces él va a ganar

0 con probabilidad 1 - PAG 1

Por lo tanto, sus ganancias esperadas en este caso serán

V 1 PAG 1 ( 1 - PAG 2) + ( V 1 + V 2) PAG 1 PAG 2

V 2 PAG 2 ( 1 - PAG 1) + ( V 1 + V 2) PAG 1 PAG 2

Por lo tanto, es mejor tratar la cuestión 1 primero si

V 1 PAG 1 ( 1 - PAG 2) Ú V 2 PAG 2 ( 1 - PAG 1)

1 - PAG 1 Ú V 2 PAG12 - PAG 2

400 = (100) (8). > ( 200) (. 6) .

pag( -1) = 0.10, pag( 0) = 0.25, pag( 1) = 0,30, pag( 2) = 0,35

^ = Centro de gravedad = 0,9

4,4 esperanza de una función de una variable aleatoria

P {X = - 1} = 0.2 P {X = 0} = 0.5 P {X = 1} = 0.3

Solución. Dejar Y = X 2. Entonces la función de masa de probabilidad de Y es dado por

EX 2] = E [Y] = 1 (0,5) + 0 (0,5) = 0.5

es igual a 0. Es decir, debemos demostrar que 0 = Σ ( xi - E [X]) p (x yo), que es inmediata.

Tenga en cuenta que

E [g (x)] = Σ g (x yo) p (x yo)

E [P ( 0)] < · · · < E [P (s )] < E [P (s + 1)]> E [P (s * + 2)]> · · ·