CDF Condicional

20/12/2020 CAPÍTULO EL CONCEPTO DE ARANDOM VARLABLE
Página 1
CAPÍTULO
4
EL CONCEPTO
OFARANDOM
VARlABLE
4-1 INTRODUCCION
Una variable aleatoria es un número x (n asignado a cada resultado ~ de un experimento.
Este número podría ser la ganancia en un juego de azar, el voltaje de una fuente aleatoria, el
costo de un componente aleatorio, o cualquier otra cantidad numérica que sea de interés en el
realización del experimento.
EXAI \ IPLE 4-1

... (a) En el experimento del dado, asignamos a los seis resultados It los números x (lt) = 1 Oi.
Así
(b) En el mismo experimento, en cambio, podemos asignar el número 1 a cada resultado par
y el número 0 para cada resultado impar. Así
x (h) = X (f4) = X (f6) =1 II
EL SIGNIFICADO DE UNA FUNCIÓN. Una variable aleatoria es una función cuyo dominio es el
conjunto S de todos los resultados experimentales. Para aclarar más este importante concepto. nosotros revisamos
brevemente la noción de función. Como sabemos, una función x (t) es una regla de correspondencia
entre los valores de t y x. Los valores de la variable independiente t forman un conjunto S, en el t
eje llamado dominio de la función y los valores de la variable dependiente x forman un
establezca Sx en el eje x llamado rango de la función. La regla de correspondencia entre
t y x pueden ser una curva, una tabla o una fórmula, por ejemplo, x (1) = t 2 •
La notación x (t) utilizada para representar una función es ambigua: puede significar
el número particular x {t) correspondiente a un t específico , o la función x (t). a saber. la
https://translate.googleusercontent.com/translate_f 1/31
Página 2
CAPÍTULO 4 EL CONCEPTO DE VARIABLE ALEATORIA 73
regla de correspondencia entre cualquier estañoS, y la correspondiente x en SJ ('Para distinguir

entre estas dos interpretaciones, denotaremos la última por x, dejando su dependencia
en t entendido.
La definición de una función puede expresarse como: Se nos dan dos conjuntos de números
S y Sx. A cada t E S, asignamos un número x (t) perteneciente al conjunto SJ ('Esto conduce a
esta generalización: se nos dan dos conjuntos de objetos Sa y S p que constan de los elementos
una y F3, respectivamente! y. Decimos que f3 es una función de a si para cada elemento del conjunto Sa
hacemos corresponder un elemento f3 del conjunto Sp. El conjunto Sa es el dominio de la función
y el conjunto Sp su gama.
Supongamos, por ejemplo, que Sa es el conjunto de niños en una comunidad y Sp el conjunto
de sus padres. El emparejamiento de un niño con su padre es una función.
Observamos que a un dado o le corresponde un solo f3 (a). Sin embargo, más de
un 'elemento de Sa podría estar emparejado con el mismo f3 (un niño tiene solo un padre pero
un padre puede tener más de un hijo). En el ejemplo 4-lb, el dominio de la función
consta de las seis caras del dado. Su rango, sin embargo, tiene solo dos elementos, a saber,
los números 0 y 1.
La variable aleatoria
Se nos da un experimento especificado por el espacio S (o Q), el campo de subconjuntos de S
llamados eventos, y la probabilidad asignada a estos eventos. Para cada resultado t de esta
experimento, asignamos un número x (O. Por lo tanto, hemos creado una función x con dominio
el conjunto S y rango un conjunto de números. Esta función se llama variable aleatoria si satisface
ciertas condiciones leves se administrarán pronto.
Todas las variables aleatorias se escribirán en negrita. El símbolo x (n será
Indique el número asignado al resultado específico sy el símbolo x indicará
la regla de correspondencia entre cualquier elemento de S y el número que se le asigna.
Ejemplo 4-1a. x es la tabla que empareja las seis caras del dado con los seis números
10, ..., 60. El dominio de esta función es el conjunto S = {fl, ..., fd y su rango es el
conjunto de los seis números anteriores. La expresión x (h) es el número 20.
EVENTOS GENERADOS POR RANDOM V ~ RIABLES. En el estudio de variables aleatorias,

surgen preguntas de la siguiente forma: ¿Cuál es la probabilidad de que la variable aleatoria x
es menor que un número dado x, o cuál es la probabilidad de que x esté entre los números x J
y X2? Si, por ejemplo, la variable aleatoria es la altura de una persona, podríamos querer la
probabilidad de que se no excederá de ciertos límites. Tal como lo conocemos. se asignan probabilidades
solo a eventos; Por lo tanto, con el fin de responder a estas preguntas, debemos ~ capaz de expresar
las diversas condiciones impuestas a x como eventos. -
Empezamos con el significado de la notación.
{x ~ xl
Esta notación representa un subconjunto de S que consta de todos los resultados s tales que xes) ~ x.
Desarrollamos su significado: Supongamos que la variable aleatoria x está especificada por una tabla.
En la columna de la izquierda enumeramos todos los elementos ~ j de S y en la derecha los valores correspondientes
(números) X (~ i) dex. Dado un número arbitrario x, nos encontramos con todos los números X (~ i) que hacer no
exceder x. Los elementos correspondientes Si en la columna de la izquierda forman el conjunto {x ~ x}. Así
{x ~ x} no es un conjunto de números, sino un conjunto de resultados experimentales.
Página 3
74 PROBABILIDAD ANDRANDOMV ~ JUABLES
El significado de
(Xl : s x: s X2)
es similar. Representa un subconjunto de S que consta de todos los resultados ~ tales que Xl : s xes) :::
X2; donde X1 y X2 son dos números dados.
La notación
{x = x}
es un subconjunto de S que consta de todos los resultados s tales que xes) = x.

Finalmente, si R es un conjunto de números en el eje X , entonces
(x E R}
representa el subconjunto de S que consta de todos los resultados ~ tales que x (t) E R.
EX \ '\ Il'U. 4-2 ~ Ilustraremos lo anterior con la variable aleatoria x (/ J) = tOi del experimento dado
ment (Fig- 4-1).
El conjunto {x : s 35} consta de los elementos fl. h. y 13 porque x (li) : s 35 solamente
si i = 1,2 o 3.
El conjunto {x : s 5} está vacío porque no hay un resultado tal que x (li) : s 5.
El conjunto {20 : s x : s 35} consta de los elementos h y b porque 20 : s xCII) : s 35
solo si i = 2 o 3.
El conjunto {x = 40} consta del elemento 14 porque x (li) = 40 solo si i = 4.
Finalmente, {x = 35} es el conjunto vacío porque no hay un resultado experimental como
esox (li) = 35. ~
Concluimos con una definición formal de variable aleatoria.
DEF1NICIÓN ~ Una variable aleatoria x es un proceso de asignar un número x (~) a cada resultado ~ . los
La función resultante debe satisfacer las siguientes dos condiciones, pero por lo demás es arbitraria:
L El conjunto {x : s x} es un evento para cada x.

IL Las probabilidades de los eventos (x = oo} y {x = -oo} son iguales a 0:
P {x = oo} = 0 P {x = -oo} = 0 ::
12 f3 f4
"
II
X X X X X X Se
16
10 20 30 40 entonces 60x (pies)
••••••
,
• xoS3S )( )( )(
)(
x> entonces
..
)( )(
2O ..- x <3S
FIGURA 4-l
Página 4
CAPÍTULO 4 EL CONCEPTO DE VARIABLE ALEATORIA 7S
La segunda condición establece que. aunque permitimos que x sea +00 o -00 para algunos
resultados, exigimos que estos resultados formen un conjunto con probabilidad cero.
Una variable aleatoria compleja z es una suma
z = x + jy
donde xey son variables aleatorias reales. A menos que se indique lo contrario, se asumirá que
todas las variables aleatorias son reales.
Nota En las aplicaciones. nos interesa la probabilidad de que una variable aleatoria x tome valores en un cierto
región H del eje x . Esto requiere que el set Ix E HI sea un evento. Como señalamos en la Sec. 2-2. eso no es siempre
posible. Sin embargo. si I x : s x I es un evento para cada x y R es una unión contable y una intersección de intervalos.
entonces (x E RI es también un evento. En la definición de variables aleatorias asumiremos, por tanto, que el conjunto
Ix: s xl es un evento. Esta leve restricción es principalmente de interés matemático.
4 · 2 DISTRIBUCIÓN Y DENSIDAD
FUNCIONES
Los elementos del conjunto S (o 0) que están contenidos en el evento {x ~ x} cambian a medida que
el número x toma varios valores. La probabilidad P {x ~ xl del evento {x :::; x} es, allí-
por tanto, un número que depende de x. Este número se denota por F: x (x) y se llama
función de distribución (acumulativa) de la variable aleatoria x.
DEFINICIÓN ~ La función de distribución de la variable aleatoria x es la función
(4-1)
F'.t {x) = P {x ~ x}
definido para cada x de -00 a 00.
Las funciones de distribución de las variables aleatorias x. y, yz se denotan por
FAx), Fy (Y). y F1. (z), respectivamente. En esta notación. las variables x, y y z pueden ser
identificado por cualquier letra. Podríamos, por ejemplo, usar la notación Fx (w), Fy (w). y
F1. (W) para representar estas funciones. Específicamente.
FAw) = P {x ~ w}
es la función de distribución de la variable aleatoria x. Sin embargo, si no hay miedo a

ambigüedad, identificaremos las variables aleatorias bajo consideración por el
variable en (4-1) omitiendo los subíndices. As, las funciones de distribucin del azar
las variables x, y y z se denotarán por F (x), F (y) y F (z), respectivamente. ~ ~
EXAi \ IPLE 4-3 ~ En el experimento del lanzamiento de una moneda, la probabilidad de que salga cara es igual a py la probabilidad
de colas es igual a q. Definimos la variable aleatoria x tal que
x (t) = 0
x (altura) =1
Encontraremos su función de distribución F (x) para cada x 'de -00 a 00.
Si x ~ 1, entonces x (h) = 1 ~ x y x (t) = 0 ~ x. Por lo tanto (figura 4-2)
x~1
F (x) = Pix :::; xl = P {h, t} = 1
Página 5
76 PROBABILIDAD Y RANOOMVARIA8t.6S
F (; £) reparar)
q
pags
q
0 X 0 1 X
FIGURA 4 · 2
Si 0: 5 x < 1, entonces x (h) == 1> x yx (t) = 0: 5 x. Por lo tanto

O: 5 veces <l
F (x) = PIx: 5 xl = P {t} = q
Si x <0, entonces x (h) = 1 > x y x (t) = 0> x. Por lo tanto

x <0
F (x) = PIx: 5 x} = P {ItJ} = 0

F, \ \\ IPLE4-4 ... En el experimento del ejemplo 4-2, la variable aleatoria x es tal que xC !;) =
10i. Si el dado es justo, entonces la función de distribución de x es una función de escalera como en
Figura 4-3.
Observamos , en particular, que
Fll00) = P {x: 5 lOO } = peS) = 1

F (35)= PIx ~ 35} = P {! L. / 2. h} = t
F (30.01) = P {x: 5 30.01} = P {/ I. / 2. hola == yo
F (30) = P {x: 5 30} = PUt. h. h} = yo
F (29,99) = PIx : 5 29,99} = P {!!. h} = ~
LX \ i \ IPLE 4-5 ... Se produce una llamada telefónica al azar en el intervalo (0, 1). En este experimento. la
Los resultados son distancias de tiempo t entre 0 y 1 y la probabilidad de que t esté entre t1
y t2 está dado por
P {tl ~ t ~ ta} == t2 - tl
Definimos la variable aleatoria x tal que
O ~ t: 51
X (/) = t
F (x)
112
· 0 10 20 30 40 SO 60 X )0 x
"
GRÁFICO <i · 3
Página 6
CAPÍTULO 4 EL CONCEPTO DE UNA VARIABLE ALEATORIA 77
F (x) F (x)
T o Q X
!(X) f (X)
yo
fi ----.,
o X o Q
FIGURA 4-5
Por tanto, la variable t tiene un doble significado: es el resultado del experimento y el

valor correspondiente x (t) de la variable aleatoria: x. Demostraremos que la distribución
La función F (x) dex es una rampa como en la figura 4-4.
Si x > 1, entonces x (t) : S x para cada resultado. Por lo tanto
F (x) = PIx: S x} = P {O : S t : SI} = peS) = 1 x > yo
Si 0: S x : S 1, entonces x (t) : S x para cada t en el intervalo (0, x). Por lo tanto
F (x) = P {x: s x} = P {O: s t : S x} = x O: sx: Sl
Si x < O. entonces {x: S x} es el evento imposible porque x {t) 2: 0 para cada t. Por lo tanto
F (x) = P {x : S xl = P {I2I} =0
EX \ l \ IPIL 4-6 ~ Supongamos que una variable aleatoria x es tal que x (~) = una para cada ~ en S. Se deberá
encontrar su función de distribución.
Si x 2: a. entonces x (t) = a : S x para todo ~. Por lo tanto
F (x) = Pix: S xl = PIS} = 1 x 2: una
Si x < a. entonces {x : s x} es el evento imposible porque x (t) = a. Por lo tanto

F (x) = PIx : S xl = P {I2I} =0 x<a
Por tanto, una constante se puede interpretar como una variable aleatoria con distribl}, función de función a
paso retardado U (x - a) como en la figura 4-5. ....
Nota 'Un complejo variable aleatoria z = x + i'Y tiene ninguna función discribution porque el ineqoaiity x + si: s
x + Jy no tiene ningún significado. Las propiedades estadísticas de z se especifican en términos de la distribución conjunta de la
variables aleatorias x e 'Y (véase el capítulo 6).
PERCENTILES. El percentil u de una variable aleatoria x es el número más pequeño Xu tal

ese
(4-2)
u = P {x: s xu} = .f (x ,,)
Página 7
78 PRCIBABn.rrY ANDRANDOM'IIARlA8LI! S
Xi .t X
max
(un) (segundo)
FIGURA 4-6
Por tanto, Xu es la inversa de la función u = F (x). Su dominio es el intervalo 0 ! :: u ! :: I,

y su rango es el eje X. Hallar la gráfica de la función Xu. intercambiamos los ejes
de la curva F (x) como en la figura 4-6. La mediana de x es el número más pequeño m tal que
F (m) = 0,5. Por tanto, m es el percentil 0,5 de x.
Interpretación de frecuencia de F (x) fl1Id x .. Realizamos el experimento n veces y

observar n valores XI, •••• XII de la variable aleatoria x. Colocamos estos números en el eje x
y formamos una función de escalera F " (x) como en la figura 4-6a. Los escalones están ubicados en los puntos
x.
para x < Xmin. La función F., {X) así construida se llama distribución empírica de la
variable aleatoria x.
Xi y su beight
Para una x específica
es igual a lIn. Comienzan
, el número
conde
el pasos de F.,pequeño
valor más denx
(X) es igual al número Xi, y
deFX'S que
,, (x) = son
0
menor que x; entonces F " (x) = nxl n. Y como n ,, 1 n ~ P (x ~ x} para n grande . llegamos a la conclusión de que
nx
norte como n ~ 00 (4-3)
F ,, (x)
La interpretación =-
empírica~del ~ xl
Pixpercentil Fu (x) =
Xu es la curva Qllelelet definida como:
Nos formamos n segmentos de línea de longitud Xi y colocamos verticalmente en orden de longitud creciente.
distancia lIn aparte. Luego formamos una función de escalera con esquinas en los puntos finales de estos
segmentos como en la figura 4-6b. La curva así obtenida es la interpretación empírica de x " y
es igual a la distribución empírica F " (x) si sus ejes se intercambian.
Propiedades de las funciones distribndon

En esta discusión, las expresiones F (x +) y F (x) será significar los límites
0<8-+0
F (x +) = lim F (x + 8) F (x-) = lim F (x - 8)
La función de distribución tiene las siguientes propiedades
1. F (+ oo) = 1 F (-oo) = 0
Prueba.
F (+ oo) = P {x ! :: + oo} = peS) = 1 F (-oo) = P {x = -co} = 0

2. Es una función no decreciente de x:
si Xl < X2 (4-4)
Página 8
CHAI'1BR 4 TfIE CONCIlPTOf II. VARIABLE ALEATORIO! 79
Prueba. El evento {x ~ XI} es un subconjunto del evento {x ~ X2} porque, si x (~) ~ Xl para
algunos ~ .entoncesx (n ~ x2.Por lo tanto [ver (2-14)] P {X ~ XI} ~ P {x ~ x2} y (4-4) resultados.
De (4-4) se deduce que F (x) aumenta de 0 a 1 cuando x aumenta de -00 a 00.
3. Si F (xo) = 0 entonces F (x) = 0 siempre X ~ Xo (4-5)
Prueba. Se sigue de (4-4) porque F (-oo) =

O. Lo anterior conduce a la conclusión
sión: Suponga que x (n :! 0 para cada ~. En este caso, F (O) = PIx ~ O} = 0 porque
{x ~ O} es el evento imposible. Por tanto, F (x) = 0 para cada X : s O.
4. P {x> xl = 1 - F (x) (4-6)
Prueba. Los eventos {x: s xl y {x > x} son mutuamente excluyentes y

{x: s xl U {x> xl = S
Por tanto, P {x: s xl + Pix> xl = peS) = 1 y (4-6) resulta.

5. La función F (x) es continua desde la derecha:
F (x +) = F (x) (4-7)
Prueba. Es suficiente muestra que P {x: sx + e} ... F (x) ase ... O porque P {x ~ X + 8} =
F (x + 8) y F (x + e) ... F (x +) por definición. Para probar el concepto en (4-7). debemos
muestran que los conjuntos {x: s x + e} tienden al conjunto {x : s x} como e ... 0 y que usan el axioma
llIa de aditividad finita. Sin embargo, omitimos. los detalles de la prueba porque no hemos
introdujo límites de conjuntos.
6. (4-8)
Prueba. Los eventos {x : s Xl} y {Xl < X: s Xl} son mutuamente excluyentes porque x (n
no puede ser menor que XI y entre XI y X2. Ademas.
{x ::: X2} = {x: s XI} U {XI <x: s X2}

Por lo tanto
y (4-8) resultados.
7. PIx = x} = F (x) - F (x-) (4-9)
Prueba. Estableciendo Xl = X - e y X2 = X en (4-8), obtenemos

PIx - 8 < X ~ X} = F (x) - F (x - 8)
y con e - + O. (4-9) resulta.
8. (4-10)
Prueba. Se sigue de (4-8) y (4-9) porque
{XI : sx: s X2} =

{Xl <X: s X2} U {x = xtl
y los dos últimos eventos son mutuamente excluyentes.
Página 9
Estadísticas. Diremos que las estadísticas De una variable aleatoria x se conocen si puede
Determine la probabilidad PIx E R} de que x esté en un conjunto R del eje x que consta de
uniones o intersecciones de intervalos. De (4-1) y los axiomas se sigue que las estadísticas
de x se determinan en términos de su función de distribución.
De acuerdo con (4-7), Fx (xt), el límite de Fx (x) asx - + Xl) desde la derecha siempre ex.-
ists y es igual a Fx (xo). Pero Fx (x) no necesita ser continuo desde la izquierda. En una discontinuidad
punto de la distribución, los límites izquierdo y derecho son diferentes, y de (4-9)
(4-11)
Así, las únicas discontinuidades de una función de distribución F " (x) son del tipo salto, y
ocurren en los puntos Xo donde se satisface (4-11) . Estos puntos siempre pueden ser enumerados como una
secuencia, y además son como mucho contables en número.
LX - \\ IPLE4-7 ~ El conjunto de negativos verdaderos números {Pi} satisfacen P {x = Xi} = Pi para todo i. y
2 :: 1 Pi = 1. Determine F (x).
SOLUCIÓN yo
FALTA ~ X < x / +! T tenemos {x (~) ::: x} = U (x (~) = Xk} = U {x (~)k ==l Xk} y por lo tanto
x ~ St
yo
x, ~ X < Xi + l
F (x) = P {x (~) ::: x} = L Pk
k=l
Aquí F (x) es una función de escalera con un número infinito de pasos y el i -ésimo tamaño de paso
es igual a Ph i = 1, 2 • ... • 00 (consulte la figura 4-7). ~
EX \ j \ IPtE 4-R ~ Suponga que la variable aleatoria x es tal que x (f) = 1 si sEA y cero en caso contrario.
Encuentre F (x).
SOLUCIÓN
Para x < 0, {x (s) ::: x} = {121}, de modo que F (x) = O. Para 0 S x < 1. {x (s) ::: x} = {A} , por lo
que F (x) = P {A} = 1 - P = q, donde P £. P (A), y si x ~ 1. {x (g) ::: xl = 0, entonces
que F (x) = 1 (ver Fig. 4-2. página 76). Aquí el evento A puede referirse al éxito y A a
fracaso. ~
F (x) l (x)
1 -: ---------------;
X X
(un) (segundo)
FIGURA 11-7
Página 10
CAPITULO 4 LA CONCSI'I 'DE UN VALOR ALEATORIO 81
Continuo, Discreto y Mixto. Tipos

Se dice que la variable aleatoria x es de tipo continuo si su función de distribución Fx (x) es
continuo. En ese caso, Fx {x-) =

Fx (x) parallx, y de (4-11) wegetP {x xl = O. =
Si Fx (x) es constante excepto por un número finito de discontinuidades de salto (por partes
constante; tipo de paso). entonces se dice que x es una variable aleatoria de tipo discreto. Si Xi es un
punto de discontinuidad, luego desde (4-] 1) (ver Fig. 4-9-Fig. 4-10 y también Fig. 4-7 en la página 80)
PIx =
x;) = Fx (x,) - FAx /) = Pi
Por ejemplo, de la figura 4-5, página 77, en el punto de discontinuidad obtenemos
PIx = a} = FAa) - Fx (a-) = 1 - 0 = 1

y. de la Fig. 4-2, página 76, en esos 8 puntos
PIx = O} = Fx (O) - Fx (O-) = q - 0 = q
EX \\ ll'LE 4-9 ~ Una moneda justa se lanza dos veces, y deja que la variable aleatoria x represente el número de
cabezas. Encuentra FAx).
SOLUCIÓN
En este caso, 0 = {HH, HT, TH, TTl y
x (Tn = 0
x (HB) =2 x (RT) =1 x (TH) =1
Para x <0, {x {;) ~ x} = tfJ => Fx (x) = 0. y para 0 ~ x <1,
(x (~) ~ x} = {m => Fr (x} = P {TT} = P (T) P (T) = i
Finalmente para 1 ~ x <2,
{x (~) ~ x} = {TT, HT, TH} => Fx (x) = P {TT} + P {HT} + P {TH} = ~

y para x ~ 2, {x (~) ~ x} = Q => Fx (x) = 1 (vea la figura 4-8). De la figura 4-8, en un punto
de discontinuidad P {x = I} = F ", (1) - FxCl-) = 3/4 - 1/4 = 1/2. ~
La función de densidad de probabilidad (pd !.)

La derivada de la función de distribución de probabilidad Fx (x) se llama probabilidad
función de densidad ! x (x) de la variable aleatoria x. Así
! .r (x) ~ dF.r (x) (4-13)
dx
3/4 ------., .....--- 1

1/41 ----- 1
2 X
FlGURA4-8
Página 11
fP)
FIGURA 4-, FIGURA 4-10
Ya que
(4-14)
de la naturaleza monótona no decreciente de F, l '(x), se sigue que lAx) ~ 0 para todo x. Si

x es una variable aleatoria de tipo continuo, Ix (x) será una función continua. Sin embargo,
si x es una variable aleatoria de tipo discreto como en el ejemplo 4-7. entonces es p.df. tiene el general
forma (Figs. 4-7b y 4-10)
L
(4-15)
lr (x) = Pi8
yo (X - XI)
donde XIS representan los puntos de discontinuidad de salto en Fx (x).La~ figura 4-10 muestra. 1, yo '(x)
representa una colección de masas discretas positivas en el caso discreto , y se conoce
como la función de masa de probabilidad (pmf).
De (4-13), también obtenemos por integración
(4-16)
F, l '(x) = 1,1'
-co I, l '(u) du
Como Fx (+ oo) = 1, (4-16) produce 1: lr (x) dx =1

lo que justifica su nombre como función de densidad. Además, de (4-16), también obtenemos
(4-17)
(Figura 4-11)
(4-18)
P {XI < x (~) ! :: X2} = F, I '(Xl) - Fx (Xl) = 10 ¥ 2 IAx) dx XI
fp)
1 --- ~ -----------
(un) (segundo)
FIGURA 4 · 11
Pagina 12
CAPÍTULO 4 EL CONCEPTO DE UNA VARlABUi ALEATORIA 83
Así, el área bajo fAx) en el intervalo (XI> X2) representa la probabilidad de que el
la variable aleatoria x se encuentra en el intervalo (x I, X2) como en (4-18).
Si la variable aleatoria x es de tipo continuo. entonces el conjunto de la izquierda podría ser
reemplazado por el conjunto (Xl ~ x ~ X2). Sin embargo, si F (x) es discontinua en X1 o X2, entonces
la integración debe incluir los impulsos correspondientes de f (x).
Con XI = X y X2 = X + i: Jx se sigue de (4-18) que, si x es de continuo
escriba, luego
P {x ~ x ~ X + .Dx} ::: f (x) .Dx (4-19)
siempre que Dx sea suficientemente pequeño. Esto muestra que f (x) se puede definir directamente como un
límite
f (x) = lim P {x ~ x ~ X + .Dx} (4-20)

En- + O hacha
Nota Como podemos ver en (4-19), la probabilidad de que x esté en un pequeño intervalo de longitud especificada Il.x es
proporcional af (x) y es máximo si ese intervalo contiene el punto x ... donde f (x) es máximo. Esta
el punto se llama la moda o el valor más común de x. Una variable aleatoria se llama unimodal si tiene un solo
modo.
Interpretación de la frecuencia Denotamos por An " el número de ensayos tales que
x :::: Xes) :::: x + Ax

De (I -1) y (4-19) se sigue que
Un"
f (x) Hacha :::::: - (4-21)
norte
4-3 VARIABLES ALEATORIAS ESPECÍFICAS

En Sees. 4-1 y 4-2 definimos variables aleatorias a partir de experimentos conocidos. En esto
sección y a lo largo del libro, a menudo consideraremos variables aleatorias que tienen
funciones de distribución o densidad sin ninguna referencia a un espacio de probabilidad particular.
~ Para hacerlo, debemos demostrar que dada una función f (x) o su integral
EXISTENCIA
TEOREMA F (x) = 1 ~ f (u) du
podemos construir un experimento y una variable aleatoria x con distribución F (x) o densidad
f (x). Como sabemos, estas funciones "deben tener estas propiedades: ~
La función f (x) debe ser no negativa y su área debe ser 1. La función F (x)
debe ser continuo desde la derecha y. como x aumenta de -00 a 00, se debe aumentar
monótonamente de 0 a 1.
Prueba. Consideramos como "nuestro espacio S el conjunto de todos los números reales . Y como sus eventos todos los intervalos en
la línea real y sus uniones e intersecciones. Definimos la probabilidad del evento {x ~ XI} por
(4-22)
donde F (x) es la función dada. Esto especifica el experimento completamente (ver Sec. 2-2).
Página 13
Los resultados de nuestro experimento son los números reales . Para definir una variable aleatoria x en este
experimentar. debemos conocer su valor x (x) para cada x. Definimos x tal que
,, (x) = x (4-23)
Por tanto, x es el resultado del experimento y el valor correspondiente de la variable aleatoria x

(ver también el ejemplo 4-5).
Sostenemos que la función de distribución de x es igual a la F (x) dada . De hecho, el evento
{x ~ XI} consta de todos los resultados x tales que x (x) ~ XI _ Por lo tanto
(4-24)
P {x ~ xd = P {x ~ XI} = F (XI)
y como esto es cierto para cada XIo , se demuestra el teorema. ~
- En el siguiente. discutimos brevemente una serie de densidades comunes.
Variables aleatorias continuas-'JYpe

DISTRIBUCIÓN NORMAL (GAUSSIAN). La distribución nonnal (gaussiana) es una de las
distribuciones más utilizadas. Decimos que tbat x es una variable aleatoria normal o gaussiana
con los parámetros J1 y 0'2 si su función de densidad está dada por
/ x (x) = 1 er; c- / l) 2 / 2a2 (4-25)

J27r0'2
Esta es una curva en forma de campana (ver Fig. 4-12), simétrica alrededor del parámetro / J .. y su
La función de distribución está dada por
(4-26)
Fx (x) = IX ~-00
e-27r(Y-
0'2
/ l) 2 / 2fT2 dy ~ G (x - JJ.)
0'
donde la funcion
G (x) £ IX..;_1_e-z;r /
-00
2 dy
(4-27)
a menudo está disponible en forma tabulada (consulte la Tabla 4-1 más adelante en este capítulo). Dado que / x (x)
depende de dos parámetros JJ. y 0'2. la notación x - N (JJ " 0'2) se utilizará para representar
IP)
pags. JC pags.
(a) X - N (pág., ui>

(b) X - N (pág., ~). oi > ~
FIGURA 4 · 12
Nonna! función de densidad .
Página 14
CAPÍTULO 4 EL CONCEPTO DE VALOR ALEATORIO 85
el pdf gaussiano en (4-25). La constante J21r (12 in (4-25) es la constante de normalización

que mantiene el área bajo Ix (x) a ser la unidad.
Esto sigue ya que si dejamos
(4-28)
luego
Q2 = 1+J-oo
-00 00 r + oo e- <x2 + r) f2q2 dx dy
= 127r 1 + 00 e- r2 / 'kr r dr de
= 21C (121+ 00 e- u du = 21C (12 (4-29)
donde hemos hecho uso de la transformación x = r cos e, y = r sen 8, de modo que dx dy =

r dr de y por lo tanto Q = J21Cu 2 • El caso especial x '" N (O, 1) a menudo se refiere a como el
'Variable
La aleatoria normal
distribución estándar.
normal es una de las distribuciones más importantes en el estudio de
Probabilidades y estadísticas. Varios fenómenos naturales siguen la distribución gaussiana.
Maxwell llegó a la distribución normal para la distribución de velocidades de moléculas,
bajo el supuesto de que la densidad de probabilidad de moléculas con una velocidad dada se compara
componentes es una función de la magnitud de su velocidad y no de sus direcciones. Hagen, en
desarrollando la teoría de los errores, mostró que bajo el supuesto de que el error es el
suma de un gran número de errores infinitesimales independientes debido a diferentes causas, todas de
igual magnitud. el error general tiene una distribución normal. Este resultado es un caso especial
de un teorema más general que establece que en condiciones muy generales el límite
distribución del promedio de cualquier número de distribuciones aleatorias independientes, idénticamente distribuidas
variables es normal.
DISTRIBUCIÓN EXPONENCIAL. Decimos x es exponencial con parámetro) .. si su densidad

la función viene dada por (ver Fig. 4-13)
) .. e -> 'x x ?: 0
{
tuberculosis· (4-30)
Ix (x) =0 o erwlse
Si las ocurrencias de eventos en intervalos que no se superponen son independientes. como
tiempos de llegada de llamadas telefónicas o tiempos de llegada de autobuses a una parada de autobús. luego el tiempo de espera
se puede demostrar que la distribución de estos eventos es exponencial. Para ver esto, letq (t) representa
x FlGURA4-13
Función de densidad exponencial .
Página 15
86 PROBABILIDAD Y VARIABLES ALEATORIAS
la probabilidad de que en un intervalo de tiempo t no haya ocurrido ningún evento. Si x vuelve a gustar la espera
tiempo hasta la primera llegada, entonces por definición P (x > t) = q (t) .lf tl y t2 representan dos
intervalos consecutivos no superpuestos, entonces por el supuesto independiente tenemos
q (tl) q (t2) = q {tl + t2)

que tiene la única solución acotada no trivial de la forma [ver también (16-9) - {16-10)]
q (t) = el. l
Por lo tanto
(4-31)
FAt) = P (x : S t) = 1 - q (t) = I - el.t
y ~ la función de densidad correspondiente es exponencial como en (4-30).
Propiedad sin memoria de las distribuciones exponenciales. Sea s, t ~ O. Considere los eventos
{x> t + s} y {x > s} _ Entonces
P {x> t + s} e- (I + .r)
P {x> t + s I x> $} = PIx > s} =-=

e- e- = PIx> t}
S
I
(4-32)
desde el evento {x > t + s} c {x > s}. Si x representa la vida útil de un equipo,

luego (4-32) establece que si el equipo ha estado funcionando durante el tiempo s, entonces la probabilidad
que sobrevivirá un tiempo adicional t depende solo de t (no de $) y es idéntico
a la probabilidad de supervivencia para el tiempo t de una nueva pieza de equipo. En ese sentido, el
El equipo no recuerda que ha estado en uso durante un tiempo . De ello se deduce que para un
variable aleatoria continua no negativa x, si
P {x> t + s I x> s} = Pix > I}

se mantiene para todos los s. t ~ 0, entonces x debe tener una distribución exponencial.
Esta propiedad sin memoria simplifica muchos cálculos y es principalmente la razón
para la amplia aplicabilidad de la modelo exponencial. Bajo este modelo, un artículo que no ha
fallado hasta ahora es como nuevo. Este no es el caso de otros continuos no negativos
escriba variables aleatorias. De hecho. la probabilidad condicional
PAGS{ YO } IP {x: St + s} 1-F (t + s)

X> I + .s X> s = = ---- (4-33)
1 - Pix : s s} 1 - F ($)
depende de s en general.
E \: \\ II'I f 4-10 ~ Suponga que la vida útil de un aparato tiene una distribución exponencial con) .. = 10
años. Alguien compra un electrodoméstico usado . ¿Cuál es la probabilidad de que no
DURACIÓN DE VIDA
fallar en los próximos 5 años?
DE UNA
APARATO SOLUCIÓN
Debido a la propiedad sin memoria. es irrelevante ya que muchos años el aparato ha
estado en servicio antes de su compra. Por tanto, si x es la variable aleatoria que representa el
longitud del tiempo de vida útil del aparato y de su duración de vida real al tiempo presente
instantáneo, entonces
P {x> 10 + 5 I x> a} = P {x> 5} = e- S / 10 = e- medio = 0.368
Página 16
CHAl'TER4 11IECONCEPl 'DE UNA VARTABLE ALEATORIA 87
Como se mencionó anteriormente, para cualquier otra distribución de por vida, este cálculo dependerá de
el tiempo de vida real 10. ~
EX \ 'vIPLE 4-11 .. Suponga que la cantidad de tiempo de espera que un cliente pasa en un restaurante tiene un
distribución exponencial con un valor medio de 5 minutos. Entonces la probabilidad de que un
ESPERANDO cliente pasará más de 10 minutos en el restaurante es dado por
TJMEATA
RESTAURANTE P (x> 10) = e-10/1. = e- 101S = e- 2 = 0.1353
Más interesante aún, la probabilidad (condicional) de que el cliente va a pasar una adiciones
lO minutos en el restaurante dado que ha estado allí por más de
10 minutos es
P {x> 101x> to} = P {x> 10} = e- 2 = 0.1353

En otras palabras, el pasado no importa. ~
Una generalización de la distribución exponencial conduce a la distribución gamma.
DISTRIBUCIÓN DE GAMMA. x se dice que ser una variable aleatoria gamma con parámetros a,
y P, a> O, p > Oif
___ xa _-....., l_e-z / p X > 0
{ -
Ix (x) = r (a) pa
(4-34)
o de otra manera
donde rca) representa la función gamma definida como
(4-35)
Si a es un número entero, integrando

rca)
(4-35) 1
= por 00partes
xa-1e-x dx
obtenemos
(4-36)
r (norte) = (norte - l) r (norte - yo) = (norte - yo)!
Denotaremos el pdf en (4-34) por G (a, Pl.

La función de densidad gamma adopta una amplia variedad de formas dependiendo de la
valores de una y p. Para a <I, lAx) es estrictamente decreciente e Iz (x) ....... 00 cuando x ....... 0,
lAx) ....... Oasx ....... 00. Para > 1, la densidad Ix (x) tiene un modo único atx = (aI) IP
con valor máximo [(a -I) e- 1] aI Icpr (a ». La figura 4.14 muestra gráficos de algunos
Funciones de densidad de probabilidad gamma. PS
Algunos casos especiales de la distribución gamma son ampliamente utilizados y tienen especial
nombres. Observe que la variable aleatoria exponencial definida en (4-30) es un caso especial
de distribución gamma con a = 1. Si dejamos a = nl2 y P = 2, obtenemos el X 2
(chi-cuadrado) variable aleatoria con n grados de libertad que se muestra en (4-39).
Para a = n en (4-34), obtenemos que la función de densidad gamma sea (con P = II> ")
(4-37)
Iz (x) = {F: ;;, .......;,: de otra manera

O.
Página 17
88 PRClBABJUTY Y ALEATORIAVARABLES
fP)
JC
(a) a = os, (! J - = 1
fz (JC)
(! J = 2
(b) a - 2, (! J - 0.5, 1,2
(c) a = 4, (! J = 2,4; a -10. (! J '" 2

FIGURA 4-14
Funciones de densidad gamma .
Integrando (4-37) por partes. obtenemos la distribución de probabilidad c: función para el

correspondiente variable aleatoria gamma para ser
=1=
nl (Ati
(4-38)
F ", (t) ixo(x)
1
1- L -, - k.
k=O el.r
Si) .. = np, en (4-37) y (4-38), entonces corresponde a una variable aleatoria D Erlangiana . Así
G (n. I / np,) corresponde a una distribución Eriangiana (En). En ese caso. n 1 produce una =
variable aleatoria exponencial. y n ~ 00 da una distribución constante (Fx (t) 1. para
t > IIp. y cero en caso contrario). Así, la aleatoriedad a la certeza está cubierta por el erlangiano
=
distribución como n varía entre 1 y 00. Muchas distribuciones importantes que ocurren en
Página 18
CAPÍTULO 4 ¡11IE CONCEPTO DE UNA VARIABU ALEATORIA! 89
FIGURA 4-lS
x'J. funciones de densidad para n = 2, S, 8. 10.
la práctica se encuentra entre estos dos casos. y pueden ser aproximados por un erlangiano
distribución para una elección adecuada de n.
DISTRIBUCIÓN CHI-SQUARE. x se dice que es x 2 (n) (chi-cuadrado) con n grados de

libertad si
X ,, / 2-1 ez / 2 x> 0
{ -
/ z (x) = 2 n / 2r (n / 2) (4-39)
o de otra manera
La figura 4.15 muestra gráficas de x 2 (n) para varios valores de n. Tenga en cuenta que si dejamos
n = 2 en (4-39). obtenemos una distribución exponencial. 1t1s también es posible a generalizar
la variable aleatoria exponencial de tal manera que se evite su propiedad sin memoria
discutido anteriormente. En realidad, la mayoría de los electrodomésticos se deterioran con el tiempo por lo que una
El modelo exponencial es inadecuado para describir la duración de su vida útil y su falla.
Velocidad. En ese contexto, considere la función de distribución
r; o () 1 - r l. (I) dl x~O
Yo; 'X X = -e Jo A (t) ~ 0 (4-40)
La función de densidad asociada está dada por
= A (x) e- J:
x~O (4-41)
A (t) ~ 0
/ x (x) l. (t) dl
Observe que A (t) = constante. da lugar a la distribución exponencial. Más generalmente.
considerar
A (t) = en ll- I (4-42)
y de (4-41), corresponde al pdf

aXIl-le-axllll x ~ 0,
{ (4-43)
'z (x) = 0 de otra manera.
y se conoce como la distribución de Weibull (véase Fig. 4-16).
Página 19
90 PROPIEDADES Y VALORES ALEATORIOS
Ix (x>
FIGUR.E4 · 16
Función de densidad de WeibUll.
El caso especial de Wei bull con ex 1/u2y~ = =

2 se conoce como Rayleigh
distribución. Por tanto, Rayleigh tiene una tasa lineal en (4-42).
DISTRIBUCIÓN RAYLEIGH. Se dice que la variable aleatoria x es la distribución de Rayleigh

con parámetro u 2 si
X _zlf2tr2 0
{
"2e x 2 ::
fx {x) =u (4-44)
o de otra manera
En los sistemas de comunicación, los valores de amplitud de la señal de una señal recibida aleatoriamente
generalmente se puede modelar como una distribución de Rayleigh.
DISTRIBUCIÓN DE NAKAGAMI-m. Una generalización de la distribución de Rayleigh (a través de

un parámetro m), viene dado por la distribución de Nalcagami donde
_2_ (~) m x2Ja-1e-mr / o. x > 0

{0
fz {x) = rem) (4-45)
o de otra manera
En comparación con la distribución de Rayleigh, la distribución de Nakagami ofrece una mayor flexibilidad para
modelar canales que fluctúan aleatoriamente (se desvanecen) en la teoría de la comunicación. Note que en
(4-45) m = 1 cox corresponde a la distribución de Rayleigh, y el parámetro m puede ser
utilizado para controlar la distribución de la cola . Como muestra la figura 4-17 , para m < 1. th ~ l distribución
decae levemente en comparación con la distribución de Rayleigh, mientras que m > 1 cox responde a una
decaer.
DISTRIBUCIÓN UNIFORME. x es dicho a ser distribuido de manera uniforme en el intervalo (a, b).
-00 < a < b < 00. si
YO '
- a <x <b
{
fz (x) = b-a
-- (4-46)
o de otra manera
Página 20
CAPÍTULO 4 LA CONCISIÓN ES DE UN VALOR ALEATORIO.8L £ 91

FIGURA 4-17
Función de densidad de Nakapmi-m para III = 0,25. 0,5. 0,75. 1.2. 4.
r ------- r ------,
licenciado en Letras
_1_
un segundo x FIGURA 4-18

Función de densidad uniforme .
Escribiremos x, .., U (a, b). La función de distribución de x viene dada por (vea la figura 4-18)
(4-47)
Fx (x) = { o ~ =: ::: x <a <b
DISTRIBUCIÓN BETA. Se dice que la variable aleatoria x tiene distribución beta con
parámetros noDnegative ay fJ si
yo J
':: "": "~~, xa-l (1- x) 6- 1 0<X<b

{
fx (x) = B (a, fJ) (4-48)
o de otra manera
donde la función beta B (a, fJ) se define como
(sin 6) 2a-l (cos 6) 2P -J d6 (4-49)

10
B (a, fJ) = 1
x a- I (1 - x) pt dx = 21 2Jt
La forma trigonométrica en (4-49) se puede obtener sustituyendo x = sin? 6 en el
versión algebraica allí. Es posible para expresar la beta de la función en términos de la gamma
Página 21
92 PROBABIUIDAD Y ~ 'VARrA8U! S
funetlon definido anteriormente. Si dejamos x = y2 en (4-3S) obtenemos
(4-50)
r (a) = 2100 añoslt-l e- r dy
para que
r (a) r (.8) = 4100100 X2 «-1 , 2P- 1 e - <. r2 + r> dx dy

Cambiando a coordenadas polares con x = r cos 6, y = r sin 6, obtenemos
r (a) r (p) = 41 "/ 2100 r 2C« + P> -l e -r2 (sin6) 2 «-1 (cos 6) 2P- 1 drd6
= (2100
= r (a + p) B (a, fJ)
r2 (a + PH e -r 2 dr) (2 f (sen6) 2 «-1 (COS6) 2J1-1d 9)
o
B ( fJ) = r (a) r (.8) (4-51)
a. r (a + fJ)
La función beta proporciona una mayor flexibilidad que la distribución uniforme en
(0, 1). que corresponde a una distribución beta con a = P = 1. Dependiendo de los valores
de una y fJ. la distribución beta toma una variedad de formas. Si a > 1, fJ > 1, entonces Ix (x) : - + 0
en tanto
x = =
O y x 1, y que tiene una forma cóncava hacia abajo forma. Si 0 <a < 1, entonces / ,, (x) - + 00
como x - + O. y si 0 < P < 1. entonces Ix (x) - + 00 como x - + 1. Si a < 1. P < 1. entonces Ix (x) es
cóncava con un mínimo único. Cuando a
(vea la figura 4-19).
=
fJ. el pdf es simétrico alrededor de x 1/2 =
Algunas otras distribuciones continuas comunes se enumeran a continuación.
DISTRIBUCIÓN DE PRECAUCIÓN
en popa{
(4-52)
fx (x) = (x _ JL) 2 + a2 Ixl < 00
DISTRIBUCIÓN LAPLACE
(4-53)
DISTRIBUCIÓN MAXWELL
4 2 _x2 / «2
--xe x~O
f ~ (x) = {~ 3..fii (4-54)
de otra manera
Variables aleatorias de tipo discreto

La más simple entre el conjunto discreto de variables aleatorias es la variable aleatoria de Bemoulli
que corresponde a cualquier experimento con solo dos resultados posibles: éxito o fracaso
(cabeza o cola) como en los Ejemplos 4-3 y 4-8.
Página 22
CAPÍTULO R4 TIIECO / LICEPTOf UNA VARIABLE ALEATORIA 93
a = 0.5, / 3 = OS
o o
(0) (a, 13) = (0.5, 0.5), (3, 3)
(b) (a, 13) = (1,2). (4, I), (6,2), (8, 2)
FIGURA 4-19
Función de densidad beta .
DISTRIBUCIÓN BERNOULLI. X se dice a ser Bernoulli distribuye ifx toma los valores
1 y 0 con (Fig.4-2)
P {x = 1) = p P {x = 0) = q = 1- P (4-55)
En un ensayo independiente de n experimentos de Bernoulli con p representando la probabilidad

dad de éxito en cada ex.periment, si Y representa el número total de resultados favorables.
a continuación, y se dice que ser una variable aleatoria Binomial.
DISTRIBUCIÓN BINOMIAL. Se dice que es una variable aleatoria binomial 'con parámetros
nand p si y toma los valores 0, 1, 2, ..., n con
k = 0, 1, 2, ... , n
pkqll-k P + q =I
(4-56)
Capa = k} = (~)
La distribución correspondiente es una función de escalera como en la figura 4-20. [Ver también (3-13)
y (3-23).]
Otra distribución que está estrechamente relacionada con la distribución binomial es la
Distribución de Poisson, que representa el número de ocurrencias de un evento raro en un
gran número de ensayos. Los ejemplos típicos incluyen el número de llamadas telefónicas en un
Página 23
94 PROBA8lL1T'l ANORANOOMVARIABLES '
F. (x ~
fre x) Binominal
0,2 n=9 1 ------------ ~ - ~ -r- ~ -------
p = q = 112
0,1
45 0) 23456789 X
(un) (segundo)
FIGURA 4-20
Distribución binomial (n = 9, P = q = 1/2),
excliange durante una duración determinada. el número de boletos ganadores entre los comprados en
una gran lotería y la cantidad de errores de impresión en un libro. Note que el evento básico de
el interés es raro. sin embargo ocurre. La distribución de probabilidad del número
de tales eventos es de interés. y que es dictado por la distribución de Poisson.
DISTRIBUCIÓN DE VENENO. x se dice que es una variable aleatoria de Poisson con parámetro).
si x toma los valores O.), 2, ..., 00, con
(4-57)
P {x = k} = e_ AAIC k! k = 0, I, 2, .... 00
Con Pic = P (x = k). de ello se deduce que (ver figura 4-21)
Pk-I e -) .. ¡AIc-I! (K- I)! k
-=
Foto e -). AIc! k!
= -UN
Si k < A. entonces P (x =
k - l) <P (x =
k), pero si k > A. entonces P (x =
k -1)> P (x = k).
Finalmente. si k =
A, obtenemos P (x =
k - 1) P (x = =
k). De esto concluimos que
P (x = k) aumenta con k desde 0 hasta k ~ ) .. y cae más allá de A. Si A es un número entero
P (x =Lak)distribución
tiene dos valores máximos en k = AI y A.
correspondiente también es una función de escalera similar a la figura 4-20b .
pero que contiene un número infinito de pasos.
En resumen, si la relación pic-I! Pic es menor que 1. es decir, si k < A, entonces a medida que k aumenta.
Pic aumenta alcanzando su máximo para k = [Al. Por lo tanto
si A < 1, Pic es máximo para k = 0;
si A> 1 pero no es un número entero. entonces Pic aumenta a medida que aumenta k , alcanzando su
máximo para k = LA];
si A es un número entero, entonces Pk es máximo para k = AI y k = A..:
P (x = k)
FIGURA 4-21
3 Dislribulion de Poisson (J .. = 3).
Página 24
CAPÍTULO R4 EL CONCEPTO DE UNA VARIABLE ALEATORIA8L £ 95
EJEMPLO 4-12
s
... En el experimento de los puntos de Poisson. un resultado es un conjunto de puntos t; en los taxis.
(a) Dada una constante a, definimos la variable aleatoria n tal que su valor n (S)
POISSON es igual al número de puntos t; en el intervalo (0, a). Claramente, n = k significa que el
PUNTOS número de puntos en el intervalo (0. a) es igual a k. Por lo tanto [ver (4-117) para una prueba]
P {n = k} = e-A1. () ..k!a) k (4-58)
Por lo tanto el número de puntos de Poisson en un intervalo de longitud a es una distribución de Poisson
variable aleatoria con parámetro a = ) .. to, donde A es la densidad de los puntos.
(b) Denotamos por tl el primer punto al azar a la derecha del punto fijo a y
definimos la variable aleatoria x como la distancia de a a tt (figura 4-22a). Desde el
definición se sigue que x (s) ::: 0 para cualquier s. Por tanto, la función de distribución de x es 0 para
x <' O. Sostenemos que para x > 0 está dado por
F (x) = I - e- Eje
Prueba. Como sabemos, F (x) es igual a la probabilidad de que x ~ x, donde x es un número específico. Pero
x ~ x significa que existe al menos un punto entre a y a + x. Por tanto, 1 - F (x) es igual a
probabilidad Po que th ~ re hay puntos en el intervalo (a. a + x). Y dado que la duración de este
intervalo es igual a x, (4-58) produce
Po = eJ.x = 1 - F (x)
1be la densidad correspondiente
f (x) = .te-J.xU (x) (4-59)
es exponencial como en (4-30) (figura 4-22b). ....
Como veremos en la siguiente sección, que es posible establecer la distribución de Poisson

como un caso límite de la distribución binomial en condiciones especiales [ver (4-107)].
Recuerde que la distribución binomial da la probabilidad del número de suc-
ceses en un número fijo de ensayos. Supongamos que estamos interesados en el primer éxito. Uno
Podría preguntarse cuántos ensayos de Bernoulli se requieren para lograr el primer éxito. En ese caso,
el número de ensayos necesarios no se fija de antemano y, de hecho, es un número aleatorio.
En un experimento binomial. Por otro lado, el número de ensayos se fija de antemano y
la variable aleatoria de interés es el número total de éxitos en n ensayos.
Sea x el número de intentos necesarios para el primer éxito en Bernoulli repetido
ensayos. Entonces se dice que x es una variable aleatoria geométrica . Así, con A representando el
-' x l.-
yo yo
yo )
yo yo
*
)( )( ) (1
(0) (segundo)
FlGURA4-21
Página 25
96 PROBLEMA Y RANOOMVARIABLES
éxito ent ~ .
Pix = k} = P (AA: .. A: A) = P (A) P (A) ... P (A) P (A)

kI
= (1- p) lr.-rp k = I.2.3 • ... • 00
DISTRIBUCIÓN GEOMÉTRICA. x se dice que es una variable aleatoria geométrica si

PIx = k} = pqlr.-t k = 1.2.3 • ... • 00 (4-60)
De (4-60), la probabilidad del evento {x> m} viene dada por

00 00
PIx > m} = L Pix =

k_ + ' k} =L pqk "-l
=m+l
= pqm (1 + q + ...) = lqpqm = qm

Por tanto, para enteros m. n > 1.
P {x> m + n} qlll + 71
P (x> m + norte yo x> m} = P {x> m} = -qm= q " (4-61)
desde el evento {x> m + n} C {x> m}. La ecuación (4-61) establece que dado que el primer m
ensayos no tuvieron éxito, la probabilidad condicional de que el primer éxito aparezca después
n ensayos adicionales dependen solo de n y no de m (no del pasado). Recuerda que esto
La propiedad sin memoria es similar a la exhibida por la variable aleatoria exponencial.
Una generalización obvia para la variable aleatoria geométrica es para extenderlo a la
número de ensayos necesarios para r éxitos. Vamos y denotan el número de ensayos de Bernoulli
necesarios para realizar r éxitos. Entonces y se dice que ser un Mgalille binomial variable aleatoria.
Por lo tanto el uso de (4-56) y la independencia de los ensayos, obtenemos
PlY = k} = P {, - 1 éxitos en k - 1 ensayos y éxito en el k-ésimo ensayo}
= (k',-YO-1) pr-Iq "-rp
1)
Ir.-r
= rl(k pq- yo
k = r, r + 1, ... , 00 (4-62)
DISTRIBUCIÓN BINOMIAL NEGATIVA. Y se dice que es aleatorio binomial negativo
variable, con parámetros T y p si
. Ply = k} = (~ =!) P 'q "-' k = r, r + 1, ... • 00

(4-63)
Se necesitan H n ensayos o menos para r éxitos, luego el número de éxitos en n ensayos

debe ser al menos r. Así
Capa = s n} = PIx ~ r},

donde Y - NB (r, p) como en (4-62) y x es una variable aleatoria binomial como en (4-56). Ya que
la variable aleatoria binomial negativa representa el tiempo de espera hasta el-ésimo éxito,
a veces se le llama distribución del tiempo de espera.
Página 26
CIfAPTI! R 4 EL CONCEPTO DE VARIABLE ALEATORIA 97
La variable aleatoria z = y - r, que denota el número de ensayos (fracasos) anteriores

ing el rtll éxito, tiene la distribución dada por [use (4-62)]
P {z = k} = P {y = k + r} = (r; ~~ l) prqk
= (r + kl)kr II Pq k = 0,1,2, ... , 00. (4-64)
En particular, r = 1 da
P {z = k) = pq "
k = 0,1,2, ... , 00, (4-65)
y, a veces la distribución en (4-65) se refiere a también como el geométrica distribución

y eso en (4-64) como la distribución binomial negativa .
rX \\ IPIL4-U .. Dos equipos A y B juegan series de como máximo cinco juegos. El primer equipo en ganar tres
juegos gana la serie. Suponga que los resultados de los juegos son independientes Sea p
sea la probabilidad de que el equipo A a ganar cada juego, 0 < p < 1. Sea X ser el número de
juegos necesarios para un a ganar. Luego 3 : s x : s 5. Sea el evento
At = {A gana en la k-ésima prueba}
k = 3,4,5
Observamos que A " n AI = t / J, k = F I. de modo que
peA gana) = P C ~ Al) = ~ P (A ,,}
dónde
Por lo tanto
peAk} = P (tercer éxito en kth prueba) = (k; 1) p3 (1 _ p) "- 3
Si p = 1/2, entonces peA gana) = 1/2. La probabilidad de que A. gane en exactamente cuatro
juegos es
La probabilidad de que A gane en cuatro juegos o menos es 1/8 + 3/16 = 5/16.

Dado que A ha ganado el primer juego, la probabilidad condicional de que A gane
es igual a
LJ
t=2
(!) 2 (!) "- 2 + (!+ ~ ~) = ~
~ (kl) 1 2 2 4=8 16 dieciséis
Página 27
98 PIt08ABlIDAD Y ALEATORABLES
DISTRIBUCIÓN UNIFORME DISCRETA. La "variable aleatoria x se dice que es discreta

uniforme si
1
P {x = k} = -
norte k = 1,2 • ..., N (4-66)
4-4 DISTRmUCIONES CONDICIONALES

Recordamos que la probabilidad de un evento A asumiendo M viene dada por
guisante 1 M ) =PM)
P (AM)
donde P (M) ': /: 0
La distribución condicional F (x I M) de una variable aleatoria x, asumiendo que M es

definida como la probabilidad condicional del evento (x ~ xl:
(4-67)
F (x 1M) = Pix ~ x I M} = P {xp ~ ;; METRO}
En (4-67) {x ~ x, M} es la intersección de los eventos {x ~ x} y M, que se muestran. el evento
que consta de todos los resultados, tales que x (n ~ x y ~ e M.
Así, la definición de F (x I M) es la misma que la definición (4-1) de F (x), pro
vió que todas las probabilidades son reemplazadas por probabilidades condicionales. De esto se sigue
(vea la observación fundamental, sección 2-3) que F (x I M) tiene las mismas propiedades que F (x). En
particular [ver (4-3) y (4-8)]
F (oo I M) = 1 (4-68)
F (-oo yo M) =0
P {XI <x <x2, M}
P {XI < x ~ x21 M} = F (X21 M) - F (XI 1M) = PM) (4-69)
La densidad condicional I (x I M) es la derivada de F (x 1M):
I (x 1M) = dF (x IdxM) = lim PIxA. ¥~.....xO~ x + Ax 1M}

Hacha
(4-70)
Esta función no es negativa y su área es igual a 1.
EX \ I \ LPI, E 4-14 ~ Determinaremos el condicional F (x I M) de la variable aleatoria x (li) = 10i de

el experimento de dado justo (ejemplo 4-4), donde M = {h. 14. 16} es el evento "par".
Six ~ 60, entonces {x ~ x} es el evento cierto y {x ~ x, M} = M. Por lo tanto (figura 4-23)
PM)
F (x 1 M) = P (M) = 1
F (.x) F (xlevoo)
o o
IIGURA 4-23
Página 28
CHAl "J'ER 4 EL CONCEPTOJ '¡UN YAlUABU AL AZAR! 99
Si 40 ~ X < 60, entonces {x ~ X, M} = (12, f4}. Por lo tanto

F (x YO M) = PPM)
{h, f4} = 2/6
3/640 ~ X < 60
Si 20 ~ x <40, entonces {x ~ x, M} = {h}. Por lo tanto

F (x YO M) = P {! 2} 1/6= 20 ~ x <60
P (M) 3/6
Si X <20. entonces {x ~ x, M} = {0}. Por lo tanto

x <20
F (x yo M) =0
. Para encontrar F (x I M), debemos. en general, conozca el experimento subyacente . Sin embargo.
si M es un evento que se puede expresar en términos de la variable aleatoria X. entonces, para el
determinación de F (x I M). el conocimiento de F (x) es suficiente. Los dos casos presentados
las siguientes son ilustraciones importantes.
L Deseamos a encontrar la distribución condicional de un aleatorio variable de x Se asumiendo que

x ~ a, donde a es un número tal que F (a) :: F O. Este es un caso especial de (4-67) con
M = {x ~ a}
Así, nuestro problema es de encontrar la función

Pix <xx < a}
F (x yo x ~ a) = PIx ~ X yo x ~ a} = P- ( <-) x_a
Si x ~ a. entonces {x ~ x, X ~ a} = {x ~ a}. Por lo tanto (figura 4-24)
F (x yo x- < a) = PPIx
{x $$ a} x~ a
a} = 1
Si x < a. luego {x ~ x. X ~ a} = {x ~ x}. Por lo tanto

F (x yo x-< a) = PPIx
{x ~a}x}F=
~{a)F (x)
x <a
Diferenciar F (x I x ~ a) con respecto ax. obtenemos el correspondiente

densidad: Dado que F / {x) = I (x), lo anterior produce
f (x) f (x)
f (xlx ~ a) = F (a) = f ~ oof {x) dx para x <0
;;
y es 0 fou ~ o.
F (xlx ell. I)
o 1.1
x FIGURA 4-24
Página 29
100 PROsAen.rrv ANDRANOOMv, o, RIA8LES
x FIGURA 4-25
norte. Supongamos ahora que M = {b <x :::; un}. En este caso, (4-67) produce
-<)a = P {x :::;PX.
F ( yo b b <x :::; aJ
X <x {b < x :::; aJ
Ifx ~ a. luego {x :::; x, b <x :::; a} = {b < x :::; un}. Por lo tanto
F (a) - F (b)
F (x Ib <x :::; a) = F (a) _ F (b) = 1 x~a
Si b :::; x < a, luego {x :::; x, b < x :::; a} = {b < x :::; SG. Por lo tanto
F (x) - F (b)
b :::; x <a
F (x 1 segundo < x :::; a) = F (a) _ F (b)
Finalmente, si x < b, entonces {x :::; x, b <x :::; aJ = (el. Por tanto

F (x yo b <x :::; a) =0 x<b
La densidad correspondiente viene dada por

Yo (x)
I (x 1 b <x :::; a) = F (a) _ Feb) para b :::; x < a
y es 0 en caso contrario (figura 4-25).
Me EX, \ MPLL 4-15 ~ Determinaremos la densidad condicional I (x Ilx - TJ 1 :::; ku) de un N (TJ; u) aleatorio
variable. Ya que
POx - TJI :::; ku} = P {7} - ku :::; X:::; 7J + ku} = 2 [ ~ e-il / 2 dx

concluimos de (4-72) que
1 e- (xT /} 2 / 2rT2
I (x Ilx - 111 :::; ku) = P (lx _ '71 : s ku) u ../ ii

para x entre 7J - ku y TJ + ku y 0 en caso contrario. Esta densidad se llama truncada
normal. ....
Interpretación de la frecuencia En una secuencia de n ensayos, rechazamos todos los resultados ~ tales que
x (~) . $ b o x (S) > Q. En la subsecuencia de los ensayos restantes de mosaicos, F (x I h <x : s a) basa el
misma interpretación de frecuencia que F (x) [ver (4-3) J.
Página 30
CHAf1'ER4 THEECONCEPFOFARANDQMVARIABLE 101
EX. \ I \ JPLE 4-l6 ~ La propiedad sin memoria de una variable aleatoria geométrica x establece que [ver (4-61)]
P {x> m + n I x> m} = P {x> n} (4-71)
Demuestre que lo contrario también es cierto. (es decir, • si x es un número entero no negativo valorado al azar
variable de satisfacer (4-71) para cualquiera de los dos números enteros positivos m y n. entonces x es un geométrico
variable aleatoria.)
SOLUCIÓN
Dejar
k = 1.2.3 ....
Pk = P {x = k}.
para que
00
(4-72)
P {x> n} = L Pk = a "
k=n+1
y por lo tanto usando (4-71)
YO P {x> m + n} todos + n
PAGS{
x> m + norte x>}m = =-
P {x> m} alii
= P (x > n} = todos
Por lo tanto
o
un111 + 1 --aa - a »l + 1
'11 1- 1
dónde
t :.
al = P (x > I} = 1 - Pix = I} = 1 - P
Así
y de (4-72)
PIx = n} = P (x ~ n} - P (x > n}
= todo_I -an = p (l- pt- I n = 1,2,3 • .....
comparando con (4-60) la demostración está completa. ....
Probabilidad total y teorema de Bayes

Ahora ampliaremos los resultados de la Sec. 2-3 a variables aleatorias.
1. Configurando B = (x ~ x) en (2-41), obtenemos

Pix ~ xl = Pix ~ x I AJlP (A)} + '"+ P {x ~ x I An} P (A II)
Página 31
Helice [ver '(4-67) y (4-70)]
F (x) = F (x I A.) P (A.) + ", + F (x I A'I) P (An} (4-73)
Yo (x) = Yo (x Yo A1) P (A1) + ',. + I (x I An} P (A II})

(4-74)
En lo anterior, los eventos A " ... • An forman una partición de S.
FX \ \ 11'1 I, · ~ -17 ... Supongamos que el azar variablexis tal que I (x I M) es N (lll; 0'1) y f (x I M)
es N (rn. 0'2) como en la figura 4-26. Claramente. los eventos M y M forman una partición de S. Configuración
AI = M y A2 = M en (4-74). llegamos a la conclusión de que
f (x)
• = pf (x I M) + (1- p) f (x I M) = LG (X -: - 111) + 1- PG (X - 112)
0'1 0'1 0'2 0'2
donde p = P (M). <411
2. De la identidad
peA I B) = PCB I A) P (A)
(4-75)
TARJETA DE CIRCUITO IMPRESO)
[ver (2-43)] se sigue que
peA I x !: x) = PIx Pix A} peA) = F (x I A)F peA)

!: x!:I X} (x)
(4-76)
3. Configurando B = {XI < x!: X2} en (4-75), concluimos con (4-69) que
PIA IXI < x !: X2} = P {XI < X ~ x21 A} peA)

P {XI < x ~ X2}
= F (X21 A} - F (xi I A) peA)
F (X2) - F (xl) (4-77)
4., La probabilidad condicional P (A I x =

x) del evento A suponiendo que x = x no puede ser
definido como en (2-33) porque, en general. P {x =
x} = O. Lo definiremos como un límite
P {Alx = x} = lim P {Alx <x!: X + AX} (4-78)
tx- + O
Con XI = X, X2 = + Ax. concluimos de lo anterior y (4-77) que

X
~ (4-79)
PIA Ix = xl = f <; (l :) peA)
FIGURA 4-26
Página 32
CAPf.Ell4 11IECONCEPTOFA1WIDOMVARIABLE 103
Teorema de probabilidad total. Como sabemos [ver (4-68)]
Multiplicar (4-79) por f (x) e integrar. obtenemos

= I: =1
f:
F (oo I A) f (x I A) dx
(4-80)
peA Ix = x) f (x) dx = peA)
Ésta es la versión continua del teorema de probabilidad total (2-41).
Teorema de Bayes. De (4-79) y (4-80) se sigue que
f (x yo A) = peA yo x = x) f (x) = guisante Yo x = x) f (x) (4-81)

guisante) 1: 0 guisante I x = xl / ex) dx
Ésta es la versión continua del teorema de Bayes (2-44).
LX \ l \ lI'LE 4-1 S ~ Suponga que la probabilidad de que salga cara en un experimento de lanzamiento de una moneda S no es un número,
pero una variable aleatoria p con densidad / (p) definida en algún espacio Sc. El experimento de
el lanzamiento de una moneda seleccionada al azar es un producto cartesiano Sc x S. En este experimento,
el evento B = {head} consta de todos los pares de la forma ~ ch donde ~ c es cualquier elemento de Sc
y h son las cabezas de los elementos del espacio S = {h, t}. Mostraremos que
SOLUCIÓN
PCB) = 10 pf (p) dp
1
(4-82)
La probabilidad condicional de H asumiendo p = p es la probabilidad de que salga cara si la moneda

con p = p se lanza. En otras palabras,
P {Hlp = p} = p (4-83)
Insertando en (4-80), obtenemos (4-81) porque / (p) = 0 fuera del intervalo (0, 1). ~
Para ilustrar la utilidad de esta formulación, volvamos a examinar el método de lanzar una moneda
problema.
IX \\ 11'1 F 4-19 ~ Sea P = P (H) la probabilidad de obtener cara en un sorteo. Para una dada
moneda, a priori p puede poseer cualquier valor en el intervalo (0, 1) y por lo tanto podemos considerarlo
ser una variable aleatoria p. En ausencia de información adicional, podemos asumir
el pdf / p (P) a priori es una distribución uniforme en ese intervalo (véase la figura 4-27). Ahora
supongamos que en realidad realizamos un experimento de lanzar la moneda n veces y k caras son
observado. Ésta es información nueva. ¿Cómo actualizamos / p (p)?
SOLUCIÓN
Sea A = Uk cara en n lanzamientos específicos ". Dado que estos lanzamientos dan como resultado una secuencia específica,
(4-84)
Página 33
104 PROBABILIDAD Y VARIABLES ALEATORIAS
fp (P)
pags
FIGURA 4-27
fplA (pIA)
pags
FIGURA 4-28
y usando (4-80) obtenemos
(4-85)
peA) = 11 peA I p
El pdf a posteriori ! P (p
= p)! p (p) dp = 11 pi (! - p) "- It dp = (~ n- + k ~~~!
I A) (ver Fig. 4-28) representa la información actualizada dada
el evento A, y de (4-81)
~ (I A) = peA Ip = p)! P (p)

JplA p guisante)
. = (n (n- k)!
+ k!yo)!P qEs decir, n-it o < p <1 '" bolígrafo, k) (4-86)
Observe que el pdf a posteriori de p en (4-86) no es una distribución uniforme, sino una beta
distribución. Podemos usar este pdf a posteriori para hacer más predicciones. Por ejemplo.
A la luz de este experimento, ¿qué podemos decir acerca de la probabilidad de que ocurra una cabeza?
en el siguiente (n + l) lanzamiento?
Sea B = "cara que aparece en el (n + l) th lanzamiento, dado que se han producido k cuentas
en n lanzamientos anteriores! ' Claramente P (B I p = p) = p, y de (4-80)
(4-87)
P (B) = 11
P (B I p = p)! P (p I A) dp
Observe que, a diferencia de (4-80), hemos utilizado el pdf a posteriori en (4-87) para reflejar nuestra
conocimiento sobre el experimento ya realizado. Usando (4-86) en (4-87), obtenemos
(4-88)
PCB) = r 10 p
l
. (n + yo)! Es nk d
(n - k)! K! P q
=k +!
Pn +2
Página 34
CAPÍTULO 4 TH £ CONCEPTO DE UN variable aleatoria 105
Por tanto, si n = 10 y k = 6, entonces

7
P (B) = 12 = 0,58
que es mejor que p = 0.5.
En resumen, si la función de densidad de probabilidad de una variable aleatoria x no es
conocido, uno debe emitir un juicio evasivo sobre su pdf a priori Ix (x). Generalmente,
la distribución uniforme es una suposición razonable en ausencia de cualquier otra información
ción. Luego se obtienen los resultados experimentales (A) y se actualiza el conocimiento sobre x
reflejando esta nueva información. La regla de Bayes ayuda a obtener el pdf a posteriori de x
dado A. Desde ese punto en adelante, este pdf a posteriori Ix I A (x I A) debe usarse para hacer
más predicciones y cálculos. ~
4 · 5 APROXIMACIONES ASINTÓTICAS
PARA VARIABLE ALEATORIA BINOMIAL
Sea x una variable aleatoria binomial como en (4-56). Luego de (3-12), (4-15) y
(4-18)
(4-89)
Dado que el coeficiente binomial
(~) = (n :!)! k!
crece bastante rápido con n, es difícil calcular (4-89) para n grande . En este contexto,
dos aproximaciones, la aproximación normal y la aproximación de Poisson, son
extremadamente útil.
La aproximación normal
(Teorema de DeMoivre-Laplace)
Suponga que n - + 00 con p mantenido fijo. Luego, para k en la vecindad .Jnpq de np, como
se mostrará en el Cap. 5 [ver (5-120) y (5-121)], podemos aproximar
..
(n)
k lq "-k ~ 1 e-.J27rnpq
(k-np) 2 / 2npq p+q=l (4-90)
Esta importante aproximación, conocida como teorema de DeMoivre-Laplace. puede ser declarado
como una igualdad en el límite: La razón de los dos lados tiende a 1 cuando n - + 00. Por lo tanto, si kl y k2
en (4-89) están dentro o alrededor del intervalo del intervalo (np- ../npq, np + ../npq ),
podemos aproximar la suma en (4-89) mediante una integración de la densidad normal
función. En ese caso, (4-89) se reduce a '

CDF Condicional

Cargado por

Copyright:

Formatos disponibles

CDF Condicional

Cargado por

Información del documento

Descripción original:

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

CDF Condicional

Cargado por

Copyright:

Formatos disponibles

20/12/2020 CAPÍTULO EL CONCEPTO DE ARANDOM VARLABLE

EXAI \ IPLE 4-1

x (h) = X (f4) = X (f6) =1 II

regla de correspondencia entre cualquier estañoS, y la correspondiente x en SJ ('Para distinguir

EVENTOS GENERADOS POR RANDOM V ~ RIABLES. En el estudio de variables aleatorias,

74 PROBABILIDAD ANDRANDOMV ~ JUABLES

es un subconjunto de S que consta de todos los resultados s tales que xes) = x.

Concluimos con una definición formal de variable aleatoria.

L El conjunto {x : s x} es un evento para cada x.

DEFINICIÓN ~ La función de distribución de la variable aleatoria x es la función

es la función de distribución de la variable aleatoria x. Sin embargo, si no hay miedo a

Si 0: 5 x < 1, entonces x (h) == 1> x yx (t) = 0: 5 x. Por lo tanto

Si x <0, entonces x (h) = 1 > x y x (t) = 0> x. Por lo tanto

F (x) = PIx: 5 x} = P {ItJ} = 0

Fll00) = P {x: 5 lOO } = peS) = 1

F (29,99) = PIx : 5 29,99} = P {!!. h} = ~

Por tanto, la variable t tiene un doble significado: es el resultado del experimento y el

F (x) = PIx: S x} = P {O : S t : SI} = peS) = 1 x > yo

Si 0: S x : S 1, entonces x (t) : S x para cada t en el intervalo (0, x). Por lo tanto

F (x) = P {x: s x} = P {O: s t : S x} = x O: sx: Sl

F (x) = Pix: S xl = PIS} = 1 x 2: una

Si x < a. entonces {x : s x} es el evento imposible porque x (t) = a. Por lo tanto

PERCENTILES. El percentil u de una variable aleatoria x es el número más pequeño Xu tal

Por tanto, Xu es la inversa de la función u = F (x). Su dominio es el intervalo 0 ! :: u ! :: I,

Interpretación de frecuencia de F (x) fl1Id x .. Realizamos el experimento n veces y

Propiedades de las funciones distribndon

F (+ oo) = P {x ! :: + oo} = peS) = 1 F (-oo) = P {x = -co} = 0

CHAI'1BR 4 TfIE CONCIlPTOf II. VARIABLE ALEATORIO! 79

De (4-4) se deduce que F (x) aumenta de 0 a 1 cuando x aumenta de -00 a 00.

3. Si F (xo) = 0 entonces F (x) = 0 siempre X ~ Xo (4-5)

Prueba. Se sigue de (4-4) porque F (-oo) =

Prueba. Los eventos {x: s xl y {x > x} son mutuamente excluyentes y

Por tanto, P {x: s xl + Pix> xl = peS) = 1 y (4-6) resulta.

{x ::: X2} = {x: s XI} U {XI <x: s X2}

7. PIx = x} = F (x) - F (x-) (4-9)

Prueba. Estableciendo Xl = X - e y X2 = X en (4-8), obtenemos

Prueba. Se sigue de (4-8) y (4-9) porque

{XI : sx: s X2} =

CAPITULO 4 LA CONCSI'I 'DE UN VALOR ALEATORIO 81

Continuo, Discreto y Mixto. Tipos

continuo. En ese caso, Fx {x-) =

PIx = a} = FAa) - Fx (a-) = 1 - 0 = 1

PIx = O} = Fx (O) - Fx (O-) = q - 0 = q

{x (~) ~ x} = {TT, HT, TH} => Fx (x) = P {TT} + P {HT} + P {TH} = ~

La función de densidad de probabilidad (pd !.)

3/4 ------., .....--- 1

FIGURA 4-, FIGURA 4-10

de la naturaleza monótona no decreciente de F, l '(x), se sigue que lAx) ~ 0 para todo x. Si

Como Fx (+ oo) = 1, (4-16) produce 1: lr (x) dx =1

P {x ~ x ~ X + .Dx} ::: f (x) .Dx (4-19)

f (x) = lim P {x ~ x ~ X + .Dx} (4-20)

Interpretación de la frecuencia Denotamos por An " el número de ensayos tales que

x :::: Xes) :::: x + Ax

4-3 VARIABLES ALEATORIAS ESPECÍFICAS

Por tanto, x es el resultado del experimento y el valor correspondiente de la variable aleatoria x

- En el siguiente. discutimos brevemente una serie de densidades comunes.

Variables aleatorias continuas-'JYpe

/ x (x) = 1 er; c- / l) 2 / 2a2 (4-25)