Probabilidad de Seymour

oe chguh a, at ARS Y Ys commana PROBABILIDAD Seymour LipschutzGerente de Producto: Carlos Granados Islas Supervisora de edicién: Leticia Medina Vigil Supervisor de produccién: Zeferino Garcia Garcia PROBABILIDAD DERECHOS RESERVADOS © 1991-1968, respecto a la primera edicion en espanol por MeGRAW-HILLIINTERAMERICANA DE MEXICO, 8. A, de GV. Una Division de The McGraw-Hill Companies, Inc., Cedro No. 512, Col. Atlampa, Delegacién Cuauhtémoc, C.P, 06450, México, D.F. Miembro de la Camara Nacional de la Industria Editorial Mexicana, Reg, Num. 736 ISBN: 970-10-2179-7 Traducido de la primera edicién en inglés de SCHAUM’S OUTLINE OF PROBABILITY Copyright © MOMLXVIlI, by McGraw-Hill, Inc., U.S. A. ISBN 0-07-037982:3 901284567 IEL-94 9076543218, Impreso en México Printed in Mexico Esta obra se termind de imprimir en Noviembre de 1998 en Diagréficos Unién, S.A. de C.V. Calle Azucena Num, 29 Col, Hacienda de la Luz Atizapan de Zaragoza C.P. 54500 Edo. De México Se tiraron 2,000 ejemplaresTABLA DE MATERIAS Pig. Capitulo TEORIA DE CONJUNTOS cae Introduccién, Conjuntos, elementos. Operaciones con conjuntos. Conjuntos finitos y contables. Con- junto producto, Clases de conjuntos TECNICAS DE CONTAR 16 Introducciin, Principio fundamental del conteo. Notacién factorial. Permutaciones. Permutacio- nes con repeticion. Pruebas ordenadas, Coeficientes del binomio y teorema, Combinaciones. Parti- ciones ordenadss. Diagramas de érbol Capitulo INTRODUCCION A LA PROBABILIDAD : 38 Inwroduecién, Espacio muestral y suessos. Axiomas de probabilidad. Espacios finitos de probabil dad, Espacios equiprobables finitos, Espacios muestrales infinitos Capitulo PROBABILIDAD CONDICIONAL E INDEPENDENCIA 54 Probabilidad condicional. Teorema de la multiplicacién para probabilidad condicional. Procesos tstocisticos finitos y diagramas de arbol. Particiones y teorema de Bayes. Independencia. Pruebas repetidas o independientes. VARIABLES ALEATORIAS. 4 Introduccién. Distribucién y esperanza de una variable aleatoria finita. Varianza y desviacién estindar. Distribucién conjunta. Variables aleatorias independientes. Funciones de una variable aleatoria, Variables aleatorias discretas en general. Variables aleatorias continuas. Funcién de dis- tribucién acumulativa, Desigualdad de Tehebychetl. Ley de los niimeros grandes. Capitulo DISTRIBUCIONES BINOMIAL, NORMAL Y DE POISSON 105 Distribucién binomial. Distribucién normal. Aptoximaci6n normal a la distribucion binomial. Teo- rema centcal del limite. Distribucién de Poisson. Distribucién multinomial CADENAS DE MARKOV 126 Introduccién. Vector probabilidad, matrices estocasticas. Matrices estocdsticas regulares. Puntos fijos y matrices estocdsticas regulares. Cadenas de Markov. Probabilidades de transicion de orden superior. Distribucion estacionaria de cadenas regulares de Markov. Estados absorbentes. INDICE 152Prélogo La teoria de la probabilidad tuvo sus comienzos a principios del siglo XVII como resultado de investigaciones sobre diversos juegos de azar. De entonces acé han contribuido a su perfeccionamiento muchos matematicos y cientificos célebres, pero a pesar de su larga y activa historia, sdlo se axioma- tizé durante las tercera y cuarta décadas de este siglo. Este desarrollo axiomatico, llamado teoria moderna de la probabilidad, precis6 los conceptos de la probabilidad y los colocé sobre una firme base matematica. La importancia de la probabilidad ha crecido enormemente en los iltimos aitos. y hoy aparece, junto con su disciplina gemela, la estadistica, en casi todos los campos. como la fisica, la quimica, la biologia, la medicina, la sicologia, la socictogia, la ciencia politica, la educacién, la economia, los negocios, la inyestigacion operativa y todos los ramos de la ingenieria. El presente libro se ha preparado para un curso de introduccién a la probabilidad y solo exige como conocimiento previo el algebra de secundaria. Puede servir como texto para dicho curso, 0 como suplemento para cualquier texto comparable. También puede servir como complemento para textos y cursos de estadistica. Ademas, como ¢s completo en si mismo, se presta facilmente para estudiar por cuenta propia. Comienza con un capitulo sobre conjuntos y sus operaciones y continda con uno sobre permutaciones y otras técnicas de contar. Viencn luego un capitulo de espacios probabilisticos y otro de probabilidad condicional ¢ independencia. El quinto, que es el principal, trata sobre variables aleatorias. Alli definimos la esperanza, varianza y desviacion estandar, y probamos la desigualdad de Tchebycheff y la ley de los grandes nameros. Aunque no s¢ requieren conocimientos de célculo, se estudian las variables aleatorias, tanto discretas como continuas. Seguimos con un capitulo aparte sobre las distribuciones binomial, normal y de Poisson. Aqui se da el teorema central del limite en el contexto de la aproximacion normal a la distribucién binomial. El séptimo y Ultimo capitulo ofrece un desarrollo elemental completo de las cadenas de Markov con aplicaciones. Cada capitulo comienza con enunciados claros de las correspondientes definiciones, principios y teoremas, con ilustraciones y otros materiales descriptivos. A esto siguen grupos ordenados de problemas resueltos y propuestos. Los problemas resueltos sirven para ilustrar y ampliar la teorfa, arro- jan plena luz sobre aquellos sutiles puntos sin cuya explicacion el estudiante se sentira continuamente sobre terreno movedizo, y constituyen repeticion de los principios basicos, que es cosa tan vital para un aprendizaje efectivo. En los problemas resueltos se incluyen demostraciones de la mayor parte de los teoremas. Los problemas propuestos sirven como un repaso completo del material de cada capitulo. Deseo agradecer al Dr. Martin Silverstein sus valiosas recomendaciones y su revision critica del manuscrito. También deseo expresar mi reconocimiento a Daniel Schaum y Nicola Monti por su ex- celente cooperacién. SEYMOUR LIPSCHUTZCapitulo 1 Teoria de conjuntos INTRODUCCION Este capitule trata aleunas de las ideas y conceptos elementals de la teoria de conjuntos que son necesarios para una introduccién moderna a la teoria de la probabilidad. CONJUNTOS, ELEMENTOS, Se llama conjurto una lista o coleceidn bien definida de objetos: los objelos comprendidos en un conjunto son Ilamados sus elementos 0 miemihros. Eseribimos DEA sip eum elemento del conjunto A Si cada clemento de AA pertenece también a un conjunto B, esto es, sip € A implica p € B, entonces se dice que 4 es subconjuntu de B, 0 que esta contenido en B; esto se denota por ACB 0 BOA Dos conjuntos son iguaies si cada uno est contenido 2n el atro; esto es, A=B siysdlosi ACB y BCA Las negaciones de p €4,A CB y A= B seescriben p€d,A CB y A xB respectivamente. Especificamos un conjunto particular, 0 por la lista de sus elementos 0 estableciendo las propiedades que caracterizan dichos elementos. Por ejemplo, A = {1,3,6,7,9) significa que 4 es el conjunto formado por los nimeros 1, 3,5, 7y 9% y B = {x2 res un nimero primo,» < 15) significa que B es el conjunto de is nameros primos menores que 15. ‘A menos que se establezca otra cosa, todos los conjuntos en una investigacion se suponen sub- conjuntos de un conjunto fijo llamado conjuto universal denotado (en este capitulo) por U. También usamos el simbolo Q para indicar el conjunto vacio 0 nulo, esto es, él conjunto que no contiene elementos: este conjunto se considera como un subconjunto de cualquier otro conjunto. Asi para cual: quicr conjunto 4, tenemos PCAC. Ejemplo 1.1: Los conjuntos 4 y # anteriores pueden también eseibirse como A = (8:2 cs un nimero impar, ¢< 10) y B= (@,8,5,7, 11, 18) Notexe que 9 € A pero9 EB.y 11 © # per ll EAs mientras qeIEAYIEBYCEAYO ES2 TEORIA DE CONIUNTOS [cart Ejemplo 1.2: Usamos los simbolos especiales siguientes IN = conjunto de los enteros positives: 1, 2, 3, Z = conjunto de los enteros: «.., 2, —1, 0,4. R = conjunto de los nimeros reales. Asi tenemos NCZCR, Fiemplo 1.3: Los interaios sobre la linea real, definidos a continuacién, aparecen muy frecventemente en matemé- Hicas, Aqui a yb son ndmeros reales com a'< b Intervaloabierto dea a & (0,0) = e:0<2<5) Intervalo cerrado de a ab = [ab] = er 0se<8) Intervalo abierto-cerrado.de.a ab = (a,8] = (2: a 9 (a a ne): Desarrollar y simpliicar: (§) @e+y%, (i) (@*— Sy), (ill) Ja +26)%, (iv) 2a®—b)8. mena Gye Gane ae cwnmeee(i)=()2 (= Gee G) 2 * Haar el trmino el desarzolo 2x4 - 4y3)8 que contene x* 4 Hallar el término del desarrollo (3xy% ~ 22)7 que contiene y®.CAP. 2] TECNICAS DE CONTAR 33 COMBINACIONES: 2.58, Una clase consta de 9 nitos y 3 nifas, (i) 2De eutntas maneras el profesor puede escoger un comité de 4? ‘oinitéscontardn con una nia por lo menos? (il) ;Cudntos tendrén una nia exactamente? iCvtnos 256 Una seioca tiene 11 amigos de confianza. () {De cudatas maneras puede invitar$ de ellos a comer? (i) 4De culntas ma eras si dos son easados y no asisten el uno sin el otro? (i) ;De cuantas maneras si dos de llos no la van bien no wsisten santos? 2.57, Hay 10 puntos 4. B, nun plano: en una misma line no hay tres. () {Cuantaslineas Forman los puntos? (i) {Cusn- tas lineas no pasan por 4 0 B? (ii) {Cusntos tridngulos determinan lo puntos? (iv) Cudntos tringulos de estos se forman, con el punto A? (s) ,Cvintos riangulos contienen e lado AB" 258. Unestudiante tiene que resolver 10 preguntas de 13 en un examen. (i) {Cudntas maneras de escoger tiene? (i) (Cudintas, si las dos primeras son obligatorias? (ii) {Cudatas, si una de las dos primeras es obligatoria? (iv) {Cudnas, si tiene que Gontestar exactamente 3 de las $ primeras? (v) {Cudntas, si tene que contestar por lo menos 3 de ls 5 primeras? 2.59, A.una persona se le reparte una mana de poker" (S cartas) de una baraja corriemte. ,De culntas maneras puede recibir. {i) una esealera Mor? (i) un "poker"? (i) una escalera? (iv) un par de ases? (©) un par cualquiera (dos cartasiguales)? 2.60. Elalfabeto inglés tiene 26 letsas de las cuales 5 son vocales i) @Cuantas palabras de 5 leeas, 3 consonantes diferentes y 2 vorales diferentes, se pueden formar? (ii) {Cudntas de éstas contienen fa letra 8? {€usitas contienen lab y lac? liv) {Cuaintas empiezan por b y contenen ¢? (0) {Cudntas empiezan por b y terminan por ¢? (i) {Cusntas contienen las letras 0 y 6? (iy {Cuantas empiczan por a y contienen 8? (ili) 0. 8 Yombresdo. Teorema 3.4: Si 4 y Bson dos eventos, entonces P(A\.B) = P(A) — P(ANB) Demostracién: A se puede descomponer en los eventos mutuamente exclusivos ANB y ANB; esto os, A=(A\B)U(ANB). Por consiguiente, por [Ps], P(A) = P(A\B) + P(ANB) de lo cual se obtiene el resultado. A sombreadocar. 3) INTRODUCCION A LA PROBABILIDAD a ‘Teorema 3.5: Si A y B son dos eventos, entonces P(AUB) = P(A) + P(B) — P(ANB) Demostracién: Obsérvese que AUB se puede descomponer en Jos eventos A\B y B mutuamente exclusivos; esto es, 4UB = (A\B) UB. Entonces por [Ps] y el teorema 3.4, P(AUB) = P(A\B) + PB) () P(A) — P(ANB) + P(B) a B P(A) + P(B) - P(ANB) AUbmaue que es el resultado buscado. Aplicando el teorema anterior por segunda vez (problema 3.23) obtenemos el Corolario 3.6: Para los eventos A, By C, P(AUBUG) = P(A) + PB) + P(C) — P(ANB) ~ PANG) — P(BNC) + P(ANBNC) ESPACIOS FINITOS DE PROBABILIDAD Sea un espacio muestral finito; digamos, S= (a1, 2, ...,2a}. Un espacio finito de probal lidad se obtiene al asignar a cada punto &%€S un ndmero real 74, llamado probabilidad de a» que satisface las propiedades siguientes: @ cada p es no negative, p= 0 Gi) la soma de los es uno, i+ Pat +--+ + Ps = 1. La probabilidad P (A) de un evento A, se defite entonces como la suma de las probabilidades de los puntos A. Por conveniencia de simbolos escribimos P(ai) en lugar de P({os}). incense tres monedas y absérvense el nGimero de earas que resulten; entonces el expacio muestral es 5 10.1.2,31, Obtenemos un espacio de probabilidad por medio de las siguientes asignaciones PO) =} PO) =% PQ) =§ and PO = 4 puesto que cada probabilidad es no negativa y la suma de las probabilidades es 1, Sea A el evento en fae aparece una cara por lo menos y sea B el evento en que aparecen todas caras o todos sellos A= 0,23) y B= 8) Ejemple 3.5: Entonces, por defnicion, Pla) = PO) +P) +P@) = Ft AtE HE : P@) = PO) +P@) = ¥+4 = 4 Ejemplo 26: Tres caballos A, By C interviencn en una carrera; A tiene doble posibilidad de ganar que B: y B. doble de ganar que C. ;Cusles son las respectvas probabilidades de ganar, esto es, (4), P(B) y P(C)? Sea P(C)~ p: como B tiene doble probabilidad de ganar que C. P(B) = 2p; y puesto que A tiene el doble de B, P(A) ~ 2 (B) = 2p) = 4p. Ahora como la suma de las probabiidades debe ser 1; entonces ptipt4p=1 6 jai o p=t En conseeuencia, PU) = 4p =§, PB) = = PO = P= Pregunta: {Cual es la probabilided de que Bo C ganen, 0 sea, P({B, C))? Por definicién PUB,C) = PB) +P) = H+4 =Fa2 INTRODUCCION A LA PROBABILIDAD (CAP. 3 ESPACIOS FINITOS EQUIPROBABLES Frecuentemente, las caracteristicas fisicas de un experimento sugieren que se asignen iguales probabilidades a los diferentes resultados del espacio muestral. Un espacio finito § de probabilidad, donde cada punto muestral tiene la misma probabilidad, se llamara espacio equiprobable o uniforme. En particular, si S contiene 1 puntos entonces la probabilidad de cada punto es 1 /n, Ademas, si un t wt evento 4 contiene r puntos entonces su probabilidad es 7 En otras palabras, P(A) = -mimero_de elementos de A - Ej bee niimero de elementos de Sf n> niimero de maneras en que el evento 4 puede suceder a Py ‘numero de maneras en quel espacio muestral 5 puede suceder Hacemos hincapié en que la formula anterior para P(A) puede wtilizarse solamente con respecto a un espacio equiprobable, y no puede usarse en general. La expresin “al azar" se usar solamente respecto a un espacio equiprobable; formalmente, la proposicién “escoger un punto al azar de un conjunto S” significa que S es un espacio equiprobable, esto es, que cada punto muestral de S tiene la misma probabilidad. Ejemplo 3.7: SelevsiGnese una carta al azar de una baraja corriente de 52 cartas. Llamemos A = Sespadas | y B = figuras, es decir J, Qo KI Caleslemos P(4), PCB) y PLA 7B). Como se trata de un espacio equiprobable, _alimeso de espadas 13 _ 1.0.28 niimero de figuras PUA) = “Somer de catias ~ 52 ~ 4 957, POP) = “numero de eartas nimero de espadas que son figuras _ 3. Un is miimero de eartas 52 Fjemplo 3:8: Sean 2aticulos esopidos al azar den grupo de 12 de os cas 4 son deectuoss, Sea 4 dos articulns defectwosos! y B= | dos articulos no defectuoses | Mallar P(A) y PCB). Ahora puede seeder de (12) = 66 maneras, © nimero de veces en que se pueden escoger 2 articulos 2 entre 12 A puede suceder de (1) = 6 maneras, 0 nimero de veces en que se pueden escoger 2 articulos defectuosos entre 4 defeetuosas: & puede suceder de (5) = 28 manerss, o nimero de veces en que se pueden escoger 2 arteulos no defestuosos entre 8 no defectuosos. Por consiguiente, P(A) Pregunta: {Cuil es la probabilidad de que por lo menos un articulo sea defeetuoso? Ahora C= fun aniculo por lo menos es defectuoso | es el complemento de By esto es, C— B® Asi, por el teorema 3.2, PQ = PIB) = 1-P@) =1-¥= 8 La ventafa con que un evento de probabilidad p suoede, se define como la relacién p= (1 —p). Asi, la ventaja de que por lo menos un articulo sea defectwoso es 32:44 6 19:14 que selee “19 a |CaP. 3] INTRODUCCION A LA PROBABILIDAD a Fjemplo 3.9: (Problema cisco del cumpleafos.) Se desea hallar ta prohatildad p de que personas tenganfeehes (ftewentes de cumpleafon. Para resolver este problema, no tenemos en cuenta Jos wes Biseslos y $4pO- enor que el cumpleaios de una pertona puede caer en un dia con igual probubilidad Pesto que hay m personas y 365 das diferentes, hay 365" maneras de que personas puedan eumplir aos Por ota pale, ls m personas curmplen en feshas dstinias,entonees ts primera persons fede acer en cualguier dia de Jos 34% a senunda nude naceren cualauier de fs 368 das resantes. Tr vecera, en for 363 restantes. ele. Asi hay 365364363 -(365—m +1) mancrax para quem personas tenpan fechas diferentes de cumplestios. Por consiguients, 365+264-963---(365—n+1) _ 365, 964, 963. 865-2 +1 a6 SC~*~*~*~*S:*«S ES 8S 365. ‘Se puede comprobar que para n= 23, pe J: en otras palabras, de 28 personas en adelante es as rll que por lox menos dos de elas tng el mismo aia de eumpleafos.t ane todas iiran de esha ESPACIOS MUESTRALES INFINITOS Sea $ un espacio muestral infinito contable: ex decir, S= (a1), ...}- Como en el caso finito, obtenemos un espacio de probabilidad usignando a cada a, €$ un nimero real ps, Namado su probabilidad, tal que neo yy Gmtmte = Saat La probabilidad P(4) de un evento 4 8 entonces la suma de las probabilidades de sus puntos Ejemplo 3.10: Considérese el espacio muestral S fe aparecce una eara: aqui denota el nero de veces en que x lanai moneda. Un espacio probabilidad se obiiene designando pil) = 22) Los nicos espacios muestrales no contables $ que consideraremos aguf son aquellos de medida geométrica finita m(S) tales como longitud, area o volumen, y en los cuales un punto se sslecsiona al seat, La probabilidad de un evento A, esto es, aquella en que el punto seleccionado pertenece = 4 es entonces la relacin de m(A) a m(S); 0 sea sol del experimento de tinzar una moneds hasta Je praer Ree ES ple) = 0 volumen de A volumen de S longitud de P(A) ="ongitud de S ° P(A) Se dice que un espacio de probabilidad tal ¢s uniforme. o P(A) empl 3-11; Sobre a oa real Rs seleciona al azar los punios ay bialesane —2 = 8= 0 y O02 5 ome se muestra luego, Hallar la probabilidad p para que la distencia d entre @ y b sea mayor que 3 ae 4 (ee a a a 7 El espacio muestral consta de todas las parejas oF enadas (@. 8) y forma asi lz region rectangular que s€ indica en el diograma adjunto, Por otra parte. el conyunto, 1A de puntos (a, 6) para los cuales d= a b> 3 cons {a de aquéllos puntos de S que cacn debajo de Ia tinea wy forman por to tanto la superficie sombreada 4] diageama. En consecuencia area de p= PUA) = Grea de 5 ede 22s Nota: Un espacio de probabilidad finito o infinito contable se dice que es disereto, y un espacio no contable se dice que es no discretoINTRODUCCION A LA PROBABILIDAD [caP. 3 Problemas resueltos ESPACIOS MUESTRALES Y EVENTOS 3.1. Sean los eventos A y B. Hallese una expresién y represéntese el diagrama de Venn para el evento 32. 33. en que: (i) A ocurre pero B no, esto es, sucede A solamente; (ii) A o B suceden, pero no ambos, esto es, sucede exactamente uno de los dos eventos. (i) Puesto que A pero no B sucede, se sombrea la superficie de-4 exterior a A como en la figura (a) indicada. Observa: ‘mos que ® (complemento de A), sucede, desde que B no suceda; esto-es, A y B® suceden: en otras palabras, eleven toes ANB Sucede 4 pero no 2, Sucede uno de los dos 4 0B, @ ero no ambos. @ (ii) Puesto que sueede 4 0 B, pero no ambos, se sombrea la superficie de Ay B salvo su interseccién como en la figura (4) anterior. Elevento es equivalente a A. siB no sucede; 0 2 B, si A no sucede. Ahora, como en el casa (i), A, pero no Bes el evento AMBE: y B, pero no 4 es el eventy BAC. Entonces el evento dado es (ANE) U (BAAS). ‘Sean los eventos A, By C. Hallar una expresién y representar el diagrama de Venn para el evento en que, (i) suceden 4 y B pero no C, (ji) sucede 4 solamente. (i) Puesto que A y B pero no C suceden, se sombrea la Intersecci6n de A y B que eae fuera de C. como en la figura (a) indicada luego. El evento es ANBOG®. A {\ 2) CSL) Ss 7 Suceden 4 y B pero no C. Sucede 4 solamente. @) 0) (Gi) Puesto que solamente sucede, se sombrea la superficie de A que cae fuera de B y de C, como en Ia figura (b) anterior. Elevento es AMBencs, ‘Tengamos ¢l caso de Janzar una moneda y un dado; sea el espacio muestral $' que consta de doce elementos: S=IHI, H2, H3, H4, HS, H6, TI, 12, 13, 74, TS, T6! (i) Expresar explicitamente los siguientes eventos: 4 =| aparecen caras y un nimero par |, B=! aparece un némero primo !, C= | aparecen sellos y un nimero impar!, (ii) Expresar explicitamente el evento en que: (a) A 0 B suceden, (b) B y C suceden, (c) sucede 8 solamente. (iii) {Cuales de los sucesos A, By C son mutuamente exclusives?CAP. 3) INTRODUCCION A LA PROBABILIDAD 45 (Para obtener A, escopemos aquellos elementos de S que constan de una cara Hy wn mimero par: A =| H2, Ha, H6!. Para obeenct B, escogemos aquellos puntos de S que constan de un mimero primo: = { H2, H3, HS. 12,73, TSI, Para obtener C. escogemos aquellos puntos de S que constan de un sello T y un nimero impar: C ~ | T1, 73, 73h Gi) @) 40 B= AU B=1H2, HA, HG, H3, HS, 12, 13, TS! () By C=BNC HIT, TS! (e) Escoger aquellos elementos de B que no caen en A nien C: BNASNG* = (HS, H5, 72}. i) A-y C son mutuamente exclusives puesto que ANC =O ESPACIOS FINITOS DE PROBABILIDAD 34, 35. 3.6. Supongamos un espacio muestral S que consta de 4 elementos: S = (01, da, 4s, 04), ;Qué fun- ‘cidn define un espacio de probabilidad S? (i) Pla) =4, Plas) =4, Plas) =4, Pla) = 4. (ii) P@i)=4, Pa) =4, Pla) =—4, Pa) =4- (iii) Pla) = 4, Plas) = 4, Plas) = 4, Plas) = 8 (iv) Pla) =4, Pla) = 4, Plas) =4, Pla) =0. Como la suma de los valores de los puntos muestrales es mayor que uno, g++ $+ = gp la funcion no define un espacio de probabilidad 5. (i) Como P(as) = —f, nimero ncgativo, la funcién no define un espacio de probabilidad S. Gil) Como cada valor es no negativo, y la suma de los valores es uno, $+ E+ $+ § = 1, la funciOn define un es pacio de probabilidad 5. (Gv) Los valores son no negativos y suman uno: por lo tanto la funcién define un espncio de probabilidad S. Sea S = {@1,02, 3,04}, y sea P una funcion de probabilidad de S. (i) Hallar P(a:) si Pas) = 4, Ples) =, Plas) = 4- (ii) Hallar Pla) y P(e) si Pla) =Pla)=% y P(ar)=2P(m). (ii) Hallar P(aa) si P((as,02}) = 4, P({anaa})=4 y Pla) = 4. (i) Seu Play) ~ p. Entonces para que P sea una funsién de probabiliad, ln suma d las probabiidades de los puntos mmvcsteales debe ser uno: p+gtgtg=1 0 P= a6 Sea Pla) =p. entonces Pla;)=2p. Pot lo tanto 2+p+$+b= 1 0 p-% Ad Pad by Pa) = ii) Sea Plax) ~p- Pla) = Pitan ast) — Pe) = 8-4 = 4 Pla) = Plana) — Pe) = 4-4 = Entonces p+p+hth=1 0 p= hy oto os, Pla) =t- 0 Una moneda estd cargada (aumentada de peso) de modo que la posibilidad de salir cara (H) sea el doble que la de sello (T). Hallar P(T) y P(H). Sex PCT) =p entonees PCH) = 2p. Aboraelablceros In sua de probablidde,igul a un: p + 2p = 1 oped. MPG) =p= by POD = I~ 446 INTRODUCCION A LA PROBABILIDAD. [cap.3 3,7. Dos hombres, hv y hs, y tres mujeres, mrs, ma, mt, intervienen en un torneo de ajedrez. Los del mismo sexo tienen iguales probabilidades de ganar pero cada hombre tiene el doble de posibili- dades de ganar que una mujer. (i) Hallar la probabilidad de que una mujer gane el torneo. (ii) Si fs y mi son casados, hallar la probabilidad que uno de ellos gane el torneo. Selon) = ps entonees Pion) = Pim) = py Pls) = Blk) = 2p. Luego dsigemos por uo a sums de tne probalidades dels en puntos nicdes: phn +e 4 2p — lo p< Buscamos. () Pa mcm’) ¥ (2) Bhs, 8D Eatonees po defini, Pima) = Pim) + Ply + Any= bE EE HB Poh + Fy) Poa ms bres 3.8, Sea un dado cargado tal que la probabilidad de salir un namero cuando se lanza el dado es pro- porcional a dicho nGmero (por ejemplo, 6 tiene el doble de probubilidad de salir que 3). Sea A = {nimero par!, B =} nimero primo!, C = {niimero impar () Deseribir el espacio de probabilidad, esto es, hallar la probubilidad de cada punto muestral (ii) Hallar P(A), PB) y PCO: (iii) Hallar la probabitidad de que: (a) salga un némero par o primo; (b) salga un nimero impar primo: (c) sueeda 4 pero no B. G Sea Pll) =p. Enionces PR) = 2p, PO) = 3p. PUA) = 4p, POS) = Sp y PCG) = 6. Come la suma de las probabildades debe ser uno, obtenemos p + 2p + 3p + 4p + 5p +6p =o p= 1/2l. Asi Pay=h, Pe) = hb P= PO=a PHF (iy P(A) = PC2,4,6) = $ PUB) = PUR3,5)) = ft, PU) = PUCA,3,5)) = 9. (iy (a) El evento de que stigs un ndmero par o primo es A UB ~ (2,4,6,3,5% o que nosilga. Asi Ptaug) = 1—Pa) = 2 (A) Elevento de que sulga un nimero primo impares BOC = (8,5). Asi, (BNC). = PUB,5)) (e) Hl evento cn que cide 4 pero nu B es ANB? = (4,8). Por tanto PANBS = P(A, 6) ESPACIOS FINITOS EQUIPROBABLES. 3.9. Determinar ta probabilidad p de cada evento (i) que salga un némero par al lanzar un dado normal; (ii) que resulte un rey al sacar una carta de una baraja corriente de 52 cartas; (iii) que aparezea por fo menos un sello al lanzar tres monedas normales; (iv) que aparezea una bola blanca al sacar una sola bola de una urna que contiene 4 blancas, 3 rojas y 5 bolas azules: ) Hh evento puede ati de tes manetas (2; 48.6 46 cast igualmente piles pat comsiuinte: p= F=f. (iy May reyes as 5 ara: poo ants. w= a fon $1 vomsideramos lay monedas marcidas, entonces hay # cases igualmente posibles: HHH, HHT, HTH, HTT. THE. THE. TTH, TTF, Solamente el nrimer casa no es favorable para el evento deseado; por consiguiente p = 5 ny May 4 12, bolas: de las eves 490m blancas; por fo tanto. pcar. 3] INTRODUCCION A LA PROBABILIDAD a7 43.10. Se sacan dos cartas al azar de una baraja corriente de 52 cartas. Hallar la probabilidad p de que, {i las dos sean espadas, (ji) la una espada y la otra coraz6n. Hay (12) = 1826 maneras de sacar 2 cartas de 52 Hay (2) "78 maneras de sacar 2 espaiss de 13; 0 58 = nimero de maneras-posibles de sacar 2 6 ra Se aoanermnbis desea era 7 g5- AT (Gi) Puesto que hay 13 espadas y 13 corazones, hay 13 +1 169 maneras de saca® una espada y un corazén: 0 sea BAL. Se escogen al azar tres lémparas entre 15 de las cuales 5 son defectuosas. Hallar la probabilidad p de que, (i) ninguna sea defectuosa, (i) una exactamente sea defeetuosa, (iil) una por te menos sea defectuosa tt (8 4455 maneras de escoger 3 imparas entre 13. i, pueno que hay 15 — 5 = 10 lrparas no defectors, cnlones hay (8) = 120 maneras de ecoger 9 Kimpe ras no defeciuosas. Asiqe p= = Hh Gi). Hay 5 limpars deecuoss y (f) = 48. pares diferentes de lamparat no, defetost: por spmiglente ay Bots = 226 maneras de cscoger 3 ldmparas de las cules una es dfeciuosa, Entonces p= 3ep = $y j) El evento cn que po fo menos una sea defectosa esol complemento del evento en que ninguna ex deertuose ae tiene seein (), probstildad 2. Entonces p= 1— 3 = 3,42. Se seleccionan al azar dos cartas entre 10 cartas numeradas de | a 10. Hallar Ia probabilidad p de que la suma sea impar si, Gi) las dos cartas se sacan juntas, (i) se sacan una tras otra sin sus titucién, (ii) las dos cartas se sacan una después de la otra con sustitucién. (Hay (19) = 48 maneras de lesono 2 10 cra. La sara e par sion met impale par, Hay Feasts pares 5 impare; enonces hay B* 6 = 25 mancras de esoger un nimero par y uno impar. Asi Gi) Hay 10-9 = 90 maneras de sacar dos carts una primero que fa ott sin sustitucion, Hay 5~6 = 25 mancras de escoger un nGmezo par y uno impar.y 55 = 25 maneras de sacar un ndmero impary luego Uno par; por tanto (ii) Hay 10+10 = 100 maneras de sacar dos cartas una después de la otra con sustituetén, Como en (i), hay 8° B = 2érnanceas do sacar un ndimero pury luego ano impar, y 56 = 26 mancras de sacar un nbmero impary eee midpiece yee ee 3.13. Seis parejas de casados se encuentran en un cuarto, () Sise escogen 2 personas al azar, hallar 1a probabilidad p de que, (a) sean espos0s, (b) uno sea hombre y otro mujer (ii) Sie escogen 4 personas al azar, hallar la probabilidad p de que, (a) se escojan dos parejas de casados, (b) ninguna pareja sean casados entre los 4, (c) haya exactamente una pareja de casados entre los 4 (iii) Silas 12 personas se reparten en seis parejas, hallar la probabilidad p de que, (a) cada parcia sean casados, (b) cada pareja la forme un hombre y una mujer4B INTRODUCCION A LA PROBABILIDAD ICAP. 3 Hay CY = 66 mancas de sone 2 persona at 12 (ay Hay 6 parca de cans: orl tame » = &h= alerts ere ores ade neons ace cat ele = (i) Hay C8) = 496 mancras de escope 4 personas de 12. (a) Hay (8) = 18 mancras de esconer 2 parcias de las 6 0 30a p= a= Se (8) Las 4 personas venen de 4 parejas diferentes, Hay (§) = 16 mneras de escoger 4 parcas de las 6, y hay 2 rine Atcisipe ia ervOnMOtla pet Gane igesy = ELE () Este evento es mutuamente dsyunio de los dos eventos anteriores (que también son mutuamente disyuntos)y por lo menos debe suceder uno deetos dos. Por lo tanto p++ H#=1 6 pai. Hay gaf@har = fff mancras de reartic as 12 personas en 6 flulas or denadas con 2 personas en cada una (a) Las 6 parejas pueden ser colocadas en 6 clas ordenadas de 6! maneras. Osea p= atta = ioSas (6) Cada uno de los 6 hombres se pueden colocaren 6 ols de 6! manerasy cada una d as 6 mujeres lo mismo Por comiguisne a 3.14, Una clase consta de 10 hombres y 20 mujeres de los cuales la mitad de los hombres y la mitad de las mujeres tienen los ojos castafos. Mallar la probabilidad p de que una persona escogida al azar sea un hombre o tenga los ojos castaiios. Sea A = la persona es un hombre! y B = 1a persons tiene ojos castatos |. Buscamos la AU UB) Entonees P(A) 3, PUB) = B= 4, P(AOB) P(AUB) = P(A) + PB) —P(ANB) = 4+4-4 = 98 Asi por el teoreme 3.5, = > ESPACIOS UNIFORMES NO CONTABLES 3.15. En el interior de un circulo se selecciona un punto al azar, Hallar 3.16, la probabilidad p de que el punto quede mas cercano al centro que a la circunferencia. enotemos por S el eonjunto de fos puntos interiores al circulo de radio y denotemos por A el conjunto de los puntos interires al eiteuloconcéatrio de radio (Asi, 4 esté formado precisamente por aquellos puntos de S que estan mas cer- anos asu centro que a su cieunferencia.) Por consiguiente, wade A _ rj? 1 p = PIA) Considérese el plano cartesiano R#, y designese X como el subconjunto de puntos para los cuales ambas coordenadas son enteros. Se lanza una moneda de diametro ¥ al azar sobre el plano. Ha- Ilar la probabilidad p de que la moneda cubra un punto de X. Denotemos S el coniunto de puntos inieriores del cuadrade eon extremos oun imtintt) (on), (on, 040), (m+4,n), (m+1,n41) EX Dy | Denotemos A el conjunto de puntos de $ de distancia a las esquinas inferiores a $, (Obsérvese que el érea de A es igual al rea interior del circulo de radio 4.) Asi una moneda cuyo centro cae en S cubrita un punto de Xs y silo si su centro cae en tan punto de A. Segin esto, faaea) ure papa = Hee = Le won [ey Nota: No 36 pueden considerat 10s 0s de R?poraue fe tene dre ine (4 atta) ft, eSeisbfeaCAP 3 INTRODUCCION A LA PROBABILIDAD 49 3.17. Tres puntos a, b yc deuna circunferencia se escogen al azar. Ha- llar ka probabilidad p de que los puntos caigan sobre el mismo semi-circulo. i Supongamos que la longitude fa eieunferencia wea 2s. Denotemos xl ane ud del arco ub en el sentido del movimiento de las agulas del rela} y denotemos fla longitu del arco aren et minmo sentido, Ast Ocre Gy zy>e (Wl vee y Bo¥>e Entonces 4 consta de agusllos puntos para fos euales se cumple que a. by ¢ cuen sobreclsemisieulo AT aes det gat 8 Geadey > 4 = 4 4 sombreade PROBLEMAS VARIOS: 3.18. Sean 4 y B eventos con P(A) =, P(B) y P(ANB)=4. Hallar (i) P(AUB), (i) P(A. y PUBS, (iii) P(ASNBO, (iv) P(ATUB9, (¥) P(ANB), (vi) P(BNAY). ( PIAUB) = P(A) + PB) — PANA) = B+ 4-4 Gi) Plas) = 1 P(A) = y PB) =1-PB) =1-4=4 (Gil) Usando la ey de De Morgan, (AUB)° = AenBS, tenemos P(den Be) = PUAUBY) = 1-P(AUB) = 1-8 = (iv) Usando la ley de De Morgan, (ANB)® = ASUBY, tenemos P(ACUB) = P(ANBy) = 1-P(ANB) = 1-4 = 8 Equivalentemente P(AtUB). = P(A) + P(B) — PUN) = §+4-F = 4 (e) PNB) = PANE) = P(A) P(AnB) = 8-4 = 4 P@) Pian) = 4-4 = 4 0 (wi) PA 3.19. Sean A y B eventos con P(AUB) = §, P(A) = # y P(ANB) = 2. Hallars (@ P(A), (ii) PB), (itl) P(ANBY. @ PA) =1-Pa9 = 1-9 = 4 i) Remplazamos en P(AUB) = P(A) + P(B) — P(AMB)paraobiener = $+ PB)— 4 0 PLB) Gi) PAnBS = P(A)— (ANB) = 4-4 = 3.20. Hallar la probabilidad p de un evento si la ventaja de que ocurra es a:b, esto es “a ab” La ventaja de que un evento con probabilided p suceda es la relacién p (1 —p). Porlo tanto wo eee Spay ea ie 3.21. Hallar la probabilidad p de un evento si la ventaja de que suceda es “3 a 2”. Podemos usar también la frmula del problema anterior para obtener directamente50 3.22. 3.23. 3.24, INTRODUCCION A LA PROBABILIDAD ICAP. 3 Se lanza un dado 100 veces. La tabla siguiente detalla los seis nimeros y la frecuencia con la cual aparece cada nimero: Se ee eee race Hallar la frecuencia f del evento en que, (i) aparezca un 3, (ii) aparezca un 5, (iii) aparezca un nimero par, (iv) aparezca un niimero primo. nGimero de sucesos La frecuencia relative f= a @ f= i= 020 Gi) f= = EES 051 (iv) f= WARE 952 Probar el corolario 3.6: Para los eventos A, By C. P(AUBUC) = P(A) + P(B) + P(C) — P(ANB) — P(ANC) - P(BNC) + P(ANBAC) Sea D= BUC. Lucgo AND = An(BUC) = (ANB)uU(Ang) y P(AND) = P(ANB) + PANG) = P(ANBNANC) = P(ANB) + P(AnC)— P(ANBNC) Asi P(AUBUC) = P(AUD) = P(A) + P(D) ~ P{AND) = P(A) + P(B) + P(C) = PBN) = [P(ANB) + PANO) — PNB) = P(A) + P(B) + PQ) — BNO) — P(AnB) ~ P(ANC) + PANBNO) Sean S = {a1, a2, ...,4s} y T = (1, ba, ..., bs} espacios finitos de probabilidad. Sea el nt- mero pi = P(a:) P(b)) asignado a la pareja ordenada (a,,b,) del conjunto producto § x T — {(s,t):8 ES, £7}. Comprobar que el py define un espacio de probabilidad de Sx T, esto es, que los py son no negativos y suman uno. (Este es el llamado espacio de probabilidad producto. Hacemos énfasis que esta no es la nica funcién de probabilidad que se puede definir del conjunto producto S x T.) Puesto que P(a), P(bj) = 0, para cada iy cadaj, py = Pla) P(b,) = 0. Ademas, Part Pg toes + pee Par Pag tooth # pee tote + pa + pap tooo + Dye P(ay) P(by) + +++ + Ploy) P(b,) + +++ + Pla) Pld) +. + Pla,) P(e) = Plap)[P(by) + ++ + PCY] +--+ + Pla,)[P(by) + -+- + PD) = Pa) lt +++ + P(a,)-1 = Pla) + +++ + Play =2AP. 31 INTRODUCCION A LA PROBABILIDAD si Problemas propuestos 'SPACIOS MUESTRALES Y EVENTOS oe, Sean A y B evettos Mallar ln exresiény usar dagrdsia de Venn paral evento en gue, G) sods a a 008, (i) ni 4 fi B suceden, (26. Sean A, By Covent, Hallarn expresién y usar el diagrama de Venn para cl evento en qué (@) sicede exactaren's tmp Seon i) suceden por lo means dot de los eventos, (i) ninguno de os eventos suede, (iv) sucede 4 0 8. pera no. lat, Sea el caso de lanzar una moneda de centavo, una de diez centavos y un dado, ()_Esoribir el espacio muestra 5 apropiado, fi) _Enprentexplitamente ls eventos siguientes: 4 ~ [que aparencan dos cars yun numero primal, # — | que apurerca un 2, C ~ | que aparezcaexactamente una cae y un mero prio | (Gy. Exprearexpliciamente el evento en que, (a) A y B sucedn, () sucede solamente B (2) s¥oate Bo C ESPACIOS FINITOS DE PROBABILIDAD 328, Cuillsfunciones definen un espacio de probablidad de S = (0s, ,09)7 @ Pla) 4 Flop = 4. Pled) (i) Pla) = % Plas 0, Plas) = 4s Plo) = & fy 05,05). Hallar Play) si, (I) Pla) = $y | Plas) = 3.29, Sea Puna funcin de probabitidad de S i) PC(a.0q)) = 2P(@) Civ) Pes) = 2P(e2) Y Gi) Pl) = 2P(a) y Plead P(a;) = $P(a). 4.30.) Secarga una moneda de manera qu la posiilidad e salir eaasea res veees Inde sli sll, allar PCH y PCT). an. “Tres estudiantes A, By € aterienen en una pruc de nation. Ay B Senen In misma roti de ganar yo ble dela de C. Hallarla probabilidad de que gane #0 C. sua_Se carga un dado de ranera que ls nimerot pares tienen el dle de poiliad de ai gusts imparcs, Halt 1 ie, Sar ge que, () aparezea un nomera par, (3) aparezca un nimero prio, (i apareaea ua mero pat, (8) spe rezea un abmero primo impar. 1423, Hallar ia probabilidad de un evento sila ventsja de que suceda es, (f) 241, (i) S11 sh34, Ea una carera de natci, la vntaja de que A gances 2a la venta de que Bgane cs 104. Halle probubiidad p ya ventaja de que 4 o B ganen la carrera ESPACIOS FINITOS EQUIPROBABLES 435. Una case ext formada por 5 estudiantes de primero, 4 de sudo, 8 de pendtimo y 3 de timo afo Se ects a ce tia repenenta la clase, Hala la probabildad de que el estudiante sea, (0) de sepundo, (@) de time Aa (il) de pendttima 0 de dltime ao. 346, “Se-eicroma une cari al azar cure $0 carts numeradas de 1 $0, Haar fa proba de quel ime den ar sea, (i) divisible por $, (i primo. (it) termine en dos Sri De'les 10 nas de ua clase, nen ojos anil. Si st eicogen do fas al azar eu a erobaiiad! de au (D has Bees gun ops azul? (i) ninguna tenga ojos azaes? Gi) na por lo menos tenga ojos azles? saa, Tres toilosy tes eras estan en ona cj, Sse cose don pizas al azar, halla la probabilfed deste oP tio y una tueres52 INTRODUCCION A LA PROBABILIDAD ICAP. 3 3.39. Diez estudiantes, 4. B, .... estén en una clase, Si se escoge un comité de 3 al azar, hallar la probabilidad de que, (i) A Pertenezea al comité, (if) B pertenezca al comité, (il) A y B pertenezcan al comite, (i) 4 0 B pertenezca al comité 340. Una clase consta de 6 nifas y 10 nifios. Si se escoge al azar un comité de 3, hallar la probabilidad de, (i) seleccionar tres ninos, (li) Seleccionar exactamente 2 nifos, (ii) seleccionar por lo menos un nifio, (iv) seleccionar exactamente 2 nifas 3-41, Se lanza un par de dados corrientes. Hallar la probabilidad de que la suma de los dos nimeros sea mayor que 4. 3.42. De 120 estudiantes, 60 estudian francés, $0 estudian espafiol. y 20 estudian francés y espafl. Si se escoge un estudiante al azar, hallar la probabilidad de que el estudiante, (i) estudie francés y espaol, (i) no estudie francés ni espahol. 3.43. Tres nifios y 3 nifias se sientan en fila, Hallar la probabitidad de que, ()) las tres nas se sienten juntas, (ji) los niios y las nifias se sienten alternados. ESPACIOS UNIFORMES NO CONTABLES 3-44, Se escoge al acar un punto interior a un triéngulo equilétero de lado 3. Hallar la probabilidad de que su distancia a un vérlice sea mayor que 1 3.45. Se lanza al azar una moneda sobre el plano cartesiano R?. Hallar Ia probabilidad de que la moneda no corte ninguna linea uya ecuacion sea dela forma, (a) x= k.(b) x+y = k.(e) x= k oy =k. (Aqui kesun entero.) 346. Se escoge al azar un punto x sobre un sezmento de recta 4B con punto medio 0. Hallar la probatilidad de que los scg- mentos de recta AX, XB y AO puedan formar un triangulo, PROBLEMAS VARIOS 3.47, Sean los eventos 4 y Bcon P(AUB) = § P(ANB) = 4 y-P(Ae §- Hallar P(A), PB) y P(ANBe), 34% Seanloseventos Ay Boon P(A) = 4, P(AUB)=$ y PUB) =f. Hallar P(ANB), PlAen BO, P(ACUBS) y P(BNAS). 3.49. Se lanza un dado 50 veces. La tabla siguiente da los seis némeros y Ia frecuencia con que se repiten: Némero Eel eo here) 0e |e E Hallar la frecuencia relativa del evento, ee un nimero primo, ) en que aparece un 4, (i) en que aparece un niimero impar. (ji) en que apare- 3.50. Probar: Para los eventos Ay, Ag, ..., A, Playu--- = ~ BP (A\NA,NA,) = oo = PlAYD “A, (AyU--- UA,) Brad BPtAinay + (Fig PAIN; AY) (Ay! ) (Nota: Este resultado generaliza el teorema 3.5 y el corolario 3.6.)CAP. 3] INTRODUCTION A LA PROBABILIDAD. 53 Respuestas a los problemas propuestos 325, (i) AUBs, (il) (AUB) 326 (3) (ANBENCHULBNACNE) U(ENASBA (iii), (AUBUC)e (AnByu(Ancu eng iv) (AUB) nce a2 (i) S = (HHI, HH2, HH3, HHA, HHS, HH, HT, HT2, ATS, HTS, HTS, AITO, ‘TH1, TH2, THS, TH, TH5, TH6, TTL, TT2, TTS, TT4, TTS, TTS) bi) A = (HH2, HHA, HH6), B= (11112, N72, THe, TT), C= (HT2, TH, HTS, TH, HTS, THE ili (@) ANB = (HH) (0) BN\(AuG) = 4772) (0) BUC = {HH2, HT2, TH2, TT2, HTS, THA WTS, THS) 32k (i) no, (i) nos (i) fiw) 329. 0) gee Gi) dG fv) Ys 330, P= 8, PIN = § aan 8 332 (Ge (HD f, Gd 4s O08 333 @) BG se 334 Ia ventaja es 32 33s, WE, GZ, GR 336) Ut) yy (ii ay 33% Ge, GF G a3 B & Gide, OE sa. 8, GZ, ow, Ow 8 aa. 342) fe HE 343. (bs (0 oy 344. 1 — 20/BVB) 345. Gg Gi) 1—av%, GE ase} aan, Pla) =) PUB)= 4, PNB) = 3 348, P(ANB) = 4, PAN B) = f, P(ASUBY =f, PIBDAS) = 34. S.-H,Capitulo 4 Probabilidad condicional e independencia PROBABILIDAD CONDICIONAL Sea £ un evento arbitrario de un espacio muestral $ con P(E)> 0. La probabilidad de que un even- to A suceda una vez que E haya sucedido o, en otras palabras, la probabilidad condicional de A dado E, escrito P(A| E), se define como sigue: PANE) (A|E) = P(A|E) P(E) Como se aprecia en el diagrama de Venn expuesto, P(A|£) cn cierto sentido mide la probabilidad relativa de 4 con re- lacién al espacio reducido £. En particular, si S es un espacio finito equiprobable y || denota el niimero de elementos de un evento A, entonces P(ANE) lana P(E) a yasi P(A|B) P(ANE) _ |ANE| P(E) || Esto cs, Teorema 4.1: Sea S un espacio finito equiprobable con eventos A y £. Entonces P(A|E) = Blimero de elementos de 4 0 E 4 |) ero de elementos de E AGimero de maneras en que A y E pueden suceder niimero de maneras en que E puede suceder P(A|E) = Ejemplo 4.1: Sea eleaso de Janzar un par de dados corrientes. Sila suma ex 6, hallar la probabilidad de que uno de los ados sea 2. En otras palabras, si E = {sumaes6} = {(1,5), (2,4), (3,3), (4,2), (6, 1)} x A {un 2 aparece por lo menos en un dado} nallar P(A|E). Ahora E const de cinco elementos y dos ue ellos, 2,4) y (2), petenecen a 4: 4 AE = 12,4), 4, 2). Emtonces La} E) = 2 Por otta parte, puesto que consta de ave sements. A. = {(2)1)y 2,2), (2,8), (4, (2,5), (2,6) (0,2, (8,2), (Ay 2), (6,2), (6,29) 4S consa de.36 elementos, P(A) = Bb Ejemplo 4.2: Un hombre visita a un matrimonio que tiene dos hijos. Uno de fs hijos, un nfo, entra en la sala. Halla la probabilidad p de que el otro sea también nito si, (se sabe que el otro hijo (o hija) es menor, (i) no se sabe nada del otro hijo Et espacio muestral para el sexo de los dos hijos es $ cada muesira. (Aqui bb, 6g. gb, a6 con probabilidad } para setie de cada punto corresponde a la serie de nacimientos) (i) Ehespaio muesel redid conse de dos elemento, bb. bg 0 sea p = 5 (i) El espacio muestra educdo const dete elementos. |b. br. gbl: 0 seap = 54CAP. 4] PROBABILIDAD CONDICIONAL & INDEPENDENCIA, 55 TEOREMA DE LA MULTIPLICACION PARA PROBABILIDAD CONDICIONAL, Si multiplicamos en cruz la ecuacién anterior que define la probabilidad condicional y usamos el hecho de que 4 E = EO A, obtenemos la siguiente formula itil Teorema 4.2: P(E A A) = P(E) PlA| ED Este teorema puede extenderse por induccién matematica como sigue: Corolario 4.3: Para los eventos Ay, Az, ..., An, PAIN ALN ---N An) P(As) PlA2| Ai) P(Aa| Ai. Aa) -P(Ag | AL A29 = AQ) Ahora aplicamos el teorema anterior que es llamado, apropiadamente, el eorema de la multi- plicacién. Fjemplo 43: Un lote de 12 atculos tiene 4 defectuoss. Se toman al arar tes articlos del lote uno tras tro, Haar ta peabatilidadp de ge todos los ics exten buenon La probabifidad de que el primer artcuo no yea defectuoso es pusto que 8 entre fos 12 no son Aefectuos0s. Si el primera no ex defections, entonees Is prohabilidad de que el proximo atieulo no sea defectuoso eZ puesto que samente 7 de los 11 sobrantes no son defectusos. $i los dos primeros ar Uiculos ao con eleciuoes,entonces la prohabilded de gue el kino no yea defevtuoso es © puesto que solamente 6 ent los 10 gue quedan no son delectuonos. Asi pore torems de a mltipiction, or lvepeie a ee PROCESOS ESTOCASTICOS FINITOS Y DIAGRAMAS DE ARBOL Una sucesién (finita) de experimentos en los cuales cada experimento tiene un nimero finito de resultados con probabilidades dadas se llama un proceso estocdstico (finito). Una manera conveniente de describir tal proceso y calcular la probabilidad de un evento se obtiene por el diagrama de drbol como se ilustra en la figura siguiente; el teorema de la multiplicacion de la seccién anterior se usa para calcular la probabilidad de que el resultado representado por una trayectoria determinada del arbol suceda. suceda. Ejemplo 44: Tomemos las tes cajassivientes: ‘Caja I contiene 10 limparas de ls cuales 4 son defectuosas Caja IH comtiene 6 con 1 defectuosa Caja IIL contiene 8 con 3 detectuosas Escogemos al azar una cajé y lego sacamos al azar uns Limpars, (Cuil es la probabilidad p de que la Vimpara sea defeciuoss? [Aqui realizamos una serie de das experimentos (i escoger una de las ies caja; escoger una limpara que sea 0 defectuosa (D) 0 no defectuose (N). El diagrama de drbol siguiente describe el proceso y da la probabilidad de cada rama del érbok56 PROBABILIDAD CONDICIONAL E INDEPENDENCIA ear. 4 La probabilidad de que una trayectoria determinada del érbol suceda es, segin el teorema de la mult plicacién, el producto de las probabilidades de cada rama de la trayectoria,o sea, que la probabilidad de tscoger la ca 1 lego una limpaca defectoosa es 4-8-= ‘Alonso bite ea yectaicinsareri Seatas tac ices albsipca Atta, lu tu dele pa babliades te etesenynctring ea prbitailad had 12,1,1,1.3 2 us eta'e = 300 Fjemplo 4.5: Se lanza una moneda cargada de mado que MC) ~ $y P(S) = f. Sisal cara, se escoge al azar un reero de 1a 9:5 sil ello, se excoge al azar un nlmero de 1 a3. Halla la prbabilidad p de que se eseoja un nimero par El diagrama de Srbol con las probabilidades respectivas ex: ‘Obsérvese que la probabilidad de escoger un ndmero par de 1a es $ puesto que hay 4 pares entre 1os'9 nameros, mientras que la probabilidad de escoger un par de 1a Ses $ puesto que hay 2 nimeros pares entre Jos 5. Dos de las trayectorias conducen a un némero par: CP y SP. Asi All Ech ceo 136 ep =\PH) =2 PARTICIONES Y TEOREMA DE BAYES. Supongamos que los eventos 41, 43... de forman vuna particién de un espacio muestral S; esto es, que los even- os Ay son mutuamente exclusivos y su unién es S. Ahora sea B otro evento. Entonces B= SMB = (A,\UA.U---UA)OB = (AN B)U (42NB) U + + U(AWNB) donde las AeA B son cventos mutuamente exclusivos. En eonsecuencia. 2B sombreado, P(B) = P(AiNB) + Pl(A2MB) + --- + P(AxMB) Lucgo por el teorema de la multiplicacion P(B) = P(A1) P(B|A:) + P(A2) P(B| As) + +++ + P(As) P(B| As) w Por otra parte, para cualquier i, la probabilidad condicional de A, dado B se define por P(A) P(Ay|B) = ee En esta couacién usamos (/) para remplazar P(B) y usamos P(4y 9 B) = P(Ay) P(B| As) para remplazar P(A, MB), obteniendo asi el Teorema de Bayes 4.4: Supdngase que 4, A2,.. ., dq es.una particién de Sy que Bes cualquier even- to. Entonces para cualquier i, P(A) P(B| Ay) P(AIB) = DayP BTA) + Ply PB As) + + ¥ PUA PUB A)CAP. 4} Ejemplo 46: Tres miquinas 4, By C producen respectivamente S0%, 20% y 20% del n mero total de a PROBABILIDAD CONDICIONAL & INDEPENDENCIA 37 os de una Fabrica. Los porcentaies de desperfectos de produecién de estas méquinas son 3%, 4% y 8% Sise selec~ 86-37-38-39—~ Bt0gAP. 4 PROBABILIDAD CONDICIONAL F INDEPENDENCIA 6 {iy Hiay 26 cartas,incluyendo 4 corazones,repartidos entre E y O. Hay (jg) maneras de que, por ejemplo. E pueda wear i caras (Neceatams solamente anlizar Tas 13 cartas de E puesto que O debe tener el reso.) Hay” (3) sears pura que E pucda recibir 2 corazones de los 4, y (32) maneras para que el mismo pueda rit 11 no-eora zones de 26-- 4 ~ 22:no-corazones QE) saizeiactzsag _ a aol = Sgeanas-as = 515 TEOREMA DE LA MULTIPLICACION 4: 48. 49. 4.10. ‘Una clase tiene 12 nifios y 4 nifias. Si se escogen tres estudiantes de la clase al ava babilidad p de que sean todos niftos? F, coud es la pro- La probatiidad de que el primer estdiante escopido sea un nifio © 12/16 puesto que ay 12 ios entre los 16 estu- antes Sve primero es un nio,entonces la probabilidad de que e segundo sea mio es 11/15 puesto que hay 11 nifos entre cae anes, Finalmente, silos primeros dos escogidos son wifes, entonces la probabilidad de que el ercero sea ni8o Toyia puesto que queda 10 sites entre I. Asi, por el teorema dela multiplicacion, la probablidad de que todos tes sean aifos es wu 10 uals n (iro método. Hay (18) = 560 mancras de esconsr 3 estudiantes ene 16, y (3) = 220, maneras de escoger OE lane = tea Un tercer mtiodo, Silos estudiantes se escogen uno después del otro, entonces hay 16,+16*14 maneras de eaco- gertves estudiantes, 12°11 +20 maneras de escoper tres nis; por eonsiguente p= Gg-s-14 ~ + ‘A.un jugador le reparten $ cartas una tras otra de una baraja corriente de 52 eartas. {Cual es la probabilidad p de que todas sean espadas? ‘La probabitdad que la primera cara soa espada es 13/52, la segunda sea espada es 12/St, la terera 11/50, te cuarta 10/49, y Ia itima 9/48. (Suponemos en cada caso que las cartas anteriores fucrom espa.) Asi P ‘Una urna contiene 7 bolas rojas y 3 bolas blancas. Se sacan 3 bolas de la urna una (ras otra. Ha- ilar la probabilidad p de que las dos primeras sean rojas y la tereera blanca. La probabitidad de que la primera bola sa roja es 7/10 puesto que hay 7 rojas entre ls 10 bolas. Sil primers bola es roja entonees la probabildad de que la segunda bola sea rojas 6/9 puesto que quedan 6 rojas entre las 9 bolas resin ‘gras dos peimeras son rojas entonces la probatildad de que a tercera sea blanca es 3/8 puesto que quedan 3 blancss entre las 8 bolas estantes en la urna, Entonces por el teorema de la multiplicasin, Los estudiantes de una clase se escogen al azar, uno tras otro, para presentar un examen. Hallar Is probabilidad p de que nifios y nifas queden alternados si, (() la clase consta de-4 niios y 9 as, ji) 1a clase consta de 3 nitios y 3 nifas. (@ Silos nits y las nas se aternan, el primer estudianteexaminado debe sr nito. La probabildad de que el segundo sea nia 3/6 puesto que hay 3 nitas entre los Grestantes. Continvando en esta forma, obtenemos qe la probed Tid de que el teroero sea nito es 3/5. que cl cuarto sea nia es 2/4, que el quinto sea nito es 2/3. que el sexta se nia es 1/2, que el Slime.6 PROBABILIDAD CONDICIONAL E INDEPENDENCIA Tear. 4 (ii) Hlay dos casos mutwamente exclusivos: el primer estudiantes un nifo,y el primero es una nifa. Si el primer est diante es un niko, entonces por el teorema de la multiplicacin la probabilidad p, de que los estudiantes se alternen ‘Sil primer estudiantes una nif, entonces por el teorema de lu mliplicacin la probabilidad ps de que los. ‘estudiantes se alternen es As, P= te = Bt PROBLEMAS VARIOS SOBRE PROBABILIDAD CONDICIONAL 4.11. En cierta facultad, 25% de los estudiantes perdieron mateméticas, 15% perdieron quimica y 10% perdieron las dos. Se selecciona un estudiante al azar. (Si perdié quimica, ;cuAl es la probabilidad de que perdié mateméticas? (Si pordié mateméticas, ;cudl es la probabilidad de que perdié quimica? (iii) (Cual es la probabilidad de que perdié matematicas 0 quimica? Sea M ~ estudiantes que perdieron matematicas| y C= lestudiantes que perdieron quimica | entonces Pat) =025 P(C) = 0.18 Pung) = 0,10 (i) La probabilidad de que el etudiante perdiera tematieas, dado que heya perdido quimica es POMNC) 910 _ 2 ELD. rogers oe pasts (ii) La probabitidad de que el estudiante perdeca quimica, dado que haya perdido mateméticas es PCM) _ 0.10 _ 2 Os ca ene et P(MUC) = PON + P(C) — Pune) = 025-+0,15~0. 4.12, Sean los eventos A y B con P(A) =4, P(B)=4 y P(ANB) = 4. Hallar, () P(A|B), (ii) P| A), Git) P(AUB), (iv) P(Ar|B9, (v) P(B| A9. (ANB) ©) pase = Ae. bad a Pwlay = FEO . i gs neg thee oy (it) PAB) = P(A) + PB) — PlAnB) = 3 +5-3 = ib Gv) Primero caleulamos P(BS) y P(AenBs). PUBS) gan, (AUB)e = AeNBE; porlo tanto PACES) 1-PB) P(AUB)) = $= # Por la ley de De Mor PAUB) = 1-4 = fy wm PAD PA) =1- $= 4 Locgo P(Be|ay = HB0A9 =% 4.13. Sean los eventos 4 yBeon P(A) = 4, P(B)=§ y P(AUB)= 4. Hallar P(A|B) y P(B|A) Primero calculemos P(A 1 8) usando la formula P(A UB) = P(A) + P(B) — P(ANB): ¢ unm =1 Asi, P(A B) = AOR) at zCAP. a] PROBABILIDAD CONDICIONAL E INDEPENDENCIA 63 4.14, Hallar P(B| A) si, () 4 es un subeonjunto de B. i) Ay Bson mutuamusite exclusives, (i) Si.es un suhoonjunto de B,entonces sempre que 4 suceda, debe suceder: por Wo tante PUB A) 1. Asta no, si tgs un subsonjunta de Bentonees 20.8 entonees PiANB) _ PIA) P(B!A) = aiAN LSC Pate © 0 i) (i) Sify B son mutuamente exelusios, eto 66 Hiyuntos, entonets siempre que f suceda, Hn pucle suueder: pur Io tame PUB|-1) ~ 0. Alternadamente, si Ay A son mutimente exclusivos entonces AB Ds por lo tanto piejay SCP S PO) 8g P(A) ~ Pia) PEAY 4,15, Tres miquinas 4, By C producen respecuvamente 60%, 30% y 10% del ndmero total de artiew los de una fibrica. Los porcentajes de desperfectos de produccidn de estas miquinas son respect vamente 2%, 3% y 4%. Seleccionudo un articulo al avar cesultd defeetuoso. Hallar la probabilidad de que el articulo hubiera sido producido por la maquina C. Sei X ~ farticulos defectuoses! Buseamos P(C].X), probabilidad de que un articulo ea producido por La mi- ‘guina € dado que el articulo sea defectvoso, Por el worema de Bayes, Hoge PC) PKI C) PR)P(X|A) + PB) PR TB) F PO PKIO) (0.10)0.08) a THD + AHO + WOOO) BH 4.16. En cierta facultad, 4% de los hombres y 1% de las mujeres tienen mas de 6 pies de estatura. Ade- més, 60% de los estudiantes son mujeres. Ahora bien si se selecciona al azar un estudiante y es mas alto que 6 pies, cual es la probabilidad que e} estudiante sea mujer? Sea 4 = Vestudiantes de més de 6 pies’, Buscamos P(W|4), probabilidad de que el ewudiante sea una mujer dado que el estudiante es de mas de 6 pies. Por el teorema de Bayes, - POW) PCL) osoyooy = POVIA) = PUNTA) + FM) PATIN ~ DewVGOn~ OanooH — TT 4.17. Sea E un evento para el cual P(E) > 0. Comprobar que la funcién de probabilidad condicional P(*| E) satisface los axiomas de un espacio de probabilidad: esto es, [Pi] Para un evento A, O= P(A|E) #1. [P2] Para cleventocierto S. P(S|E) = 1 [Ps] Si Ay Bson mutuamente exclusives, entonces P(AUB|E) = P(A|E) + P(B| 2). [Ps] Si As, Ae, es una sucesién de eventos mutuamente exclusivos, entonces P(A\UALU © |B) = P(Aa|B) + P(A2|B) + +> iy Yen AMBER: por ome PANE) < PE). ax PAA) = PARE 2 5 wo mine también, Esto es 0 = P(A |B) = 1 y asi [Py] cumple.64 PROBABILIDAD CONDICIONAL E INDEPENDENCIA (cap.4 Go Teaemes 0 = E:porcomipnine S|) = PSOE) = PBL aoa. an pep aise (ii) SiA-y B son eventos mutvamente exclusivos, entonces asi son ANE y BNE. Ademis(AUB)NE = (ANE) U(BNB). Ast P(AUB)OE) = PUANE)U(BNB) = PlADE) + P(BOB) Yip ende _ PUAUB)NE) _ PANE) + PIBOR) ENA) te PE) P(AOK) , PUNE) BAOE) BOE C pia im 4 Pee m) © sea que EP) satistace Gs). Similermente Ay, dy, son mutuamenteexclusivos, ambi lo son ANE, AgNB, .... Asi PUA,UAgU---) 0B) = PUA\OE) U(AgnB)U >") = P(N E) + Play) +o ¥ por tanto P(A;UA,U“)0B) _ PAs) + Plagnb) + nt a eee ea los Rene a PUAN), PlAan 8) : Gt rise to = PALEY # Pda BD + Esto es, [Bg] satsface PROCESOS ESTOCASTICOS FINITOS 4.48. Una caja contiene tres monedas; una moneda es corriente, una moneda tiene dos earas y una moneda esté cargada de modo que la probabilidad de obtener cara sea 4. Se selecciona una moneda al azar y se lanza. Hallar la probabilidad p de que salga cara. ‘Construimos el diagrama de arbol como se muestra en la figura (a) siguiente, Obsérvese que Ise refiere a la mone- Ga corrieme, IT la de doble cara y Ills la moneda cargada. Ahora las earas aparecen a lo largo de tres de ls trayecto- oes re Eeb eo i _re eee ae 1 peg i sine ; — : ( (o) 4,19. Se nos dan tres urnas como sigue: Una urna A contiene 3 bolas rojas y 5 blancas. Una urna B contiene 2 bolas rojas y | blanca, Una urna C contiene 2 bolas rojas y 3 blancas. Se selecciona una urna al azar y se saca una bola de la urna. Si la bola es roja, ,cudl es la probabilidad de que proceda de la urna 4? ‘Se eonstruye el diagrams de érbol coma se muestra en la figura (b) anterior. Buscamos la probabilidad de que se seleccione 4, dado que la bola es roja; esto es. P(A|R). Com el fin de hallar P(A|R), es necesrio caleular primero PLA AR) y PCR). La probabilidad de que se selecione y se saque una bola roja es £68 = 4; esto-es, P(ANR) ae Ky tt wie ei Sho wait ofa PU) SERENE a le EanesPROBABILIDAD CONDICIONAL E INDEPENDENCIA 65 car PiAnR) Ps PAIR) = “pipy 1 ‘Aiteradamente por el teorema de Bayes. Pia) PUR A) i PAIR) = BayPTela) + PE)PR|B) + PROPRIO Atk 45 ir yer ys 18 caja B contiene cinco cartas numeradas 4.20. La caja A contiene nueve cartas numeradas de | a9,y la de 1a 5. Se escoge una caja al azar y se saca una carta. Si el ndimero es par, hallar la probabilidad de que la carta proceda de la caja 4 El iaprama de irbol del proceso se niesta en la figura (a siguiente Buscamos Pld \E) probabilidad de que se seleccione A, dado que el mimero ¢s par. Le probabilidad de que Puesto que hay dos ttayectorias que conse excoja fa caja Ay un niin dducen a un nimero par. P(E) rae P(E) g 9 P(A|B) = 4.21, Una urna contiene 3 bolas tojas y 7 blancas. Se saca una bola de la urna y se remplaza por una del otro color. Se saca de la urna una segunda bola, (i) Hallas la probabilidad p de que la segunda bola sea roja. (i) Silambas bolas son del mismo color, jcual es la probabilidad p de que las dos sean blancas? co {iy La probabiided de que ambas bolas furan baneas «si tan del mismo color, exo es, la probubildad del epacio musialreduido, es % tanto la probabilidad condicional p z B. Por to 4.22. Se nos dan dos urnas como sigue: La urna A contiene 3 bolas rojas y 2 blancas. La uma B contiene 2 bolas rojas y 5 blancas. Se selecciona al azar una urna; se saca una bola y se coloca en la otra urna; Iuego se saca una bo- Ia dela segunda urna, Hallar la probabilidad p de que las dos bolas sacadas sean del mismo color, Construimos el siguiente diagrama de &rbol:66 PROBABILIDAD CONDICIONAL E INDEPENDENCIA Icap.4 ae oe £ + gn fas rojas y 5 blaneas ‘Puesto que hay cuatro trayectorias que conducen a dos bolas del mismo color, gu Be =e 5 13,841 12,2 Bog ae Pas 38 B73 72°72 ~ 1680 INDEPENDENCIA 423, Sea A = al evento de que una familia tenga nifios de ambos sexos, y sea B = al evento de que dina familia tenga a lo sumo un nifio. (i) Comprobar que A y B son eventos independientes si una familia tiene tres bijos, Gi) Comprobar que A y son eventos dependientes si una familia tiene dos hijos. (i) ‘Tenemos el espacio equiprobable S = {bbb, bbg, bgd, bgg, gdb. gba, 99b, 999} Aqui A = {bbg, bgb, bag, bb, gbg,.990) —y asi P(A) = é 3 B = (bog, gb9, 996, 999) yast PB) = é 3 ANB = {bo9, gba, 998) yai tang) = & puesto que PIA) POB) = 9° = B= PA OB), Ay B sonindependientes oy Tenemos el espacio equiprobable S =! bb. be. wh. x! Aqui A = (9,90) y ash Pay = 4 B= (bo obas) yi Pe) =} reuse rar eee Puesto que P(A) PH) 7 P(A MB). Ay B son dependientes 4.24, Probar si A y-B son eventos independientes, entonces A® y B® son eventos independientes PiAenBs) = PAUBy) = 1— (AUB) = 1— P(A) — P(B) + PAB) = 1— Pla) — PB) + PIA) P(B) = [1 PLAN]. — PUB) = PAD PIB) 425. La probabilidad de que un hombre vivira 10 afios mis ex 2. y la probabilidad de que su ssposa vivird 10 afios mas es $. Hallar la probabilidad de que. (i) ambos estén vivos dentro de 10 aftos, fi) al menos uno estara vivo a los 10 afios, (il) ninguno estard vivo a los 10 afos. iv) solamente la esposa estard viva a 10s 10 aos. Sea A ~ al evento de que el hombre viva alos 10 ates, y B= al evento de que su expose es ita a os 10 aos entonees PLA) = By PUD fo) Buscamoy PIA 1B) Pues que Ay Bom independientes, A406) = PLA) PUB) = $04 = thecap. 4) PROBABILIDAD CONDICIONAL E INDEPENDENCIA 61 (i) Biscamos P(AUB). P(AUB) = P(A) + P(B) — PANE) = b+ 4h (iy, Bascams, PUAC BY, Anora P(A) =1— PCA) = 1-4 = By PB) =1 PIB) puesto que 4°» B° son ndependenss, PUASABS) = P(AS) PB) = 8-9 = =] Be Ademis, Aliesnadamente, puesto que (AUB) = AenBs, P(ASBY = P(AUB)) = 1— PAUB) =1-4=4. iv) Buscamas P(AEN 8). Puesto que P(A®) =1— P(A) = y A® y A son independientes (wer problema 4.56), PUAN) = P(A) PB) = 426. La caja A contiene 8 articulos de los cuales 3 son defectuosos, y la caja B contiene 5 articulos de Jos cuales 2 son defectuosos. Se saca al azar un articulo de cada caja. (i) {Cual es ta probabilidad p de que ambos articulos sean defectuosos? (ii) {Cual es la probabilidad p de que un articulo sea defectuoso y otro no? (tii) Si un articulo es defectuoso y otro no, {eudl es la probabilidad p de que el articulo defzctuo- so proceda de la caja A? (i) La probably de ecoger un ariculo no defectuoso de 4 cs $y de B es 3, Puesto que los eventos son indepen dente, i) Método 1. La probabiidad de eseoger dos artiulos defectuosos es to sean no dfetuoses <3 2, Por lo tanto, a=. De (i) Ia probabilidad de que am. 4. Por io tanto Método 2. La probabitdad pi de exoger un artculedefecuoso de A y uno no defeciuaso de Bes La probabldad ps de escoger un rtcelo no defecuoso de A y uno defectwoso de Bex P=mtm=Hty CConsideremos los eventos ~ | atiulos defeeuosos de Ay ¥ =n articulo es deectwosoy ot no Bus amos, PUX|Y), Por Gi). PUNY) ~ pv = ey PCY) =. Por consigiente B(xo PO) » = PIXIY) 3 4.27. Las probubilidades de que tres hombres peguen en el blanco son, respectivamente, }, 4 ¥ 4 Cada uno dispara una vez al blanco. (i) Hallar la probabilidad p de que exactamente uno de ellos pegue en el blanco. (ii) Si solamente uno pega en el blanco, jcual es la probabilidad de que sea el primer hombre? a yc= son independientes, y (As) = sideremos los eventos A = | el primer hombre pega en el blanco, & =| el segundo hombre pega en el blanco ‘el terver hombre pega en el blanco i: entonces P(A) = 4, P(B) = $y P(C) =. Los ucs eventos ) PB) = 4, PIC) = 2. (Sea £ = exactamente un hombre pega ea el blanca |. Entonces B= (AN Bene} u (ASA BNCAU (Aen Ben) En oteas palabras, si solamente une pegé en el blanco, entonees fue 0 tnicamente et primer hombre, ANBEN CE 9 dnicamente el segundy hombre, ASMBNCF; o finicamente el tereer hombre, AeMBenC. Como los tes even tos son mutuamente exclusivos, oblencmos (usando el problema 4.62) B= PIR) = PAN Bent) + PAENBNOs + PlABENC) = P(A) PUBS) PIC) + PIAS) PLB) PCC) + PLAX) PB) PCC) age oe eee ee GOS te eae ae ~ ee te — (ii) Buseamos P(1]#), la prohabilidad de que el primer hombre pegue en el blanco dado que solamente un hombre pega en el blanco. Ahora ANE = AMBenCe es el evento en que solumente el primer hombee pega en et ne. Por ik P(AME) = PAN Bence) = £ y Pos) = 4; 0 = Plane) & PAB) = Py a8 PROBABILIDAD CONDICIONAL & INDEPENDENCIA ICAP, 4 PRUEBAS INDEPENDIENTES 4.28, Cierto tipo de proyectil da en el blanco con probabilidad 0,3. ,Cuantos proyectiles deberdn ser disparados para que haya al menos un 80% de probabilidad de pegar en el blanco? La probabilidad de que un proyectl fatle su blanco es 0,7; por lo tanto la probabilidad de que » proyectiles fallen el blango es (0,7). Asi buseamos el menor a para cl que 1—(0.0"> 0.8 0 equivatentemente (0,7)"<0,2 Calculamos: (0.7)1 = 0.7, (0,7)? = 0,49, (0,7)3 = 0,343, (0,7)4 = 0,2401, (0,7) 0,16807. Asi por lo menos 5 pro- yeatles. deben ser disparados 4.29. Cierto equipo de balompié gana (W), con probabilidad 0,6; pierde (L), con probabilidad 0,3; y empata (T), con probabilidad 0,1. El equipo juega tres encuentros durante el fin de sentana { Determinar los elementos del evento A en que el equipo gana por Io menos dos y no pierde; y hallar P(A). (ii) Determinar los elementos del evento B en que el equipo gana, pierde y empata, y hallar P(B). () A consta de todas las temas con al menos dos W (juegos ganados) y ningin L (juego perdido). Asi A = (WWW, WWT, WTW, TWW) POWWW) + P(WWT) + P(WTW) + P(TWW) (0,6)(0.6)(0.6) + (0,6)(0.6(0,1) + (0.6)(0.1)(0.6) + ©0,1900.6)(0.6) = 0,216 +.0,036 + 0,036 + 0,036 = 0.324 Ademés P(A) i) Aqui B =|WLT, WTL, LWT, LTW, TWL, TLWI. Puesto que cada elemento de B tiene probabilided (0.6) (0,310.1) = 0,018 P(B) = 610,018) = 0.108. 4.30, Sea S un espacio finito de probabilidad y sea T el espacio de probabilidad de » pruebas independientes de S. Comprobar que T esta bien definido, esto ¢s, mostrar, (i) la probabilidad de que cada elemento de T es no-negativo, y (ii) la suma de Jas probabilidades es 1. Si S— fan. aryl, entonces T puede representarse por T= {arm Puesto que P(a,) = 0, tenemos Plu, -t4,) = Pla,)**P(a,) = 0 para un elemento tipico ay, "a, de 7, lo eual pruca (). Probamos (ji) pot induccién en n. Esto es cierto obviamente para 7 aceptamos que (i) ha sido probado para n — 1, Entonces 3 Plea) Pla) Pla) = “is por la hipétesis inductiCAP. 4] PROBABILIDAD CONDICIONAL E INDEPENDENCIA y Problemas propuestos PROBABILIDAD CONDICIONAL 431. Se lanza un dado. Si el nimero es impar, geudl es la probabilidad de que sea primo? 432. Se lanzan tres monedas corrientes. Si aparecen dos caras y un sello, determinar la probabilidad de que aparezca una 43, Se lanza un par de dados, Si los ndmeros que resultan son diferentes, hallar la probabilidad de que su suma sea par 434 A una persone se le reparten 5 cattas rojas de una baraja corriente de 52 cartas. ;Cudl es la probabilidad de que codas sean de la misma pinta, esto es, corazones 0 diamantes? 435. A una persona se le reparten 3 cartas, espadas, de una baraja covriente de 52 cartas. Si se le dan cuatro cartas mas, determinar la probabilidad de que por lo menos dos de las cartas adicionales sean también espadas. 426, Se escogen al azar dos digitos diferentes entre los digitos 1 2.9, @ Sila suma es impar, gcudl ¢s la probabilidad de que 2 sea uno de los niimeros escogidos? (ii) Si 2es uno de los digitos seleecionados, ceual es la probabilidad de que la suma sea impar? 437, Cuatro personas, llamadss Norte, Sur, Este y Oeste, reciben cada una, B cartas de una baraja corriete de 52 carts (i) Si Sur tiene un as exacamente ul es la probabilidad de que su compaiezo Norte tenga los otros tres ass? (i) Si Norte y Sur juntos tienen 10 corazones, evil es la probabilidad de que Esteu Oeste tengan ls oos 3 corazones? 4338, Una clase tiene 10 nifios y 5 nifias. Se escogen tres estudiantes dela clase al azar, uno tras otro. Hallar la probabilidad de que, (i) los dos primera sean niftos y la tercera nif, (i) el primero y el tercero sean nifios y el segundo nia, (il) cl primero y el tercero sean del mismo sexo y el segundo del sexo opuesto. 439% En el problema anterior, si el primer y tercer estudiantes seleccionados son del mismo sexo y ef segundo esiudiante es del sexo opuesto, cual es In probabilidad de que el segundo sea nia? 440, En cierta ciudad, 40% de la poblacin tiene cabellrs castafios, 25% tiene ojos castaiios y 18% tiene cabellos y ojos castaios. Se escoge una persona al azar @) Sitiene eabellos castaios, geudl es la probabilidad de que también tengs ojos castafos? (i) Si tiene ojos eastatos, eval es la probabilidad de que no tenga cabellos castahos? ii) ;CuAl 6 la probabilidad de que no tenga cabellos ni ojos eastanos? 4AL, Sean los eventos A y Beon P(4) = , PUB) = $y P(AUS) = 4 Haller, (i) P(ALB), (iy PLA), Gi) PAB, (ivy PCBS) 442, Sea $ = a,b, c.d-0.f'con Pla) = py. POO) = ae. Plc) — f. Pld) = ps Pe) = Ly PL/) = te. Sead =la.ccel, B= ledesi y C= tbesi Haller, (i PCAIB), Gi) PUBIC). (ii) PICLA®), Gv) PLAPIC). 443, En cicrta fatultad, 25% de los jovenes y 10% de ln jOvenes son estudiantes de matematicas. Las mujeres consttuyen el 60% de los hombres. Si se selecciona al azar un estudiante y resulta ser de matematicas, determinar la probabilidad de ‘que ol estudiante sea una joven,70 PROBABILIDAD CONDICIONAL & INDEPENDENCIA Wear a PROCESOS ESTOCASTICOS FINITOS 444 48. 446. 447 448, 429, 450, 451 453. Se nos dan dos uenas come sigue Una urea A contione § bulis fos, 3 blaneas y H azules La.otra vena 6 eontiene 3 bolus rojas y 5 Blancas. Se lanza un dado cortiente. si spareve el 30 el 6, se escoge una bola de B; de Wo contrariy la bola se exeuge de 4 Haller ta probubilidad de que, () se escn}a una bola raja, (i) Se eseoja una bola blanca, (il) se excoja una bola al Respecto al problems unerar (9 Sie coe una bole roa, Zell es la probable de que raced eA? 0 Sve vidad de que sparezca un S en el dado? scope un hola blanea, Zeual es Is pr na urna eoetiene 5 bulas rojas y 3 Blancas, Se seleselona una bola al avar, se descarta y se cologun do» bola: del ote Color on la urna, Luego se saca dela urna una segunda bola, Hallar la peobabilidad de que, (jl segunda bola ea ros {ib amhas bolas sean del ismo color Respecto al problema ante (i) Sila serunds hola os roja, zal sla probatitidad de que Ie primera hols sex rj" {i Si arnbas sn del mismo eolar zcUal es La probubilidad de que smbas sean Blancas? [Una caja contiene es monedas. dos de ellas corrientes y una de dos caras. Se seleeciona al arar una monet y 9¢ fant dos veces, Si apareve amhas veces cara jcudl es Ia probabilidad de que Is ouoned sea 1s de dow cara! ‘Se nos dan dos urns eomo sigue: ‘Une urna 4 coitiene 5 bolas rojas y 3 blancas La otra wena 8 contiene | Sola roja y 2 blancas. sv ana hoe de Se lanza un dude corriente: i aparece un 3 0.un 6, se sca una hola de B y se pone ent y tie delo convrario, xe sica uoa bola.de A y 3e pone en 2 y luego se saca una hola de i) «Cua es la prohabiidad de que ambas bolas sean rojas? (Gi) _{Cual es la probabilidad de que fas dos bolas sean blancas? Una exja A contiene nueve cartas numeradas de 1 a 9, y otta caja B contiene 3 cartas qumeratke de 1a $, Se ewoge tina aja al azar y se saca una carta: sla carta indica un nGimero par, se saca otra carta de a sens cay! I vata es Ge nimero impar, se saca una carta de ls otra caja, (i) {Cuil es ts probabilidad de que ambas cartas muestren nimeros paves? (Gi) Si ambas cartas muestran nimeros pares, jcuil es la probabilidad de que procedan de 4? (Gi) {Cudl es la probabilidad de que las dos cartas tengan niimeros impares? Una caja contiene una moneda corriente ¥ una de dos caras. Se escoge una moneda al avar y v¢ lanza, St aparece cara, se lanza la otta moneda; si aparece sell, se lanza la misma moneda (i) Hiallar la probabilidad de que salea cara en el segundo lanzamiento, (ii) Si resuka cara en el segundo lanzarniento, hallar Ia probabilidad de que también epareres en el primero, ‘Una caja contiene tres monedas, dos corriente yuna de dos earas: Se Selecciona una mined alv7ary se anc Stale ea tase lanea la moneda de nuevo; si sale sell, entonces se escoge otfa moneda entre las dhs yue yuan y s¢ fanz () Hiallac ta probabilidad de que salga cara dos veces (i) Sise lanza la misma moneda dos veces, hallar la probabilidad de que sea la mone de dov cares. (ii) Hallar la probabilidad de que salga sllo dos veces. Une uma A contiene x bolas rojas y.y bolas blances, y otra urna B contiene z Bolas rojas y v Blancas @ Si seescoge una urna al azar y se saca una bola, ceudl es la probabilidad de que la bola sea roja? (i) Sisesaca una bola de la uma A y se pone en la B'y luego se saca una bola de la urna B, evil es I probabilidas de ‘que la segunda bola sea roja?CAP. 4) PROBABILIDAD CONDICIONAL E INDEPENDENCIA 1 454. Una caja contiene 5 tubos de radio de los cuales 2 son defectuosos. Se prucban los tubos uno tras otro hasta que se descu- bren dos defectuosos, ;Cual es la prababilidad de que se suspenda el proceso en la (i) semunda prueba? (i) la tercera prueba? 455, Respecto al problema anterior. Si cl proceso se suspende en la tercera prucba, ;cudl es la probabilidad de que el primer tubo no sea defectuoso? INDEPENDENCIA 456, Probar: Si A y B son independientes, entonees A y B* son independientes y 4 y B son independientes 457. Sean los eventos A y Beon Pd) =. PAUB) ~ fy PCB) = p. (i) Hallas psi A y #300 mutuamente exctusivos (i) Hallar p si Ay Bson independientes. (ii) Hallarp si es subconjunto de 6. 4.58 Una uma A contiene 5 bolas rojas y 3 blancas, y una urna B contiene 2 rojas y 6 blancas. (i) Sisesaca una bola de cada urna, jcudl es la probabilidad de que las dos sean del mismo color? (ii) Sise-sacan dos bolas de cada urna, zeuil es la probabilidad de que todas las evatro bolas sean del mismo color? 459, Sea el caso de lanzar tres monedas corrientes. Sea A — | todas caras o todas sellos |, B — | dos earas por lo menos | y C = {dos caras cuando mas. De las parejas (A. B), (A. C)y (B. C), uses son independientes y cusles dependientes? 460, La probabilidad de que 4 dé en el bianco es y ta probabilidad de que B dé es 6) Si cada uno dispara dos veces, zoval es In probabilidad de que blanco sca aleenzado una ver por lo menos? Gi) Si cada uno dispara una vee y el blanco es alcanéado solamente una vez, jeudl ¢s la probabilidad de que 4 dé en ef blanco? ii) Si-A puede disparar solamente dos veces, jcusintas veces debe disparar B para que haya pot lo menos un 90% de probabilidad de que el blanca sea alcanzado? 461. Sean los eventos independientes 4 y Bon P(4) = $y (AUB) = B. Halla, () PCB), (i) PCA|B). Gi) PCBELA). 4462. Supangase que A. B C son eventos independientes. Comprobar que cualquiera de las combinaciones AS, B,C; A,B,C; ...; AS BSC: 2.45 AS BC son también independientes. Ademés, comprobar que A y B UC son independientes; y as sucesivamente, PRUEBAS INDEPENDIENTES 443. Un tirador pega (H), a su Blanco con probabilidad 0.4; y ademas falla (M), con probabulidad 0,6, Dispara cuatro vers. {i) Determinar los clementos del evento para que el hombre pegue al blanco dos veces exactamente; y hallar P(A). (li) Hallar la probabilidad de que el hombre pepve al blanco una vez por lo menos. 4.64, Un equipo gana (W), con probabilidad 0,5; pieide (L) con probabilidad 0,3; y empata (T), con probabilidad 0.2. El equipo juega dos veces. (i) Determinar el espacio muestral Sy las probabilidades de los eventos clementales. (ji) Hallar la probabilidad de que el equipo gane una vez por lo menos. 465. Consideremos un espacio de probabilidad infinito contable S = {01, 4a, ...}. Sea T= 8 = (Sp 8y 1 ) HES) y se Play, Soy --n0 8x) = PlOr) Pls) “++ Plt) Comprobar que T también es un espacio de probabilidad infinito contable, (Esto generaliza la definicioa (pégina 58) de pruebas independientes para un espacio infnito contable.)n PROBABILIDAD CONDICIONAL & INDEPENDENCIA ICAP. 4 Respuestas a los problemas propuestos aan 3 40. (if, GDR, GDS 432 aa. 4 GAL GS aot 4a DB UH (DH, GDS 4a. f 44.) i) (ai 44s, 8, GE 438, 5 obvi 46, OR. GE aa, OE. GB 40.9 ier hh teh ao Diagrama de dtbol de! problema 4.49 Diagrama de Arbo! del problema 4.50 450. ) $+ = i 451. (ih ODECAP. 4] PROBABILIDAD CONDICIONAL E INDEPENDENCIA B 452. 453. 454. 458. 4 7. 458. 4.59, 4.60. 461. 4.63, @ ptetsah Gd GD wy + ¥ WN D wt Ba + bas ee Ww Fox Diagrama de Arbol del problema 452 Diagrama de drbol del problema 4.54 a) _aetetee GO Genero @ 4G5+ (© qh (i) yi debumos incuir el caso en que Tos tes tubos no defertuosos aparecen primero, pueso que los fittimos dos tubos tienen que ser los defectuosos 2 (gy G4, GDS On a Solamente A y B son independientes @ GR (iS Op G4 Gy () A = (HHMM, HMAM, HMMH, MHBM, MHMH, MMHH}, P(A) = 03456 (i) 1 — (0.6) = 0,8704 @ S = (WW, WL, WT, LW, LL, LT, TW, TL, TT} Gi) 0,75Capitulo 5 Variables aleatorias INTRODUCCION Volvamos ahora sobre el concepto de funcién. Sean Sy 7 conjuntos arbitrarios. Supéngase que acada s © § se asigna un elemento tnico de T; la coleccion f de tales elementos se llama funcidn (0 aplicacién) de S en Ty se escribe f: ST. Escribimos f(s) en lugar del elemento de T que fhace co- responder a s © y lo llamamos la imagen de s por fo valor de fen s. La imtagen f(A) de un sub~ conjunto A de Sy la imagen inversa f-¥B) de un subconjunto B de T se definen por fA) = ffl): 8EA} yy FMB) = (8: 10) BY En otras palabras, f(A) esta formado por las imagenes de los puntos de A, y f-*(B) esta formado por aquellos puntos cuyas imagenes pertenecen a B. En particular, el conjunto j(S) de todas las imagenes se llama el conjunto imagen (0: imagen o recorrido) de f. Supongamos ahora que S es cl espacio muestral de algin experimento, Como anotamos previar mente, los resultados del experimento, es decir, los puntos muestrales de S, no necesitan ser niimeros, Sin embargo, frecuentemente descamos asignar un niimero determinado a cada resultado; esto puede ser la suma de los puntos de un par de dados, el nimero de ases de una mano de “bridge”, 0 el tiempo (en horas) que gasta una Jampara en fundirse. Tal asignacién se denomina variable aleatoria; més precisamente, Definici ; Una variable aleatoria X de un espacio muestral Ses una funcién de S en el conjunto R de los nameros reales tal que la imagen inversa de cada intervalo de R ¢s un evento (0 suceso) de S. Hacemos énfasis en que si S es un espacio discreto en el cual cada subconjunto es un suceso, entonces cada funcién de valores reales de S es una variable aleatoria. Por otra parte, se puede comprobar que si S es no contable, entonces ciertas funciones de valores reales de Sno son variables aleatorias. Si Xy Y son variables aleatorias del mismo espacio muestral 5, entonces X + ¥,X + k. kX y XY. (donde k es un ndmero real) son funciones de S definidas por (K+ H(@) = Xe) + Fie) (kX)(6) = kX(e) (X¥+(e) = Xe) +h (ZYV\(a) = Xl) Ye, para todo s € §. Se puede comprobar que estas variables también son aleatorias. (Esto es trivial en el caso de que cada subconjunto de $ sea un suceso.) Usamos la notacién abreviada P(X = a) y Pla =X =) para la probabilidad de los sucesos “X toma el valor a” y **X toma valores en el intervalo [a, 6].” Esto es, P(X =a) = P({s ES: X(s) = a}) ¥ Paa=X=b) = P(jsES: a=X(s)=0}) Significados andlogos se dan a P(X=a), P(X =a, ¥=0), Pia=X=b, e< ¥ BM = Safle) = wht VeEr oS t e gt Ht od [Ahora sea ¥ que hace cotresponder a cada punto (a. 6) de S ta suma de sus nimeros, 0 sea, Yu.) = a+ 6. Entonces ¥ es también una variable aleatoria de S con conjunto imagen ¥(S) = {2,3,4,5,6, 7,8, 9, 10, 11, 12}VARIABLES ALEATORIAS. ICAP. 5 ‘A continuacion la distribucién g de ¥: | ow |alafala| u % Z| i Obtenemos, por ejemplo, 4(8) — & del hecho de que, (1.3, 2, 2) @, 1) son aquellos puntos de para los que Ia suma de componente es 4 por tanto off) = PIY=4) = P(((1,3), 2,2, (8,1) = & ele ie La media de Y se calcula como sigue: BW) = Sus) = tet sRt oe +12 7 Los siguientes diagramas deseribengréficamente las dstribuciones anteriores: + " * ae eee a TE) eribuci6n de Distribucion de ¥ CObsérvese que las lineas vertiales Gibujadas sobre los nimeros del eje horizontal son proporcionales & sis probabilidades, : Una moneda eargada tal que PH) = By P(T) = f se lanza wes veces, Las probabilidades de Jos puntos del espacio muestral § = | HHH, HHT, HTH, HTT, THH, THT, TTH, TTT! son las siguientes: PHBH) = 98-2 = 8 POH) = BF = PORT) = edb = PTH = HH POTH) = $42 = POT) = bb = POTD) = 9e$ = 8 POTN = bbb = ‘Sea X Ia variable que asigna a cada punto de S el mayor nimero de cares sucesivas que sveeds. Asi, X(ITT) =0 XQHTH) = 1, X(HTT) = 1, X(THT) = 1, X(TTH) = 1 X(HHT) = 2, X(THH) = 2 X(HHH) = 3 El conjunto imagen de X et X(S) = 10, 1,23) Caleulamos la dstibucién f de X: 10) = PITT) = & @) = PUHTH, HTT, TAT, TTA) = £+3+5+ ste ats fa) = PqHET, THEY) = $+ 2) = P(HHE)CAP. 5] VARIABLES ALEATORIAS n Esta informacion se tabula en la siguiente forma’ Mey ‘La media de 4 se calcula como sigue n@) = Safe) = Ob ++ ade sg = w= MS lemlo 53: Se selecciona al azar una muestra de ies aticulas de una caja ue contene 12 de los cuales? son defectuosos, Hallat el valor experado E de los articulos defestuosos, ‘mao 3, Notamos que hay 2 3 2-(2) = mt ai G) ‘Asi la probabiidad de coger 0, 1, 2 y 3 articulos defectuosos es respectivamente 64/270, 108/220, 37/220 y 1/220. Asi el nimero esperado £ de los articulos defectuosos 6s B= ott 1 + 2B + seeks = B= 075 84 muestras sin articulos defectuosos, 27 muestras con 2 articulos defectuosos; 1 muestra con 3 articulos defectuosos, ae = ' ‘Nota: Impliitmente obtuvimos el valor esperado de fa variable aletoria X que asigns 2 coda muestra el aimero de articulos defectosos que contiene. En un juego de dinero, el valor experado £ del juego se considera como el juego del jugador. Se dice aque el juego es favorable al jugador si E es positive, y desfavorable si E es negativo. Si E = 0, el jucgo cs legal. Fjemplo $4: Un jugador lanza un dado corrente. Si sale ua nimero prime gana dicho nbmero de délars, peo sno ale un aGmero primo entonces pierde esa cantidad de délares. Los resultados posibles xt del juego con sus respectivas probabilidades /(xi) son como sigue: mie Los nimeros negatives —1, —4 y —6 corresponden al hecho de que el jugador pierde si no sale un nic mero primo. El valor esperado del juego es B= pt Regt Sg teg— sed oe = Ht or tanto, el juego es desfavorable para el jugador puesto que el valor esperado es negativo. Nuestros primeros teoremas en relacién con la nocién de valor esperado para operaciones de va~ riables aleatorias son ‘Teorema 5.1: Sea X una variable aleatoria y k un nimero real. Entonces (i), (KX) = KE(X), y Gi) E(X +k) = EX) +k ‘Teorema 5:2: Sean Xy ¥ variables aleatorias del mismo espacio muestral S. Entoncss F(¥ + ¥\ —8 VARIABLES ALEATORIAS Icar. 5 Un simple argumento de induecién conduce al Corolario 5.3: Sean X1, Xs,....Xq variables aleatorias de 5. Luego EX, +--+ Xa) = Eli) + ++ + BK) VARIANZA Y DESVIACION ESTANDAR La media de una variable aleatoria X mide, en cierto sentido, el valor “promedio” de x. El concepto siguiente, el de la varianza de X, mide ef “esparcimiento” 0 “dispersion” de X. Sea X una variable aleatoria con la-siguiente distribuci6n’ fled | fed | | ited Entonces la varianza de X, denotada por var(’), se define como var (X) = Bla = ah ye) = BU 9) donde » es la media de X. La desviacién estdndar de X, denotada por ,, es la raiz cuadrada (no- negativa) de var(X ): Sa El teorema siguiente nos da una alternativa y algunas veces una formula més atil para calcular la varianza de la variable aleatoria X. Teorema 5.4: var(X) = 3 zffle) — 8 = BCX) — 14 Prueba, Usando & af) = » y & fle) = 1, tenemos Te wse) = Left he) = Laine) — Dafa) + PD He) Dee) — Bt + Dats - ul lo cual prueba el teorema. Ejemplo 55: Considérese la variable aleatoria X del ejemplo 5.1 (que asigna el miximo de los nimeros que se mues- tan en un par de dados). La distribucin de X'es 1.84 media es pg = 447, Caloulamos la varianza y la desviacién esténdar de X. Primero calevlamos ney | ae | Et FUN: BQO) = Self) = webs weds weds Ft oS + og = 2197 ‘ntonces var (X) = BOC) — nh = 2197-1998 = 199 yoy = VIS = 14 ‘Ahora consideramos la variable aleatoria Y det ejemplo 5.1 (que asigna la suma de los ndmeros {que se muestran en un par de dados). La dstebucin de ¥ esCAP. 5} VARIABLES ALEATORIAS, ~» ee ee [owl ela lls |e(sle[elalala Br EY?) = Bato) = Bek + Ret + Wy = B= ee var) = BOW) = MA = 38 yy V58 = 24 Establecemos algunas propiedades de la varianza en el Teorema 5.5: Sea X una Variable aleatoria y A un ndmero real. Entonces (i) var(X + 4) = var(X), y (ii) var(kN') = A? var(X), Por lo tamto, ogee = ex ¥ Amc = lose Nota 1. Hay una interpretacién fisica de la media y la varianza, Supéngase que para cada punto x sobre el eje x se coloca una unidad con masa fixi). Entonces la media es el centro de gravedad del sistema, y la yarianza es el momento de inercia del sistema Nota 2, Muchas variables aleatorias dan origen a la misma distribucién; de aqui que hablemos fre~ ‘cuentemente de la media, la varianza y la desviacién estandar de una distribucién en lugar de Ja variable aleatoria fundamental Nota 3. Sea X una variable aleatoria con media » y desviacion esténdar o > 0. La variable aleatoria X* estandarizada que corresponde a X se define por xe =X Comprobamos que E(X*) = 0 y var(x*) = 1 (problema 5.23). DISTRIBUCION CONJUNTA Sean X’y ¥ variables aleatorias de un espacio muestral 5 con los respectivos conjuntos imagen K(S) = (ute 22) yy YS) = ft Yr Hd Formamos el conjunto producto X(S) x Y(S) = (Cer, m0), Gusts), - +5 (em Ym) ‘en un espacio de probabilidad definiendo la probabilidad de |a pareja ordenada (x, y;) como P(X = kee Y= ys) que escribimos A(cs.s)- Esta funcién h de X(S) x ¥(S). esto es, definida por Al. ys) = PX = x. Y = pis se llama distribucién conjunta 0 funcion de probabilidad conjunta de X y ¥ y se da en forma de tabla por lo general: (ec) Pn Ve ae Yn ‘Sema + a hewv) hewn) Re Ym) fed % Hea) Meow) He Ym) fled) 2 Newt) Nota vd) lca Yn) Hey) Suma aww) aus) oe om)80 VARIABLES ALEATORIAS car. 5 Las funciones fy g anteriores se definen por fey = Ere yale) = EMew 0 sea, fs) es la suma de los elementos de Ia fila i-ésima y g(y's) es la suma de los elementos de la columna j-ésima; son llamadas distribuciones marginales y son, de hecho, las distribuciones (individuales) de Xy ¥ respectivamente (problema 5.12), La distribucién conjunta h satisface las condiciones Maw =0 yO) YS aeow) = 1 ‘Ahora si X y Y son variables aleatorias con la distribucin conjunta anterior (y las respectivas medias pz ¥ My), entonees la covarianza de X y ¥ denotada por vov(X, ¥), se define por cov (X,¥) = z @— 100, — my) MeY) = ELK a) — my) o equivalentemente (ver problema 5.18) por cov (X,Y) = g zy, Mey¥) — exty = E(KY) — bgity La correlacién de X y Y, denotada por p(X, Y), se define por my = 2y ol, ¥) aiey La correlacién p no es dimensionada y tiene las siguientes propiedades: O AEN=A¥X) (il) AX) = 1, 0%, —-X)=—1 (i) -1=p<1 (iv) p(aX +b, c¥ +d) = p(X,¥), si ex0 Més adelante (cjemplo 5.7) mostramos qué parejas de variables aleatorias con distribuciones (individuales) idénticas pueden tener covarianzas y correlaciones diferentes. As{ cov(X. Y)y p(X, ¥) son medidas de la manera como X y ¥ estén relacionadas entre si. jemplo 5.6: Se lanza un par de dados corrientes. Oblenemos ol espacio equiprobable finite S que esté formado por 36 parejas ordenadas de mtimeros entre I y 6: S = G0, 1,2), -- 66) ‘Sean X'y ¥ las variables aleatorias de $ en el ejemplo 5.1, 0 sea, X designa el maximo némero y ¥ la su- rma de los nimeros de cada punto de S. La distribucién conjumta de Xy ¥ es la siguiente: ° nie | he | he | aieCAP. 5) VARIABLES ALEATORIAS aL elemento uatcior AC, 5) ~ % viene del hecho de que (3.2) y (2,3) los Sic punts de S cuyo ‘nim minima es 3 clys soma 6 5; por tanto, 3,5) = PYK=8,¥=6) = P(B2,23)) = ¥ Los otros elementos se obtionen de manera similar. ‘Calculemos la covarianza y la corrclacién de Xy ¥. Primero calculemos E(x ¥): EBAY) = Daw Meeu) Beard + Bee Gt teak to + oeitedy = Bs we Por el ejemplo 5.1, ax= 447 y wy =~ Ty porelgemploS, ox = 14 y ey = 24; deaqut cov (K,¥) = BUXY) — oxey = 34.2 — GATT) = 29 = st) 29) y Geta ee! ee semple 5.7: Sean Xy ¥. y X'y Y" variables alestorias con las distribucionesconjumtas siguentes: 4 | 10 | Suma e t t + 3 t + i i + x Obsérvese que X'y x", y Y'y ¥" tienen distribuciones identicas: [= [Ts] [x Jefe] Law [a [a | Law [4 [3 | Distribucion de X y X" Distribuei ‘Comprobamos que cov(X, Y)xcov(x", ¥") y de aqui (AX, ¥) * p(X’, ¥"). Primero calculamos EUV) y (XY: KY) = Asdep + 110+ Pt 84g + 8-10+h = 1d BUY) = 10400 + LetOeg + Sedeg + 810-0 = 1 Como ee =a 2 yay sar oor (KY) = EY) — ay = 00 yr ¥) = BUY) — exe Nota: La nocién de una distribucién conjunta h se extiende a un niimero finito de variables aleatorias X.Y, ....Z de manera obvia; esto es, h es una funcién del conjunto producto X(S) x ¥(S) x +++% Z(S) definida por Rauys---0%) = P(X =a, Yay -- =m) VARIABLES ALEATORIAS INDEPENDIENTES Se dice que un mimero finito de variables aleatorias X, Y. . -., Z de un espacio muestral S son independientes si P(X=n Y=m, Zam) = PR=)PW ay) PE= A)82 VARIABLES ALEATORIAS car. 5 para valores x;,.x),.... 2x. En particular, X y ¥ son independientes si POL n) P(Y = i) Ahora si X y ¥ tienen las distribuciones /y g. respectivamente, y la distribucién conjunta h, entonces ku ‘ecuaci6n anterior se puede escribir como Hau) = Se)otw) =u) = PX En otras palabras, X y ¥ son independientes si cada elemento A(x, »3) 5 l producto de sus elementos marginales, Ejemplo 58: Sean X y Y variables aleatorias con la disribucién conjunta siguiente ¥ 2 3 ‘ me = si 1 0.06 | ois | 009 | 00 2 ots fos | om | a0 Suma | 020 | 9.50 | 030 Asi. las distribuciones de 4’ y ¥ son como sigue z 1 2 v Za [ot | fe) {030 | 0.20 vi [020 | oso | 03 | Disrbucion de Diswibucion de ¥ X y ¥ son variables aleatorias independicntes puesto que vada elemento de la istribucin cunjunta pue~ 4 obtenerse muliplicande sus elementos marginales estes PR =u) = PX =z) PW =y) para cada / y cada 7 Establezcemos algunas propiedades importantes de variables aleatorias que no se cumplen en ge neral, a saber, Teorema 5.6: Sean X y ¥ variables aleatorias independientes. Entonces: @) EXY) = EX) EY), Gi) var(X + ¥) = var(X) + var(Y), ii) cov(X, ¥) = 0. La parte (ii) del teorema anterior generaliza al muy importante Teorema $5.7: Sean Xi. X>, . Xq variables aleatorias independientes. Entonces var (Xi + +++ + XA) var (Xi) + +++ + var (Xa) FUNCIONES DE UNA VARIABLE ALEATORIA ‘Sean X y Y variables aleatorias del mismo espacio muestral S. Entonces se dice que ¥ es una fun- cién de X si ¥ puede representarse por alguna funcion # de valor real de una variable real Y = ®WW); esto es, si Vs) = [ X(s)} para todo s € S. Por ejemplo, kX, X*, X + k y (X +k}? son todas funciones de X con (x) = kx, x8, x +k y (x + K)? respectivamente. Tenemos el teorema funda- ‘mentalcares VARIABLES ALEATORIAS 83 Teorema 5.8: Sean Vy ¥ vuriables aleatorias de un misino espacio muestral Seon Y= &(N), En- tonces = Fs) = YS oeose donde es la funcion de distibucion de V Similarmente, se dice que una variable aleutoria Z es una funeidn de’ y ¥ si Z se puede represen tar por Z = @(X. Y) donde @ es una funcidn de valor re de dos variables reales; esto 6s, si Ay = |X), V4] para todo » € 5. Conforme al teorema anterior, tenemos Teorema $9: Sean ¥, ¥'y Z variables alestorias del mig espacio muestral Seon Z = O(N, ¥), Entonces E(Z) = Ye. ydatwiw) donde A es la distribucida conjunta de Vy? Hacemos notar que los dos teoremay anteriores se usaron implicitamente en la discusion y teoremas precedentes. También hacemos notar gue la prueba del teorema 5.9 se da como un problema pro- puesto, y que el teorema se generaliza pura una funcidn de m variables aleutorias en forma obvi. VARIABLES ALEATORIAS DISCRETAS EN GENERAL Ahora supangase que X es una variuble aleatoria de S con un conjunto imagen infinito contable; fosea, X(5) = |i xs... l. Tales variables aleatorias junto con aquellas de conjuntos imagen finitos (considerados atris) son lamadas variables aleatorias diseretas. Como en el caso finito, construimos X(5) en on espacio de probabilidad definiendo ta probabilidad de x como fix1) = P(X = x1) ¥ amamos fla distribucién de x: fee) | Mee) | fled fot E] valor esperado £(X) y la varianza var(\') se definen por E(X) = afla) + fle) + = var (X) = (tw) f(ts) + (@2— af) Ho = (im oP Fle), ‘cuando las series pertinentes convergen absolutamente, Se puede demostrar que var(X) existe'si y solo si = E(X) y A(X?) existen ambos y que en este caso la formula var (X) = EQ) — 2 €s valida justamente como en el caso finite. Cuando var(.X) existe, la desviacién esténdar ose define como en el caso finito por oy = VR) Las nociones de distribucién conjunta, variables aleatorias independientes y funciones de variables aleatorias se extienden directamente al caso general. Se puede demostrar que si X'y ¥ estén definidas en el mismo espacio muestral 5 y si var(X) y var(¥’) existen, entonces las seriesPy VARIABLES. ALEATORIAS car. 5 cov (X, ¥) z (2, ~ 1)(Uy — my) May ¥) convergen absolutameste y la relacion cov (X,¥) = Brahe Y) — wx = E(XY) = thy se cumple justamente como en el caso finito. Nota: Para evadit tecnicismos estableceremos muchos teoremas en este capitulo dnicamente para variables aleatorias finitas VARIABLES ALEATORIAS CONTINUAS Supéngase que ¥ es una variable aleatoria cuyo conjunto imagen X(S) ¢3 un conjunto continuo de nimeros tales como un intervalo. Recal- camos de la definicidn de variables aleatorias que el conjunto !a=X <6! es un suceso de S y, por consiguiente, la probabilidad Pla =X = 5) est bien definida. Suponemos que existe una funcién continua especial 6 RR tal que Pla= X=) es igual al area bajo la curva de fontre x = a y x= b (comorse muestra a la derecha). En el lenguaje del célculo, Peas X=) = irea de lu parte sombreada Pa=X e [Aqui nos valernos del hecho que pare 0 2 = 2, ra = f"ya = ae DESIGUALDAD DE TCHEBYCHEFF. LEY DE LOS GRANDES NUMEROS: La idea intuitiva de probabilidad es la tan nombrada “ley de los promedios™, esto es, si un evento A sucede con probabilidad p, entonces el “atimero promedio de suceyos de A™ se acerca a p tanto co~ mo ef nimero de pruebas independientes aumenta: Este concepto se precisa con la ley de los grandes nimeros que se establece luego. La prueba de este teorema se vale de Ja bien conocida desigualdad siguiente de Tchebychef Teorema 5.10: (Desiguuldad de Tehebychef): Sea Y una variable aleatorin con promedio wy des viucidn estindar @. Entonces para cada ¢ > 0. PUX- nf = 0 = Pruca. Empezamos con la definicién de varianza: a = ww) = PewCAP. 58] VARIABLES ALEATORIAS 87 En las series anteriores suprimimos todos los términos para los cuales |x; — m| < , Esto no aumenta el valor de las series, puesto que todos sus términos son no negativos; esto es, aes 2 (es WP fled) donde el asterisco indica que la sumatoria se extiende solamente sobre aquellos / para los cuales |x; —u| =e. Asi, esta nueva sumatoria no aumenta en valor si remplazamos cada |xi — | por e restos, = ef@) = 2 > H(i), Pero * f(a) es igual a la probabilidad que |X — | = ¢; por tanto, 2 = 2P(\X—al|=o) Dividiendo por ¢ conseguimos la desigualdad buscada, 2 Teorema 5.11: (Ley de los grandes nlimeros): Sea X'1, X2,..., una sucesién de variables aleatorias independientes con la misma distribucién con promedio w y varianza o?. Sea Sp = (Kit Xat ++ +Xa)/n (llamada la muestra media). Entonces para un « > 0 lim P(\Sx— |=) = 0 0 equivalentemente lim P(S, Prueba. Nétese primero que (5) = EG) + BO es sit + B(Xy) me Puesto que X1,..., Xn son independientes, del teorema 5.7 se deduce que var (Xi eee + Xp) = var (Ki) tee var (Xe) = meee Por consiguiente por el teorema 5.5(ii), a) i var (Kits + Xs) var (59) = var ( Fale) 31% Asi, por la desigualdad de Tchebycheff, P(\Sa— pl = 6). id ne El teorema resulta del hecho de que el limite a la derecha es 0 cuando 1 + Las notas siguientes son en su orden: Nota 1. Probamos la desigualdad de Tehebycheff solamente para el caso discreto. El caso continuo se deriva de una prueba andloga en que se usan integrales en lugar de sumatorias. Nota 2. P-obamos Ia ley de los ntimeros grandes solamente para el caso en que exista la varianza de X;, esto es, no diverge. Observamos que el teorema es verdadero siempre que E(X1) existe. Nota 3. La ley de los grandes nfimeros anteriores llamada también la ley débil de los grandes nimeros ‘a causa de un teorema similar, pero mas firme, Namado la ley fuerte de los grandes némeros.88 VARIABLES ALEATORIAS Icap. s Problemas resueltos VARIABLES ALEATORIAS Y VALOR ESPERADO $.1. Hallar el valor esperado y, la varianza eo y la desviacién esténdar @ de cada una de las siguien- ies distribuciones: pe Sie e rod [+ | + | ii) @ «2 = Safed = 2 y+ sept ug = 4 Bathe) = Bt Hy + Uue-y = 26 e Balte) -—# = %-16 = 10 = Vi = 32 (i) x = Bated = bg — eg ted ted Bethe) = WZ + Wp t deg t seg = 9. f= Balfie)— 2A = 925-1 = 825 o = VRE = Gi) np = Safed = 104) +30.) +402) +503) = 8 Bata) = 104 +90,1) + 1602) +2503) = 12 a = Zelfay—# = 2-9 = 8 eo = VB= UT 5.2, Se lanza un dado corriente. Designemos X como el doble del niimero que aparezca, y denotemos ¥ como | 6 3 segin que el niimero sea impar o par. Hallar la distribucién, el valor esperado, la varianza y la desviacion estindar de, (i) %, (i) ¥. (il) ¥ + ¥, Gv) XY. 6 .y cada nimero aparece con probabilidad Elespacio muestrales 5 = 1 1.23.4, (XG) = 2X0) = 4, x8) = 6 XG) = BAS) = 10, X(6) = 12. Asi NUS) = 12,4,6, 8, 10, 12) y cada ndmero tiene probabilided . Asi, la distribucion de X es como sigue Por consiguiente, x = BD = Safed = gt dept Org + Bg t 0g eazy = F = T Bai sed = Ag + 16-g + 8604 + dey + 100-4 + 1g = eh = var () = EG) - 7 — = 17 ax = VT =uCAP. 5} VARIABLES ALEATORI: @) YA) =1, ¥@)=3, ¥@=1, YH) =3, YO) =1, YO) gf) = PY =1) = P(G,8,5) doy of) = PIV=: Osea ¥(S)= (1,8) = PURO) = 3 = 5 De esta forma la dstribucién de ¥ es como sigue: 1] 3 ow) [a] Enconsecuenca, wy = BW) = Systy) = tht 84 = 2 EW) = Byjoy) = Wh t+9-4 = 5 2 = var (¥) = BY) — 2 = 6-2 = 1 * wy = vE=t Gil) Usando (X + ¥¥s) — Xl) + YG). obtenemos, (+a) =2+1=8 (+O =6+1=7 (X+NG) = 0+ = 11 (K+ VQ) = 4+3=7 +a =8+8=11 (K+ ¥)G) = 1248 = 16 Por consguiente e conunto imagen ex (X + YS) ~ 13, 7, Hl 1S} y 3 y 18 sueden con probabildad §. Ty Li con prbabiidad 2 Esto exladistibacion de X + Y es como sigue: Bese ee wed | 3 | ass, B+Y) = geht Tt uegssg-= Y= 9 = MH = 957 E(K+ YP) = Seb 4 49+} + 121+} + 22> war (KEY) = BUK+Y — oF = 957 = 187 ay = Vig ee Moiese que, EX) + EY) = 742-9 = EC $Y), pero var OD) + var) = WT + = 127 aver C4 YY (Gv) Usando (X¥)(s) = X(#) ¥(9), obtenemos, (X¥)0) = 2-1 = 2 (X¥ya) = 6-1 =6 (XY¥)(6) = 10-1 = 10 (x6) = (ANG) = 4-3 = 12 ern) Por tanto, la distribucién de XY es como sigue: Rept erg tig t gt Meet Od = T= Ang + 9694 + 1000 § + keg + 876g + 1206} mM = 193 B(EY) — f= 3593 — 1 = 4353. 5.4. VARIABLES ALEATORIAS [caps Una moneda cargada para que P(H) = 2 y P(T) = $ se lanza tres veces. Sea X la variable aleatoria que denota la mayor hilera de caras (sucesivas) que aparezca. Hallar la distribucién, la esperanza, la varianza y la desviacién estandar de X. La variable aleatoria se define en el espacio muestral S = (HHH, BHT, HTH, HTT, THH, THT, TTH, TTT) Los puntos de S tienen las probabilidades respectivas siguientes: ORM) = 3-403 PORK) = 5-3 a PUEHT) = q04+4 PORT) = $-4$ = a PURTH) = -4°2 POTH) = 4+be8 =k PQTT) = 84°45 POT) = db = Puesto que ¥ denota la mayor hilera de earas, X(ITT) =0; X(HTT) X(HHT) , X(HTH) = 1, X(TAT) =1, X(TTH) = 1; 2, X(THE) X(HHH) = 2 ‘Asi el conjunto imagen de X e5 X(S) = 0, 1,2, 31. La probabilidad f(s) de cada niimero x, de X(S) se obtiene suman- {o Jas probabildades de los puntos de S cuya imagen es x¢ f0) = P(TTT) = gy f(t) = PUXTT) + PORTH) + P(THT) + PITTH) = Uy f@) = P(RHT) + POTHH) = if 18) = PORHE) = 35 Por consiguiente, Ia dstribucién de X es como sigue: me [eon| epee ek | mlalalala Asi, n= BG) = Oa tig ogg + seas = B= 25 FOO) = og + 14h + agg t orgy = B= 82 var (X) = BUX) — 2 = 52 — Qy? = 08 Se lanza una moneda corriente hasta que resulte una cara o cinco sellos. Hallar el valor esperado E de los lanzamientos de 1a moneda. Si sale cara en la primera ver sucede un lanzamienta solamente, esto es, el suceso H. Siel primero es selloy el se- ‘gundo cara saceden dos lanzamientos, esto eel evento TH. Si los dos primeros son sell y el teteero cara, suceden tres Taneamientos esto es el suceso TTH. Si resulta TTTH suceden cuatro lanzamientos y siresultan TTTTH TTT su- ceeden cinco Ianzamientos. Entonces 1) = Pan = 4 f@) = PTH) = § fi) = PTH) = ¢ fd) = POTTTH) = yy 6) = P(TTTTH) + PCVTTTT) = yp + gy = ey Portanto, Es Uhr Rge Spee toy = Y= 19.car. 5) VARIABLES ALEATORIAS 1 53. 5.6. 5.7, Se dibujan dos cfreulos concéntricos de radios 1 y 3 pulgadas dentro de un blanco circular de 5 pulgadas de radio. Un hombre recibe 10, 5 6 3 puntos segiin pegue en el blanco dentro del cfrculo menor, en cl anillo intermedio o en el anillo exterior respectivamente, Supongamos que el hombre da en el blanco con probabilidad 4 y, por tanto, es 1o mismo de posible que pegue en un punto del blanco como-en otro. Ha- llar el valor esperado E de los puntos que marca cada vez que dispara La probabilidad de macear 10, 5,36. puntos es: 1, area de 10 puntos ft® 100) = 3° “area bianco 2" (6) 50 1, area de 5 puntos _ 1 e(@@— et! _ og 49 = 3° “Grea tianee 2° OP OBO 1, rea de} puntos _ 1 9(68— el _ 18 1) = 3° Geablac 2" GF BO ek $0) = 3 Un jugador lanza dos monedas corrientes. Gana $1 6 $2 segiin que aparezcan | 6 2 caras. Por otra parte, pierde $5 si no aparece cara. Determinar el valor esperado E del juego y si éste es favorable al jugador. La probabilidad de que 2 caras sucedan es 4: de 2 sellos es fy de 1 cara es 4. os f, de ganar Sl es 4.y de perder $5 es 4. Por tanto = 2+h+1+h—5+h = —f lor esperado dl jucgo es menos 25¢, y en esta forma es desfavorable al jupador probabilided de ganar $2 0,25. Esto es, el ve Un jugador lanza dos monedas corrientes. Gana $5 si aparecen 2 caras, $2 si aparece I cara y $1 si ninguna cara aparece. ()) Hallar la ganancia esperada. (ii) {Cudnto debe pagar para jugar si el jucgo es legal? (i) La probabitidad de ganar $5es }, de panar S2es $ y de ganar Si es 4; portanto = S++ 2-h+1+$ = 2,50, esto es, a ganancia esperada es $2,50, (@__ Si paga 82,50 para jugar, emtonces el juego es legal DISTRIBUCIONES CONSUNTAS, VARIABLES ALEATORIAS INDEPENDIENTES 5.8. Supdngase que X y ¥ tienen la siguiente distribucién conjunta: ESSE 1 1 3 03 suma | 04 (i) Hallar la distribuci6n de x y de Y. Gi) Hallar la cov (X, Y), esto es, la covarianza de. y de Y. (iii) Hallar p(X, ¥), esto es, la correlacion de X y de ¥. (iv) (Xy Y son variables aleatorias independientes?92 59. VARIABLES ALEATORIAS Icap. 5 © ia disteibucion marginal de la derecha es la distribucion de X y la distribucion marginal del fondo es le distribu cién de ¥. A saber, a fads ype ete fe) [os | 05 vu) [os fos [oa | Distribacion de X Distribucion de Gi) Primero caculamos wx y ay me = Safle) = N05) +0)05) or = Bua) = 30.4) +003 +403) ~ 06 LLuego computamos (X ¥} EGY) = Zeajde.y) = (390.1) + (1X2K0.2) + (148)0.2) + BX—3N0.3) + GVQVO.L) + GNAXO.I) = 0 Entonees cov (X, ¥) = E(XY)— agey = ~ 06) = 12 (ii) Primero caleulamos ex yey! EX) = Safle) = 005) + 00.5 B= va @ = BU) a2 = 5 OP = 1 ox = vi=1 y BY) = Syfotud = GNA) + 40,3) + 060.3) 96 of = var) = BUY) — nf = 9,6—06)2= 924 oy = VOM = 30 cov (X,Y) gi = Entonces (AX, ¥) sear T.0y 04 tiv) X y ¥ no son independientes, puesto que P(X — 1, ¥ ~ —3) x4 P(X = 1) PLY - —3), esto es, el elemento A(1, —3) = Of no es igual a f(1) e(—3) = (0,5)0.4) 2, el producto de sus elementos marginale, Sean X’y Y variables aleatorias independientes con las distribuciones siguientes: a [i[ 2 4 | 6 | 10 | fla) | 06 | 0.4 ou) jo2 fos fos Distribucién de x Distribucign de ¥ Hallar la distribucién conjunta A de X y Y. Puesto que X y ¥ som independientes, la dstribucion conjunta h se puede obtener de las distribuciones marginates Fy &. Primero constriyase la tabla de le distribuciOn conjunta con las distribuciones marginales solamente como se in sdica en la tabla de la izquierda, y luego multipliquense los elementos marginales pera obtener los otros elementos, «sto es, coldquese (ay v4) = H(@) gly), como se muestra a le derecha, x Z 5 10 15 ‘Suma 10 15 ‘Suma 1 06 0,30 0,18 06 | 2 ial else al tous mao tes |e sm [a [os [os [sme [oa fos [osCAP. 5} VARIABLES ALEATORIAS. 93 5.10. Una moneda cotriente se lanza tres veces. Sea X que denota 0 6 I segiin que aparezca una cara ‘un sello en el primer lanzamiento, y sea Y que denota el ndimero de caras que resulten. Deter- minese, () la distribucién de. y de ¥, (ji) la distribucién conjunta h de X y ¥. (ii) cov (X, ¥). ()_B.expacio muestral consta de los ocho puntos siguientes, cada uno con probabilidad $. 8 = (HHH, HHT, HTH, HTT, THH, THT, TTH, TTT) Tenemos X(HHH) = 0, X(HHT) = 0, X(HTH) = 0, X(HTT X(THH) = 1, X(THT) =1, X(TTH) = 1, X(TTT) = y Y(HHH) = 3 Y(HHT) = 2, YOITH) =2, Y(THH) Y(HTT) ¥(TTT) =1, YTHT) =1, ¥(TTH) Asi las dstribuciones de X'y de ¥ son como sigue a [ofa » [ols[2]3 fle) | 4] ow) |e] a} t | t Distribucién de x Distbucidn de ¥ (ii) La distibucion h de X y ¥ es: o} 1] 2] 3 | sum suma | 3] CObtenemos, por eiemplo, el elemento A(0, 2) = PX = 0, ¥ = 2) = P(VHTH, HHT) = 3 wx = Safle) = Fag i} py = Bag) = Og + lB t 2+ see = FB ERY) = DewMeyy) = Ueteg + 1e2+4 + verminos con factor 0 = er ¥) = BY) — exer = $- 48 = -E Sea X una variable aleatoria con la distribucién siguiente y sea Y = X*: aie nor [ a fala lt Determinar, (i) la distribucién g de Y, (ii) la distribucién conjunta hde X y Y, (iii)lacov (X,Y) y 0(X. ¥),94 VARIABLES ALEATORIAS [cap 5 ( Puesto que _¥ = 4°, la variable aletoria ¥ puede tomar solamente lo valores Ay 1, Ademas, g(a) = PO = 4) XX = 20 X= —Y- PK =~ ALAN = 2 = 444 Fy, similarmemee, g(l) =F Por ane ta distribuci6n de Yes como sigue wy [ile ay) | | (ii) La distribucion conjunta A de X y ¥ viene luego, Névese quesi X ~ — 2, entonces Y= 4: y deagui A 2,1) 0 y A(—2, 4) = 2) = f. Los otros elementos se obtienen de manta similar. 1] 4 | sume eee t a} 0 t ey Pr a} le qiz sama | 4] 4 ww ox = EX) = Safe) = -2-4-1-p41-y+2-y = 0 wm = EW) = Buoy) = 1-h+42 = § EIKY) = Saw hMevy) = 8-4 -1+$41-4 4+ 8-3 = 0 cov GY) = EUXY) — pxpy = 0-0-8 = 0 vast AfX,¥)=0 Nota: Este ejemplo muestra que no obstante que ¥ es una funcién de X'es ain posible que la covarianca y la correlacin de Xy ¥ sean 0, como en el caso en que X y ¥ son independientes (teorema 5.6), Notese, sin embargo. que Ay ¥ no son independientes en este ejemplo. PRUEBAS DE TEOREMAS Nota: En todas las pruebas, X y ¥ son variables aleatorias con distribucién fy g respectivamente y distribuci6n conjunta A 5.12. Demuéstrese que f(a) = % Maw) y glu) marginales son las distribuciones (individuales) de X'y ¥, = A(zi,y;), esto es, que las distribuciones Sa A= (X=a) y By= (=p; esto es, ser Ay= Aa) y_By= Y—Hy), Asi las By son dis yuntas y $= U;By, Por tanto, Ay = ANS = An(U;B) = v,(A0B) donde las A,B, son también dsyuntas. En consesuenci, fe) = PR =a) = PA) = EPR) = EPK=% Yay) = Eheyy) La prucba para ges similar $.13, Probar el teorema 5.8; Sean X_y ¥ variables aleatorias del mismo espacio muestral $ con ¥ = @(X). Entonces E(Y) = Y (x) fla) donde fes la distribucion de x. (La prueba se da para el caso en que X es diseretay finita.)car. 5) VARIABLES ALEATORIAS, 95 Sypighte Wie # torn los talare Ziq emn'vagos eA) mm lanes Bat hey recone de 1 8 Enact las poles valores de Y= @(X) 0m Hyon -1¥m J le dutibucion & ce ¥ exh dada por 9) = gBynaa ot=0) Ademis Be) = 2y00) Pi": 0ds—y = By eden = 2 fed eed Jo cual prucbs el teorema, 6.14, Probar el teorema 5.1 Sea X una variable aleatoria y k un niimero real. Entonces () EX) = KEW) y Gi) EO +H = EL) + (ua proche da para el caso discreto pneral suponendo que FUN) exist) nora KX = #(%) donde 6(2) ~ hx, Ademds pre eoema 58 (rablems 5:2), EGX) = Zk fe) = Basle) ~ ke iy Aqui 2X + R= OX) donde #6) = + Ae Ademas E+ = B@tH ie) = Raid + Perey = E+ 5.15, Probar el teorema 5.2: Sean X y Yi variables aleatorias del mismo espacio muestral 5, Entonces EWX + ¥) = EO + EU). (a prueba se a pa el caso diseeto general supniendo que E(X) EOF) amine existen) Anon X 4 Y= (X,Y) donde @(x.y) = x +s Ademis pore eorema 59, EQHY) = BR ety) Mew) BS adevy) +2 E whew) Aplicando el problema 5.12, oblenemos BOY) = Bafa) + Base) = FOF BLY) 5.16, Probar el corotario:5.3: Sean Xi, Xa,..+4 Xn varlubles.alearorias de S, Entonces BU + + Xe) = BR) + + HK) ,B(%,) todos exten) ere on Croiviy ikea min. Clease fo Nal Yel ale, Na 0S BS el earema 5.2 {problema 513). Para el caso > 2 apliaros cl caso m =-2 para ovtenet BO em ee = BPS EGS) (a pruca'se da para el cso dicreto general suponiendo que’ BUA) + por hipesisindutivn esto se converte en UK) 7 + Uae EK). 5.17, Probar el teorema 5.5: (var £6). = wan() y GD var (kX) = k? var (X). Por tanto | ex: eee = Sed eee porch orema SA. axon = ox tH 9 mex = Regs Tambien Safle) = ax Y She) = 1. Portanto,96 VARIABLES ALEATORIAS Ica. 5 var (X+H = Slat Me) — whew Balsa) + 2 Safle) + HZ fle) — (ox + OP Deh ye) + thee + 2 — G24 2h +) Balle) — 0% = var X Y var (0X) = (hey fe) — whe = SZ aT fle) — (eux)? = PSefe) — wd = W(Seh fe) - 2) = B ver 5.18. Mostrar que cov (X,¥) = & C= ws) os) Av) = Tewbaey) = Pty (La prueba se da para el caso en que X'y ¥ son discretasy nites) Pucsto que Frew) = Zuo) = wr Rabewy) = Fase) = me y Bley) = 1 obtenemos 3 i aly) Mew) Beas — exits — eres + xr) Mew) " Bray hen) — ox Bay heyuy — oy Za Meo) + axev 3 Mev) " Beas blew) — wxer — exey + exer 2a heyy) — exer 5.19. Probar el teorema 5.6: Sean X y Y variables aleatorias independientes. Entonces () E(XY) = E(X)E(Y), (ii) var (X+¥) = var (X) + var (¥), (iit) cov (X,Y) = (La prueba se da para el caso en que X'y ¥ son diseretas y fintas.) Puesto que &'y ¥ son independents, Ate w)) = Sle) ola)- Asi BUY) = BeayMevw) = Brahe) ow) = Reed Zuo) = BO2q) Y cor RY) = ERY) — wey = BBW) — sry = 0 Con el fin de proba (ji) necestamos también srry = exten Bet heoyd = Zefa). Zvi Menu) = Zvi ow) Por tanto, va KHL) = Blech yPileou) — wey = ZeiMeny) + 2B aayMaou) + Boi heyy) — xt ar = Zaifed + 2B ala) Fy) + Zuj ow) — i Laxey — oy = Bailey — + Bajo) — eh = er) + er)cap. 51 VARIABLES ALEATORIAS 91 5.20, Probar el teorema 5.7: Sean X1, Xs, variables aleatorias independiente. Entonces var (Kites + Xe) = var (Xa) +++ + var (Xe) (a prueba se da para el easa en que Xp, --+)%q som todas discretasyFinitss.) ‘amos por supuesto los problemas andlogos al 5.12 y al teorema 5.9 pasa n variables aleatrias, Entonces ya Kyte Ry) = Bp My ge te Bley te ey = wage cag? Mew od = Bete temo gy)? Alea, «9 Bd = 3 {RB ae +B Bry PE Ral Mor ind donde ke ta distribucion conjuma de yess Xow Y wet sty = Ant" tue los son independiates dos das, Sma hleyy «vs s) = oxi Para to + ax, (Coroiario 5.3). Pesto Por tanto var fyb oot y= Sonya, + Read +B Benen, 2B For, = Zea - Zo = 3 orc somo se peda PROBLEMAS VARIOS 5.21. Sea X una variable aleatoria continua con distribucién _ faethe si 0s2=8 oe ae () Caleular &. (ii) Hallar PO = X <2). () El grifico de fe dibuja en sequida, Puesto que fes una funcién continua de probabilidad, ta region sombreada debe tener Area 1, Nétese que A forma un trapecio de bases paralelas de longitudes & y # + y, y altura 3. Por tanto, eldreade 4 = A(e+k+g)+8=10 k= gy Geitieo de P(L=X=2) = irea de 8 f i) P(e.x=22) ex igual al Srea de B a cual est bajo el grico defy enire x = 1 y x = 2 como se muestra en le Fuuea snerioe deta dresha, Netese qe (1) = 4+ ig = Pov 112) = B+ gy = Hy Por tanto PO =X = 2) = ireade B= 4A, + 4h) °1 =F 5.22. Sea X una variable aleatoria continua cuya distribucién fes constante en un intervalo, como (a=2=b)}, y Oen cualquier otra parte. Te f si a=a2=b 0 en otra parte (Ge dice que dicha variable ateatoria est uniformemente disiribuida en 1) Gj) Determinar k i) Hallar la media » de X. (ii) Determinar la funcién de distribucién acumulativa F de %.98 VARIABLES ALEATORIAS Icap. 5 () El eréfico de aparece a la derecha. La regién A debe tener Area 1: por tanto KO-a) = 1 0 k= Gi) Steonsideramos la probabilidad como peso 0 masa, y el pro: ‘medio como el centro de gravedad, entonces es intitiva: mente claro que at * i Grafica def el punto medioentre a yb. Verificamas esto matemiticamente usando el célevlo Senos =f? we ae » = B® ii) Recaleamos que la funcién de distribuci6n acumulativa Fk) ~ PIX =E). Por tanto F(k) origina el area bajo el arifico de fa la ixquierda de x = k, Puesto que X est uni formemente distribuida en el intervalo I= {a = 2b}, fs intutivo que el gréfico de F debe ser como se muestra ‘ala derecha, esto es, F = 0 antes del punto a, Fs | des- puts del punto , y Fes lineal entre a y 6. Verificamos esto ‘matematicamente usendo el céleulo (a) para xe re = Sf" 10 (8) para a= =>, re = soa = (e) para 2 >b, Fle) por tanto F(z) PR S2) = P\K=8) = FO) = 1 yal 1 = PX =2) = Fee); 5.23. Sea X una variable aleatoria con promedio y desviacién esténdar # > 0; y sea xX la variable aleatoria estandarizada que corresponde a ¥, esto es, X* = (X — p)/@, Mostrar que E(X*) =0 y var(X*) = 1. (Por tanto og. = 1.) Por los teoremas S.1y 8.5, tea-» = }e@m-» = 0 y ar (Xo = Sere = a1 5.24, Sea X una variable aleatoria con distribucién f- El r-ésimo momento M, de X' se define por M, = EK) = Lai f(a) Hallar los primeros cinco momentos de X si X tiene la distribucién siguiente: i]s [veo [a [a [3 (Nétese que M1 es el promedio de X, y Mz se usa para calcular ta varianza y la desviacién estandar de X.)CAP. 5] VARIABLES ALEATORIAS 99 M, = Safle) = 244 1-$4+9-4 = 0, My = Baise) apt uegt org = 40, My = Deiey = OPH AEs Bey = Date) = Weg tit sl-y = 285, Bafa) = Opt r-g+ ag = 6 5,25. Sea h la distribucidn conjunta de las variables aleatorias X y Y. (i) Mostrar que la distribucion / dela suma Z = X + Y puede obtenerse suponiendo las probabilidades a lo largo de las diagona- les x + y= zy, estoes, fla) = a hey ui) = YL Mae sai) (i) Aplicar @ para obtener la distribucion fide la suma Z = X + ¥ donde X y Y tienen la distribucion conjunta siguiente: x “al a 0 1 2 3 Suma 0 | 00s [aos [oun | 0 [oos [aos | 020 1 | oi foos foos [oo | 0 fons | 035 2 | 003 [oi2 [oor foo foo [ons | 03s sina [ois [oar [oa2 [ois [oow [ar (Los eventos (X= ay Pay ¢ 2: 94 = Ae} son dsyuntos; por tanto, fa) = P@=s) = | 3 PK=a Y=) = 3 Meow) = 2 Mead “iy ea ay | at | an catig een 2 2 0 Joos Joos [oo | 0 Joos | 00s 1 foro [aos joos foro | 9 | oos 2 foos [orz |oo7 [00s }oos | aos Sumando a lo largo de las diagonles en 1s tabla anterior, obtenemos f(-2) = 005 $2) = 0.05 +010 + 0.07 = 0.22 fl-1) = 003 40.10 = 0.15 (8) = 008 +0 + 006 = 0.11 FO) = 010 + 00S + 0.03 ~ O18 — f@), = 0.05 + 0.03 » 008 fa) = 0 + 00s 4012 50.17 (8) = 008 Lin otras palabras. i disteibucion de Z— N= Yes como sigue a | 2 He) Joos [oas fous fo [o22 Joa | vos [oa100 VARIABLES ALEATORIAS ICAP. 5 Problemas propuestos VARIABLES ALEATORIAS 526. S27. 528 5.29, 530, 531, Hallar el promedio. i, la varianza o® y la desviacin estindar @ de cada distribucién oe a i) (ii) wor flat [re [a [a fa sj omic eal eas at in ne) [os [or [or [os [or =a} Se lanza un par de dados corrientes. Sea X la variable aleatoria que denota el menor de los dos nimeros que aperezcan. Hillar la distribueibn, el promedio, la varianza y la desviacin estandar de ¥. ‘Una moneda corriente se lanza cuatro veces. Sea ¥ que denota el ndmera de caras que salgan. Hallar ls Giseibueiéa, 1 pPromedio, la varianza y lz desviacin estindar de X. Uns moneda corriete se lanza cuatro veces. Sea ¥ que denota la hilera més larga de caras que salgan. Halla ba dis bucidn, el promedio, la varianes y la desviacionestindar de ¥ Hallar el promedio gla varianza o® y Ia desviacién estandar o de fa distribucién de dos puntos 5 donde p +9 = 1. ma y ¥ el mayor de los dos némeros sacados. Hallar Ia distcibucion, el promedio, a varianza y la desviszin estandar de ) X, (i) ¥, (i) X+Y, (iv) KY, VALOR ESPERADO (FSPERANZA) 832, saa, 534, 535, 536, 530. saa, 338, Se lanza una moneda corriente hasta que una cara o cuatro sellos aparezcan, Hallar el nimero esperado de Janzamientos de Ix moneda, Una moneda cargads tal que P(H) — 4 y PAT) = se lanza hasta que na cara o cinco sells, aparezcan Mallar et niimero esperado de lanzamietos dela moneda ‘Una caja contiene 8 articulos de los cuales 2 son defectuasos. Una persona selecciona 3 articulos de Ja caja. Hatta en mero esperado de articulos defeetuasos que ella sac Una caja contiene 10 transistores de Ios cusles 2 son defeetuosos. Se seleeciona un transistor de la caja y se prueba hasta que se escoge uno no defectuoso. Hallar el nimero esperado de veces que el transistor se escone: Resolver ef problema anterior para el easo de que 3 de los 10 artculos sean defeetuosos, La probabilidad de que el equipo 4 gane un juego es J. 4/juega con B en un toxnen, EI primer equipo que gane 2 juegos Seguidos oun total de 3 guna el torneo, Hallar el nlmero esperada de juegos en el tornco. Un jugador lanza tres monedas corrientes. Gana $& si salen 3 caras, $3 si salen 2 caras.y SU si sale solamente | cara Por otra parte, picrde S15 si sslen 3 sellos. Hallar el valor del juego para el jueador. Un jugsdor tanza tres monedas corrientes. Gana $8 si salen 3 6 cl juego es legal, gevnto deheria perder sino salen caras? 215i salen 2 caras, y $1 si sale solamente 1 cara. Sicar, 5.40, 31 VARIABLES ALEATORIAS 101 Ln jupador lanza tes monedas corrientes. Gana $10 si salen 3 caras, $5 si slen 2 curas, $3 sisuleJ.eara y $2st nose cara, Siel juego es legal, ;eusinto debe pagar el jugador para jugar! DISTRIBUCION CONJUNTA, VARIABLES ALEATORIAS INDEPENDIENTES sal. sa, 53 sa 545, Considérese la distribucién conjunta de A'y siguiente x 2 7 ‘Suma sume | | 8] 3 allan, G) BUX) y ECV). Ei) cov Y). i) exvey y_9lX. ¥9, Considérese la distribueisn conjunta de X y ¥ siguiente: (55) Sle |e eee : : ale lei | als i Hallar, () LX) y EC’ i) comX. ¥). Gil) ox oy ¥ a(X. Y- Supéngase que ¥ y ¥ son variables sleatoriasindependientes con ls distribuciones respectivas siguientes ma ee vy 5 [8 fle) |o7 | 03 oy) [os fos [oz Hallac la distribucion conjunta de X'y ¥ y comprabar que cov( X, ¥) = 0. Una moneda corriente se lanza euairo veces, Sea X que denota el ndmero de caras que salgan y sea Y’ que denota la ma- Jarntera de caras que silgan (ver problemas 5.28 y 529). () Determinar Ia dstribeeion conunts de X'y Yi) Halle cov(X, Vy eX. ¥). ‘Sc selescionan dos cartas al azar de una caja que contiene cinco cartas numeradas | may Yrel mayor de los dos némeros sacados (ver problema 8.31). (9) Determinar Hallar cow, ¥) y (XY) 2,2y 3. Sea X que denota 1 su distribueidn conjunta de ¥’y Yi) PROBLEMAS VARIOS 546, sat. ‘Sea X una variable aleatoria continua con distibucis fe ceeess 0 en cualquier otra parte fe) © Hala, PO=X=8, PB=X=1 y PK™S). Gi) Determinary hacer el grifico dela Fneion de dstribucibnaoumulativa Pde X Sea una variable alentoris continua con distribecion ke 30245 Leh ee 0 en cualquier otra parte i) Caloular &. (ii) Hella PU=X=8), P@=X= 4) y PK = 3),102 58, s.9, 5.50 ssi. 528. 5.28. 529. 5330. VARIABLES ALEATORIAS ICAP. 5 Hacer el grfico de la funcidn de vistibucion acumulativa F dela variable aleatoria X' eon distribucion fey | 4 | 4 | 4 Mostrar que oxy = 0 si y sdlo si X'es una funcién constante, esto es X(s) — k para cada s € S, o simplemente X = k. Si og # 0, mostrar que e(X,X)=1y elK—X) = Probar ct teorema 5:9: Sean X. ¥ y Z variables aleatorias de S con Z = (X. ¥). Entonces EQ) = & Hevu) Mery) donde ¢s la disteibucion conjunta de ¥ y ¥- Respuestas a los problemas propuestos 10, ¢=32; (ili) »=1, & = 24, o= 15. EQ) = 25, var OD = 2A, ox BQ) =2, var ()=1, ox =1 ayn [ic On sf | esa ne Bec EW) =17, ver (Y) = 0: ou) | te] de | fe | te z| ap + bq, of = paa—b), @ = lad] PE a )2|3 14/5 @ EO) =86, var CO) = O84, ox =09 rey [oa [os fos [oz Gi) EY) =2.3, var (Y) =041, oy =0.64 ot) | or [os | 04CAP. 5) $32. 533. 534, 337. 5.8, 5.40, sat. 5.2, 543. saa, VARIABLES ALEATORIAS 103 a | 3 7/8 st) BC+ ¥) = 59, var (K+¥)=28, oxey = 18 pie) | 4 02 [02 ™ [2] *[ || (iw) BUKY) = 88, var (KY) = 346, oxy = 42 wooo [or | oa | os | oa | on 16/8 211/81 3/4 11/9 up 23/8 256 a fayor del jugador $20 $4.50 () BX) =8, BO) =1; Gi) ov (HY) = 1,5; (iit) ox = 2, oy = 48, (KY) = 017 () BE) =14, HO) =1 GH) cov (KK) =—05 Gi) ex = 0.49, ey = 31, of ¥)=—03 | -2 x ae 2 [oo sum fo3 [os [oz ® 1} 2 [a | 4 | sum ofofolo] x wlololeo| * a |e | o | o | te 3 ololalalo|* a ee Es soma | fy | te | fe | fe | ve Gi) ow %,¥) 085, o(X,¥) = 0.89104 VARIABLES ALEATORIAS ICAP. 5 5.45. (i) Gi) cov (KY) = 052 o(X,¥) = 09 546. (i) P(2£X46)=§, P@=X=7) =}, PX=6)=4 0 si e8 ® 8 Grafico de F 341. () k=2, Gi) PASXS3) = 8, P@=X=4) = Z, P(X =3) = 5.48. | 1 i | | 4 1 t i aa a es ar ot Grafico de FCapitulo 6 Distribuciones binomial, normal y de Poisson DISTRIBUCION BINOMIAL Consideramos pruebas repetidas ¢ independientes de un experimento con dos resultados; ama mos uné de los resultados favorable (0 éxito) y el otro desfavorable (0 fracaso). Sea p la probabilidad favorable, ast que q—1 —p es la probabilidad desfavorable. Si estamos interesados en el némero de éxitos y no en el orden en que suceden, entonces aplicamos los teoremas siguientes. ‘Teorema 6.1: La probabilidad de & éxitos exactamente en 7 pruebas repetidas se denota y expres por o(ksn.p) = ()ptar* Aqui (2) es el coeficiente binomial (ver pagina 19). Tengase en cuenta que la probabilidad desfavorable es.q* y, por consiguiente, la probabilidad de por Jo menos un éxito es | —q. Ejemplo 6.1: Se lanza una moneda conrente 6 veces 0, su equivalents, seis monedas correntes se lanza uns ez: l= mamos eara un éxito, Por consiguiente m = 6 y P (i) La probabitided de que sucedan dos caras exactamente (0 sea, k = 2) 68 226.3) = GG? GY = 4 6) La probabitidad de conseguir por lo menos cuatro caras (0 sea, k= 3(4: 6,4) + b6:6,H) + BGG. = COE? + Oar + Ga SRtidta- w 4)* = se ¥s por tanto, a probabil 1.56 6) 85 (ii) La probabitidad de no caras (0 sea, todas fracasos) ©s g° dad de una cara por lo menos es 1—q° = ~~ gy = #2 Fjemplo 62: Un dado corriente se lanza 7 veces; lamamos a un lanzamiento un éxito si sale un $0 un 6. Entoners n=hp= tS o=tya=l—e=4F Laprobabilidad de que un 5 6 6 salgn 3 veces exactamente (0 sea, k= 3) 6 60,7.4) = OGG = ae (i), La peoobiidad de que un $ 6 6 no slga (0824, todos fracass) es g” = (BY = airs or cons Zo ‘uiente la probabilidad de que up 5.0 un 6 salge una vez por lo menos es 1— ¢ 105106 DISTRIBUCIONES BINOMIAL, NORMAL ¥ DE POISSON ICAP. 6 Si consideramos n y p como constantes, entonces la funcién anterior P(k) = b(k; n, p) es una dis- tribucién de probabilidad discreta: k ° 1 2 5 * pw | a | arte | Gate Pe Se la llama distribucién binomial puesto que para k = 0, 1,2, ...,% corresponde a los términos sucesivos del desarrollo binomial (ter sat tote A Gaeta oe + Esta distribucion se conoce también como distribucién de Bernoulli, y las pruebas independientes con dos resultados se Haman pruebas de Bernoulli Las propiedades de esta distribucién son: Dee Distribacion binomial Meaia * Varianea = np9 Desviucin eténdar apa Ejemplo 6:3: Un dado corriente se lanza 180 veces. Elnimero esperado de seises es x = mp ~ 1804 = 30. La des Vapa = VI80-$-§ = 5. viaeién estindar es & DISTRIBUCION NORMAL La distribucién normal 0 curva normal (0: de Gauss) se define como sigue: fe) 5 eo ee-whiet Pn donde » y o > 0 son constantes arbitrarias. Esta funcién es en realidad uno de los cjemplos mas importantes de una distribucién de probabilidad continua. Los dos diagramas que siguen, muestran los cambios de f cuando m varia y cuando o varia. En particular, obsérvese que estas curvas en forma de campanas son simétricas alrededor de x Distribucién aormal para ¢ fio (@ = 1) Distribueibe normal para p fjo ( — 0)CAP. 61 DISTRIBUCIONES BINOMIAL, NORMAL Y DE POISSON 107 Las propiedades de la distribucién normal son: Teorema 6.3: Variance e Desviacién estindar ° La distribucién normal anterior con media # y varianza o* la designamos por Nw 2) Sihaceroes a mustituctin t= (2 )fo calla formula de N(p, 04) obtentmios a disioucli © curva normal esténdar 4) = con media w= 0. y varianza of = 1. La grifiea de esta distribuei6n aparece luego, Observames aot para —ler=l cl Area bajo la curva es 68,2%; y para 2. {<2 el Area bajo la curva es 954%. et Distribuei6n normal NO, 1) La tabla de la pagina 111 da el drea bajo la curva normal estndar entre ¢ = 0 y valores posit" de 1, La simetria de la curva alrededor de 1 = 0 nos permite obtener el area entre dos valores de 1 (ver problema 6.14) Ahora sea X una variable aleatoria continua con distribucion normal; con frecuencia decimos que X esta distribuida normalmente. Calculamos la probabilidad de que X caiga entre a y b, designada por Pla = X =), como sigue. ero pasamos a y ba unidades estandar ese y Y= b-wle respectivamente. Entonces, Pa=X 0 es una constante. Esta distribucién infinita contable sc presenta en muchos fenémenos naturales, tales como el niimero de Hamadas telefonicas por minuto en un tablero. de distribucién, el niimero de erratas por pagina en un texto grande, y el nimero de particulas @ emitidas por una sus- tancia radiactiva, A continuacién se muesiran algunos diagramas de la distribucién de Poisson para diferentes valores de ACAP. 6 DISTRIBUCIONES BINOMIAL, NORMAL Y DE POISSON 109 ou = Ta heal Distribucién de Poisson para valores escogidos de A 10 Propiedades de la distribucién de Poisson Teorema 6.5: Distribueiin de Poisson Media wen Varianza a Desviacién estindar ° 4 pesar de que la distribucién de Poisson tiene interés independiente, también nos proporeee ana aproximacién notable a la disisibueién binomial para un k pequeito, establecido que p sea pequeiio y A = np (vet problema 6.27). Esto se indica en la tabla siguiente k on 2 3 4 5 Ginomiar | 066 | 03% | oss | casio | ors | 0,002 Powwn | 0.268 | 0.368 | oss | oss | ois | 0.00307 Comparacién de tas distribuciones binomial y de Poisson para n = 100, p = 1/100 y A= ap = 1 DISTRIBUCION MULTINOMIAL La distribucién binomial se generaliza como sigue. SupOngase que el espaci perimento se divide en, digamos, s sucesos mutuamente exclusivos A», muestral de un ex- ‘As con probabilidades respectivas’ ps, pri <=, Ps (Por consiguiente py + pi + ++- 4 Ps = 1.) Entonces: Teorema 6.6: En m pruebas respectivas, 1a probabilidad de que 4» suceda ky veces, Az suceda ke ve~ ces, y At suceda ks veces es igual nt i pts +. pts Fathead at Oaee donde ki thet-- than Los niimeros ‘anteriores forman la tan nombrada distribucién multinomial puesto que Son preci- saments ws rérminos del desarrolio de, (pi tips + +> cb Pe)", Observese QUES! #2, CNIS Sbtenemos la distribucién binomial, discutida al principio del capitulo. Ejemplo 6.4: Un dado cotrente se lanza 8 veces. La probabil de obtener Tos lados $y 6dos veces y cada uno de los ‘os una vez es (D? EGANEND = saz ~ 0-006 zara110 DISTRIBUCIONES BINOMIAL, NORMAL Y DE POISSON ICAP. 6 Tabla 6.1 ORDENADAS DE LA CURVA NORMAL ESTANDAR Tabla de valores $(1) de la distribucién normal esténdar @ para 1=0 en intervalos de 0,01 #(0) t [2 ie 2p ey = eee Soy 00 0.3080 0.3989 0,988 0.3986 | 0,984 0.8082 0.8980 0.8977 _0,3973 0,1 03965 0.3961 0,956 0.9051 | 09045 0,3039 0,802 0.9925 0.8918 02 |03910 0.3902 0.8894 0.8885 © 0.3876 | 0.3867 0.8857 0,847 | 0.8836 0.9825 0 | 09814 0.8802 08790 0.3778 0.3765 | 0.8752 0,739 0.8725 C.aTI2 0.8697 04 | 0.8683 0.8608 0.8658 0.2637 0.8621 | 0.8605 0.9589 0.3572 03555 0.3538 05 | 03521 0,503 0.3485 0.3467 0,448 | 0.8429 0,8410 0,8391 0,372 0,835 06 |0,3992 03912 0,9292 0.9271 0.3251 | 0,320 0,209 0.5187 0.8166 0.3144 07 [03123 08101 0.9079 0.8056 0.8084 | 08011 02989 0.2968 0.2943 0.2920 08 | 02897 02874 02850 0.2827 0.2803 | 0.2780 0.2756 0.2782 0.2709 0.2685 09 | 02661 02637 02613 0.2580 0.2565 | 02541 0.2516 0.2492 0.2468 0.2444 10 | 0.2420 0.2996 0.2071 08347 0.2828 | 0,2009 0,227 0.2951 0.2227 0.2008 11 ]0,2179 0.2165 0.2131 0.2107 0.2083] 0.2059 02086 0.2012 0.1989 0.1965 1.2 | 01942 01919 0.1895 0.1872 0.3849 | 01826 0.1804 O1781 0.1758 0.1786 18 | 0.1714 01691 0.1669 0.1647 0.1626 | 01604 0,1582 0.1561 0,139 0.1518. 14 ]01497 01476 0.1458 0.1495 01415 | 0.1394 o1sTd O.1S54 0,884 1815 15 | 01295 0.1276 0.1257 01288 01219 | 01200 0.1182 0.1163 01145 0,127 16 | 01109 01092 0.1074 0.1057 0.1040 | 0.1023 0,106 0.0989 0.0978 0.0957 17, | 00040 0.0025 0.0209 0.0893 0.0878 | 0.0863 00848 0.0888 0.0818 0.0804 18 | 00790 0.0775 0761 9.0748 0.0734 | 0.0721 0.0707 0.0624 0.0681 0.0009 19 | 0,0656 00644 0.0632 0.0620 ©,0608 | 0.0596 0.0584 0.0573 0.0562 0.0551 0.0540 0.0529 0.0519 00508 0.0498 | 0.0488 0.0478 0.0468 0.0459 0.0449. 0.0440 0,041 0.0422 00413 o.0404 | 0.0396 0.0387 00379 0.0871 0.0863, 0.0355 0.0847 0,039 040382 0.0325 | 0.0817 0.0810 0,008 0.0297 0.0200 0.0288 0.0277 0.0270 o,0264 0.0258 | 0252 0.0246 0.0241 0.0235 0.0229, 0.0224 0.0219 0.0218 0.0208 00203 | 00198 0.0184 0.0189 0.0184 0.0180 25 [0.0175 00171 00167 0.0163 0.0158 | 0.0154 0.0151 0.0147 0.0143 0.0139 26 [0.0136 00182 00129 0.0128 0.0122 | 00119 00116 0.0113 0.0110 0.0107 27 | 00104 0.0101 0,099 0.0088 0,093 | 0,091 6.0088 0,0086 0.0088 0.0081 28 | 0.0079 00077 0.0075 0.0078 0.0071 | 0.0069 0.0067 0.0065 0.0003 0.0061 29 | 0.0060 0,058 0,0086 0.0055 0.0053 | 0.0051 0,050 0.0048 9.0047 0.0046. 3,0 | 0,0044 0.0043 0.042 0,040. 0,0039 | 0,008 0,037 0.0086 0.0085 0.0034 31 | 0.0083 00032 0.0031 0,030 0.0029 | 0.0028 0,027 9.0028 0.0025 0.0025 3,2 |0,0024 0.0023 0.0022 0,022 0,0021_| 0,020 0,020 0.0019 0.0018 0.0018 3,3 |0,0017 0.0017 0,016 0.0016 0,0015 | 0.0015 0.0014 0.0014 0.0018 0.0013 3.4 | 0.0012 0.0012 0.0012 0,001 0.0011 | 0.0010 0.0010 0.0010 0.0009 0,009, 35 | 0.0009 0,008 0,008 0,008 0.0008 | 0.0007 0,007 0.0007 0,007 0,008. 36 | 0.0008 0.0006 0.0006 0,005 0.0005 | 0.0005 0,005 0,000 0,005 0,000 37 | 00004 0.0004 0.0004 0,004 0.0004. | 0.0004 0,008 0,003. 0.0003 0.0003 38 | 0.0003 0,003 0,002 0.0008 0.0003 | 0.0002 0.0002 0,0002 0.0002 0.0002 39 | 0.0002 0.0002 0,002 0,002 0.0002 _| 0.0002 0.0002 0,0002_v,0001_0.0001 t ° 1 2 3 4 6 7 8 9CAP. 6) DISTRIBUCIONES BINOMIAL, NORMAL ¥ DE POISSON m Tabla 6.2 AREAS BAJO LA CURVA NORMAL ESTANDAR Tabla de areas bajo la distribucién normal estandar ¢ entre 0 y 10 en intervalos de 0,01 t ° i 2 3 4 6 6 7 8 9 0,0 |0,0000 0.0040 0.0080 0,0120 0.0160 | 0,0199 0.0299 00279 0.0818 0,059 01 [0,038 0.0438 0.0478 0.0517 0.0557 | 0.0596 0.0636 0.0675 GOTI4 0.0754 02 |0,0793 0.0882 0.0871 0.0910 0,0948 | 0.0987 0.1026 0.1084 0.1103 141 08 }0,1179 0.1217 01255 0.1208 01381 | 0.1368 0.1408 0.1443 01480 0.1517 A [0.1554 0.1591 0.1628 0.1664 0.1700 | 0.1736 0.1772 0180801844 0.1879 0.5 |0.1915 0.1950 01985 0,2019 0.2054 | 0,2088 02123 o2157 0.2190 opaes 96 [0,258 o.2201 0.2824 0.2957 0.2889 | 0.2422 02454 0.2486 0.2518 02549 07 [0.2580 0.2612 0.2642 0.2678 02704 | 0.27384 02784 0.2704 0.2808 02862 0,8 |0,2861 0.2010 0,2989 02967 02996 | 03023 08051 0.8078 g.a106 o,aia3 09 |o.sis9 03186 0,22 0.3228 o,ges4 | 019280 08315 0.8840 0.8965 0,889 10 |o.s41s 0.3488 0.3461 0,9485 0.3508 | 0.3581 03554 0.8577 03509 o.s621 11 | 0.8643 0.3665 0.3686 0.3708 0.8729 | 0.3749 08770 0.3790 0,3810 0.3880 12 [0.8849 0.3869 0.8888 0.3907 0.3925 | 0.2944 03962 0.2980 0.8997 0.4015 13 | 0.4082 0,4049 0,4066 0.4082 0.4009 | 0.4115 04181 0.4147 gte2 0,417 14 [0.4192 0.4207 0.4222 0.4036 0.4851 | 014265 0.4979 0.4292 0.4906 0.4319 18 0.4882 0.4345 0.4357 0.4870 0.4982 | 0.4394 0.4406 0.4418 0.4420 0.4441 16 [0.4452 0.4462 0.4474 0.4984 0.4495 | 044505 04515 0.4525 0.4585 0.4545 17 | 0.4554 0.4564 0.4573 0.4582 0.4501 | 0.4599 0.4608 0.4616 0.4625 0.4688. 1a ]0.4641 0.4649 0,4656 0.4664 0.4071 | 0.4678 04686 0.4693 0,4099 0.4706 ze }04m1a 0.4719 0.4726 0.4752 0.4738 | 0.4744 04750 0.4756 0.4761 0.4767 20 Jo.arre 0.4778 0.4783 0.4788 0.4793 | 0.4798 0,408 0,4808 0.4812 0.4817 21 [0.4821 0.4826 0.4820 0.4834 0,4898 | 0.4842 04845 0.4850 0.4854 0 4857 22 [0.4861 0.4864 0.4868 0.4871 0.4875 | O.4BTR 0.4881 0.4884 0.4887 04890 23 [0.4893 0.4896 0.4898 0.4901 0.4904 | 0.4906 0.4909 0.4911 0.4918 04916 24 [0.4918 0.4920 0.4922 0.4925 0.4927 | 0,4929 0.4981 0.4932 0.4934 0,406 25 [0.4938 0.4940 0.4941 0.4943 0.4945 | 0.4946 0.4948. 0.4049 0.4951 0.4952 26 [0.4953 0.4955 0.4956 0.4957 0.4959 | 0,4960 04961 0.4962 0.4968 0.4964 27 [0.4965 0.4966 0.4967 0.4968 0.4969 | 0.4970 04971 0.4972 0.4978 0.4074 28 [0.4974 0.4975 0.4976 0.4977 0,497 | 0.4978 0.4979 0.4979 0.4980 0.4981 29 ]0,4981 0.4982 0.4982 0.4983 0.4984 | 0.4984 0.49850, 4985 0.4986 0,4986 0.4987 0.4987 0.4987 0.4988 0.4988 | 0.4989 0.4989 0.4989 0.4990 0.4990 0.4900 0.4991 0.4991 0.4991 0.4992 | 0,492 9.4092 0.4992 0.4993 0,4009, 0.4993 0,499 0.4994 0.4994 0.4994 | 0.4994 0.4994 0.4995 0.4995 0.4995 0.4995 04995 0.4995 0.4996 0.4996 | 0.4996 0.4095 0.4996 0,4998 0.4907 0,4997 0.4997 0.4997 0.4997 0, 4997 | 0.4997 0.4907 04997 0.4997 0.4998 35 |0,4998 0.4998 0.4908 0,4998 0,498 | 0.4998 0.4998 0,4998 0.4908 0.4998 86 0.4998 04998 0.4999 0,499 0.4999 | 0.4999 0.4999 0.4999 0.4909 04909 37 [0.4999 0.4999 0,4999 0.4999 04999 | 0.4909 0.4999 0.4999 0.4999 0.4999 38 [0.4999 04999 0, 4999 0,4999 0.4999 | 0.4999 0.4999 0.4999 0.4909 0.4099 39 |0,5000 0.6000 0. 5000 05000 0.5000 | 09,5000 0.5000 0,000 0.5000 0.5000 t 0 1 2 8 4 5 6 1 8112 DISTRIBUCIONES BINOMIAL, NORMAL, ¥ DE POISSON ICAP. 6 VALORES DE e~* Di = ole Oa) Om ne os 068 or 08 09 «| 4000 0,905 0.819 a7a1 0.670 | 0,607 0.849 0.497 04d 0.407 1 2 3 4 Gi 6 7 8 8 10 0.368 0.135 _0,0498 0.0183 090874 | 0.00248 0.000912 0,000335 0,000128 v,000045 Tabla 6.3 Problemas resueltos DISTRIBUCION BINOMIAL 6.1, 6.2, 63. Hallar (i) (2; 5,4), (ii) b(8; 6,4), (iii) (8; 4,4). Aqui b(k;n,p) = (B)p*g"-* donde pre = ©, -28.y = ara? = Hara = 2. ) d@56) = GGG" = TGP Gy = gy. Gi) 04 = OAH = arg) = tam = a. ‘Una moneda corriente se lanza tres veces. Hallar la probabilidad P de que salgan, (i) tres caras, i) dos caras, (iii} una cara, (iv) no caras. ‘Método 1. Se abtiene el espacio equiprobable siguiente de acho elementos: S = (HHH, HHT, HTH, ATT, TH, THT, TH, TTT) Tres caras (HHED apareeen una vez solamente entre los ocho puntos muestrales; 0 sea, P— Gi) Dos caras aparccen 3 veces (HHT, HTHy THEY: osea, P= fh (ii) Una cara apareee 3 veces (HTT, THT y TTH);0 sea, P= & (@») No earas, eso es, tr sellos (TT), ocurre solamente una vez; 0 sea, P= $. Método 2. Usar teorema 6.1 con n = 3 y p P= b83.$) = QGRGP = 1ege = 4 P= 23,9) = (GPG = ageg = P= 00534) = G)G@GR = Begg = B P = 20;3,4) = GGG = 1-1-4 = B El equipo A tiene 3 de probabilidad de ganar cuando juega. Si A juega 4 partidos, hallar la Probabilidad de que 4 gane, (i) dos partidos, (ii) un partido por lo menos, (iii) mas de la mitad de los juegos. Agu n=4, p=} y g=1-p=j. @)Pi2 victorias) = (2; 4,8) = GGG? = B.CAP. 61 DISTRIBUCIONES BINOMIAL, NORMAL DE POISSON 3 6.6, 67. Gi) Aqui gt = (Qt = sla probabilidad de que 4 pierda todos los cuatro partidos. Entonces 1— g# la probabilidad de ganar por lo menos un partido. (ii) 4 gana mis dela mitad de los partidos si A gana 3 6.4 partidos, Por lo tanto la probabllidad buscada es PG victorias) + PU vitoris) = (QQYG) + QQ* = 2+2 = 8 Una familia tiene 6 hijos. Hallar la probabitidad P de que sean, (i) 3 nifios y 3 nifias, (ii) menos nifios que nifias. Suponer que la probabilidad de que un hijo en particular sea nifio es} Portanto n= 69 p— a= 4. (i) P= PG nitos) = () 4) = 28 = Gi) Hay menos nos que nis shay 0.16 2nitos. Por tanto P= AO nifos) + PU nfo) + PQnitosy = (HF +) GMB + ERGY = 4g puesto que plein) = 1 por el problema anterior. (i) Primero caleulamos (4°: yo & = Sper L BO) = Ben) = 3 ete = Hacemos de nuevo s = k 1 y abtenemos Mew Bam = 1 $+ » Serpe» Pero Sete» = we + Zorn) = ata onde wares) para obtener A y el problema aterioepaa obiener I. Ea consezueai E(X*) = MAt1) = we +r , vac(X) = BOR) yh = EAE = Asi el teorema queda probado, 6.27. Mostrar que si p es pequefio y m es grande, la distribucién binbmial se aproxima a la distribucidn de Poisson; esto es, b(k; m, p) ~ pik; A) donde 2 = np. Tenemos 6(0; m2) py = (1 — A/m*. Tomando Jogaritmo natural a ambos lados, mb; m2) =m In(1—2/n) El desarrollo de Taylor del logaritma natural ex 2 InQte) = 2-5 BY say ire eer ee nfl metedCAP. 6} DISTRIBUCIONES BINOMIAL, NORMAL Y DE POISSON 121 Por tanto, sin es grande, . oe ee (05 mp) me eA. y de aqui ‘Adem, sip es muy pequeto y, por consiguiente, q mI, tenemos Bikin.p) _ (m—k+Np _ A= (k=Wp dn 1,0) ka ¥ k Esto es, (kim) ~ ROE—1; mip). Ast usando. (0: mp)» eA, obtenemos (I: mp) ~ Rew, Di mp) 24-92 y, por inducsisn, b(ki mB) ~ PROBLEMAS VARIOS 6.28. Las limparas de colores producidas por una compaiia son S0% rojas 30% azules y 20% verdes. En una muestra de 5 lamparas, hallar la probabilidad P de que 2 sean rojas, | sea verde y 2 sean azaules Por el teorema 6.6 sobre distribucioa multinomi, 6.29. Mostrar que la distribucién normal Ka) = s una distribucién de probabilidad continua, esto es £ fe)de = 1. Suttuyendo €= (eae en f” fle) de, obtenemos a interal Introducimos coordenadas polares en la integral doble anterior. Seas = reos @ y nab" froma ard, Jo Pero ye Pdr = [v4] =1 J ; pe ee =rsen @, Portanto, dedi = rdrdo Br 6.30. Probar el teorema 6.3: Sca X’ una variable aleatoria con distribucién normal f@) = Entonees, (i) E(X) = m y (ii) var(X) = of. Por tanto 0, = @. (Por definicion, BCX) ze“ Wis—w¥/0¥ dx. Estableciendo ¢ — (x — y)/e, oblenemos aaa12 DISTRIBUCIONES BINOMIAL, NORMAL Y DE POISSON ICAP. 6 BO) = Te Str meta = ibs = ses gin Lath Masia pt ea US en ae Vie ell 1. Ademis, 12 g¢=1 por el problema anterior. En consecuencia, F(X) Ot prt =x como se 1 ovie mo = Stott ener ae ate-Mle-wHieF de, Tomendo de nuevo £~ &— n)/e , obtenemos (i) Por definicién, BCX?) ef et det me Hf ernatt Vie ve [cctnae a : que se reduce como antes a BX) = + : : ve y dy = ter#/2di. Entonces v= —e"8 y du = dt Asi Hacemos esta integracion por partes. Sea a ofr enven = fier] + eS Enconsccuencia, (X2) = o®- 1442 = tah y “Hedge = O+2 = 21 var (X) = BO) — nh = ot tot Por tanto el problema queda probado, Problemas propuestos DISTRIBUCION BINOMIAL 631. 632, 633, 634, 636. 636. Halla, () (1; 5. #). (it) (2; 1. 4). ll) 62:4, 2). De una baraja corriente de 52 cartas se saca y se sustituye tres veces una carta, Hallar la probabilidad de que rest ten, () dos corazones, (i) tres corazones, (i) por lo menos un corazén, El promedio de un bateador de beisbol es 0,300. Si bates 4 veces, ceudl es la probabilidad de que lopre,() dos aciertos? (iy al menos un acierto? Una caja contiene 3 bolas rojas y 2 blancas. Se saca y se remplaza una bola tres veces. Hallar Is probabilidad de su ‘ar, (i) | bola r0ja, (i) 2 bolas rojas, (i) por lo menos una bola roa. El equipo 4 tiene 3 de probabilidad de ganar cuando juega. Si jucga 4 veces, hallar la probabilidad de que 4 pane. (i) 2 partidos, (i) por lo menos | partido, (i) mas de la mitad de tos partidos. Se saca y se sustituye una carta de una baraja corriente, {Cudntas veces se tiene que repetir la operacién para que, wi faye or lo menos ona oportunidad igual de sacar un corazbn, Gi) a probabildad de sacar un coazin sea mayor que. 8638, 629, 6.40, 6a. ean, a DISTRIBUCIONES BINOMIAL, NORMAL Y DE POISSON 13 La probabildad de que un hombre pegue en el blanco es +. () Si dspara 5 veces, geul sla prubabilidad de que peaue 4 4] blanco dos veees por Jo menos? (i) Cudetas veees debe dsparar pura que la probablidad de pegar en el blanco tuna ver por Io menos sea mayor del 902 El depariamento de matemiticas tiene 8 licenciados auxiliares que st destinan a una misma oficina, Cada Tieenciado puede estudiar por igual en su casa o en la oficina. {Cudntos escrtorios deben haber en la oficina para que cada uno tena por lo menos un escritorio el 90% de las veces? El 2% de los tomillos producidos por una fbrica son defectuosos. En un despacho de 3600 tornllos, hallar el ndmero cexperada de tornillos defectuosos y la desviacin estindar Un dado cortiente se lanza 1620 veces. Hallar el adimero esperado de veces que sale el 6 y Ia desviacién estandar. Sea X una variable aleatoria de una distribucion binomial con E(X) = 2 y var (X) = 4/3. Hallas Ia distribucion de X. Considerar la distri ién binomial PW) = Btk: m9) Mostrar que Pas bk, mp)_ (wht 1p O Pe=1) = bet mm kg ii) Pik) > P(k—1) para k<(m+lip y Pk) < P(k—1) para k > (n+ Up. DISTRIBUCION NORMAL 63, at. 6.48, 6.46. 67. 648, Sea ¢ la distribucién normal estindar @) Haller (2), 04) ¥ o(-$)- i) Halla tal que, (2) $@ = 0.100, (6) 9(e) = 042800, (@) 4) — 0.4500. ‘Sea X una variable aleatoria con distribucion normal esténdar @. Hallar () PC-O81 4X = 1.1%), Gi) POSS =X £203), Gi) POX £073), (x) PU X= 4). ‘Sea X una variable distribuida normalmente con media 8 y desviacion estandae 4, Hallar (@) PO@=X=10), (i) Po =X=15), (ii) P(X=15), div) PIX =5). ‘Supdngase que los pesos de 2000 estudiantes varones estén distribuidos normalmente con media 15S libras y desviaciOn estinder 20 libres. Hellar el nimero de estudiantes eon pesos (i) inferiores o iguales 2 100 libra, (i) entre 120 y 130 libras, (ii) entre 150 y 175 Ribas, (iv) mayores 0 iguales @ 200 libras. ‘SupSngase que los diimetros de los tornillos fabricados por una compaiia estan distribuidos normalmente con media 0,25 puigadas y desviacion estandar 0,02 pulgadas. Se considera defectuoso un tornlla si su didmetro es = 0,20 pulga- ddas o © 0,28. Hallar el porcentaje de tomnillos defectuosos producidos por la compa ‘Supéngate que los puntajes de un examen estin distribuidos normalmente con media 76 y desviacion estandar 15. El 19% de los estudiantes, los mejores, reciben aclamacién y et 10% los peores, pierden el curso y reciben P. Haller, ())el ppuntaje ménimo para ganar un (4) y (i) el pantaje minimo para aprobar (para no recibir P) APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 649. 6.30. 651 62. {Una moneda corriente se lanza 10 veces. Hallar la probabilidad de obtener entre 4 y 7 caras inclusive usando, (i la dis tribucion binomial, (i) la aproximacion normal a la distribucién binomis! Una moneda corriente se lanza 400 veces, Hallar Ia probabilidad de que el mimero de caras que resulten difera de 200 por, () mas de 10, (ji) mas de 25 Un dado corriente se lanza 720 veces. Hallar la probabilidad de que el 6 salga,()) entre 100 y 125 veces inclusive, més de 150 veces Entre 625 digitos al azar, hallar la probabilidad de que el digito 7 salga,() entre 50 y 60 veces inclusive, (i) entre 60 y 70 veces inclusive.124 DISTRIBUCIONES BINOMIAL, NORMAL Y DE POISSON car. 6 DISTRIBUCION DE POISSON 653 ost, sss, 6s7. Hallar. (i) ©, Gi) e 22. En la cistribucidn de Poisson p(K: 2), hallar, () p25 1,9), Gi) pO: 1), Gil) p(2; 0,6) Supinguse que 220 erratas estén distribuidas al azar a lo largo de un libro de 200 péginas. Hallar la probabilidad de que una pagina dada contenga, (i) ninguna errata, (i) | errata, (ii) 2 erratas, (iv) 2 0 més erratas ‘Supingase que el 1% de los articulos producidos por una mfquina son defectuosos. Hallar la probabilidad de que 3.0 ‘mis articulos sean defectuosés en una muestra de 100, Supéngase que el 2% de la poblacin en promedio sean zurdos. Hallar la probabilidad que en 100 personas haya 3.0 sis zurdos. ‘Supongase que en una poblacién de 50.000 hay un promedio anual de 2 suicidas. Pars una pablacion de 100,000 hallar Ja probabilidad de que en un afto dado haya, () 0, Gi) 1, Gi) 2. (iv) 2 0 més sucidas DISTRIBUCION MULTINOMIAL 659, Un dado se “carga para que el 6 salga 0.3 veces, el lado opuesto I salga 0,1 veoes, y cada uno de lob demas nimeros sal- 12.0,15 veers, Se lanza el dado 6 veces. Hallar la probabilidad de que, (i) cada lado salga una vez, (i) cada uno de los lados 4,5 y 6 salga dos veces, Una caja contiene $ bolas rojas, 3 blancas y 2 azules. Se toma una muestra de 6 bolas con susttucién, o sea, cada bola se evuelve antes de sacar la siguiente. Hallar la probabilidad de que, ()) 3 sean rojas, 2 blancas y 1 azul, (i) 2 sean rojes, 3 Blancas y 1 azul, (ii) aparezcan 2 de cada color Respuestas a los problemas propuestos @ Odo @ dy (i) (0.2646, i) 0.7599 sa 1) Be @ i GS, Gy BE WOE, a), cin (8, i) 6 n=, o= 34 n= 210, «= 15 ele ie ee ee itxo | aires | snares | maoree | aeons | corte | arco | arme Distribucion de X conn = 6.y.p= 1/3CAP. 6) DISTRIBUCIONES BINOMIAL, NORMAL Y DE POISSO? 125 6.43. (i) (4) = 03867, (4) = 0.3521, o(— §) = 0.3011. (i) @ 1 = #1.06, (6) 1 = 0,97, (©) no hay valor de ¢ 6.44, (i) 0.2910 + 0.3708 = 0,6618, (i) 0.4788 —0.2019 = 0,2769, (ii) 0,000 + 0,2673 = 0,7673, Civ) 2(0,0987) = 0.1974 6.45, (i) 0.4649, (ii) 0,2684, (jii) 0.0401, (iv) 0.2266 6.46. (i) 6, (ii) 131, Git) 880, Gv) 24 647, 73% 6.4%, () 92. (in) 57 6.49, (iy 0.7734, ii) 0.7718 6.50. (i) 0.2938. (ii) 0.0108 6.51. (1) 0.6886, (i) 0.0011 6.52. (i) 0.3518. (ii) 0.5131 6.53. (1) 0.202, (ii) 0,100 6.54, (i) 0.251, (ii) 0.0613, (ii) 0.0988 6.85. (i) 0,333, (iiy 0.366, (ii) 0,201, (iv) 0,305 6.56. 0.080 657, 0.325 6.58. ()) 0.0183, (ii) 0,0732, (ii) 0.1464, Civ) 0,909 6.59, (i) 0.0108, (in) 0,00103 6.60, (1) 0.135, (hi) 0.0810, (iit) 0.0810Capitulo 7 Cadenas de Markov INTRODUCCION Repasemos las definiciones y las propiedades elementales de vectores y matrices que son necesa- rias para este capitulo. Por un vector u significamos simplemente una n-upla de némeros U = (tr, Ur, «4 Un) Las u: se Haman componentes de u. Si todas las ui: = 0, entonces u se Hama el vector cero. Por un muiitipto escalar ku deu (donde k es un niimero real), significamos el vector que se obtiene multiplicando las componentes de w por k: eu = (les, ens, «5 Ht) Anotamos que dos vectores son iguales si y s6lo si sus componentes correspondientes son iguales, Por una mazriz A significamos una ordenaciOn rectangular de nimeros: ay ae tt diy x, dea => my mt Oma Las m n-uplas horizontales (ir, diz, «+5 in), (de, 2a, ©. 5 Gan), «5 se llaman las filas de A, y las n m-uplas verticales an se in a Gn a Gm ny sus columnas, Nétese que el elemento ay, lamado la posicién ij, aparece en ta é€sima fila y j-ésima columna. Con frecuencia denotamos esta matriz simplemente por A = (ay). Se dice que una matriz de m filas y columnas ¢s una matriz m por n, esctita matriz m a; si m = n, entonces se llama matriz cuadrada de orden n (0 matriz cuadrada n). También anotamos que una matriz con una fila solamente puede considerarse como un vector, y viceversa Ahora supongase que A y B son dos matrices tales que el némero de columnas de A es igual al namero de filas de B, es decir que A es una matriz m x p y B es una matriz p x n. Entonces el pro- dueto de A y B, escrito AB, es la matriz m x m cuyo elemento ij se obtiene multiplicando los elementos de la é-ésima fila de 4 por los elementos correspondientes de la j-ésima columna de B y luego sumando: 126car. 3} CADENAS DE MARKOV 127 au ae es eee Oro Gm ee | ee payne escent Vee ea), donde Cy = duby + gabe + «++ + toby) = DB aadss Si el nlimero de columnas de 4 no es igual al niimero de filas de B, es decir Aes mx py Bes q xn donde p # . entonees el producto 4B no esté definido. Hay casos particulares de multiplicacién de matrices que son de interés especial, Si A es una matriz de orden n, entonces podemos formar todas las potencias de A. Ab= AA, At= Adt, At= AA’, . es un vector de n componentes, entonces podemos formar el producto uA que nuevamente es un vector con nm componentes, Llamamos u% 0. un vector fijo (0. punto fijo) de A, si wes “fijo a izquierda”, esto es, no cambia, cuando se multiplica por A. wa =u En este caso, para un escalar k ¥ 0, tenerros (kA = bud) = Iw Ademis, Esto es, Teorema 7.1: Siw es un vector fijo de una matriz A, entonces todo miltiplo escalar no nulo ku de w también es un vector fijo de A. Henn t u)\b, be bx) = (say tubs toy +-udg tay + uy os ~ \s a/\a 4) ~ \s+i2 6t+16/ ~ \i5 22 12 ey Ejemplo 7.3: 4,2, 8)( 4 6 i = (+8421, 2+10424,8+12+27) = (80, 36, 42) n(2)e panteaaeng = an « Asi, por el teorema anterior, el vector 2u ao? 2) = 12262, 1-263) = (4-2) (4, 2) también es un punto jo de A. VECTORES PROBABILISTICOS, MATRICES ESTOCASTICAS: Un vector u = (wie te, .., itm) se llama vector de probabilidad si las componentes no son negativas y su suma es 1128 CADENAS DE MARKOY [caP.7 Ejemplo 7.5: Consdérense los vetores siguientes: e=GO-bP PH GEGD y w= E00 Entonees: 1 no 65 un vector de probabilidad puesto que su tercera componente es negative, ¥ no es un vector de probabilded puesto que la suma de sus componentes es mayor que I: ww esun vector de probabilidad. Ejemplo 7.6: El vector no aulo y = (2,3, 5,0, 1) no esun vector de probabilidad puesto que la suma de sus componentes es 2 +3 +5 +0 +1 ~ 1. Sin embargo, come las componentes de v son no negatives, » ticne un miltiplo escalar Gnico Av que es un vector de probablidad; puede obtenerse muliplicando ca- ‘da una de las componentes de v por el reciproco de la suma de dichas componentes: HY = Gi dt Ot Una matri tor de probabil fila es 1 cuadrada P = (py) se denomina matriz estocdstica si cada una de sus filas €s un yec- idad, esto es, si cada elemento de P es no negativo y la suma de los elementos en cada Ejemplo 7.7: Considérense las matrices siguientes: < 48 Cans @ (ii) (iii), () no es una matriz estovdstiea puesto que el elemento de Ia segunda flay tercera columna es nega- (ii) no es una matte estocastica puesto que la suma de los elementos de la segunda fila no es | ‘© una matriz estocéstica puesto que cada fila es un vector de probabilidad. Probaremos (ver problema 7.10) el Teorema 7.2: Si A y B son matrices estocésticas, entonces el producto AB es una matriz estocdstica ‘Ademis, en particular, todas las potencias A* son matrices estocdsticas. MATRICES ESTOCASTICAS REGULARES Ahora definimos una clase importante de matrices estocsticas cuyas propiedades deben ser inves tigadas posteriormente. Definicién: Se dice que una matriz estocdstica P es regular si todos los elementos de una potencia P™ son positivos. mo a SESpe Donne “= GG) = GD) Ejemplo 7.9: Considérse la mate estocdsica A = G »: Aa eA nD setey En resumen. cada potencia 4™ tendrd 1 y On la ptimera fila; por consiguiente, 4 no es regular.CAP. 7} CADENAS DE MARKOV 129 PUNTOS FIJOS Y MATRICES ESTOCASTICAS REGULARES Las propiedades fundamentales de las matrices estocdsticas regulares se detallan en el teorema siguiente cuya prueba cae fuera del alcance de este libro. ‘Teorema 7.3: Sea P una matriz estocdstica regular. Entonces: (i) P tiene un vector de probabilidad fijo nico ¢ y sus componentes son todas posi- tivas; Gi) Ta sucesion P, P2, P», ... de potencias de P se aproxima a la matriz T cuyas filas son cada punto fijo 1; Gi) si p es un vector de probabilidad, entonces la sucesiOn de vectores pP, pP?, pP3, se aproxima al punto fijo 1. Nota: P= se aproxima a T significa que cada elemento de PX se aproxima al elemento correspondiente de 7, pP® se aproxima a t significa que cada componente de pP* se aproxima a la componente correspondiente de ¢. ser can iramnmuant=< (2 2), ERIN Bia, con dos componentes, que podemos denotar por 1 = (x, 1x), tal que oP wr-a(§ 2) = @, 1-2) Mulkplicando el lado izquierdo de la ecuacién de la matriz anterior, obtenemos @-tdti = 1-9 0 fF Rot e=4 = i ¢tie=i-e ° Ash, 1 = 1-3) = Qh 9) e0 al vector de probabilidad fijo nico de P. Por el teorema 7.3, ta sucsion P,P, P2, se aproxima a la mate T cuyas files son cada vector 1 me yea) m= ()= Ghee): == ( 3) = Gas) wn a)“ Guat): = Gh a= Gees) He a Har i mi ce 010 + 4 9, Método 1. Buscamos un vector de probabilidad con tres componentes, que podémos representar por = Gy 1—x—y) tal que (P= & oO @v,1-2-» (0 0 = (@y,1-2-y) + at130 CADENAS DE MARKOV (cap. 7 Multiplicando el lado izquicrdo de la eeuacién de la matriz anterior y colocando luego companentes correspondientes iguales a cada lado, obtenemos el sistema Sie ae z=a rth-je-W =u 0 ° : boas ~h yok yst-z-y (by Be B) eel vector de probabildad fio nico de Método 2. Primero buscamos un vector jou — (%,y.2) de In matrs P 010 ae G@ualoo1) = &ua athe = a4 6, eel Sabemos que el sistema tiene una solucion no aula: por consguiente, poems asignararbitrriamente un valor a una de las incognitas, Establecemos z = 2. Entonces por la primera ecuacién x — I. y por Ia terera ecuacion » = 2. Asi, w ~ (I. 2.2) es un punto fijo de P. Por tanto, mukiplicaeos 1 por f pars obtener el vector de probablidad fjo huscada ¢ = 4u = ($2.3). CADENAS DE MARKOV Consideremos ahora una sucesién de pruebas cuyos resultados, 0 sea, X1, Xo, .... satisfacen las dos propiedades siguientes: () Cada resultado pertenece a un conjunto finito de resultados a1, as. ..., dm! llamado espacio de estados del sistema; si el resultado de la n-€sima prueba es a,, entonces decimos que el sistema estd en estado a, en la ver n 0 en el paso n-€simo. (ii) El resultado de una prueba depende a lo sumo del resultado de la prueba inmediatamente precedente y no de cualquier otro resultado previo; con cada par de estados (a;, aj) se establece la probabilidad py de que a suceda inmediatamente después de que suceda a, A un proceso estocistico tal, se llama cadena de Markov (finita), Los nimeros py, llamados proba bilidades de transicién, pueden ordenarse en una matriz Da Pa Bim p= [Pa Pa + Pam Bi Pm2 > Dm Mamada macriz de transicién Asi, para cada estado a corresponde la /-ésima fila (Pa, Pa, ---»Pim) de la matriz de tran: cién P; si el sistema estd en estado ay entonces este vector fila representa las probabilidades de todos los resultados posibles de la prueba siguiente y, por tanto, es un vector de probabilidad. En conse- cusneia Teorema 7.4: La matriz de transicién P de una cadena de Markov es una matriz estocdstica. Ejemplo 7.12: Un hombre o maneja su carro o toma el tren para wa trabajar cada dia. Supéngase que nunca toma el tren dos dias seguidos: pero si mancja para trabajar, entonces al dia siguiente es tan posible que ms: ree de nuevo como que tome el tren. El espacio de estados del sistema es |1 (tren). d (mancjar), Este proceso estocistico es una ¢a- dena de Markov puesto que los resultados de un dia dependen inicamente de lo que sucedid el dia ante- ror La matric de transicin de la cadena de Markov es ta 1G)CAP. 7) CADENAS DE MARKOV 131 La primera fla dela matriz corresponde al hecho de que nunca toma el tren dos dfas seguidos y por tanto es seguro que manejaré al dia siguiente de usar el tren, La segunda fila de la matri corresponde al hecho de que al dia siguiente de manejar, manejaré o tomara el tren con igual probabilida. Ejemplo 7.13: Tres nifos A, By C se pasan una bola unos a otros. A siempre tira la bola a By ése siempre la pasa a pero C pasa la bola tan posiblemente a B como a A. Denotemos Xa 1dsima persona a quien se pasa la bola. El espacio de estados del sistema es | 4, 8, Ci, Esta es una cadena de Markoy puesto ‘que la persona que lanza la bola no esta influenciada por aqueila que tenia previamente la bola. La smatriz de transi de Ia cadena de Markov es ABC Ajo 1 0 Blo o 4 CAL go, La primera fila de la matrizcorresponde al hecho de que A siempre pasa la bola a B. La segua- da fils corresponde al hecho de que B siempre pasa la bola a C. La Gltima fila corresponde al hecho de ‘que C la pasa a A o a B con probabilidad igual (y no se la pasa a si mismo). jemplo 7.14: Una escuela consta de 200 rifios y 150 nif. Se seleeciona un estudiante tras otro para un examen de ‘ojos. Denotamos por Xp el sexo del n-fsimo estudiante que toma el examen. El espacio de estados del proceso estocistico es {mm (hombre), f (mujer) |, Sin embargo, este proceso no es una cadena de Mar- ky puesto que, por ejemplo, la probabilidad de que la tereera persona sca una nia no solamente depende del resultado de la segunda prueba sino de ambas, la primera y la segunda pruebas. Ejemplo 7.18: (Recorrido al azar sujeto a sefales reflectantes.) Un hombre esté en un punto entero sobre el eje x entre 1 origen O y, por ejemplo, el punto 5. Da un paso unidad a la derecha con probabilidad p o a Ia izquier~ da con probabilidad g = | —p, a menos que esté en el origen donde da el paso a la derecha al punto | 0 si estd en el punto 5 donde da el paso a la izquierda al punto 4, Designamos Xe, su posicién después ‘de n pasos. Se trata de una cadena de Markov con espacio de estados (ay, 61, 5, G3, 4,04) donde ‘44 significa que el hombre esté en el punto i. La matriz de transicion es % G1 Me Ms Oy af 490 po oD) af¢ op 0 0 0 rs | 0 g¢ 0 p 0 0 a|o0 0 ¢ 0 p Oo a \o 0 0 @ 0 p a \o 0 0 0 1 0 ‘Cada fila de 1a matriz, excepto Is primera y Ia chima, corresponde al hecho de que el hombre 3 imucve de! estado aj al estado a,+1 con probabilidad p o retrocede al cstado a1 con probabilidad @ = 1 —p. La primera fila corresponde al hecho de que el hombre tiene que moverse del estado ay al estado a; y laitima fila dl estado ag al estado a PROBABILIDADES DE TRANSICION SUPERIOR El clemento py en la matriz de transicién P de una cadena de Markoy es la probabilidad de que el sistema cambie del estado a al estado a, en un paso: a> a). Averiguar: {Cudl es Ia probabilidad, denotada por p(t), de que cl sistema cambie del estado a, al estado ay en n pasos exactamente: > Oe, > Ong > > Oey >132 CADENAS DE MARKOV IAP. 7 El siguiente teorema resuelve la pregunta; aqui los p{ se ordenan en la matriz p llamada matriz de transicién den pasos Teorema 7.5: Sea P la matriz de transicién de un proceso de cadena de Markov. Entonces la matriz, de transicién de'n pasos es igual a la n-ésima potencia de P, esto es PO = Ps, ‘Ahora supéngase que después de un tiempo arbitrario, la probabilidad de que el sistema esté en estado a, o5 ps; denotamos estas probabilidades por el vector de probabilidad p = (ps. pz...» Pn) que se denomina distribucién de probabilidad del sistema para tal tiempo. En particular, denotaremos, F x BO = (BL, 2, «RY la distribucién de probabilidad inicial, 0 sea la distribucién cuando el proceso comienza, y denotaremos por om = (9, 2, 2 la distribucién de probabilidad de paso n-ésimo, 0 sca la distribucién después de los primeros m pasos. Aplicamos el siguiente teorema. ‘Teorema 7,6: Sea P la matriz de transici6n de un proceso de cadena de Markov. Si p= (pi) es la distribucion de probabilidad del sistema para un tiempo arbitrario, entonces pP ¢s la dis~ tribucién de probabilidad del sistema un paso mas tarde y pP* es la distribucién de probabilidad del sistema n pasos mas tarde. En particular, PP, p= pP, pO = pop, p@ po = pop» Ejemplo 7.16: Considérese la cadena de Markov del ejemplo 7,12 euya matriz de transicion es ta eSoh ey [Aqui 1 €s el estado de toma el ten para ira trabajar y del de manejar para ira trabajar. Por el ejem- es amaG MD- OM) Asi, la probabilidad de que el sistema cambie de, por ejemplo, el estado «al estado d en 4 pasos exac~ tamente es §.0 sea p{P = §. Similarmente. B=, w= ye y a =H ‘Ahora supéngase que en el primer dia de trabajo el hombre lance un dado corriente y maneje p air al trabajo sy s6lo si sale un 6, En otras palabras, p© = (B,3) es la distribucion de probabi- fad nical. Entonces yo = wm = v(t f) +5 la distrnbuciin de prababilidad después de 4 dias, 0 sea, pi = By BO= 8 Ejemple 7.17: Considérese Ia cadena de Markov del ejemplo 7.13 euya matriz de transicin es a ° 1 9,CAP. 1) CADENAS DE MARKOV 133 Supéngase que C fue la primera persona con la bola, esto es, pt? = (0, 0,1) es la distribucién de probabildad inicial. Entonces 0 @,0,2(0 1 + 0 G40 4 wD = OP ho po = pup OLD 01 0 oro ) = @bb 43 9, Por tanto, después de tres pases, la probabilidad de que A tenge la bola es 3, de que # tenga i bola ss tydequeCiengala bolas: 9 =4, =hy w= 4. po = pop Ejemplo 7.18: Considérese el problema del paseo casual del problema 7.15. Supéngase que el hombre comienza en el punto 2; hallar la disteibucion de probabilidad después de 3 pasos y después de 4 pasos, esto ©s py no, Ahora pC = (0,0, 1,0, 0,0) es te distribucion de probabildad inicial. Envonces wD = pOP = (0, 4,0, 7, 0,0) p® = gDP = (@?,0, 204, 0, 24, 0) pO = P&P = (0, ¢t+2p9, 0, Spt, 0, ph) BO = pOP = (G84 2pet, 0, pat + Spat, 0, 80% + P*, 0) ‘Asi, después de 4 pasos el hombre estén el origen oon probabilidad @? + 2p¢, DISTRIBUCION ESTACIONARIA DE CADENAS DE MARKOV REGULARES Supéngase que una cadena de Markov es regular, esto es, que su matriz de transicién P es regular. Por el teorema 7.3 la sucesién de las matrices de transicién P* den pasos se aproxima a la matriz T cu yas filas son cada una el vector de probabilidad fijo tnico 1 de P; por consiguiente, la probabilidad p‘ de que a} suceda para n suficientemente grande es independiente del estado original a y se aproxima a la componente ty de 1. En otras palabras, Teorema 7.7: Considérese que la matriz de transicién P de una cadena de Markov es regular. Enton- ces, a la larga, la probabilidad de que un estado a, suceda es igual aproximadamente a la componente ¢y del vector de probabilidad fijo Gnico # de P. /emos que el efecto del estado inicial 0 de la distribucién de probabilidad inicial del proveso desaparece a medida que el niimero de pasos del proceso aumentan. Ademés, cada sucesién de distribuciones de probabilidad se aproxima al vector de probabilidad fijo 1 de P, llamado la distribucidn es- tactonaria de la cadena de Markov. Ejemplo 7.19: Considérese el proceso de cadena de Markov éel ejemplo 7.12 cuya matris 4e transici6n e= ta axiey134 CADENAS DE MARKOV cap. 7 Segin el emplo 7.10 el vector de probabilida fio nico de la matrz anterior es (fy 9) Por consi- auiente, ae larga, el hombre tomar el ren f de las veces, y mangaré los oten @ de Hempo Ejemplo 7.20: Considérese el proceso de cadena de Markov del ejemplo 7.13 cuya matriz de transicién es a, Fo Afo 10 P Blo 04 @ Agsg 20, Por el ciemplo 7.11 e vector de probabilidad fjo nico de Ia mateiz anterior e (fy 3s B+ Asi larga, 4 lanzard la bola 20% de las veces y B y C 40% de las veces. ESTADOS ABSORBENTES Un estado a; de una cadena de Markoy se llama absorbente si el sistema permanece en el estado a una vez que entra en él. Asi, un estado ax es absorbente si y s6lo si la fila /-ésima de la matriz de transicion P tiene un | en la diagonal principal y ceros en las demas partes. (La diagonal principal de ‘na matriz cuadrada de orden n A = (ay) consta de los elementos ais, daz, «. «5 Gan-) Ejemplo 7.21: Supdngase que la siguiente matriz es la matri2 de transicion de una cadena de Markov 1 ay ay ay m/t od ga [0 Ho 0 o x silt oe do a@\o 1 0 0 0 a \o 0 0 0 iif Los estados ag y ax son cada uno absorbentes, puesto que cade una de Ia segunda y quinta filas tiene un | en la diagonal principal Ejemplo 7.22: (Recorrido al azar con seiales absorbentes.) Consideremas el problema del paseo del ejemplo 7.15, ex: ‘cepto que ahora suponemos que el hombre permanece en uno de los dos exicemos cuando lege al Esto también es una cadena de Markov y fa matriz de transicién esta dada por % G1 G2 6, oy oy % Lo 0 0 0 a /¢ 0 poo Pe 4 {0 ¢@ 0 po ai\¢ 0 @ 0 p a4 \0 0 0 ¢ o o \0 0 0 o o ff A este proceso fo llamamos un recorrido al azar con sales sbsorbentes. En este caso, pf de- nots la prababilidad que el hombre legue al estado ag en el paso nésimo o antes. Similarmente, 9% denota la probabilidad que llegue al estado ag en el paso mésimo 9 anes Ejemple 7.23: Un jugador tiene x délares. Apuesta un délar cade vee y gana con probabilidad p y picrde con probabi lidad g — | —p. El juego termina cuando pierda todo su dinero, o sea, tenga 0 délares, o cuando g2- nc N — x dalares, esto es. tenga NV délares. Este juego es idéntico al del recorrdo al azar del ejemplo Drecedente excepto que aqui los obsticilos absorbentes son O y NVCAP. 11 CADENAS DE MARKOY 135 [Ejemplo 7224: Un hombre lanza una moneda cocriente hasta cuando salgan 3 caras sucesivas, En la prueba n-ésima, omamos Yq = k si el altimo selloocurre en la prueba (n — k), 0 sea Xa denota la fila mas larga de ‘earas que termina con la prueba nésima. Esto es un proceso de cadena de Markov con un espacio de cstados | au. a, a1, a) |, donde ag representa la fila de caras con longitud ¢ La matriz de transcion es % % a Paar 4 /} 0 3 0 (3 0 0 4 a \o 0 0 ‘Cada fl, excepto la thima, corresponde al hecho de que una fila de earas se interrumpe si sale tun selloo aumenta uno i sale cara. La dltima linea corresponde al hecho de que el juego termina sis en tres caras sepuidas. Notese que a, es vn estado absorbente ‘Sea a un estado absorbente de una cadena de Markov con matriz de transicién P. Entonces, para J i, la probabilidad de transicién de paso m es 7 = 0 para cada m, En consecuencia, cada potencia de P tiene un elemento cero y, por tanto, Pno es regular. Ast Teorema 7.8: Si una matriz estocéstica P tiene un | en la diagonal principal, entonces P no es regular (a menos que P sea una matriz 1 x 1) Problemas resueltos MULTIPLICACION DE MATRICES 1 3-1 TA. Seau=(1,-2,4)y A= (0 2 5), Hallarua, ae El producto del vector u con 3 componentes por la matriz A 3X 3 es de nuevo un vector con 3 componentes. Para ‘obtener la primera componente de uA, mulkiplicamos los elementos de w por los elementos correspondientes dela prime~ acolumna de A y lego sumames: mos SOua| 28 (ets C2)04+4~ , , = 045) 1 6 Pra obtener la segunda componente de wd, multiplicamos los elementos de w por Ios elementos correspondientes de la segunda columna de A y luego sumamos 1 ge qaese|o Fs oe G7 13+ (C244, 7 = 078) Pra obtener ta tercers componente de uA multiplicames los elementos de w par los elementos correspondientes de la tercera columna de 4 y luego sumamos: 1 3 Bw mma 2 6 ) = G78 1+(-)+ Cab 4r8) = 07, 9,19) : \oo1 pe Bao es, uA = (1,3, 13)136 CADENAS DE MARKOV [cap.7 12. Sea A at 7} ny a 9 ~): Hallar, @) AB, 2-1 a -2 () Puesto que 4 es 22 y Bes 2X3, al producto AB es una matriz 2 3. Para obtener la primera fila de AB. ‘multiplicamos los elementas dela primera fila de (1, 3) de 4 por Ios e!ementos correspondientes de cada una de las amen O(n) ween (PV : a @ $353 1043-2) 1-8) a3) = @ Para obtener la segunda lla de 4B, multiplicamos tox clementos de la segunda fla (2, —I) de A por los elementos correspondiente de cada una de las columns de B y luego sumamos: (nen) 2) eeu /\ i Sa Fe n - u perio a) 2-B+ (-1)+8 2-04 (-1)+(-2) 2+(-4) + C6) FAT Rep) : me (ii) Notese que Bes 2 3 y Aes 2 x 2. Puesto que los “némeros imeriores™ 3 y 2 no son iguales, est es, el nimero de colummas de B no es igual al nimero de fils de A y, por tanto, el producto BA no esta definida 73. Sea A= G 2) Hallar, () 4?, (i) A? 4-3 = 1 @ 4 a ie) Ust42-4 16242608) \ _ fo m4 ADH (34 4024 (-8)--3)/ ~ \-8 11, (i) At = AaB = (i ( ® = 4 -a/\-8 17 L9+2-(-8) (4) +2017 30) 429+ (-8)-(-8) 42(-4) + (2-17) 60 —87, VECTORES PROBABILISTICOS Y MATRICES ESTOCASTICAS 74, {Cuales vectores son vectores de probabilidad? (i) «= (4,0,-4, 44), (ii) v = (40,3, 4,9), (ii) w = (4, 0, 0, 3,2). Un vecior es un vector de probatilidad si sus componentes no son negativas y su suma es | (1) sen0 es un vector de probabilidad puesto que su tercera componente es negativa un v0 es un vector de probabilidad puesto que la suma de las componentes es mayor que I (in) s¢8 un vector de probabilidad puesto que las componentes no son negativas y su suma es 1 7.5. Multiplicar cada vector por el escalar apropiado para formar un vector de probabilidad: (i) (2, 1,0, 2, 8), Gi) (4, 0, 1, 2,0, 5), (iii) (8, 0, 2,1), (iv) (0, 0, 0, 0, 0). i) La suma de las componentes es 2 +1 +0 +3 + 2= & por tanto, multiplicemos el vector, 0 sea, cada compo- rnente, por § para obtener el vector de probabilidad (2, $, 0, 2, §)-CAP. 11 16. Nhe 78. 79. CADENAS DE MARKOV ay (GLa suma de tas componentes es 4 +0 +142 +0 +5 ~ 12; portant, mulipicamos e vector, esto es, cada componente, por + para obtener el vector de probabilidad (B, Oy ys dO f)- (ii) La primera componente es positiva y la tercera es negativa; por tanto, es imposible multiplicar el vector por ur es calar para formar un vector con componentes no negalivas. Par consiguiente, ningén maltiplo escalar del vector es un vector de probabilida, (iv), Todo miltiplo salar del vector cero es el vector cero cuyas componentes suman 0, Por tanto, ningGn miltiplo del vyeetor cera es un vector de probabilidad Hallar un miiltiplo de cada vector que sea un vector de probabilidad: @) 20,28, (i) 0,4, 1,8 4). En cada caso, multiplicamos primero cada vector por un escalar para que les fracciones se eliminen. (0 Multiplicamos primero el vector por 6 para obtener (3. 4,0, 12, 5), Luego multiplicamos por (/@ +4 +0 + 12 +5) = abe para obtener (fy 4,0, d,38;) que es un vecior de probabilidad. 4) Mutipticamos primero el vector por 30 para obenct (0,20, 30,18 25), Lucgo maliplieumes por 1/40 + 20+ 30 + 18 +25) = gb para obtener (0, 28, %, 8, 28) quo es un vector de probubilidad Cusles de las matrices siguientes son matrices estocdsticas? ji 4 44). Hots)... Doo) \ ee, tae oa-(t i ) w= (3 *) avo=(} °) w= (j ‘ @ A noes una matrix estocs ica puesto que no es una matriz cuadrada, Gi) B n0¢s una matriz estocdstica puesto que la sums de las componentes de la Ghima fla es mayor que 1 ii) C es una matriz estoctstica Gy) D noes una matriz estocdstica puesto que el clementa de a primera fila, segunda columna es negativ. a, bi es Sea A = [as b2 2] una matriz estocastica y sea uw = (wi, wz, ws) un vector de probabi- a2 bas lidad. Demostrar que uA también es un vector de probabilidad. fay by a UA = (uy taste) [a5 By co] = City teat tata, 14, + ade + bs ayes + Wale + ges) a bs Pucsto que 1.04. bs. ¥ €¢ som .n0 negativas y puesto que los productos y sumas de nlimeros no negativos son no negativos, las componentes de wl son no negativas como se pedia, Asi, solamente necesitamos demostrar que Ia suma de Jas componentes ded es 1. Aquiusamoselhechodeque ui hus us, ai + bites, athe yaitbsses son cada uno | yay + segty + tigtg by, tbe + ads + mses + thes + mate Style Byte) + uleg +B, te) + myles + by + ey) Soult gel tagel = timed = 1 Probar: Si A = (ay) es una matriz estocistica de orden m y u = (us, ua... ux) es un vector de probabilidad, entonces w4 también és un vector de probabilidad, La prucha es similar ale del problema precedente para el caso m=138 CADENAS DE MARKOV ICAP. 7 HA (arisen sail] Stee Ce Yap Bean = Uetiy tata HF as Hate Madan HoH Maas oy Mian Medan Ft Aa) uesto que los u; ¥ ay son no negativos las componentes de wd también son no negativas. Asi, solamente necesita mos demostcar aue la uma de las componentes dew es hans + tag +o satan + tae + tateg Hoot tga Hoo tag tag Ho een = lens taet teu) + satay bean 27 Hag) boo Halas tua ts Ha) Bolte t etal = tat tay Sd 7.40. Probar el teorema 7.2: Si A y B son matrices estocdsticas, entonces el producto AB es una matriz estocistica. Ademas, en particular, todas fas potencias A® son matrices estocisticas. La fila Fésima s, de la matriz producto AB se obtiene multiplcando la fila tésima re de A por la matriz B. 54 = 7,8. Puesto que cada r, es un vector de probabilidad y B es una mateiz estocéstiea, por el problema precedente, se también e un vector de probabilidad. Por consiguiente, AB es una matriz estocdstica, TAL. Probar: Si p = (p1.ps -... Pm) es.un vector de probabilidad, y Tes una matriz cuyas filas son cada una el mismo vector 1 = (f1, #2, ..., tm). Entonces pT = 1 Usando el hecho de que pi + ps +°*- + pm = 1, tenemos oh a or eT = (py Ps 0 (out, Hats + 0+ + Prats Pata t Pata t o++ + Pmtar «+1 Pat + Pat + °** + Pet) (p+ Pet ++ Paty (Prt Pat ** + Peay ---5 (Prt Pat **+ + Pim) (ety De tay ony tet) = Cty tay MATRICES ESTOCASTICAS REGULARES Y VECTORES PROBABILISTICOS FIJOS 7.12. Hallar el vector de probabilidad fijo de la matriz estocéstica regular A qué matriz se aproxima A" ee ae wima(E t) = ei-n 4 ‘Multiplicamos et lado izquierdo de la ecuacion de la mattiz anterior y luego igualamos unas a otras las components respectivas para obtener las dos ecuaciones Bety-}e=s deta Reyolvemos cualgiea de las eevcions pra halla x =, Por tanto, « — (Qo) cl vetor de probaiida po- os La respuesta se verifies caloulanda el producto £4: oBY pe ap = G+bhat) = bb eu G E ee 1a respuesta es cortecta puesto que tA = £ La mati 4* seaproxima aa matia Teayasfilas som cada una pont fio. 1 = ( leCAP. 7) CADENAS DE MARKOV 139 7.13. (i) Comprobar que el vector uv = (b, a) es un punto fijo dela matriz 2 2 estocéstica general 1-a a re b fey (i) Usar el resultado de (i) para hallar el vector de probabilidad fijo tinico de cada una de las matrices siguientes: + 4 i ® _ (0.7 0,3 a-({ 3) x iG i) o= (Fi oa) a = - ab+a—ab) = a = a ('5* ,2,) = Oratatenen = the Gi) Por), w= (1, #) es un punto fjo de A. Multiplicamos u por 3 para obtener el punto fio (3, 2) de A que no tiene Fracciones. Luego muktiplicamos (3, 2) por 1/(@ + 2) = para obtener el vector de probabildad fijo nico pe- ido (BB) Por (i), u = (+4) es un punto fijoxde B. Multiplicamos u por 6 para obtener el punto io (4,3), y lego multiplicamos por 1/(4--+ 3) = # para obtener el vector de probabilidad {jo Gnico pedido (4,9). Por (i), w = (08, 0,3) es un punto fijo de C. Por tanto (8, 3) y el veetor de probabilidad son puntos fijos de C. @ 3) también 7.14, Hallar el vector de probabilidad fijo tinico de la matriz estocdstica regular a4 4 P = [4 0 $ ot 0 4) tal que «P= & Método 1, Buscamos un vector de probatilidad 1 =, y, 1 — ead @w1-2-w) (4 0 4) = @t-e—w 0 1 9, Mulkiplicarnos el lado izquierdo de la ecuacién de la matriz anterior ¢ igualamos unas 2 otras las eomponentes corres: pondientes para obtener el sistema de tres ecuaciones fetivse z-y=0 peti-s-v=y 5 48+ =4 detqy = 1-e-g Bet by = 4 4 yy = fe Veritcamos fa solscign por ssi el vestor de probabilidad fijo requerido es scogemos dos de las ecuacionesen xy y para resolverlas y obtener = ‘tucién de x y y en Ia tercera ecuacién. Puesto que |—x—y = Método 2, Buscamos un vector fio u = (x,y,z) de la mattiz : ‘4 2 2) walt 0 4) = @ ma 0 1 9, Multipicamos el miembro de la izquierda de la ecuacién de la matriz anterior e igualamos unas a otras las componentes correspondientes para obtener el sistema de tres ecuaciones deta == e-y=0 jetz=y 0 ye-tyte =0 yetiv=e a+ ty = 0140 1.15. 7.16. 4a}. CADENAS DE MARKOY [cap 7 Sain qu luce the uaa sui dit i pr dmigulda pea gad bidet a Tora anu de ls epi, Hacemos y'~ 4. Extoness yor a primera seam == 4 yo a w= G43) even pint 0 dF. Malipicanes x por I)Mee 4+ 3) = fr pan able 1 (eet ms essere ebilded oles eres pene Hallar el vector de probabilidad fijo tinico de ta matriz estocdstica regular 0 1 oO Ps jt 44 o 8 Y decir a qué matriz se aproxima PP. Buscamos primero un vector fio u = (x, y.2) dela matciz P: 0 1 0 Guat + 4) = @ua Dik ahi “Malkiplicamos el miembro de la izquierda de la ecuacién de la matriz anterior € igvalemos una a otra las componentes ‘correspondientes para obtener el sistema de tes ecvaciones [wae y = be v= 6 etWtie=y 9 {bet 8th = by 9 fortes = By qutge =e yt2 = 3 yak ‘Sabemos qu el sistema’ tiene una solucion diferente de cero: por tanto. podemsasignararbitariamente un valor «una de las me6gntas. Hasemos x = 1. Entonces, por la primera ecuacin.» = 6, y por la ckima ecuacin 2 — 3. As! ‘gue u = (1.6.3) es un punto fp de P Puesio que | + 6+ 3 = 10, elvecior # = Cqyrfgegi) ese vector de pro- ‘ubilidad fio unico de Pbuscado ‘ts to te P* se uproxims 9 bs matric Teas fils son cada una el punto Rion T= | aby ah Py ws ety Si £=(4,0,4,4,0) es un punto fijo de una matriz estocastica P, spor qué P no es regular? St Pes regular, entonces. por el (corema 7.3, P tiene un vector de prababilidad fijo dnico, y les componentes del ‘ecior som postivas, Como las componentes del vector de prabubilidad fjo dado no son todas positives, P no puede ser regular iCuales de las matrices estocasticas siguientes son regulares? od M 0 1 wa=(5 wa=(t 3) aie = 0 1 o|@p=(4 t 4 $4 0, 9 1 4G, Invstimos en que una matri estocdstica es regular si una potencia de la matriz tiene elementos positives dnica (3) A ne. regular puesty que hay un | en fa diagonal principal (en ls segunda fils), wee) = 6) mV) Nae Asi cada potencia par de Ales la mates idéntica Fy cada potencia impar de B es la matriz & En consecuencia, cada Dtencia de B iene cer elementos yas. @ m0 es regular 0 matris idéntica 1car. 7 CADENAS DE MARKOV 141 Gif) Coes regular puesto que tiene un 1 en ta diagonal principal 0 18 titiok Mpsltd& &) y Bale 8B ett t te Ye, Como todos los elementos de D? son posiivas, D es regular CADENAS DE MARKOV 7.18. Los hébitos de estudio de un estudiante son como sigue, Si estudia una noche, esta 70% seguro de no estudiar la noche siguiente. Por otra parte, si no estudia una noche, est 60% seguro de no estudiar tampoco la noche siguiente. A Ia larga, goon qué frecuencia estudia? Los estados del sistema son S (de estudiar) y T (de no estudiar). La matriz de transiciin es Kilt 8 (03 07 ara averiguar qué suede J larga tenemos que halla el vector de probabildad fj nico ¢ de P. Pore problema 7.13, cae ety can pnt fede Py aol 1 hap) sel verde probabidad basco, Asi qu ala larga cess Gane eudia 7.19. Un sicdlogo hace tos supuestos siguientes que ccnciernen al comportamiento de ratas sujetas a un régimen especial de alimentacién, Para una prucba particular, 80% de las ratas que cogieron pa~ ra la derecha en el experimento previo hicieron lo mismo en esta prueba, y 60% de aquellas que cogieron para la izquierda en el experimento previo, cogieron para la derecha en esta prueba. Si 50% van a la derecha en la primera prueba, qué se podria predecir para, i) la segunda prueba? (ii) la tercera prueba? (ii) la milésima prueba? Los estados del sistema son (derecha) y Z (izquierda). La matria de trensicion es RL r= G8) La distribucidn de probabilidad para la primera prueba es p ~ (0,5, 0,5) Para calcular Ia distsibucion de proba bildad para el paso siguiente, esto es, la segunda prueba, multiplicemos p por la matriz de transici6n P: 05, on(as a) = 07,03) Por consiguiente, en la segunda prueba se espera que el 70% de las rates vayan a la derecha y 30% a Ia izquierda, Pa ‘ealcular ta distibucion de probabilidad para la teeera prueba, multiplicamos lade l segunda prueba por P: ‘Asi, en la teroera prueba se espera que el 74% de las ratas se dirjan ala derecha y 26% aa izquierda, Ssuponemos que la distibucion de probabilidad para la milésima pruchs es esencialmente [a dstibucion de probabitidad eacionaria de la cadena de Markov, esto es, el vector de probabilidad fijo nico 1 de In matriz de transieiéa P. Por el problema 7.13, u = (06, 0.2) €8 un punto fijo de Py (4) = (0.75, 0.25). Por tanto, se espera que ‘en la prucba mil 755 de las ratas iri a la derecha y 25% ala inquierda.142 CADENAS DE MARKOV Icap. 7 7.20. Dada la matriz de transi P= « fh con distribucién de probabilidad inicial po — (G8), Definir y hallar (i) 2, (ii) p®, (iti) p®, (PG) esta probabilidad de pasar del estado a: al estado a: en 3 pasos. Esto se puede obtencr de la matriz de transi- ibn de 3 pasos P”; por tanto, calculamos primero P: Gi Pago Feeney ee Gi) pt) es 1a distribucion de probabilidad del sistema después de tres pasos. Puede obtencrse calculando sucesivamente PAA, poy luego p>) pe = pop = |,9) ce ey = @b pianos sb anal . =D v= oe = an(0 9) = daw ‘Sin embargo, como la matriz de transici6n de 3 pasos P? ya ecalculé en (i), p(9)también puede obtenerse como sigue: ies 1 0) wo = pOP = (4) 44) 7 the Gil) 2 es la probabilidad de que el proceso esté en el estado ax despuds de 3 pasos; esto es, la segunda componente 4F la dstibucion de probabildad de 3 pasos piD; pi = x, oO EF 721. Dada la matriz P = {4 $ 0) y la distribucion de probabilidad inicial p = (2,0, 4). 0 1 0, Hallar: (i) p@® y Dg, (ii) p® y pY, (iii) el vector al cual se aproxima pP* (iv) la matriz a que se aproxima P* (Calcalamos primero la matriz de transicién de 2 pasos Oe NO aT aye me (BP 4 840 | deh 0 1 o/\o 1 0 4 4 0, Entonces PY? = J y pi = 0, puesto que estos nGmeros se refieren a Jos elementos de P* Para caleular (4), usamos la matriz de transiciGn de 2 pasos P? y Ia dstribucién de probabilidad inicia pt PD = OPE = (f.4,0) yp = POPE = GD Puesto que 2? es Ia tercera componente de pt, pO = 4, (1), Por el tcorema 13, p(®Pe se sproxima al vector de probabilidad fio Unico # de P. Para obtener allamos pri ‘mero un vector jou ~ (x,y, 2)cap. 7) CADENAS DE MARKOY 13 oad Wwe @uald 40) = ud © dette sy 0 1 9, yeas Hillar una soluci6n no mula del anterior sistema de ecuaciones. Hucernos x = I;Iuego por tercera ecuacién x = { porta primera ecuacin y = 4. Por tanto, u = (2.4, 1) ex¥un punt fio de Py asi ¢ ~ (rf. En otras pa. Tabras, P= se aproxima a (9, $4). Gv) P® seaproxima ala matri2 Tuyas fils son cada una el vector de probabilidad Ajo de P: por consiguiente Rat se aproxims [$$ tt hi 7.22. La regiGn de ventas de un vendedor la componen tres ciudades, A, B y C. Nunca vende en la misma ciudad en dias seguidos. Si vende en la ciudad A, entonces al dia siguiente vende en la ciudad B. Sin embargo, si vende en una de las dos Bo C, entonces al dia siguiente esta en doble posibilidad tanto para vender en A como en la otra ciudad, A la larga, gcon qué frecuencia vende en cada ciudad? ‘La matriz de transieién de problema es como sigue: ABC A fo 10 P= B(e 0 4 G\E tao Buscamos el vetor de probabilidad fio Gnico dl matri P, Hallamos primero un vector fijo u = (x92): 0 1 0) qutheae @uale od) = un 6 eteay #4 9, tA Hacemos = = 1, Luego por le tererageaacin y ~ 2 y por Ia primera ectanifn s = §. As w= (4.3.0 También 3u = (8 9, 3) es un vector de probailided fo de P. Mulilicamos 34 por 1/@ +9 + 3) = gp pera ‘obtener el vector de probabilidad fijo pedido 1 = 2.8. 3) = 40, 0.45, 0.15). Por consiguiente, a la larga vende 40% del tiempo en la ciudad 4, 45% del tiempo en B y 15% del tiempo en C 7.23, Hay 2 bolas blancas en una urna A y 3 rojas en otra urna B, A cada paso del proceso se selecciona una bola de cada urna y las dos bolas escogidas se intercambian, Sea el estado a, del sistema el niimero de bolas rojas de la urna A. (i) Hallar la matriz de transici6n P, (ji) ;Cual es la probabilidad de que haya 2 bolas rojas en la urna 4 después de 3 pasos? (iii) A la larga, jcual es la probabilidad de que haya 2 bolas rojas en la urna A? Hay tres estados, avy as y a> deseritos en los diagramas siguientes: 2W| |3R iw) iw 2R| |27 1R| |2R 1k A B A B A B a a a ‘Sil sistema est en el estado av, entonces tiene que escogerse una bola blanca de la urna A y una roja de ta tarna B, asi que el sistema tiene que pasut al estado a. En consecvencia, la primera fila de la matri de transicion @, 1.0).144 CADENAS DE MARKOV ICAP. 7 ‘Supongamos que el sistema esté en estado a). Puede pasar al estado ap si y silo si se escoge una bola roja de la urna A y una blanca de la uma &; la probabilidad de que suceda esto es +4 =. Asi, Pio =. El sistema puede pasar del estado oy al agsi y solos se slecciona una bola blanca de a urna A y una roja de I urna 4B; la probebilidad de que suceda esto es $*9= 4. Ast, tin = g. En conseeuenca, la probabildad de que at sistema permanezca en estado ay ¢s Bay = 1— 4 — $= 4 Asi, la segunda fia de la matria de transcion es iA Pedidy Oseotres figs Grnbed a nite amie Galitetnse ome clmsreresemecne aint sse'sca o una bola blanca de cada urna con probabilidad + = $s 0 una bola roja de cada ura con probs- bilidad 4° =45 ast, Pu = t$=H) Ahora supongarmos que el sistema estén eiado a. Tiene que sacerse una bola foja de la urna. Si se es60- {¢-una bola roa de la urna B, con probabilidad 4. entonces ol sistema permancce en estado a si se eScoge una bola blanca de le urna 8. con probailidad . entoncs cl sistema pasa al extado a. Nétese que e stem nunca puede pase del estado a: al estado av. Ast fia tercera de la mata de transicén es (0, §,$). Exo es, 01 a a [0 10 Peale dd m\0 84 E] sistema empieza en estado av, esto es, p — (1, 0, 0). Ast: PD = POP = (0,1,0), pO = POP = dy, a@ En conseevensia le probublidad de que haya 2 bolas reson a wtna A dexpus de 3 pasos es 2eP = Gh) (Gil) Buscamos el vector de probabilidad fjo nico « de la matriz de transicién P. Primero hallamos un vector fijo.u = ey. a) 010 wae wos $4) = Gwe a atWtieay 934 dtie=s Hacemos, x = |. Luego por la primera ecuacién y = 6 y por la tercera ecuacién z = 3. Por tanto, u = (1, 6, 3). Maluipliguemos u por 1/(l + 6 + 3) ~ py para obtener, el vector de probabilide fio Gnico 1 ~ 1,055, 03) requerido. Asia ls larga, 308 de las voces habré 2 bolas rojs on Ia rae A. [Notese que a Ia larga la distribucion de probabilidad es la misma que si las cinco bolas se colocaran en una tuna y se escogieran 2 al azar para ponerlas en la urna A. 7.24, Un jugador tiene $2. Apuesta $1 cada vez y gana $1 con probabilidad 4. Deja de jugar si pierde Jos $2.0 si gana $4. (i) {Cual es la probabilidad de que pierda su dinero al final de, a lo sumo, 5 juegos? (ii) {Cudl es la probabilidad de que el juego dure mas de 7 juegos? Esto es un recorrido al azar con sefales absorbentes en 0 y 6 (ver ejemplo 722 y 7.23). La matez de transicién es Oy % Op a % os a Pe one m fie? 4 40 OO Sich bad) Op Oe a a ws fat ee ap LOMO} OF O «= \0 0 00 ¢ 0 4 Ce fee et eee ae con distribuciOn de probabilidad micial p‘®= (0,0, 1,0, 0, 0,0) puesto que empieza con $2cap. 7) CADENAS DE MARKOV 14s (@) _Buseamos p®, ta probabiidad de que el sistema ex en estado despues de 5 pasos. Caleulamos Is distribuciba 4e probabilidad del quinto paso p po = pOP = ©, 4,0, $,0, 0,0) po a? = PDP = ,0,4,04,0,0) p> pO = OP = (4,0, 4,0, $0) ‘Asi 91a probabildad de que no tengs dinero después de juceos. 6s oop xoP (B, 0, sFey Os 2, 0, oe) ef OB Gi) Caleulamos pM: PO = pO P = (G8, 0, Fy, 0, 42,0, 8) BO = wOP = (Za, 0, Be, 0, 18) La propabilided de qu el juego dure mas de 7 juogos, esto es, de que el sistema no esté en el estado a0 2 después de 7 pases, es 2 7.25. Considérense lanzamientos repetidos de un dado corriente. Sea X, el maximo de fos néimeros que resulten en las primeras pruebas. (@ Hallar ta matriz de transicién P de la cadena de Markov. {La matriz es regular? (i) Hallar p®, la distribucién de probabilidad después del primer lanzamiento. (ii) Hallar py p®. 6) Blespacio de estados de ta eadena de Markov es! 1, 2,3, 4.5, 6!, La matriz de transicién t= coconn co ome co Ome CO om © ols oh cht ob che ox he oe oh oho s \ooo ‘Obienemes, por ejemplo, la tercera fla-de la matrie como sigue. Supdngase que el sistema esta en el estado 3, 0 ‘sca, el maximo de los nieneros que resultan en las primeras pruebas es 3, Entonces el sistema permanece en es- {ado 3 si un I, 2.6.3 sucede en Ia prucba (n + 1) por tento Ds = Q. Por otra pare, el sistema pasa al estado 45 86 respectivamemte si un 4, 5.66 sucede en la prucba (n + I): por tanto aq = Pas = Pog =}. Fl sistema hunca puede pasar al estado 1 6 2 puesto que salié un 3 en na de las prucbas: de aqui Pay = Psy = 0. sl, la tercora fila de la matriz de transcin es (0, 0, $s dy dy &)+ Las otras ilas e obtienen similarmente, La matric no es regular puesto que el estade 6 es absorbente, 0 sea, hay un I en la diagonal principal ia 6. (i) Encl primer lanzamiento del dado el estado del sistema X' es el nimero que sale; por tanto, hb bb bd Se BB. pO = pOP = hed Hed te po = (i) p@ = pOP = 7.26. Dos nifios by b> y dos nifias g1 y g: estén lanzdndose una bola el uno al otro. Cada nifio pasa la ola al otro nifio con probabilidad 4 y a cada nifia con probabilidad 4. Por otra parte, cada nifia lanza la bola a cada nifio con probabilidad 4 y nunca a la otra nifia. A la larga, {con qué frecuencia recibe cada uno la bola? nto os una cadena de Markov con espacio de estados |b), bn, gg y matriz de transicién. by be on oa fo 4 bt albog t Poe geld ke 8 wa \y bo 0146 7.21. 7.28. CADENAS DE MARKOV Icap.9 Bascamos vector foi = ess sw de sw) =f wh Haeers las coments rein penis ah bea cine ate Wtetye => det ktde = Te etd = ow Buscamos una solucién diferente de cero, Sea z ~ 1; entonces w= 1.x =2 y y= 2 Asi w= (2,2,1,1) y, por tanto, la probabilidad cada ide ¥ de las veces. ica de Pes 1= (f,4, 4,4). Ast, 2 lz larga, cada nfo recibe la bola 4 de las veces y Probar el tcorema 7.6: Sea P = (py) la matriz de transicién de la cadena de Markov. Si p = (p,) 6s la distribuci6n de probabilidad del sistema un paso mas tarde, esto es, cada k + 1 vers entonces pP* es la distribucién de probabilidad del sistema n pasos més tarde, esto es, en la k + nvez. En particular, p = pP, p® = p©P, ... y también po = p Pr Supéngase que el espucio de estados es 'a', 0%... dl La probabilidad de que el ssteme estén estado ay én la vez & y luego en estado ayen la vez k + 1 es el producto PyPy. Asi, la probabilidad de que el sistema esté en estado ay enlavezé + es la suma Pipi + Papa to + PP = BPH As a dic de probbiadeaverk et w= (Zen Smee 3 nem) Sin embargo, este vector precisament eel producto el vector p = (p,) porlamatriz P = (py): p* = pP. Probar el teorema 7.5: Sea P la matriz de transicién de una cadena de Markov. Entonces la mattiz de transicién de paso m es igual a la potencia nsésna de P; PO = P», Supongatnos que el sistema esté en estado ay en la k-sima ves, Buscamos la probabilidad P{*) de qu el sistema ‘sté en estado aj en la k + ndsima ver. Ahora la distibucidn de probabilidad del sistema en la vez &, puesto que el n estado ay. € el vector et = (0, ..-, 0, 1,0, ... 0) que tiene un 1 en Ia /-ésima posicion y eeros en cual- (quier otra parte. Por e| problema precedente, la distribucion de probabilidad en Ia k + m-ésima vez €s el producto 4 P. Pero 6,2 es ta /-ésima fila de la mattiz Pv, Por tanto, PS? es la componente j-sima de la fila iésima de la matru PR, y asi POO = Pr, PROBLEMAS VARIOS 7.29. Las probabilidades de transicin de una cadena de Markov pueden representarse por un diagra- ‘ma, llamado diagrama de transicién. donde una probabilidad positiva py es seRalada por una fecha del estado a, al estado ay. Hallar la matriz de transicién de cada uno de los diagramas de transiciOn siguientescar 7) CADENAS DE MARKOV 147 @ ese primero que el espacio de estados &6 fai.a:,0. y, por tanto, la matriz de transicibn es de la forma La fila ésima de la matric se obtiene hallando aquellas flechas que parten de ay en el diagrama; el némero anexo ale Mecha de aj a a) €s 1a componente j-csima de la fila -ésima. Entonces la mattis de transicién et ae 4/0 0 4 P= a(d 04 = \i 0.4 Gi) El espacio de estados es (ay, g,5, 04). La mateiz de transicidn es a) dy oy a fu Poy _ {0 4 0 2 BS Sipe pea ee q\o oo 7.30. Supdngase que la matriz de transicién de una cadena de Markoy es como sigue: a a a a /t 4 0 0 Se: Pol ae Fe ee La cadena de Markov es regular? [Notese que una vez que el sistema pasa al estado ay 0 al estado ag, entonces nunca puede pasar al estado 0g 0 al estado a4, esto cs, el sistema permanece en el sub-espacio de estados !a1. apt. Asi en particular, p(%? = 0, para cada ry, por tanto, cada potencia PR contiene un elemento cer. Se concluye que P noes regulr 7.31. Supéngase que m puntos en un circulo se numeran 1, 2,,.., m respectivamente en la direccién contraria a la de las agujas del reloj. Una particula realiza un ‘paseo al azar" sobre el circulo; se mueve un paso en direccién contraria a la de las agujas del reloj con probabilidad p 0 un paso ‘en la direccién de las agujas con probabilidad g = 1 —p. Hallar la matriz de transicién de esta cadena de Markov. El espacio de estados es | 1,2... mi El diggrama de la derecha que se musica luego puede usarse para abiener Ja matriz de transiciOn del diagrams puesto a fa izquierda Oe eA) Gee SLavsasf Blenn ends ee, 2 4) pues dos matrices son iguales si, y solo si, sus elementos correspondientes son iguales. Las matrices cuadradas pueden elevarse a la potencia enésima n = 2, 3, mediante multiplicaciones sucesivas. entonces 19.2. UN EJEMPLO Supongamos que tenemos dos dados perfectos; uno de ellos que representaremos por I, tiene cuatro caras blancas y dos negras; el otro, que representaremos por If, tiene una cara blanca y cinco negras. Seleccionamos al azar uno de estos dados, lanzando una moneda no sesgada. Si obtenemos “cara”, lanzamos el dado I; si obtenemos “cruz”, lanzamos el dado II. Si, en el dado lan- zado, aparece una cara blanca, lanzamos el I; si aparece una cara negra, lanzamos el Il. Ast, continuamos este proceso donde la eleccién del dado por lanzarse depende del resultado previo. Esta serie de lanzamientos 0 pruebas ilustra un tipo simple de cadena de Markov, o més precisamente, una serie de pruebas binomiales dependientes de Markov. En lo que sigue, representaremos por P(W,) y P(Bi) las probabilidades respectivas de los resultados blanco y negro (W y B) en Ia prueba de orden k. También, P(W,|W,.) serd la probabilidad de que aparezca blanco (W) en la prueba de orden k, dado que W ha aparecido en la prueba de orden (k — 1), con significados similares para P(By| Wy1), PW%e| Bia), ¥ PCB, | By32 CADENAS DE MARKOV Entonces, PCW.) = POW )PCW | Wi) + PCBs)PCWe | Ba) te También, P(Ws) = P(W2)P(Ws | We) + PCB2)PCWa | Bs) 22 2 et Fis 86 P(Bs) = P(W,)P(B; | W2) + P(B,)P(Bs | Be) Este proceso puede continuarse indefinidamente, Observamos que, en cada paso. de la serie P(Wy) + P(B) = 1,i = 1, 2 Los resultados posibles y sus probabilidades correspondientes se pueden obtener también con Ia ayuda de un diagrama de drbol. En la Fig. 19-1 se muestra uno de estos diagramas para la eventualidad en que sea seleccionado el dado 1 para el primer lanzamiento. Se puede construir un diagrama similar para la eventualidad alternativa Fig, 19-1 (ejetcicio 9). Por ejemplo, la probabilidad P(Bs|1) de que aparezca la cara negra en la tercera prueba, pues que fue seleccionado el dado I para la primera prueba, se obtiene como la suma de los productos de tres probabilidades anota- das en las ramas del arbol que terminan en Bs (no se incluye el */2). 4 5 1 a i e242424>--. PID = 55+ 97 54 * 108 12 Formalizaremos ahora las ideas contenidas en este ejemplo y obtendremos algunos resultados -generales.CADENAS DE MARKOY aa 193, PRUEBAS BINOMIALES DEPENDIENTES PE MARKOV En el estudio de ta funcién binomial de probabilidad, estébamos interesados en N pruebas independientes de un experimento con una probabilidad constante de éxitos. En lo que sigue, estamos interesados en una sucesion de pruebas dependientes donde la probabilidad de éxito en una prueba dada depende del resultado de la prueba precedente. Consideremos que existen N pruebas en un experimento, cada una de las cuales tiene tnicamente dos resultados posibles, representados por S y F. Supon- gamos que el resultado en cualquier prueba depende tnicamente del resultado de la prueba precedente. Existirén, entonces, cuatro probabilidades asociadas con la prueba de orden (k -+ 1), k = 1, 2,..., esto es: Pri | Si), PCSiin | Fids P(Fein |S), y PCRees | Asi, hemos definido una serie de pruebas binomiales dependientes de Markoy. Se acostumbra Iamar estados a los resultados y, a las probabilidades de estos resultados, probabilidades de transicidn. Llamaremos $ al estado 1, y F al estado 2, Hablamos, entonces, de una cadena de Markov con dos estados. Nétese que la probabilidad de un resultado dado en la prueba de orden (k + 1), es condicional, dependiendo esto tinicamente del resultado de la prueba de orden k y no de cualquier otro resultado anterior. Si las cuatro probabilidades que se han dado son independientes de k, entonces podemos escribir: Pu =PS|S), pPa=P(S1F), Pe=PFIS), Y Pa = P| F). pe ‘@ at ae) ex Poa, Put Pa = i} Pa + Pre = 1 Sea Debe ser evidente que (19.3) puesto que cada renglén de P es un vector de probabilidad, P es una matriz estocastica. Es conveniente calcular p”” y p\" las probabilidades correspondientes a los estados 1 y 2, para la prueba de orden (n + 1), esto es, después de n pasos: Es importante hacer notar que un paso en el proceso de Markoy significa una transicién de una prueba a la siguiente. Asi, el paso enésimo implica n + 1 pruebas. En particular, la tercera prueba implica 2 pasos; de la primera prueba a Ja segunda y de la segunda a la tercera, La primera prueba es el paso niimero cero. Las ecuaciones, (19.4) po — po (n=0, py = pp, + pr? = = PY Pa + Pi" Poe},314 CADENAS DE MARKOV son vélidas, puesto que el primer miembro del lado derecho representa la probabilidad para el estado 1 en el enésimo paso, dado que haya ocurrido el estado 10 el estado 2 en el paso previo y el segundo miembro del lado derecho es Ja probabilidad para el estado 2 en el enésimo paso, dado que haya acurrido el estado 1 0 el estado 2 en el paso previo. Podemos escribir la ecuacién (19.4) como el producto: (m0) y(n-ay( Pax | (ye, Pe n( Be Bis que se transforma en el vector renglén: (nD 1 plinth BO = (py pay + Pa Pare Pr En consecuencia, 1 Dye + PS” Pea) (po = php, jue és una f6rmula de recursién para obtener p'”!, partiendo de p"—». a Puesto que po = pop pe? = por po) = phDp, se sigue que pm = pP?, 9.5) (49.6) (19.7) Esto signifiea que el producto del vector de probabilidad inicial p y la enésima potencia de la matriz de probabilidades de transici6n, P, produce el vector ren- slén p") de probabilidades de estar en cada uno de los dos estados después de 1 pasos. Eyemeto 1, Refirdmonos al ejemplo de la seccién 19.2. Sea W el estado 1, y B el estado 2. ad Pe Gee: Cas Segtin la ecuacién (19.4) Pa) = ppm + PS Pad pat = pO prs + Pee) +Hemos demostrado previamente que i. POW) = PY) = 55CADENAS DE MARKOV 315 us Entonces, ain ale col tn col ws it EjempLo 2. Supdngase que calculamos las probabilidades de Jos estados 1 y 2 después de tres pruebas para el ejemplo de la seccién 2. Entonces, segin la ecuacién (19.7), pi?) = pope hehe eet ~ Naa? 48)” Se vera que estos resultados concuerdan con los obtenidos en Ia seccién 3. 19.4. OTRO METODO Las probabilidades para los estados 1 y 2 después de n pasos son dadas por la ecuacién (19.4). (nd pln PY = Pp + Pa), (rd yin) PL? = Py Pie + BS” Pas) Pero porP = 1 — pon y Pu = 1 — Pre Por lo tanto, PY? = pt pn + 1 — pM — Pal ee = Pa + Pax — 1) + (1 — Pr). Sera conveniente establecer la siguiente notacién: R=1—Pu R,=1—Px316 CADENAS DE MARKOV Q=Put P21, de modo que Ja ecuacién (19.8) puede escribirse como: Py” = py "0 + R,. (19.9a) Esta es una f6rmula de recursi6n que nos permite calcular p'"!, partiendo de pi Andlogamente Pi = pP MO + Ry. (19.9) Aptiquémosla al ejemplo de la seccién 2: 2 5 1 1 1 Sea, Go eae Pu 3 Pa a por lo tanto, Ry 3 SET, ee 3 Para el estado 1 en la segunda prueba, p94 R, ao : foe p26 s En la tercera prueba, pi? = pO + Re ae epee 82° 6 48° etc. Puesto que, para toda p, 0 = p S 1, se sigue que |Q| = 1. Sin embargo, supondremos que |Q| < 1 para eliminar los casos en los que pu = px = 0 0 pu = pm = 1. Mediante la induccién matemitica (ejercicio 17), se puede demostrar que: p= (-—2 = oe oe (19.10) Si intercambiamos los estados 1 y 2 en [a ecuacién (19.10), la ecuacién resul- tante es: (19.11) Ast, las ecuaciones (19.10) y (19.11) nos permiten calcular las probabilidades para los estados 1 y 2 después de m pasos sin depender de una formula de recursién.CADENAS DE MARKOV 317 19,5, PROBABILIDADES INICIALES DESCONOCIDAS Aunque la probabilidad para el estado 1 en Ja prueba inicial puede ser des- conocida, podemos, sin embargo, calcular las probabilidades para el estado 1 0 para el estado 2 después de 1 pasos, dados los estados 1 0 2 en la primera prueba, Estas probabilidades se representaran por pl”, p?, pit), ay pi. Puesto que y 0 os “| (19.12) — py hecesitamos obtener tnicamente pij?y psy’. Por medio del mismo método emplea- do para derivar la formula (19.9a), encontramos (ejercicio 20) que: PY = PIE + Ry, (19.13) Nuevamente, nos valemos de la induccién matemética (ejercicio 21) para derivar: i = [lp Re |or Be 9.14) 20. 1-@ Pero, ya que pO = P., esta ecuacion se transforma en fe eR, np Ry Pee gu Re (19.15) SS peg ena Intercambiando 1 y 2, obtenemos: on) PR On ; (19.16) taal ee De las ecuaciones (19.12) y (19.14), encontramos que: (19.17) Andlogamente, 49.18) Eyemrzo 1. En el ejemplo de la seccién 2, supongamos que la moneda consi- derada es sesgada y que no conocemos la probabilidad de obtener “cara”, Se sigue que p{? y p son desconocidas. Podemos, sin embargo, calcular las probabilidades para los cuatro resuliados condicionales posibles pl, pif), pl. y Pi) con las ecuaciones (19.15) a (19.18). Por ejemplo, la probabilidad para blanco (estado 1) en el sexto lanzamiento del dado, ya que en el primer lanzamiento aparecié negro (estado 2), es dada por Ja ecuacién (19.18). Re = Vey Q = */, + %%/5 — 1 = 1/2, El mimero de pasos enn = 5, 1/6) DF] cal att — a5]! -G)] “3638 CADENAS DE MARKOV EYEMPLO 2. El Problema de los Cuatro Mentirosos. Es conveniente hacer referencia a la seccién 5.6, donde se establecié y se resolvié este problema con métodos elementales para el caso de tres mentirosos. Consideraremos ahora Ja sucesién dada de proposiciones como un proceso de Markov, donde una verdad se considerard como. el estado 1 y una mentira como el estado 2; pero no ser una serie de pruebas binomiales cependientes de Markov, a menos gue supongamos que las afirmaciones de C, B_y A son hechas conociendo linicamente Ia declaracin de la persona previa. El estado ubseryado es 1 0 2, dependiendo ello de si la afirmacién correspondiente implica que D esté di- ciendo la verdad o esta mintiendo. Ya que las declaraciones son independientes, 1 2 Poe PE =z donde n = 0,1, 2,3. Recordando que un niimero par de mentiras resulta en una verdad, podemos escribir pir = pas = 1/3, Entonces, Ri = Ra = */s, Q = —/p y 1 — O= 5, El estado inicial es el de D. Si A afirma que B niega que C declara que D es un mentiroso, entonces para las alternativas “D dijo la verdad”, (T), y “D minti6”, (L), tenemos, para las afirmaciones de A B C D, las combinaciones respectivas T T L T y T T L L, en cada una de las cuales A implica que D dijo fa verdad. Buscamos, entonces, la probabilidad —llamémosla pif) — de que D dijo la verdad bajo la condicién de que A implicé que asi habia sido, Los pasos 0, 1, 2, 3 en el proceso corresponden a las afirmaciones de D, C, By A, respectivamente. La probabilidad de que D dijo la verdad y desque A implicé que asi fue, por el teorema de la multiplicacién, férmula (4.6), puede escribirse en estas dos formas equivalentes: pi0) — p' Pepe) = Pi Pe de donde arpa co) 21 Pr eal Ahora, peed. También, segtin la ecuacién (19.15), a ay, 2 eye (ee ee haa ays aay d/h = (-a3)(- Segiin Ia ecuacién (19.10), (a) Pr de donde » _@antap7 _ 13 hissed Aer a como se caleulé previamente.‘CADENAS DE MARKOV 319 19.6. " EQUILIBRIO ESTADISTICO Del hecho que |Q| < 1, se sigue que lim Q" = 0; por lo tanto, con las no ecuaciones (19.18), enconiramos que ae Jima? lim pis i 7 fa! (19.19) y con las ecuaciones (19.16) y (19.17), ; nee Jimee’—lnen 72: (19.20) Es evidente que un gran ntimero de pruebas binomiales dependientes de vai conduce a un estado de equilibrio estadistico, Esto significa que p'” y ” permanecen practicamente constantes & independientes de los resultados ini- oe cuando 1 es grande. El tamafio de n dependerd del tamafio de Q, y ésta, a la vez, es una funcién de py, y Pea Si el estado 1 tiende a ser seguido por el estado 1 y el estado 2 por el estado 2, entonces se obtendra el equilibrio répidamente. En particular, si py; = Ps, pata toda n, entonces Ri = Re y Pa = Pi) = py) = plP = 4, aproximadamente. Esto significa que , p” — pS? =i, aproximadamente, cuando n es grande. Decimos, entonces, que las pruebas binomiales constituyen un juego justo. Ejemplo. Refirdmonos al ejemplo 1 de la seccién 19.5. Segdn la ecuacién (19.15), puesto que Ri = */s, Re = Vey Q = */2, 20) es i St P= (5) + = 1/2\2) ya eed Segtin la ecuacién (19.19), 10) shy — ( 2 at as 3072" Cada una de estas probabilidades es, aproximadamente, */s, el valor dado por Ja ccuacién (19.19), sin importar el resultado de la primera prueba. 19.7, UNA CADENA DE MARKOV MAS GENERAL. En las secciones precedentes, discutimos una secuencia de experimentos dor- de cada uno de ellos tenia Gnicamente dos estados. Consideraremos ahora el caso donde cada experimento puede tener un niimero finito, r, de estados posibles, que representaremos por {¢s, e,... er}. Nueyamente, suponemos que la320 CADENAS DE MARKOV probabilidad de un resultado depende Ginicamente del resultado inmediato precedente. Sea P(e;|¢) = pi. Es conveniente representar las probabilidades de transicién mediante una matriz cuadrada. Una de estas matrices pata un proceso de Markoy de 3 estados es: Pu Piz Pas P=( Px Poe Po}- (19.21) Pa Pax Pas, Cuando una transicién es imposible, su probabilidad es 0 por definicién. P es una matriz estocdstica. Eypmpio 1, Supongames que tenemos tres dados: el primero tiene tres caras rojas, dos blancas y una azul; el segundo tiene dos caras rojas, tres blaneas y na azul; y el tercero tiene una cara roja, dos blancas y tres azules. Luego, lanzamos un dado ordinario, Si aparece el 10 el 4, se lanza el primer dado de colores; si aparece el 2 0 el 5, se lanza el segundo dado de colores; si aparece el 3 0 el 6, se lanza el tercer dado de colores. Si en el dado: de colores aparece él rojo, se lanza el primer dado; si aparece el blanco, se lanza el sepundo dado; si aparece el azul, se lanza el tercer dado, ete, Asi, tenemos tina cadena de Markov con tres estados: e: = R, e2 = W, ex: = B. ac io 1 (h, PP = 35 oo se oh on Esta cadena de Markov se puede representar mediante un diagrama de arbol como en la Fig. 19-2. Fig. 192CADENAS DE MARKOV 321 Se presenta un tipo importante de problema cuando buscamos la probabilidad p& de que un proceso que se supone empieza en el estado i se encuentre en el estado j después de m pasos. Las probabilidades involucradas pueden dis- tribuirse en una matriz: Pa PD Py P — | py pep pss) | (49.22) PS) pa ss) Para la condicién establecida en el ejemplo precedente, preguntemos: “Cuél es la probabilidad de que aparezca el rojo en un dado después de dos lanzamientos si en el lanzamiento anterior aparecié el azul?” Las probabilidades de la matriz (19.22) pueden obtenerse con un diagrama de arbol, Fig. 19-3. 1 Pura Fig. 193 La probabilidad deseada p{%) se obtiene como la suma de las probabilidades de todas las ramas del érbol empezando en ¢2, y terminando en e1; por lo tanto, Pst = Pur + Par + Por ie ale oes 9 2 Anélogamente, pueden obtenerse pi? y p’. Estas probabilidades constituyen el tercer renglén de la matriz: me pa (H be leet oe Para caleular los otros dos renglones de esta matriz, construimos diagramas de 4rbol, partiendo de ex y ex (ejercicio 23). Nétese, por ejemplo, que las probabilidades del tercer renglén suman 1 porque empezando en el estado ¢2, debemos llegar a alguno de los tres estados posibles después de dos pasos. MODE: 21322 CADENAS DE MARKOV EyempLo 2. Supongamos que, en cierta regién de los Estados Unidos, el 50% de los votantes son republicans, (e:); 40% son demécratas (e2); y 10% son independientes (e;). Supongamos que, en generaciones sucesivas, 70% de los hijos de republicanos Hegan a ser republicanos; 10% demécratas; y 20% independientes. Para los demécratas, 80% de sus hijos Ilegan a ser demécratas; 10%, republicanos; y 10% independientes. Para los independientes, 30% de sus hijos llegan a ser republicanos; 30% demécratas; y 40% independientes. iCuél es Ia probabilidad de que a) un demécrata tenga un nieto que Ilegue a set independiente? b) gun votante seleccionado al azar tenga un nicto que Hegue a ser independiente? Supdngase que todos los votantes tienen hijos que Hegaran a ser yotantes. Mediante el diagrama de arbol de la Fig. 19-4, encontramos que PIP — 0.02 + 0.08 + 0.04 = 0.14. Anélogamente, encontramos que P® = 0.14 + 0.01 + 0.08 = 0.23 vi pe) = 0.06 + 0.03 + 0.16 = 0.25. Para (b)-se sigue que pe) = (0.5 x 0.23) + (0.4 x 0.14) + (1 x 0.25) = 0.196. 19.8, ALGUNAS RELACIONES INTERESANTES Es posible demostrar que la ecuacién (19.6), p= pimp, y la ecuacién (19.7), que se derivaron para una cadena de Markov de 2 estados, son vélidas también para una cadena de r estados (cjercicio 24). Sin embargo, en este texto nos hemos restringido al caso de 3 estados. Recordando que:CADENAS DE MARKOY 523 Pa Px Pas P=\pu Por Pes Por Pas Pas y ind eo) tab Pi Pie Pas Per | pp pp pe) |. (19.23) Xp? pl) pis)/ se puede demostrar que Bae (19.24) Asi, las probabilidades contenidas en P se pueden obtener mediante multiplicaciones sucesivas, partiendo de la matriz P. Con excepcién de los casos simples, estas multiplicaciones pueden ser tan laboriosas que debe buscarse el au- xilio de una méquina computadora. Un resultado interesante es el siguiente: Si alguna potencia de una matriz estocéstica no contiene probabilidades cero, entonces lim P* = 7, (49.28) donde T ¢s una mairiz estocdstica con renglones idénticos Demosiremos este resultado para una cadena de Markov de 2 estados. Segin las ecuaciones (19.16) y (19.17), Co) Pb cn Bi = Nuevamente, puesto que |Q| < 1, ® im pt = mod por lo tanto, lim pie! (rn) tnd pa’ =p? —aproximadamente, cuando n es grande. Andlogamente, podemos demostrar que os o R, Pir = Pa = aproximadamente, cuando n es grande.324 CADENAS DE MARKOV Cm) ta Pu Pas tn etiesy Sn S| Pa Pea Puesto que si n tiende a infinito, io que constituye una matriz estocéstica con renglones idénticos (ejercicio 25), De acuerdo con la ecuacién (19.24), se sigue el teorema sumarizado en la ecuacién (19.25). Ejemplo. Sea ‘y I == ae wets Entonces, 0.56 0.44 ee 0.489 0.51 ; 0.529 0.471 P= 0.523 ce 0.526 0.474) 0.526 tial : Es obvio que la matriz Ifmite T tendré elementos aproximadamente iguales a los de P*, El vector de probabilidad t definido por los renglones idénticos de T se Hama punto fijo de la transformacién P porque 1P (19.26) ts La razén de esta terminologia es la siguiente. Segiin la ecuacién (19.6), al multiplicar el vector de probabilidad p"- por P, se trarisforma en el vector de probabilidad p”). Por lo tanto, el vector “fijo”’ ¢ se transforma en si mismo cuando se multiplica por P.CADENAS DE MARKOV 325 19.9, APLICACIONES La teoria de Jas cadenas de Markov tiene una gran variedad de aplicaciones. Se presentaran, a continuacién, algunas de ellas Genética, Se sabe que las caracteristicas de un animal son determinadas por Jos genes transmitidos por sus padres, Una caracteristica dada resulta de dos genes heredados, uno de cada padre. En un tipo muy simple de herencia, cada gene del par transmitido puede ser de cualquiera de dos tipos, que simboliza- remos por D y d. De esta manera, surgen tres combinaciones posibles de genes en un individuo: Los genotipos DD, Dd y dd. Si un individuo ha heredado dos genes D, uno de cada padre, se dice que es dominante, DD; si ha heredado dos genes d, se dice que es recesivo, dd; si hereda un gene D de un padre y un gene d del otro, se dice que es hibrido, Dd. Si un individuo dominante se aparea con otro dominante, esta unién puede producir tinicamente dominantes (tabla A), Resulta una conclusién anéloga en el apareo de dos recesivos. Si se aparea un dominante con un hibrido, resultan descendientes de dos genotipos, DD y Dd, cada uno con probabilidad */2 (tabla B). Existe un resultado similar cuando se aparea un recesivo con un ht- brido. En el apareo de dos hibridos, resulta un dominante con probabilidad */s, un hibrido con probabilidad */s, y un recesivo con probabilidad '/s (tabla C). “ ® © DD x DD DD x Dd Dd x Dd os | Dd | De aie D\ DD DD | D DD Dd D DD Dd D| vd pp | D| DD bd a | Dd da Se puede estudiar la probabilidad de que aparezcan los tres tipos diferentes en los descendientes de generaciones sucesivas en téminos de una cadena de Markoy. Los estados son dominante (e:), hibrido (e2) y recesivo (es), Supon- gamos que cruzamos un dominante con un hibrido y luego cruzamos todas las generaciones sucesivas con un hibrido. ¢Cual es la probabilidad, p\, de que un individuo en la tercera generacién sea recesivo? Nuevamente, emplearemos diagramas de drbol para resolver este problema. Los dos siguientes (Fig. 19-5) son para los eventos de que el individuo en la primera generacion esta en el estado e: o en el estado 2 (tabla B). De estos diagramas se sigue que la respuesta a nuestra pregunta es: a) PE tee 3 yea 16 a 16 fL 16326 CADENAS DE MARKOV ei) Fig. 19.5 Supongamos ahora que empezamos no necesariamente con un dominante. sino con un individuo de genotipo desconocide cruzado con un hibrido. Se puede verificar que la matriz estocistica para este problema, es: 0 ee Com Ahora, oe ~ a4 que es una matriz que no‘ contiene probabilidades cero. Segtin 1a ecuacién (19.24), PO = Pr Es posible demostrar, de acuerdo con Ja ecuacién (19.25) que, Baw lim P* 24d i \E 4 que significa que, después de un mimero de generaciones, los descendientes tienen, aproximadamente, las probabilidades */s, '/2 y °/s de ser dominante, hibrido y recesivo, respectivamente. Es interesante hacer notar que, si la situacién discutida en los parrafos anteriores se alterara de tal modo que el animal de genotipo desconocido se cruzara con un dominante en lugar de un recesivo, y todos los descendientes sucesivos se cruzaran similarmente, no podriamos obtener un descendiente recesivo en nin-CADENAS DE MARKOY 327 gin momento, ni aun en Ja primera generacién. Es posible, por supuesto, obtener un hibrido, pero la probabilidad de tenerlo m veces en sucesién es (*/2)". (Nétese que, para P, todas las probabilidades de la segunda columna son */:.) Puesto que lim ('/s)” = 0, eventualmente tendremos un dominante. Puesto que seré apareado con un dominante, todos los animales sucesivos serén dominantes. Infortunadamente, la relacién de la ecuacién (19.25) no es valida, puesto que ninguna potencia de P esié exenta de probabilidades cero. Se omiten las demostraciones de estos hechos Camino al azar, El fenémeno conocido como camino al azar se estudia en muchas ramas de la Fisica. Discutiremos brevemente una de sus formas més simples Consideremos puntos igualmente espaciados sobre una linea recta, numera- dos 1, 2,... m (Véase la Fig. 19.6.) Una particule, inicialmente situada en el punto i, 0 y pi. 12. Imaginemos una serie de interruptores eléctricos en un mecanismo. Repre- sentemos un interruptor abierto por 1 y un interruptor cerrado por 2. Para cualquier instante al azar en que el mecanismo esta en operacién, supongamos p!” =4 y 0 = 8. También, Pui pnw, - Pu=% y Pas para todos los interruptores con excepcién del primero. @Cudl es la probabilidad de que cl cuarto interruptor esté abierto? 13. Consideremos una serie de interruptores eléctricos donde la probabilidad es de que un interruptor esté abierto si el precedente lo esté y #/s de que un interruptor esté cerrade si el precedente est abierto. La probabilidad de que un interruptor esté abierto es #/s si el precedente esté cerrado y la probabilidad de que esté cerrado es */s si el precedente esta cerrado. Calcule Ja probabilidad a) de que el tercer interruptor esté abierto, y b) de que el tercero esté abierto si el primero lo est. Supéngase que la probabilidad de que el primer interruptor esté abierto es */2. 14. Resuelva la parte (b) del ejercicio 13, mediante un diagrama de arbol. 15. En el ejemplo de la seccién 19.2, calcule pit), pit), yp). Verifique que ARP =) y PP ee donde el estado 1 es blanco y el estado 2 es negro. 16. Dada la evuacién py = ap, 5 + 6, donde a y 6 son constantes y n = 1, 2, Si una secuencia de nimeros po. pi, Pz,--. satisface esta ecuacién, demuestre que bY wy >, siempre que a #1 pa =(Po-7 Je + pp siempre que a 1. Use la induccién matematica. 17. Derive la {6rmula (19.10) por induccién matemdtica. Observe que la ecua- cién (19.9) es una ecuacién de la forma Px =4Pn1 +6. (Véase el ejercicio 16.)CADENAS DE MARKOV 331 18. Demuestre que pl + pe) = 1. 19. Derive la férmula (19.9b): py” = pyPO + R, 20. Derive la formula (19.13); p(y =peMO + Re. 21. Derive la fSrmula (19.14): Ry Ry a ay Oe ne = [re —-Sgle +a: 22. En el pueblo de Graumark existen tinicamente dos partidos politicos, tos hokes y los dokes. Se efecttia una eleccién anualmente para la alcaldia, el alcalde permanece en funciones tnicamente un afio. La probabilidad de que un hoke suceda a un hoke como alealde es */s, y de que un doke suceda a un doke es */2. Si es elegido un hoke para la alcaldia en 1965, gcudl es la probabilidad de que a) sea elegido otro hoke en 1968? b) gsca elegido un doke en 1967? 23. Para los datos del ejemplo 1 de la seccién 19.7, yerifique los valores dados en,a) el primer renglén, y b) el segundo renglén de la matriz P®), 24. Demuestre que las ecuaciones (19.6) y (19.7) son vélidas para una cadena der estados, r > 2 = sie 25, Demuestre que | | ~ 2 e Oca una mattis Setocaatiea. 2 io 110. ; 0.3 0.7 6. SiP=(5 6 9.4)i caloule a) P!, P* y P4, b) los valores aproximados de los elementos de Ja matriz. limite T. Redondee cada elemento al segundo lugar deci- mal. c) @Cual es el vector fijo? 27. Verifique, mediante un diagrama de drbol, los valores de p{y pidados al final de la seccién 19.7. 28. Con la Fig. 19-5, calcule 1a probabilidad de que un animal en la tercera generacién sea,a) dominante; b) hibrido, 29. Construya un diagrama de drbol para dos generaciones cuando un hibrido se cruza con un hibrido y luego estos descendientes se cruzan con un hibrido. {Cudl es la probabilidad de que un descendiente de la segunda generacién sea hibrido? 30, Con la Fig, 19-7, calcule la probabilidad de que 1a particula alcance la po- sicién 2 después de a) tres pasos; b) cinco pasos; ) 2m pasos. 31. Con la Fig. 197, extendida, si es necesario, caleule la probabilidad de que la particula sea absorbida después de a) tres pasos; b) seis pasos.332 CADENAS DE MARKOV 32. A apuesta con B en un juego justo. Cada uno de ellos empieza con $3 y juegan tres partidas. {Cudl es la probabilidad de que A a) quede arruinado? b) Gane $1? ALGUNAS RESPUESTAS CAPITULO 19 1. (a) y b), porque los renglones suman 1. 07 a - b) 4 2 ce i o( x) 5. (a) (5.3); (6) GEES) ee 4 1 20r 2 hp = Sep = Be. PG 3. (a) 0.624; (b) 0.626. 15. pl = 3; pl) = 8 plP = 48. 29. 4. 31. (@) ai; (b) 0.00922. Aqui termina el refuerzo del tema "Cadenas de Markov" y también es el fin de la obra. Esperamos que sea de enorme provecho para todos aquellos interesados en el apasionate a la vez que importante tema de la Teoria de Probabilidad y sus muchisimas aplicaciones.Algebra de conjuntos, 5 Analisis combinatorio, 16 Aplicacion, 74 C@.7),21 Cadena (Markov), 130 Cadena de Markov, 130 Células, 5 Clases de conjuatos, 5 Coeficientes del binomio, 19 Coeficientes multinomiaies, 20 Columna de una matriz, 126 ‘Combinsciones, 21 Complemento de un conjunto, 2 Complemento relative, 2 Componente de-un vector, 126 Conjunto, 1 Conjunto nulo, 1 Conjunto poiencia, 5 Conjunto producto, 4 Conjunto universal, 1 Conjunto vacio, | Conjuntos contables, 4 Conjuntos de indices, 5 Conjuntos disyuntos, 2 Conjuntos finitos, 4 Conjuntos infinitos, 4 ‘Conjuntos no contables, 4 Conteo, 16 Correlacién, 20 Covarianza, 80 Desfavorable, 105 Desiguaided de Tohebycheff, 86 Desviacién estindar, 78, 83, 85 Diagonal, 134 Diagonal principal, 134 Diagrama de arbol, 9, 23, 55 Diagrama de transicién, 146 Diagrama de Venn, 3 Diferencia de conjuntes, 2 Distsibucién (de variable aleatoria), 75, 83 Distribucion binomial, 108 Distcibucion conjunta, 79 Distribuci6n de Bernoulli, 106 Disiribucién de Gauss, 106 Disiribuci6n de Poisson, 108 Distribucion de probabilidad inicial, 132 Distribucin estacionaria, 133 Distribucion marginal, 80 Distribucién multinomial, 109 Distribucién normal, 106 Distribucién normal estandar, 107 Elemento, 1 NDICE Enteros, 2 Enteros positivos, 2 Espacio de estados, 130 Espacio de probabilidad disereto, 43 Espacio de probabilidad finito, 41 Espacio de probabilidad producto, 50 Espacio equiprobable, 42 Espacio equiprobable finito, 42 Espacio muestral, 38 Espacio uniforme, 42, 43 Espacios muestrales infinitos, 43 Esperanza, 75, 83, 84 Estado absorbente, 134 Evento, 38 Evento cierto, 38 Evento imposible, 38 Eventos aleatorios, 42 Eventos dependientes, 57 Eventos elementsles, 38 Eventos independientes, 57 Eventos mutuamente exclusivos, 39 Exito (distribucién binomial), 105 Famitia de conjuntos, 5 Favorable, 105 Fila de una matriz, 126 Fracaso (distribucién binomial), 105 Frecuencia relativa, 38 Funeién, 74 Funci6n de densidad, 84 Funcién de distribucidn acumulativa, 85 Funcion de probabilidad, 40, 75 Funcion de probabilidad condicional, 63 Funcién ée probabilided conjunta, 79 Funcién de variables aleatorias, 82 Imagea, 74 Imagen inversa, 74 Independencia, 57 Indice, 1 Infinito contable, 4 Intersecei6n de conjuntos, 25 Intervalo, 2 Ley de los grandes nimeros, 86 Leyes de De Morgan, 3 Matriz, 126 Matriz cuadrada, 126 Matriz de transici6a, 130 Matriz estocastica, 127 Matriz estocastica regular, 128 Media, 75 Mica.bro, 1 ‘Muestras ordenadas, 18 Multiplicacién escaler, 126 NN (enteros pasitivos), 2 Ms, 0%) 107 ‘Notaci6n Factorial, 16 Nameras reales, 2 Particiones, 5, 22, 56 Particiones ordensdas, 22 Pn rh, 17 Uk; >), 108 Permutaciones, 16 Permutaciones con repeticiones, 17 Probabilidad, 38, 40 Probabilidad condicional, 54 Problema det cumpleafos, 43 Proceso estocastico, 55 Proceso estocistico finito, $5 Producto de probabilidad, 50 Promedio muestral, 87 Promiedio ponderado, 75 Pruebas con sustitucion, 18 Pruebas independientes, $8, 68 Pruebas repetidas, 58 Punto muesteal, 38 R (nimeros reales), 2 Recorrido, 74 Subconjunto, | Sucesos, 38, 37 ‘Técnicas de contar, 16 Teorema central del limite, 108 Teorema de Bayes, 56 Teorema de la ‘nultiplicacién, $5 ‘Teorema del binomio, 19, 27 ‘Tridmgulo de Pascal, 20 Unidades estandar, 107 Union de conjuntos, 2 Valor esperado, 75 Variable aleatoria continua, 84 Variable aleatoria discreta, 83 Variable aleatoria estandarizada, 79 Variable alestoria independiente, 81, 85 Variabies aleatorias, 74 Varianza, 78, 83, 84 Vector, 126 Vector de probabilidad, 127 Vector fijo, 127, 129 Ventajas, 42 Z (entero), 2Distibudér binomial de Bernoulli = { (x)0/p) = (2) eae Az onp a) 2 resultados posible $= fig b) 9 efsayos indeperdiont® €) ptq =I; p:érito, q:fracan d) x: no- de éxitos de 0 an Ejem: Un Sc. vende 6 de cada 00 carros que muestra. dtudl es Iy piob- que vendy 2 de lor sigs. 10 camos® 2 eh {r= (2) ls) (aa) 900% Si lanzg uta moneda § veces, (Moe prob, hay be que resviten : a) 0 Sguids : 5) | dgoila ; c) 2 Sgvilas d) 3 dgoilas: €) 4 dguilas: F) S dguilas: Distribution de Poisson = Guondo N) (Foblacion ) es moy grande y p my prepeend P(x Ae Wer Asdpea x! X> cas Faw rabies | Divo de productos soa defectors prob- de que en (0 prods azt, 2 sean defectvoses pa Diag Een. | hallar ta tonmddos al >~No= love) | “1 1 2i6.th Pa et -_e 8.7 Fim. 2. Si by prob. de quel individig sora und veaccidn al inyector ke sverd % Yoo, determinae MA prob. & qe en 2000 getttes « a) Exactamente 3 -+eagan reciecai = 0-001 a= Opa 2 x23 Papen out 6h 3) (3¢ b) Md de 2 fengan reaccis? RO)= Ze. 1 2 29% Ot e eo . 22 PU 7 e P(rl= Yet = 22 17.067 a ce ’ (B.337,+2 (1406 %0)) Taafio de Pues tel rs error: Ar? 20 454 0.0455 Ia 0.04 2.05 13 sa 0.08 28 Ne 0-01 3-0 0.002F Zz Nv. dt Confianeu HB% Error (r) : la O67 1.00 §8-07% 0-373 1B O45 1-95 Rw. de Conr Error (r) = 0p 0-5 80%, O- ‘W, 0.10 45% 20 0.05@) Areas bajo ld curva normal — de Oa z: Distribueidn Normal de Gauss: “=Np cy Wg) ne pepe 7 OS 2.7188 00 = eer 5p 5 (SA) xR }» veas bajo (a curva normal aioe, de Za +m Flz)< © ae | Gee ae lz Sere Vi Viz Z oot] oo | oa] (=) OO] or] oe] 03] OF] 0s | oe] or] 08 [one | 0.0].5000) 4960] 4920] 4880) 4840] 4807] 4761] 4721 | 4681] 4647 Gal x39 | 0299 01/402) _4562| 4522] 4483) 4443) 4404| 4964) 4325| 4200] 4247 pad ois | a Fol cer ater eal aoeg aces aa aera cove ee aed 12c| 306 | 064 (03/324) avea| 14s) a707|aoeo| 2600|aeoe| 9ss7|3e20| aes la | ee |o.s| 3440) 2408| 3972\ 3300] 33001.3264| 3228 | 9102) 0168 | st21 4 See 0.5).3085| 3050|-30s|.2981 |.2046] 2912] 2877] 2843] 2870] 2776} : ealtaaa 0.6|.274a| 2709| 2676| 2643] 2611] 2578| 2546] 2514) 2483| 2451 7 2764 | 2794 0.7|.2420|.2389] 2358) 2327| 2296] 2268] .2236] 2206|.2177| 2148 ‘ Sost | 3078 || 2119) 2000] 20612033] 2005] 1977| 1949) 1922) 1604| 1067 oe | |o.9| 4aei| 1814] 1789) 1762) 4736 |.1714 | 1085| 1660). 1695) 1614 0 3554 | 7.0] .1887]. 1562]. 1539|.1515|.1492| 1460) 1446] 1423] 1401 1379 1 3770 | 3790 4.4] .1367].1335) 1314] 1292| 1271] 1251] .1230|.1210) 1190] 17701 | 12 902 | 3980 4.2|-1181].1191 1112] 1083| 1075] 1056) 1036) 1020|_1003] 0986| 3 4p) | Aue + 266) oes | 0002918) 0501 | oes | ose | 808 | nz | | 4.4|.0808 |.0783 | .0778| 0764 |.0749|.0735| 07221 0708) 0696| 0561 46 as 7) eee] ss] oer 0280] nets oats] Ose] Ose os oso a | ae 4.8|.0548} 0537 | 0526 | .0516| .0505] 0495] 0485) 0475) 0485] 0455) ese | aes 114.7 |.04d6| .0436| 0427] 0418] 0409] 0401 |.0392| 0384] .0375| 0267 a150 | 4756 48/0369) 0382] 0344] 0339] .0229| 0322].0314) 0207|.030%| 0294 aaa come 4.9 .0287].0281 | 0274 | 0268 |.0262| 0256 | 0250| 0244|.0230| 0233] sae | 3850 20/028}. 0222] o217}.0212| 0207 0202] 0787) 0192] 0186] 0165] eel anes 2.1|.0178| 0174] .0170|.0168!.9162|.0188| .0184/.0150|:0146] 0143 05 | 4944 2.2|.0139) 0126] 0122) 0129] 0125| 01221 0119] 0116|.0173| 0110 HAL | 4932 2.3|.0107|.0104| .0102| .0099} 0096] .0094 | .0081 | ,0089| .0087| 0084! a8 | 949 2.4| 0082| 0080] .0078/ .0075| 0073|.0071|,00681 0068) 068 |o064| tial ae 2.5| 00620060] 0059] .0057| 0055/0054] .0052) 0057] 0048) .0048| ae |28|.0047| 0045] 004.0043]. 004.0049 003] 0088|.0027/ 0036 an |2:7) 0038| 0034] 0033] .002).003%| 0020] 0029) 0028) 0027026 : : se |288| 0028) 0925] 0024) 0923] 0023| 0022|.0021| 0021 |.0020| 0019 | eae 29.0019] 0018! 0017|.0017].0016|.0016].9015] 0015) c0r4| 0014] | | 4994 | 4995 [Bofoors | ‘306 | 996 hols Ba aor | oor | doer [Soon | Qoon | Goer door | door jas] 00.233 | + an 4.0} .000 031 7 lee |43) govomea 50 | 9997 oe$$ Scffgiftr—_— SEES + La teoria de la probabilidad tuvo sus comienzos a principios del siglo xvi como resultado de investigaciones sobre diversos juegos de azar. De entonces acé han contribuido a su perfeccionamiento muchos matematicos y cientificos célebres; pero a pesar de su larga y activa historia, solo se axiomatizé durante la tercera y cuar'a décadas de este siglo. + La importancia de la probabilidad ha crecido enormemente en los Uitimos anos, y hoy aparece, junto con su disciplina gemela, la estadistica, en casi todos los campos, como la fist Ca, la quimica, la biologia, la medicina, la psicologia, la sociolo- gia, la ciencia politica, la educacién, la economfa, los negocios, la investigacion operativa y todas las ramas de la ingenieria * Este libro comienza con un capitulo sobre conjuntos y sus operaciones y continia con uno sobre permutaciones y otras técnicas de contar. Viene luego un capitulo de espacios probabilisticos y otros de probabilidad condicional e independencia. El capitulo quinto, que es el principal, trata sobre variables y aleatorias, Allf definimos la esperenza, varianza, desviacién estandar, y probamos la desigualdad de Tehebycheo y la ley de los grandes niimeros. Sequimos con un capitulo aparte sobre las distribuciones binomial, normal y de Poisson. Aqui se da el teorema central del limite en el contexto de la aproximacién nor mal a la distribucién binomial. El séptimo y Ultimo capitulos offecen un desarrollo elemental completo de las cadenas de Markov con aplicaciones. ERNE ESIIINIEREnenneeeerreee ISBN 970-10-2179-7 McGraw-Hill Interamericana Editores, S.A. de CV. £27 A Subsidiary of The McGraw F4ill Companies

Probabilidad de Seymour

Cargado por

Información del documento

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

Probabilidad de Seymour

Cargado por

Copyright:

Formatos disponibles

También podría gustarte