Está en la página 1de 207

PROBLEMAS DE PROBABILIDADES Y ESTADisTICA

VOL. 1: PROBABILIDADES CARLES M. CUADRAS

UEII!I'!~IIIII
,-

; I

rr----o---=-

UNIVEASIDADE DA COAUNA ~ Servtelode Blbhotecas

PPU

FROBLEMAS DE PROBABILIDADES y ESTADfSTICA


Vol. 1 PROBABILIDArmS

Coleccion Estadistica y Anolisis de Datos

3
Dirigida por Carles M. Cuadras -

PROBLEMAS DE PROBABILIDADES

Y
ESTADISTICA
Vol. 1 PROBABILIDADES

LCT-9

PPU Barcelona, 1990

Colecci6n:

LCT-9
(Letras, Ciencias, Tecnica) Estadfstica y Analisis de Datos Carles M. Cuadras

Serie: Dirigida por:

A Marta, Guillem i Daniel

")

Primera edici6n,

1990

Quedan rigurosamente prohibidas, sin la autorizaci6n escrita de los titulares del "Copyright", bajo las sanciones establecidas en las leyes, la reproducci6n parcial 0 total de esta obra por cualquier medio 0 proc=dirniento, comprendidos la reprograffa y el tratamiento informatico, y la distribuci6n de ejem pia res de ella mediante alquiler 0 prestamo publicos. © C.M. Cuadras PPU,S.A. Promociones y Publicaciones Marques de Campo Sagrado, Tfno. (93) 442-03-91 C. Riu Espart (YoU) (Obra completa)

Universitarias, S.A. 16.08015 Barcelona Fax. (93) 442-14-01

Dbeiio cubierta: I.S.B.N.:

84-7665-740·4 84-7665-742-0 D.L: B-38.425·90 Imprime: Limpergraf,

S.A. Calle del RIo, 17. Nave 3. Ripollet (Barcelona)

- ER6r:OGO A LA l~EDIEI6N -

Esta obra es un libro de PROBLEMAS y por tanto destina- J) a resolver y propcner problemas de probabilidaIes y estadfstica, Los problemas .\~ naturaleza teorica se alterrnn con los aplicados. Se ha procurado presentarlos en orden de dificultad creciente .". J extension de la obra ha obligado a dividirla en dos volumenes: el primero dedicado a problemas de PROBABILIDADES yel segundo a problemas de INFERENCIA ESTADfSTICA. La actual edici6n es una mejora de las anteriores en cuanto a presentacion y ampliaci6n de algunas partes. A fin de facilitar el manejo, se incIuye ~Tl cada capitulo un amplio resumen de la teorfa. Para ampliarla, el lector debera consul tar libros adecuados, pudiendo orientarse en la bibliograffa al final de cada volumen. La obra es adecuada para estudiantes de primer ciclo de carreras universitarias (Biologfa, Matematicas, Ffsica, Qufrnica, Geologia, Ingenierfa, Arquitectura, Informatica, Economia, Veterinaria, Psicologfa, Pedagogfa y Medicina). Los apartados de mayor diflcultad te6rica y los problemas mas complicados se indican con un asterisco. Mi mas sincero agradecimiento a todos aquellos que me han hecho comentarios, sugerido cambios y correciones, haciendo posible la version actual. En especial debo mencionar a J. Fortiana, P. Sanchez, G. Alonso, J.M. Oller, F. Carmona, J. Ocana, C. Ruiz-Rivas, M. Rios, R. Velez y J.M. Font. Barcelona, Octubre 1990

C.M. CUADRAS

INDICE
Vol. I : Probabilidades

PR6LOGO

1. ALGEBRA DE SUCESOS Y PROBABILITlAD


Experiencias, suces )~y algebras Definici6n de probatnlidet, . . . Propiedades de 1a probabilidad Observaciones Algebras fmitas . . . . . . . . . Sigma-Algebras Problemas resueltos Enunciados . . • . . . . . . . . . . . . . . . . . .. ..................... ..................... ..................... 17 18 18 19 19 20 21 30

2. DEPENDENCIA E INDEPENDENCIA ESTOcAsTICA


F6rmula de 1a probabilidad condicioaada . . . . . . . . . . . . . . .. Propiedades . • . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. Producto cartesiano de espacios de probabilidad Problemas resueltos Enunciados . • . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 34 35 36 50

3. TEOREMA DE LAS PROBA!HLIDADES TOT ALES Y TEOREMA DE BAYES


Teorema de las probabilidades totales . . . . . . . . . . . . . . . . .. Teorema de Bayes Problemas resueltos ~. . . . . . . . . . . . . . . . . . ~_,Enunciados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 54 54 55 66

4. VARIABLES ALEATORIAS Y FUNCIONES DE DISTRmUCI6N


Definici6n de variable aleatoria ......:.............. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 69
11

Funci6n de distribuci6n de probabilidad de una variable hleatoria Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Variables aleatorias discretas . Variables aleatorias absolutamente continuas . Probabilidad en un punto y en un intervalo . Variables aleatorias en algebras flnitas . Forma general de una funci6n de distribucion . . . . . . . . . . . . . .

JO

70 71
71 72

Proolemas resueltos
Enunciados

73 73
75 85

. . . . . . . . . . . . . . .,

5. DISTRffiUCIONES BIVARIANTES Y MULTIV ARIANTES


87 Distribuciones bivariantes . 88 Propiedades de l:t iunci6n de distribuci6n bivariante . 88 Distribuciones bivariantes discretas .. 89 Distribuciones bivariartes absolutamente continuas . 90 Distribuciones margimles .. 90 Independencia estocastica . 91 Distribuciones condicionadas . 92 Distribuciones multivariantes . Cambio de variables ..............•............ 93 ") 94 Problemas resueltos . Enunciados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
____ !" (6"\ ESPERANZA Y VARIANZA DE UNA VARIABLE ALEATORIA

Distribuci6n hipergeometrica Distribuci6n geornetrica 0 de Pascal . . . Distribuci6n binomial negativa .. Distribuci6n uniforme Distribuci6n de Cauchy Distribuci6n exponencial negativa . . . . _Distribuc:6n gamma Distribuci6n beta . . ~ ;-. . . . . . . .. Distribucion de Laplace Distribuci6n de Pareto Distribuciones utilizadas en fiabilidad . . Problemas resueltos .

.. 139 ................ 140 . . . . . . . . . . . . . . .. 140 141 . 142 . 143 . . . . . . . . . . . . . . .. . -144 145 . . .... ... .. ... .. 140 . 147 . ................ 148

151
165

Enunciados

8. DISTRffiUCION DE POISSON
Definici6n Propiedades . . . . . . . . . . . . . . . . . . Aproximaci6n de la distribuci6n binomial por Relaci6n con la distribuci6n gamma . . . . . Distribuciones de Poisson compuestas . . . . lndice de agregaci6n . . . . . • . . . . . . . Problemas resueltos Enunciados . . . . . . . . . . . . . . . . . . ........ 1a distribuci6n ........ ........ ........ . ...... de Poisson ...... . . . . .. ...... . .............. 167 168 168

169
169

170
172

184

9. DISTRffiUCION NORMAL
Definicion

Definicion de esperanza Significado de la esperanza Propiedades de 1a esperanza . . . . . Definici6n de varianza . . . . . . . . Propiedades de 1a varianza . . . . . . Teorema de Tchebychev . . . . . . . Definici6n general de esperanza . . . Otras medidas de posici6n y dispersi6n Problemas resueltos Enunciados ..............

. . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

.. .. .. .. ..

117 118
119

119 120 120


1:'0

Propiedades . . . . . . . . La normal reducida . . . . Teorema central del limite Aproximaciones de algunas Distribuci6n Log-normal . Problemas resueltos . Enunciados . . . . . . . .

........ ........ ........ distribuciones ........ ........ ........

. . . a . . .

........ ........ . . . . .. . . la distribuci6n ........ ........ ........

.... .... .... normal .... .... ....

. .. . .. . .. .. . .. . .. . ..

187 187
188

189 190 192


194

207

121 123
133

................

10. MOMENTOS Y FUNCION CARACTERIsTICA ,


Momentos Observaciones Funci6n caracteristica Propiedades de la funcion caracteristica . . . . . . . . . . . . . . . .. Funciones caracteristicas de las principales distribuciones Distribuci6n de una variable a partir de su funcion caracteristica . . .. Momentos y funciones caracteristicas bivariantes . . . . . . . . . . ..

211
211

7. DISTRffiUCION BINOMIAL Y OTRAS DISTRffiUCIONES CLAsICAS


Distribuci6n de Bernoulli Distribuci6n binomial Distribuci6n multinomial 137 137 138

212
213 214 215

215
13

12

Problemas resueltos ., Enunciados . . . . . . .

211 230

11. REGRESION

Y CORRELACION
. . . . . . . . . . . .

EN DOS VARIABLES
. . . . .. '-' .. .. .. .. .. :. . . . . . . . . . . . . .. .. . -; .. . . . ., .. '.' .. 233 234 ~ 236 237 237 .. 238 ., 238 240 . 241 , 242 244 ., 263

I
! !
I

Covarianza ., . . . . . . . . . . . . Regresi6n lineal entre dos variables . ~ ~ Propiedades de las rectas-de regresi6n Coeficiente de correlaci6n . . . . . . Propiedades de la correlaci6n Varianza residual . . . . . . . . . . . Regresi6n entre variables a!eatorias . Curva de regresi6n de la media Estimaci6n de la razon de correlaci6n Regresi6n no lineal Problemas resueltos Enunciados . . . . . . . . . . . . . .

Ley de los gran des rnimcros ..... . Convergencia en Ley . . . . . . . . . . Convergencia casi segura ..:............. Ley fuerte de los grandes rnirneros . . . Convergencia en media de orden r . . . Relaci6n entre los tipos de convergencia Problemas resueltos Enunciados .. ~-

................. ................. ~. . . . . . .
.................

................. . . -;-;.

318 320 321 322 323 323 325 336

................ ................ ................ ................

15. CADENAS DE MARKOV


Introduccion Cadenas de Markov finitas . Cadenas homogeneas Matrices estocasticas . . . . Propiedades erg6dicas Estados absorbentes Clasificaci6n de los estados Cadenas con infinitos estados Problemas resueltos Enunciados . . . . . . . . . . .•................. . ............,.......... ...................... . .................., . . .... ............... 339 339 341 342 344 346 347 348 351 371 373 385 397 399 401 403

f,

12. REGRESION

Y CORRELACION
. . . .

EN M VARIABLES
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267 . 268 . . . . ') 269 . . ., 269 . . ., 270 272 , 284

Regresi6n lineal multiple Correlaci6n multiple . . . . . . . . . . . Correlaci6n parcial . . . . . . . . . . . . Matriz de covarianzas entre m variables . Matriz de correlaciones entre m variables Problemas resueltos Enunciados

SOLUCIONES PROBLEMAS DE RECAPlTULACI6N CUADRO RESUMEN CON LAS PRINCIPALE~ DISlRIBUCIONES DE PROBABILIDAD . . . . . . . . . . . . . . . . . . . . . . . . . . RELACIONES ENlRE LAS PRINCIP ALES DIS1RIBUCIONES DE PROBABILIDAD . . . . . . . . . . . . . . . . . . . . . . . . . . BIBLIOGRAFIA. ............................ . . . . . . . . . . . . . . . . . . . . . . . . .. TABLAS EST ADfSTICAS

13. DISTRIBUCIONES

RELACIONADAS

CON LA NORMAL
287 289 291 292 295 297 311

Distribuci6n normal bivariante Distribucionji-cuadrado ........ Distribuci6n t de Student . . . . . . . . Distribuci6n F de Fisher-Snedecor Distribuci6n normal multivariante . . . Problemas resueltos Enunciados . . . . . . . . . . . . . . .

............... . . . . . . . . . . . . . . . .. , . . . . . . . . . . . . . . . .. ..............

14. CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIAS


Sucesiones de variables aleatorias . . . . . . . . . . . . . . . . . . Convergencia en probabilidad . . . . . . . . . . . . . . . . . . . . Teorema de Bernoulli Teorema de Poisson 14 315 315 316 317 15

SUMARIO Volumen 2: Inferencia Estadfstica

1. MUESTREO 2. 3. 4. 5 6. 7. 8. 9. ESTIMACION PUN'IUAL METOD OS DE ESTIMACI6N CONTRASTE DE HIPOTESIS INTERVALOSDECOI~NZA ANALISIS E3TAJJISTICO NORMAL ANALISIS ESTADISTICO EN REGRESI6N LA PRUEBA DE n-CUADRADO PRUEBAS DE BONDAD DEL AmSTE A UNA DISTRIBUCI6N
EXPERIENCIAS, SUCESOS y ALGEBRAS

ALGEBRA DE SUCESOS Y PROBABILIDAD

10. ANALISIS DE LA VARIANZA 11. ANALISIS DE LA VARIANZA (AMPLIACI6N) 12. COMPARACIONES MULTIPLES Y ANALISIS DE LA COVARIANZA 13. ESTADISTICA NO PARAMETRICA 14. ESTADISTICA NOPARAMETRICA SOLUCIONES PROBLEMAS DE RECAPITULACI6N BIBLIOGRAFIA TABLAS EST ADISTICAS (AMPLIACI6N)

Sea n un conjunto no vacio. Una experiencia E consiste en obtencr, per algun procedimiento que la caracteriza, un elemento w de n. Diremos que w es un suceso elemental (0 caso posible) y es el resultado de la expericncia E. Sea A un subconjunto de n. Diremos que A es un suceso ligado a la experiencia E si obtenido w podemos afirmar que w E: A (A se ha presentado) 0 bien w ¢:. A (A no se ha presentado). Un suceso es un subconjunto observable 0 distinguible ~~jo la experiencia E. Una colecci6n bra si verifica: 1) 2)

a de

subconjuntos AC E: a.

de

diremos

que es un alge-

Si A E: a entonces

Si A, BE: a entonces

A U B Ea.

La colecci6n de sucesos observables bajo una experiencia E, inc1uyendo el conjunto (2), tiene estructura de algebra. A los elernen16
17

tos ':ie ales llamaremos tambien sucesos. AC es el suceso contrario de A. A U B es el suce_so reunion y 0 es el suceso imposible., Consecuencias 4) 5)de la definicion de algebra son: .

OBSERVACIONES 1) 2) Un suceso elemental puede no ser suceso probabilizable. un algebra

n Ea.

.si A.

a.entonces.

n B-E a,

Solamente los s_ucesos pertenecientes finida una probab1lidad.

_'J

a tienen de- _

es decir, n es tambien un suceso al que llamaremos suceso seguro, A n B es otro suceso, Hamada suceso interseccion, Indicaremos tambien el suceso contrario por A y el suceso interseccion por A·B.

3)

Partiendo de un mismo conjunto 0 poblacion n se pueden definir difercntes experiencias E. Cada experiencia E tiene asociada un algebra a (el algebra de los sucesos obs.srvables). Sobre una misma algebra a pueden construirse distintas probabilidades, P, p', P" etc. Siempre que deseemos encontrar la probabilidad de un suceso es necesario especificar n ya. El buen manejo de las propiedades anteriores nos facilitara el calculo de las probabilidades de los sucesos de a.

DEFINICION

DE PROBJ..mUDAD P sobre un algebra


P:a~[O,

Una probabilidad

a es
1]

una aplicacion

4)

verificando:
1)

pen) = 1. Si A y B son conjuntos disjuntos de zz Isucesos excluyentes), entonces, indicando A U B = A+B, P(A+B) mutuamente se tiene:

2)

ALGEBRAS FINITAS Un suceso A de un algebra. veri fica B


E

distinto

de 0 y de .0., es un atomo si

= peA)

+ PCB)

A la terna (n,a, P) se le llama espacio de probabilidades.

aBc

pero

r"

A => B

(2)

PROPIEDADES 1) 2) 3) 4)

DE LA PROBABILIDAD

P(O) 0 Si A ~ B entonces P(AC) 1 - peA)

Los atornos de un algebra, si los hay, son siempre sucesos mutuamente excluyentes. Un algebra, distinta del algebra trivial {0,n}, con un numero finito de sucesos contiene al menos un atomo, verificandose: TEOREMA: Sean A" ... , Am los atomos tonces: de un algebra fin ita

peA) ~ PCB)

a.

En-

peA U B)

peA) + PCB) - peA

B) excluyentes.

1)

Todo suceso A

a es reunion

de uno

varios atomos,

siendo A y B sucesos 18

no necesariamente

19

2)

La probabilidad de un suceso es la suma de las probabilidades de los atornos que _contiene,

PROBLEMAS

RiJSUELTOS

1.1 Sea n el conjunto de casos posibles que resultan de la tirada de un dado, Decir c'uales de las siguientes clases de conjuntos son dlgebras : * -SIGMA ALGEBRAS Una coleccion a de subconjuntos fica: 1) 2) Si A
E

de

n es una c-algebra si veri-

entonces AC

a_
de conjuntos de

a1= {(1, n} 2) a2 = {(2), {I, 3, 5}, {2,4, 6}, n} = {e>, I, 3) a3 = P(n), conjunto de las partes de n. 4) a, = {(2), {1}, {3, 5} {2, 4, 6}, O}
1)

P, n}

Si AI, "" An, .. , es una coleccion numerable aentonces

Solucion
1)

Si 10 es, porque el ¢ pertenece a a, asi como su cor.iplementario 0 y la reunion ¢ U n n.

3) 4)

(2) Ea. Consecuencias

2) de la definicion de c-algebra son: 3) de 4)

Tarnbien, porque ¢ E a2 ¢c = y I U P = n E a2 etc. Tambien ya que cualquier sera cerrada. No 10 es, puesto que {I}C

n Ea2

¢U

n = n Ea2
de P(O)

n Ea_
Si AI, .. " An, .. , es una coleccion numerable de conjuntos entonces

operacion

entre conjuntos

5)

= {2, 3,4,5,

6}

~a4"

Una probabilidad P sobre una c-algebra aplicacion: P .a-« [0,1] tal que:
J) P(H)=l

a se

define como una


1.2 Consideremos la experiencia «lanzar uri' dado ordinario». Indiquem os .n = {I, 2, 3, 4, 5, 6} el conjunto de casos posibles (caras del d~do).Construir el algebra asociada a la experiencia en los casos:

2)

Si AI, .. " An, , .. es una coleccion numerable mente excluyentes dos a dos, entonces

de sucesos mutua-

1)

~
P ( \dAi)

'2
i=l

de ,que las. ca1~ pares sean pintadas d~·(bla.Y1:fg y!as. caras impares de negro, ocultandoiel numero delaqara, sift ninguna r;Janipulaci6nsobre las caras del dado.

",...

P(Ai)

2)

Solucion
En.el primeI'clls(), dado que solo se puedeciistinguir:erttre (=> par) 0 negro (=;=»mpar), elalgebra asociada es, blanco'

20

21

a= {0, P, I, n}
.'.:.',". <

1) Corresponde PCA U B) 12

al suceso A U B: B) =

. 'suceso elemental no es un suceso. Por ejernplo,' si se presenta el resuIta.do {I} s616 podemos afirmar que se ha presentado el suceso .••.• porqueelresultado I (impar), que observaremos es que la cara obtenida es negra. Esto significa que el suceso elemental {I} no es un .suceso y portanto carece de probabilidad, Los unicos sucesos probabilizables son los sucesos dea, cuyasprobabilidades son:
'.

= PCA) + PCB) -= PCA n


12 3 7 16 48 48

'=-+----=-.48 p~rque hay


2)

rz f:iguras,-12 copas y J figuras-que son copas.

:.::'_,_,-:-

.. :"

P(0)

==

0,

. PCP) = 1/2

P(I) = 1/2

pen) = 1.

Es el suceso A Entonces:

n C (indicando
PCA -

por eel 9 3

complementario

de C).

En el segundo caso es posible distinguir entre cada una de las caras del dado. Lusgo los sucesos elementales {1}, ... , {6} son tambien sucesos, cada uno de ellos de probabilidad 1/6 'el algebra asociada es

n C) =48 =

16

a= pen)
Todo subconjunto de

(partes

de n).
1.4 En una ciudad se publican tres periodicos A, B Y C. El 30 % de la poblacion lee A, el 20 % lee B y el 15 % lee C, el12 % lee A ~ B, el 9 % A Y C Y el 6 % B Y C; [inalmente el 3 % lee A, B Y C. Se pide : 1)

n es suceso y tiene definida una probabilidad.

1.3 Se ext rae una carta de una baraja espanola pide: 1) 2) Probabilidad Probabilidad

de 48 cartas. Se

de que sea [igura 0 copa. .' de que sea figura, pero. no espada.

2) 3) 4)

Porcentaje riodicos. Porcentaje

de personas

que leenal

menos uno de lostres

pe-

Solucion. es: baraja}

Solucion

siendo:

22

23

~~d':ftW;i!ffl7Y;~~:9'~;:r ' ' "-"?,':','::,'}:-.-_':,,':"'.-.'. c:~·:~')"_,_-_-o-.,>,

:Uividiendo los porcentajes des de los diferentessucesos.

par cien, tendremos

las probabilidainme-

4)

Corresponde

al suceso A U (B 11 e), contrario del anterior peA U (B . e))

1 - 0,11

= 0,89

1) iCorresponde al.suceso A . U B U C. Por generalizaci6n diata de la probabilidad de la reunion de dos sucesos:


(*) :peA U. BU

el 89 %. Nota:-En este problema, "un suceso elemental no es un-suceso (no


tiene sentido determinar can los datos que tenemos, el porcentaje a probabilidad.correspondiente a un 'ciudadano determinado). Tampoco es un suceso cualquier subconjunto de n, tal como «el conjunto de ciudadanos que poseen automovil», porque no puede expresarse en funci6n de los anteriores. -

c)==

P(A)

+ PCB) + P(C)
n
C)

- PCB ,,; 0,3

-=- peA

B) - peA C) =

n_ C) -

peA

B-

+ 0,2 + 0,15

- 0,12 - 0,09 - 0,06

+ 0,D3 =

= 0,41 el41 %.
2) Corresponde al suceso A

nC

Se verifica segun (*) 1.5 Sea un dado tal que la probabilidad de las distintas caras es proporcional al numero de puntos inscritos en ellas, Hallar la probabilidad de obtener con este dado un numero par.

A UB UC (A n 13 n C) U B U C, de donde peA U B U C)== P «A n B n C) U B U C) == = peA n B - P(Q» -

=
n

C)

+ n

PCB)

+ P(C)

pee»~ -

Soluci6n'
n=: {I, 2,3,4,5, elemental i 6} Y el algebra
~'l

es

a == pen)
es:

Cadasuc~~o

es un suceso y

probabilidad

P(i)::::).'·
- PCB) - P(C) .+P(B

i = 1, 2, ... , ).

n C)=
Pero,

= constantede

proporcionalidad.

n (B

U C) A . (B U C) (A . (B U C», peA U B U C) A (B U C) son mutuamente ex-

2
6

x.

i == 1 => )"·21

= 1 =>),,=;1

salga par})

= P({2,4,6}) =

z r/tt<f6--2(;(JU6'

- 0,3 = 0,11

+ 21

terminos de espacio de probabilidad, df probabilidad Soluci6n

< ',:': "

','" ',,','

','"

,','<,,,'

Si prepara n temas, por un razonamiento casos favorables es: . C(n) Como

analogo,

el numero de

n.Ode casos favorables n.Ode casos posibles

n(14-

n)

(;J=

n(14 - n)

+
solucion,

cJr;}

a~

pen) un suceso. Si to-

es n =4.

Cada Wj representa un caso posible que es ademas, dos los Wj son igualmente probables:
D

~P(Wj)
j=1

= 1 ~ n· P(Wj) = 1 ~ P(Wj) =

+'
k

Vj.

Si A es un suceso que CODs.;ade k sucesos elementales, peA)

1.8 Se elige un numero al azar dell al 6000, todos i [ualmente probabIes. Hallar la probabt 'dad de que sea multiple Le 2 Ii de 3, (J de 4, 0 de 5.

=2: pewit> =
j=1

Soluci6n

n esta formado por los numeros mimero, indiquemos los sucesos:


A = {que saIga par}

del 1 al 9000. AI extraer

un

Un examend~revdlida de Licenciatura consta del4 temas. Se debe escogerunte1:;~ dedos elegidos al azar. Calcular.la probabilidad de que un' iit¥:.ni11p qu~ha preparado 5 temas, Ie toque al1rlenos uno que sabe'iCUQ.I.tff"el~umero minima de temasque debe preparar para que tenga.u,!-a probabilidad superior a 1/2 de superar el examen? 'i,
1.7

. '. . .

B = {que salga :"muitipIo .de 3} . C ~ {que salgamultiplo de 4 L .•...': D ={ que salga: multiplo-: de' 5 }.... del s~ces~·:Q·':~Y·~UD.

.
:~ero todo

Nos PideI/la~rbi;~bilidad

multiple de 4 10 es "tambien de 2, luego Cc A; de donde:


AUB

U C UD=A

IJBUpi.
B) - peA . D) -

Soluci6n
de elegir dos temas otra parte, hay 5 sabe, y (~) bIes). La
Ul(lUl~.l<'"

Se verifica: C casos posibles). Por D)= P(A)

de elegir uno que sabe y uno que no

+ PCB) + PCD) - peA PCB· D) + peA . B ·D)


1
_ .2.000' _ PCB) -----. 6.000

_!_

= P( {multiple
. D) ,D) = P({multiplo

de

1.000 1 6}) = 6.000 = -6-

1.10 Sea n el conjunto de casas posibles que resultan de un dado ordinaria. Consideremos los sucesos: ~

de la tirada

de !O})

600 6.000 400

= 10

P={2,4,6}

M={4,S,6} par los sucesos P y My sus

= P({multiplo de IS}) ~ . 6.000 - ~ 15 -. . ~ 200 1 P(A· B ·D) =P({multiplo de 30}) 6.000 = ~

= --=

=-

Hallar los dtomos del algebra generada respectivas probabilidades. Solucion

La respuesta es:

1 1 1 1 1 _._.1 +-+------_._+-=2 3 5 6 10 15

1 30

11
15

EI algebra generada por los sucesos P y M estara form ada por todas las posibles reuniones, intersecciones y complementaciones de tales sucesos. Los sucesos mas «pequefios» que poc.emos construir son: pnM={4,6} pnM={2} pnM={5} y constituyen pn·~={1,3} los atomos del al-

que son mutuamente excluyentes gebra. Sus propabilidades son: 1.9· Un algebraJinita/fpqsee ires dtomos A, B. Y C de probabilidades 1/2, 1/3 y.1 /6 respectivamente. Determinar cada uno d~ los sucesos de a y calcular sus' probabilidades.
,;,:..;:

pcp n M) = 1/3 PcP n

M) = 1/6

PcP Q.M) = 1/6 PcP n M) = 1/3

Solttci6n

.Cadasuceso·.~eralgekt~a, por ser finita, estara formado por fa reJnion,de un&ovanosatomos. Por 10 tanto, los sucesos seran:

0,A.,ll,b.A ~.
;;:

U~.A U C. B U C, A U B U C = n
son:

Las probabilidades P(0) 0 rcA) =1/2 PCB) == 1/3 P(C) 1/6 peA UB)= peA U C)= PCB U C) pen) 1

respectivas

.(. ... P(j,\)+P(B)= 1/2 1/f+ 1/6=2/3 .,1/3+ 1/6 1/2

+ 1/3

= 5/6

28

29

ENUNCIADOS

~
A nBc = {mejoran AC n B = {mejoran A n B = {mejoran mas con A} mas con B} igual con A y B}

Porcentaje observado

1.1 I) 2)

Se lanzan Describir Expresar

dos monedas el espacio

y un dado.

Se pide:

.J

48 %
9% calcular la probabilidad con B} y A'~ B. de

30%

de sucesos

element ales

apropiado.

explicitamente

I~s siguientes y un numero par}

sucesos:

Teniendo en cuenta los porcentajes observados, los .sucesos It ~ {mejoran con A}. B =+mejoraa

A = {salen dos caras B = {sale un dos} C = {sale exactamente 3) Expresar explicitamente ocurre, B 0 C oeurren. 1.2 Sean A y B sueesos Halbl: peA n B). P(A n 1.3 Probar que. para

una cara y un numero los siguientes

primo

(incluyendo

el I)} s610 B

1.10 En un combate entre dos boxeadores A y B. las apuestas estan en la proporei6n de 4 contra 5 a favor de B. Segun la estimaei6n de los apostadores. (eual es la probabilidad de que gane el boxeador B? 1.11 Dicz personas se ordenan aleatoriamente, siendo todas las ordenaeiones igualmente probables. Hallar la probabilidad de que dos personas dadas estell cr r.tiguas si las 10 personas se ordenan: a) en una hilera, b) en un circu'c , 1.12 Sea N = {D. I. 2•.... n .... } el eonjuntu de deremc 3 la e-algebra a = Pt N) y la probabilidad
")S

sueesos:

A y B ocurren,

B)

tales que peA) = 1/2. peA U B) peA U B) y PCB n A). cualesquiera A. B y C cs:

3/4.

PCB)

5/8.

numeros

naturales.

Consi-

sueesos

peA U B U C) = peA) + PCB) + P(C) - peA n B) - peA n C) - PCB n C) + peA n B n e). 1.4 Entre 10 ehieas de una clasc, hay tres que tienen los ojos eligen dos ehieas al azar, (eual es la probabilidad de que: 1) 2)
3)

P(i )
Calcular Si se 1.13 la probabilidad

=
P

(1/2);+1

i = O. 1.2 •...

n•...

del sueeso

azules.

{D. 2, 4, 6•...•

2n •... }

Ambas tengan los ojos azules Ninguna tenga los ojos azules AI men os una tenga los ojos azules?

Tres sucesos

A. B. C verifiean

1.5 Un dado esta trucado de forma que los numeros pares tienen la misma .probabilidad de salir, los numeros impares tienen la misma probabilidad de salir y cada numero par tiene probabilidad doble de salir que la del numero impar. Hallar la probabilidad de que: I) 2) 3) 4) 1.6 Salga Salga Salga Salga un un un un

P(A) = PCB) = P(C) = 1/3 peA n B) = PCB n C) = peA peA n B n C) = 1/27 Calcular: 1) 2) 1.14 Probabilidad Probabilidad Dados de que oeurra de que ocurra

e) = 1/9

numero par.
numero numero primo. impar. mirnero primo impar. que el nurnero de sucesos de un algebra finita que posee k

exactamente uno de los tres sucesos. al menos uno de los tres sueesos. la siguiente desigualdad

dos sueesos peA

A y B probar

13 ) ;;;, I -

peA) - PCB).

Demostrar

atornos es 2'.
1.7 Hallense los atom os del algebra problema resuelto 1.4. generada por los sueesos A. B, C, del

1.8 A un congreso asisten 100 personas. 60 hablan ingles, 30 hablan frances, y los 10 restantes ambos idiomas. Calcular la probabilidad de que se entiendan dos congresistas elegidos al azar. 1.9 Se desean estudiar dos asociaciones A y B de fenibultazona sobre una poblaci6n n de enfermos de osteoartritis. Despues de suministrar A y B, se consideran los sueesos:

30

31

DEPENDENCIA E INDEPENDENCIA ESTOcAsTICA

FORMULA DE LA PROBABILIDAD

CONDICIONADA

Sea B un suceso de probabilidad PCB) ~ 0, y A otro suceso de probabilidad PCA). La probabilidad de A puede resultar modificada si se sabe que se ha presentado el suceso B. Esta nueva probabilidad PCA/B), se llama probabilidad de A condicionada al suceso B, y se define por: PCA n B) PCB)

PCA/B)

(1)

Pueden 1.0

suceder

dos casos:

PCA/B) ~ PCA). Entonces la presencia de B altera la probabilidad que tenia A, y se dice que A y B son sucesos dependientes. Si PCA/B) Si PCA/B)

> PCA), la presencia


so A.

del suceso

B favorece

al suce-

< PCA), la presencia del suceso B desfavorece al suceso A.


33

,
!

2.°

manera de introducir la independencia .

P(A/B).;: peA). Entonces el heeho de que haya ocurrido B no influye en la probabilidad que tenia A, y se dice que A y B son , independientes. De la (1) despejando peA n -B), deducimos otra

4)

En el caso de la interseccion peA

de tres sueesos se verifica P(B/A)· P(CjA

C)

= P(A)·

B)

DEFINICION: Diremos que dos sucesos A y B son estocasticamente jndep."!ndientes si: peA En caso contrario, verifiea:

PRODuc:ro

CARTESI~O

DE -ESPACIOS DE PR03ABILIDAD

B)

= peA) . P(l3)
y entonees se

diremos peA

que son dependientes, B)

= PCB) . P(A/B)

Sean EI Y E2 experiencias asociadas a los espacios de probabilidades (nl,a" PI) y (n2,a2, P2) respeetivamente. La realizaci6n de EI seguida de E2, en condiciones independientes. significa realizar la exper.encia conjunta E, X E2 que tiene como espacio de probe ')iIidades asociado el espacio producto (nl X n2, al0az, PI X f 2), -iendo: 1)
I),

La independencia estocastica se extiende a ires sucesos del modo siguiente: se dice que A, B y C son independientes si peA n B) = peA) . PCB), peA
2)

X nz es el espacio fundamental de sucesos elementales 0 conjunto de pares ordenados (WI, wz), donde WIes el resultado de EI y W2es el resultado de E2

n C) = peA) . P(C), PCB n C) = PCB) . P(C), peA n B n C) = peA) . PCB) . P(C)

al 0 az es el Ham ado producto exterior de las algebras 0.1 Y az es decir, el algebra generada mediante reuniones, intersecciones y complementaciones de conjuntos de la forma AI X A2, siendo AI E 0.1 Az E 0.2
P = PI X P2 es la probabilidad fine primero en los conjuntos definida en a. ® a2 que se dede la forma ft,.1 X Az poniendo

3)

PROPIEDADES 1) 2) Si A y B son independientes, Las probabilidades mentarias: tambien 10 son A y B, A y B, A y B. P(A/B) y P(A/B) son compley a continuacion se extiende a los demas sucesos de 0.1 ®
0.1.
\

condicionadas

P(A/B) 3)

+ P(A/B)

=1 de dos sucesos de probabi-

La probabilidad de la interseccion lidad no nula es peA

Dada una experiencia E asociada a un espacio de probabilidades (n, a, P) analogamente se construye el espacio (n°, (1810.)°),PO) asociado a la repeticion de E n veces en condiciones independientes. Los elementos de nn son de la forma (WI, ... , wn) y se dice que nn es el espacio muestral en muestras de extension n.

n B)

= peA) . P(B/A) = PCB) . P(A/B)


compuestas.
35

Es la Hamada formula de las probabilidades 34

PROBLEMAS

RESUELTOS

Son sucesos dependientes.cademas; que salga una figura, rece la probabilidadde que salga un rey, pues:

2.1 Se extrae una carta de una baraja espanola de 48 cartas. Comprobar cudles de los siguientes pares de sucesos son independientest , ' 1) 3) A = {rey} A= {rey} B = {espadas} B- =~ {espaaas}

l'
3",

>,-"
"

I'

12 " ".'

;::;P(A)

:,'

'

2)- A ={tiguras}

= {figuras}

Solucion
1)

2.2 Enun.~~egode,1a1osl hemos apostado por el ,,2».,Se tira dado, y an{es'de;'yer-elresultadoinos dicen que ha salido par. Hallar la p/obabilidadde ganar: =

peA) 4/48 == 1/12 P(A/B) = P({sacar rey, sabiendo

= P({ rey

de espadas l) -s:

que es espada}) 1

Solucion . LI suceso que salga ,,2» esta condicionado par»,luego:


P({2}/{par}) al suceso «ha salido

12

Luego A y B son independientes, peA) Significado:

puesto

que: P({2}

1 = P(A/B) = 1z

= ___;_~--=-}__:_:- = P({pax: )

n {par})

1/2

1/6

= -3-

1-

Si deseamos un rey y nos pasan una espada, esto no nos favorece la probabilidad de obtenerlo. de otra manera: PCB)

La probabilidad del suceso ,,2» pasa de 1/6 a 1/3.'al conocerse que ha salido resultadopar,

2)

Lo veremos

12 1 P(A)=-=-

48

= -4-

es decir, P(A 11B) = peA) . PCB), son por tanto independientes. 3) Lo veremos a) peA) de las dos maneras: 1 12 ,4 P(A./B) = 1 --u = -3peA) r6

2.3 En una reunion h{ly25 personas. fa probabilidad de que celebren su cumpleaiios el mismo dia del ana al dos personas.

= =

b)

peA)

12

PCB) peA

=4

peA

B)

= 48 == u4 1

n B)

r6

. PCB)

36

.Es evidente que P(l)

1, luego por induccion resulta: 365 . 364 .. , (365 - n) 365 .365 ... 365 es 1 - 0,43 = 0,57.

Soluciort EI juego puede cons tar de una racha de una, dos, tres, cuatro, etc., tiradas. Ganaremos en las siguientes rachas: Tirada
.i:

pen

+ 1) =

de donde P(25) = 0,43, y Ja respuesta

(3)

(1, 1)

.(1, 2,1)
(1. 2, 2, 1)

- 1/3 1/3 ·1/3 1/3 .1/3 . 1/3 1/3 . 1/3 . 1/3.·1/3. 1/3 . 1/3

Probabilidad

2.4 cCudndo puede ser un suceso independiente de si mismo? Solucion


Si h. <!sindependiente peA de SI mismo se verificara:

Resultados

(2, 2)
(2, 1, 2) (2, 1, 1, 2)

1/3 . 1/3 . 1/3

1/3 . 1/3 . 1/3 . 1/3

n A)

= peA)

. peA) :::} peA) = (P(A))2 :::} peA)

== 0

peA)

== 1

Un suceso es independiente de SI mismo si es de probabilidad 0 6 probabilidad 1. En particular, si es el suceso <p 0 el suceso segtli'o n (recordemos que un suceso puede tener probabilidad cero y no ser el suceso imposible; analogamente, puede ser de probabilidad uno y n,o ser el sucesoseguro). EI resultadoes logico: 1, aunque sepamos que

Teniendo en cuenta que cada tirada es independiente de la anterior, como las sucesivas rachas son excluyentes, la probabilidad de ganar sera la suma de probabilidades:

1 Y+-Y-+7'+'" 11 -3-+(1
1 ...• ' 1

) +3'2+)3+'" (1 1
1 2 3

)=

=--. '6 +--+-=3 6

EI suceso n se presenta con probabilidad «se ha presentado» n.

Notese que el suceso (1, 2, 2, ... , 2, ... ) (infinitas veces) es posible, de probabilidad nula y distintodel suceso <p. ~;l presencia .supondrfa la no finalizaci6n de la partida.

EI suceso <p no se presenta aunque sepamos que «no se ha presentado» el suceso imposible.

2.5 Un dado s610.tiene tres caras posibles: 1, 2 Y 3, igualmente probables. Realizamos el siguiente [uego : tiramos el dado, si sale 3 ganamos, si sale 1 0 2 continuamos tirando hasta repetir el resultado de La-primera tirada, en cuyo caso ganamos, 0 hasta obtener un 3 y entonces perdemos. Sepide'. la probabilidad de ganar. . !. .
38

2.6 Un parque natural estd dividido en dos partes A y B por un rio. Hay 10 ciervos en la parte. Ay otros 10 enla B. Un biologo realiza investigaciones sobre la conducta de un cierto ciervo X que estd en A. Por un descuido de los vigilantes 9 ciervos de A pasan a B. Estes 10advierten y devuelven 9 ciervos (escogidos. al azar] al territorio A. Injormado el biologo de tal contingencia, desea proseguir sus. investigaciones sobre X. i.En cudl de las dos partes A y B es preferible que empiece a buscar su ciervo?

Solucion
EI suceso A

= {el ciervo

X esta en A} es
,... ..-'--"

Ii =={no
'~.:((': >, .....".c ,
..':

/("--_/"---'--~--'-" ._ ......

II reunion .

/ \' -,
disjunta: CUD

"-''''1

,,,:.

1 blanco: Corresponde al suceso S (A U (X n B n C). Por ser excluyentes: peS) ==peA

n B n C) U (A n B n C)

.--.-~.:..._.-- -. ---,-."",","",:~.

pasa a B} U.{pasa a Byes


._~-~___.:_

devuelto
. __ ., __ ~__. __

a.A»=

/./'---..,--:.<

La'pr~babilidild dcj no pasa a B} es J/I0.~Si X ha pasado a B, la probabilidad de que X este-entre 9 ciervos elegidos alazar sobre 19, Luego;··~----------------~· . ... ......... , ..•.... ...•.
-", "c",,' .... ".

~- + (0,9)

n B n C) + peA n B n C) + peA n B n C) = ==(0,1) . (0,8) . (0,7) + (0,9) . (0,2) . (0,71 +


. (0;8) . (0,3J== v,126

e~!,?:t'l~.~ rooaouIlid... .... o. p \t:.. p au.

= 0,056

0,216 ==0,398

YO;; ~

\.iuo;;

.I"-

1-'BTaprrm.neF~
devuelto

.; ez,es v

9. I . I

peA)

= P(C)

1 a Aisi ha pasado a B).

* 2 blancos:
Tambien

Corresponde

+ P(D) == 10 + :?(sea
P(pase a B)

al suceso S (A U (A n B n C)
excl rventes,

n .B n C) U (A n B n C)

son mtituamente

luego:

199 = --10 + --' io

--

19

= 0,5263 = 0,4737.

r(s) = peA n B n E) + peA n B n C) + peA n B n C)

La probabilidad Respuesta:.

de que X este en B es 1 - 0,5263

+ (0,9) . (0,2) . (0,3) = = 0,014 + 0,024 + 0,054 = 0,092


peA . B· C) = peA) ·P(B}· p(e)

= (0,1) . (0,2) . (0,7)

+ (0,1)

. (0,8) . 0,3)

Es preferible

que empiece a bus car en A.

* 3 blancos: Corresponde al suceso: A ·.B . C

(0,1) . (0,2) . (0,3) = 0,006 al suceso A U BLJ es

* 2.7"Se hacen tres disparos simultdneos con tres canones distintos siendolaprobabilidad de alcanzar eZ objetivo 0,1, 0,2 Y 0,3 respectivamente. Calcular la probabilidad de cada uno de los nameros posibles de blancos. Calcular la probabilidad de obtener al menos un blanco. Solucion
Indiquemos por A, B y C respectivamente los sucesos: el primero, el segundo y el tercer canon, alcanzan el objetivo. Los tres son independientes.

Al menos un blanco: Corresponde contrario al suceso: «0 blancos»:

peA U B U C) = I - 0,504

= 0,496.

2.8 Estudiar la posible independencia de dos sucesos AyBen casas:

los

1.°) A Y Bson mutuamenteexcluyentes yde probabilidadnQ,'nf.lla. 2.°) A estd incluido en B y A es de probabilidad no nula. . 3.°) A es cualquier suceso y P( B) = O. Soluci6n
1.°) Tendremos

blancos: Corresponde illdeperid.ientes: Sf)

al suceso A

C. Puesto que son

J>(8fl

C) = P(A)· PCB) .

= (0,9)

. (0,8) . (0,7)

= 0,504

,
,
II

II
;

FiG. 2.1

FXG.2.3

Luego A y B son dependientes. Ademas, si se ha presentade :10 puede presentarse A, luego A depende de B. (Fig. 2.1). 2.°) Si A c B entonces Si peA n B) ~ PCB} 1 PCA) ~

A y B son siempre independientes.


Observacion: Para que dos sucesos de probabilidad sean independientes, es necesario que: peA no nula

o~

PCB) ~ PCA) ~ 0 peA)

A.

= peA) . PCB), entonces

peA) . P(B)~

n B) < 1

n B ~ (0

nB~ A

nB~ B
la repre-

es decir, que su posicion relativa como conjuntos,sea sentada en la Figura 2.3.

2.9 Se hacen 6 tiradas con una moneda. Hallar la probabilidad de obtener una racha ininterrumpida de por lo menos tres caras. cCudl es el espacio de probabilidades asociado (1 esta experiencia? Solucion
FIG. 2.2

_
= 1. A
Y B seran

Cada tirada es independiente eS:

un suceso elemental

Luego A Y B sC!ran independientes si PCB) dependientes siP(B) < 1. (Fig. 2.2). 3.°) A n s c 'B~' P(An B) p(An B) = O=P(Aj.
'_., ';':/>'<','

(1)6

de la anterior.

La probabilidad

de

1 = 64

= o~

PCA

n B) = O. Luego:

Indiquemos la cara pore, la cruz par + y con un caremos que ha salido cara o cruz indistintamente. rables son:

42

;';<::.r<;

-_

Racha

Probabilidad

2.11

Los sucesosA,

By

C son independientes, verificando:

c c c +...,--+ccc+ c+c c-+ c c.: cccc


cccccc c

c c+--

1/16 1/32 - -1/64 1/32


·1/64

1/32

1/!6 1/32

P(A· B) =12

P(A·

C)

1 = --. 15

P(B·

C)

1 =20

Calcular P( A), P( B), P(C) yP( A . 11 ·C).iSi solo [ueran independientes dos a dos, podriamos calcular P( A U B U:cC) can los _datos anterioresr: Solucion
De P(A . B)

1/64 1/64

= peA)

. P(B)

= _1_
12

rachas han sido construidas de modo que sean mutuamente La probabilidad de que se presente una de ellas es la las probabilidades: . ~ 16 ~'., asociado
.")

P(A . C) = peA) . P(C) = - -15 PCB . C) = PCB) . P(C) = _1_ 20


0.'

maicanco

n=

{c, +}, el espacio de probabilidades es (n6, ('0 p(n)]6, P6).

se obtiene P(A) =

PCB) =

peC)

+
tambien 10 calcular

reunion, n personas- (n .~ 3) lanzan una moneda al que difiere de todas las demds, su propietario paga es la 'probabilidadde que esto ocurra?

Si A, B Y C son independientes seran A, ByE, por tanto: peA. B . C)

(dos ados

y los tres),

234 = -3- . -4-

2 . -5- == -5-

Si s610 fueran independientes dos a dos, no podriamos peA U B U C) porque desconoceriamos peA . B . C;'
1,lZ~ .1..:~n:'robalbi1lldad, consmeranao

una cara 0 (n - 1) caras y una un orden determinado es:

determinada

pague. Pero

1'2.12 De una baraja de 48 cartas, se extraen dos colas a 1a,yez. Hallar la probabilidad de qu_e: 1) Ambas sean copas. 2) Par 10 menos una sea copa. 3) Una sea copa y la otra espada. 45

n_

-n

('

--

1) 2

0-1

Solucion En lugar de tomar las 48 cartas como conjunto casos posibles, debemos tomar: fundamental de

n=
1) Indiquemos

{(

4: )

12.13 Un examen consta de 5 temas numerados. I'ara elegir un tema al azar, se propone lanzar un dado._Si sale de 1. a 5, el numero del lema es el resultado del dado; si sale 6 se vuelve a tirar hasta que sale de 1 a 5. Demostrar que la probabilidad de eleccion de, cada tema es Solucion Se puede resolver de dos maneras,

pares de car!as}

los sucesos.-

A {la primera es copa, la segunda cualquiera} B ={la segunda es copa, la primera cualquiera} P(A. B) = peA) . P(B/A)
2)

* =-11 188

Pri~:

Como el suceso {elige 6} no puede presentarse,


----==

= _E_ . __!_!_ = _
48 47

11 4 ·47

P({sale i}/{6})=

P({sale i} n {elige 6}) P({elige ~} ) (i

Corresponde

al suceso A U B

= 1,

... , 5)

peA U B)

= peA) + PCB)4 11 47

peA) . PCB/A) 83 4 . 47

=
83 188

1 11 =-+--_._=--=4 4 N6tese que PCB) 3) Indiquemos {A 1B == lC = ID = ahora:

~egunda: Sale el tern a i (= 1, ... , 5), si se presenta una cualquiera de las siguientes secuencias i; 6, i; 6, 6, i; 6, ... , 6, i; de probabilidades

= 1/4.
segunda cualquiera} la segunda espada} la segunda copa} segunda cualquiera} . D)

_1 . (_1 )2 (_1 )3 ... ' (_1 )0 ' 6' 6 6 6


La probabilidad es:

= {la

primera {la prirnera {la prirnera {la primera

es copa, la cualquiera, cualquiera, espada, Ia

peA B U C· D)

= peA . B) + P(C
12 12 2·47

=
6' 47',.,·, la for-

1/6 =----= 1•' 1--·6 .

1 5

= peA) . P(B/A) + P(C) . P(D/C) =


=~'47+~'47=
Sugerencia: 12 12 12

=9:4=

12

Resuelvase tarnbien 1), 2) Y 3) utilizando mula: probabilidad casos favorables = ------::--::-casos posibles

Una urna contiene 5 bolas blancas A, Bye extraen ,.una bola, sin Gana el primer jugador que saca bola

UL~'TLLU_

Ctucuiar

46

Solucion
C gana: si saca bola blanca despues de que A y B hayan sacado bola negra; es decir, si se presenta el suceso Nt n N2 n BJ, N~i#dicael suceso <eeljugador A saca bola negra», bilid~d pedida es entonces

construir sucesos mas pequeiios que los Ai X Aj, estes son los atomos del algebra producto exterior, que es un algebra finita que tendra . 16 atomos.Los dernas sucesos del algebra seran reunion de Uno 0 varios atomos.
_'"

",'

Se trEta del suceso

"P(Nt n N2 nBJ) =P(Nt)·


325

P(Nl/Nl) . P(BJ/NI n
5 Al ser los individuos elegidos independientemente, la probabiHdad de cada atomo es P(Ai X Aj) P(Ai) • P(Aj), Iuego

=-8-'-7-'-6-='56

P(S)

==

1 X 0,45

+ 0,43 X 0,43 ',' 0,08. X 0,08+ 0,04 X 0,04·c


X 0,43

2.15 Los cuatro grupos sanguineos se reparten en una poblaci6n de acuerdo con las proporciones: o ::: 45 % A = 43 % B = 8 % AB = 4 % Teniendo en cuenta las incompatibilidades que existen entre ciertas combinaciones de estos grupos, se considera la experiencia«elegir dos individuos a y b al azar e independientemente». Se pidei:":
1 )

'+ 0,04
3)

+ 0,04

X 0,08

= 0,6633

Se trata del suceso «a y b son del mismo grupo sanguineo»: ~=~X~+&X&+~X~+~X~ P(S')

==

(0,45)2

+ (0,43)2 + (0,04)2 + (0,08)2 = 0,3954

2) 3)

Construir el algebra producto exterior asociada a esta experiencia y hallar sus dtomos. Calcular la probabilidad de que a pueda recibir sangre. .de b... Calcular la probabilidad de que a y b puedan dar y recibir su sangre mutuamente.

Solucion
1) Indiquemos AI = 0, A2 A, AJ, ~, son los atomos de la experiencia «elegir un azar y estudiar su grupo sangufneo», que tiene asociada gebra finita a.

EI algebra sucesos

producto

exterior i =1, ... r 4

es el j

A;x

==

1, ... ,4

donde M

X Al sigI}ifica que ay b son del grupo 0, que a es del grupo y b del grupo A, etc. Como

49

ENUNCIADOS

1)

2.1 En un colegio, el 25 % de los estudiantes ha suspendido las maternaticas, el 15 % ha suspendido la quimica y el 10 % ha suspendido las maternaticas y la quimica. Se elige un estudiante al azar: 1) Si ha suspendido Ia quimica, ccual es la probabilidad de que haya suspen-, dido-las maternaticas? 2) Si ha suspendido las materriaticas. ccual es la probabi.idad de que haya suspendido la quimica? 3) cCual es la probabilidad de que haya suspendido las rnatematicas 0 la quimica? 2.2 Una urna contiene 7 bolas rojr.s y 3 blancas. Se toman tres bolas de la urna, una despues de la otra. Hallar 'a probabilidad p de que las dos primera= sez r: rojas y la tercera sea blanca. 2.3 Sean A y B sucesos tales que: peA) Hallar
1) 2.4
-r :

2) 3) 4) 5)

peA U B) == 1. peA U B) == peA n B). peA n B) == P(A), siendo PCB) < 1. peA) == PCB) = (2/3)P(A U B). P(A/B) = P(B/A).

2.9- Sean A y B dos sucesos, siendo PCB) < 1. Demostrar ias siguientes pro-

piedades:

I-P(B) 2) P(A· B) ~ peA) + P(B)-1. 3) peA»~ prAJB) si P(A(B) > prj). 4) PfA) < P(A/B) si peAtS) < PV.).

1)

peAls)

peA) - peA . B)

1/2, PCB) = 1/3 y peA 4) P(A/B). 5)

B) == 1/4.
elige, indcpendientcmcnte

P(A/B).

2) P(B/A).

3) peA U B).

P(B/A)

Un individuo a elige un numero al azar entre I y 10. Otro individuo b de l!, otro numero al azar entre 1 y 10. Calcular la probabilidad de que la diferencia, en valor absolute, no sea superior a 6.

2.10

Los estudiantes de una c1ase son elegidos al azar, uno despues de otro, para un examen. Hallar la probabilidad de que los chicos y las chicas ")esten alternados si:

2.11 La composici6n de una urna es (2B, 5N) (2bolas blaneas y 5 bolas negras). Construir el espacio de probabilidades asociado a las experiencias: I) Extraer dos bolas con devolucion, 2) Extraer dos bolas sin devolucion. 3) Extraer bolas con devolucion hasta que sale bola blanca.

1) La cIase consta de cuatro chicos y tres chicas. 2) La cIase consta de tres chicas y tres chicos. 2.5 Demostrar que si A y B son sucesos independientes, entonces A y tambien independientes.

13 son

2.6 La probabilidad de que un hombre viva 10 anos mas es 1/4 y la probabiIidad de que su mujer viva 10 afios mas es 1/3. Hallar la probabilidad de que:
I) Ambos vivan 10 alios mas. 2) Al menos une viva al cabo de 10 afios, 3) Ninguno viva al cabo de 10 afios, 4) Solamente la mujer viva al cabo de 10 afios.

Se extrae una carta al azar de una baraja de 52 cartas. Consideremos los sucesos: A = {sale corazon 0 trebol }, B = {sale corazon 0 pica}, C == {sale corazon 0 rombo}. Demostrar que son sueesos es-ocasticamente independientes dos ados pero no son independientes los (res f.1CeSOS conjuntamente.
2.12

Un alumno debe elegir un tema al azar de 6 temas numerados que se Ie proponen, para 10 cual sugiere al profesor lanzar un dado y elegir el tema segun la cara del dado. Sin embargo el profesor teme que el dado este trucado por 10 que decide: numerar nuevamente los temas al azar, asignando a cad a tema un numero del 1 al 6. Demostrar que la probabilidad de elegir cada uno de los temas sera 1/6 aunque el dado este trucado.
2.7

2.13 La herencia de los grupos sanguineos esta controlada por un gen con tres alelos, 0, A, B, de los cuales 0 es recesivo respectivo a A y B. Sean r, p, q las probabilidades de que un gameto tenga eI alelo 0, A c B respectivamente, siendo r + p + q == 1. Se admite que la probabilidad de i-n determinado grupo sanguineo resultan de combinar un posible alelo del padre con un posible alelo de la madre. Demostrar que las probabilidades de los posibles grupos son: Grupo Probabilidad

2.8 Estudiar la dependencia en los siguientes casas:

independeneia estocastica de dos sueesos A y B

o
r' p'

B q'

AB 2pq

+ 2pr

+ 2qr

50

51

2.14

Se tienen

i,

urnas numeradas del 2 al 12. La composici6n de las urnas es: 234 02345432 5 6 7 8
1)

n," urna n," bolas blancas n." bolas negras

10
1

11

12 0

Se lanzan dos dados sirnultanearnente. Si la suma de puntos es k se hace una extraccion con devoiucion de una bola de la urna nurnero k. Si sale bola negra el, juego finaliz> Si sale bola blanca _se vuelven a tirar Ios-dos dados y se repite el proceso, Calcular la probabilidad de poder realizar, como minimo, 3 extracciones sucesivas,
2.15

Sean A y B dos sucesos independienres. Sea C un suceso tal que P(C) > O. Cornprobar que los sucesos A/C (A condicionado a C) y B/C pueden no ser independientes, construyendo sendcs ejernplos tales que:
1)

2)

?(A n B/C) = P(A/C) . P(B/C) i>(A 'I B/C) "" PIA/C) . PCB/C) Sean A y B dos sucesos independientes. Si peA

TEOREMA DE LAS PROBABILIDADES TOTALES Y TEOREfvlA DE BAYFS

2.16

B) = p

peA

n B)

=q

estudiar Ia relacion entre p y q. 2.17


I}

..,
independientes. Se pide:

Sean A y B dos sucesos estocasticarnente Probar que si 0 < PCB) < 1 entonces P(A/B)

Ambos teoremas permiten calcular la probabilidad de un suceso que resulta de un numero finito de causas excluyentes, 0 la probabilidad de una causa, una vez presentado un suceso, respectivamente. Supongamos que excluyentes:

n se descompone en una particion de k sucesos

= P(A/B)
+
PCB) = a > O. Probar la desigualdad

2)

Supongamos que peA)

o~

peA

B) ~ (1.'/4.

2.18 Una algebra finita contiene n atornos, todos ellos igualmente probables, Un suceso B del llgebra es reunion de k ? 1 atom os. Finalmente otro suceso A verifica P(A/B) = 11k Probar que A

H,

nB

es un alamo.

HJ
L~
L_ ~

FIG. 3.1

52

53

TEOREMA

J'E LAS PROBABILIDADES suceso. Su probabilidad

TOTALES se calcula por:

PROBLEMAS RESUELTOS

Sea A c nun

( Y 3.1

TEOREMA DE BAYES Se ha presentado de Ia causa Hi es: P(HJ A) un suceso A. La probabilidad de que proceda

Dos maquinasA'y B hanproducido respectivamente, 100 y 200 piezas. Sesabe queA produce un 5 % de piezas defectuosas y B un 6 %. Set911J:auna pi:zaysepide: lj ~Prob"a6ilidad deq~.sea deiectuosd. 2) Sabiendo que es dejectuosa; probabilidad de que proceda de la prim ere rna quina. Solucion
Indiquernos por: MA MB

P(A/H;)· f(Hi) peA)

PCA/Hi) . P(Hi)
k

= {Ia.pie.e = {Ia pieza

procede de Ia maquina A] precede de Ia maquina B}

2: P(A/HJ
jw I

. P(Hj)

Entouces,

n = {300 piezas}
1 P(MA) = 3

= MA + MB
2 P(MB) = 3

Ambos teoremas son tam bien validos cuando hay una infinidad numerable de causas disjuntas dos ados:

1)

Sea D = {Ia pieza es defectuosa} P(D) = P(D/MA) . P(MA)

+ P(D/MB)
2

. P(MB) =

n=

Ua
i=1

Hi

Hj

i '" j

2:

P(H;)

1 2)

=:= (.Q.Jl.S.) • Es la probabilidad P(MA/D)

T + (0,06) . 3 = 0,0567.
a Ia presencia . P(MB) de D P(D/MA) . P(MA)

de MA,condicionada

peA)

= 2:P(A/Hi)

. P(H;)

(probabilidades

totales)

= ----,.--------:---:-- P(D/MB) P(D/MA) . P(MA) +


(0,05) --,---- ·1/3 = 0,2941. 6,0567

peA/Hi) . pea) P(HJA) =: -------

2:
j-e

(Teorema

de Bayes)

P(A/Hj) . P(Hj)

zj3.2 Tenemos tres urnas con la composicion :


Ud1B, 2N, 3R) Uz(2B, 3N, 4R) U3(4B, 7N,SR)

Se

elige una urna al azar y se toma una bola. Se pide: 1) Probabilidad de que sea roja. Ha resultado ser blanca. Probabilidad de que proceda de la , tercera urna. 55

54

Soluci6n
. !lconsta
P(Vi)

de 6

+9 +16 = 31 bolas
i

yn

= VI

+-V2

+V3

= 1/3
3

= 1, 2, 3.

P '0'3.4 Una urna se ha llenado tirando una moneda al aire dosveces y poniendo una bola blanca pot: cada cara y una bola negra por cada cruz. Se extrae una bola quees blanca. Hallar la probabilidad de que la otra bola tambien 10·sea, .,,:; '. ~.>" . . . .', Solucionr;
puede adoptac

~ 1) .. P(~

= P(R/Vi)
i=l

. F(Vi)

=
3 16

3 1 415 =_._+-_._+-. 6 3 9
P(B/V3) . P(V3) . P(Vi)

Aun4G~ al extr~~~la bola 10 hagamos tres formas distintas:


Vz(B,N)

de una sola urna, esta

V,(2.8)

l]J(2N)

siendo

a = VI + V2 + V3

P(U,) P(U2)
P(V3)

!
i=l

= probabiIidad ,
= probabilidad = probabilidad =
.

de obtener dos caras

= _!_ 4
= 4'
1 1 = -2

PCB/V;)

de obtener una cara y una cruz de obtener dos cruces

= ------------,..---~1 1 2
-6-' -3-

4 16

1 3 1 '-3-

+T

+ 16' T

=,0,3913

Decir que la otra bola sea blanca, sabiendo que la primera 10 es, equivale a decir que ptovenimos de la primera uma: P(B/VI) . P(VI)
P(V.jB)
-"-3

2
i::::'I

--------=
PCB/Vi) . P(Vi)

3.3 Una baraja espanola de 48 cartas se ha dividido en pares e impares. Lanzamos un dado y extraemos una carta po de las pares 0 de las impares, segun que salga 6 0 no. ser figura, hallar la probabilidad de que sea un 11. Solucion

1·-4 1 . _1_ +
4

..•1

_!____ •. _1_ +
2 2

0 ._1_
4

=-2

n=

{48 cartas}

= P + I = {pares}
P(F/I);

+ {impares}

.'{ 3.5

Laprobabilidad de sacar 11, sabiendo que es figura (~uC~~~;F); esla. probabilidad de proceder del grupo I, sabiendo que es figura:

pel/F) -

P{F/I)·

P(I)

P(I) . PCP)

+ P{F/P)

=
5

4/24·5/6 4/24 . 5/6

+ 8/24 . 1/6 =-7

En una Universidad en la que solo hay estudiantes de Arquitectura, Ciencias y Letras, terminan la carrera el 5 % de Arquitectura, el 10 % de Ciencias y el 20 % de Letras. Se sabe que el 20 % estudian Arquitectura, el 30 % Ciencias y el 50 % Letras. Eligiendo un estudiante 'al azar, se pide: 1}Probabilidad de que sea de Arquitectura y haya terminado la carrera. Nos dice que ha terminado la carrera. yrr.nn.n7 de Arquitectura.

Solucion

2
de la Universidad} = A P(C) = 0.3

1
.2

n
1)

=-{estudiantes

+C+L

siendo: Enton(*)

7
112121 7"-4-

peA) = 0.2

P(L) = 0.5 Ia carrera».

-7-4

=
-7--2solo sirve-para

4 7 complicar eI -

Sea T el suceso «el estudiante ha terminado ces.

Nota: La primera

bola extraida

P(T· A) = peA) . P(T/A) ~ (0,2) ~ (0;5) ) P(A/T) _ .. - P(T/A . P(A)

= o.or.
1 - -14

problema- En realidad es como si extrajeramos dos bolas de la


uma U(2B, 2N, 4R).

.2

+ P(T/C)

peT/ A) . peA) = . P(C) + P(T/L) . peL)


. (0,5)

(0,05) . (0,02) = ------~~:__.:......:.___.:.------(0,2) (0,05) . (0,02) + tO,l) . (0,3) +

3.7 Tenemos dos barajas espaiiolos. A una de ellas le [alia unc. carta y no sabemos cudl es. Elegimc s un-i baraja al azar y sacamos una rarta. Probabilidad de que sea de oros. Soluci6n

3.6 Sea la urna U(2B, 3N, 4RJ. Extraemos tres bolas, una a continuaci6n de la otra. La primera es negra, la segunda no se mira y la tercera es blanca. Hallar la probabilidad de que la segunda sea roja. Soluci6n
Una vez es extraida Ia primera bola (*) que es negra, la urna es U(2B, 2N, 4R). Al extraer Ia segunda, pueden ocurrir tres casos: que sea blanca, negra 0 roja, obteniendose tres umas distintas, con probabilidad 1/4, 1/4 y 1/2 respectivamente. La tercera bola procede de una de estas tres posibles urnas (fisicamente solo hay una). U ~-N 2/8 Jl_---U1 ~U3 (lB, 2N, 4R) U2 (2B, IN, 4R) (2B, 2N, 3R)

n = {48

+ 47} =

{9s cartas}

Parece que bastaria descomponer n en dos sucesos excluyentes (las respectivas barajas); Pero no es asi, porque Ia segunda baraja adopta cuatro formas distintas, segun que la carta que falta sea de oros, espadas, copas 0 bastos. Entonces si BI es Ia baraja correcta y B2 la que s610 tiene 47 cartas:

n=
siendo 0=

BI

+ B2 =

BI

+0 + E +C+B

{la baraja B2, cuya carta que falta es eros}, etc.

La probabilidad de 0 dentro de B2 es 1/4 y c.:ntro de como se deduce de: 1 -4. = P(O/B2) = P(O) Analogamente Sea Aplicando el teorema 1 P(O,il B2) P(B2)

n es 1/8,

=
1

Sabiendo que la tercera bola es blanca, Ia probabilidad de que la segunda haya sido roja, equivale a la probabilidad de que Ia tercera bola provenga de UJ. P(UJ/B)

P(O) P(B2)

= -2--4-

= -8de E, C y B. es oros} totales:

=..

!
1=1

P(B/U3) 3

P(U3)

hallariamos S

las probabilidades carta extraida

= {la

P(B/Ui) . P(Ui)

de las probabilidades

58

59

·peS)

= P(S/BJ)
1

. P(BJ) + P(S/O) . P(O) + peS/E) . peE) + . P(C)

2)

peA)

= 0,7
P(M/B)

P(M) = 0,3

P(B/A) = 0,3 =

P(B/M)
9

= 0,9

- + P(S/C)

+ peS/B)
1

. PCB)

=
12 .. 1 47.T

=-4-T+·.··47

1 .•.... • ..11
1
-=-

-8-+4']-8-+ 1 4

12

1.

(0,9) . (0,3) (0,9XO,3)+ (0,3)(0,7)

16

_l2

47

3.9 • Un jugador tir~u~da(10,le~alei6y

gana. Hallar la dad de que haya hechotrampa. Resolve rlo 'primero bajo to de que el 50 % de los fugadores son tramposos. ,~l)luci6n

3.8 Un maestro y un alum no tiran al areo. Se dan dos hip6tesis.


1)

2)

Punto de vista del maestro: la probabilidad de dejar el arco al alumno es 0,8 y la de que este haga blanco si le deja el arco es 0.5; si no se 10 deja el maestro hace blanco. con probabilidad 0,7. Punto de vista del. alum no : las probabilidades estimadas son 0,7, 0,3 y 0,9.

Ur. jugador 0 es tramposo res se descompone en:

no

10 es.

El conjunto de los jugado-

n = T + T,

siendo

= {el jugador

es tramposo ].

La probabilidad de que. un jugador tramposo saque un 6 es 1. Si no es tramposo la probabilidades 1/6. Entonces si peT) 0,5:

Una flecha hace blanco. Calcular en am bas hipotesis la probabilidad de que la haya lanzado el maestro. Solucion
La fleeha
0

peT / «6»)

P(_«6.;_»_/T_)_._P_(T_)=-_~ P( «6»/T) . Pf'I') + P( «6»/T) . peT)

=
eslanzada por el maestro n=M+A
0

L· (0,5)
1 ..(0,5)+.6 1 (0,5) 0

6
7

por el alumno,

Si P(T) = p donde p es unparametro peT / «6») =

< p < 1, entonees:


6p

M A

= {es lanzada = {es lanzada = 0,8

por el maestro} {no deja el arco al alumno} por eI alumno} = {el maestro deja el area al alumno}.

.1 . P ___;.;:____ 1 l·p+--· (l-p)

; + 5p

Sea eI suceso B 1) peA)

= {Ia

fIeeha haee blanco} P(B/A) = 0,5 P(B/M)

P(M}

= 0,2

= 0,7
Sean las urnas Ud2B, 3N)y Ul2B, 3R). Se toma una de U/ y se pasa a U2• A continuacion se toma una bola de Us y se pasa a U/. Finalmente se toman dos bolas de UJ y resultan ser blallca y Hallar la probabilidad, de que UJ no tenga ningunabola
3.10

P(M/B) _ P(B/M) . P(M) . - P(B/M)· P(M) + P(B/ A) . peA) (0,7) . (0,2) (0,7XO,2)

+ (0,5XO,8)

--27

61

Soluci6n
La primera bola de UI puede ser BoN. La bola que se devuel- ve, puede ser B, NoR. Puede ilustrarse asi:
1/2 2/S.

P(BN/S) ;

P(BN . S) = peS)

B VI(2B 3N OR)/

V' f3B ON 3R)--R

B _-;:1/2

V;PB, 3N, OR) T . -.-, 1 VIPB, 3N, 1R) -,,-

6/10. 1/5 + 6/10· 1/5+ 6/10. 1/10 3 =-51/2

= P(EN~R) .:::. 3/10·1/5 +_4/10·3/10=_9_ peS) 1/2 25


P(S/BN) =

V"(2B IN 3R)\N-'-V;;(2B,
3/6

B--.

2/6

1 V;;(3B,2N, OR) -53N, OR) 10

3/5 . 1/2 5 3/5 . 1/2 + 9/25 . 1/2 = -8-·

1/6

1 3.11 Enun sistema de ilarma, la probabilidad de que se produzca 'un peligro es 0,1. Si este se produce, la probabilidad de que la alarma funcione es 0,95. La probabilidad de que funcione la alarma sin haber habido peligro es 0,03. Hallar: 1) 2) 3) Probabilidad de que habiendo funcionado la alarma, no haya habido peligro. Probabilidad de que haya un peligro y la alarma no funcione. Probabilidad de que no habiendo funcionado la alarma, haya un peligro.

R--V~(2B,

3 2N, 1R) 10

donde se han representado las probabilidades de transicion y las probabilidades de las cinco formas posibles de la urna VI. Estas probabilidades se obtienen multiplicando las anteriores de transi. ~ cion. Asi:

-5-=-5--21 3 10=-5--6-

1 3 -5-=-5--63 3 10=-5--6-

2 3

Soluci6n
El suceso segura

Las dos bolas extraidasal

final, proceden de:

n se descompone en:

a = V'u

+ V~2 V'il + V;~+ V;~ +

n = P + P, siendo P
con Si F PCP)

= {hay

peligro}

P = {no

hay peligro}

Debemos calcular la probabilidad de que procedan de U'n, V"II 0 V"12, sabiendo que una es blanca y la otra es negra. Pongamos: S R

= 0.1,

PCP) = 0.9.

= V'II + V;~+ Vi; } n = S R = V;2+ V:~ .+ =

peS) peR)

= 1/2 = 1/2

= {la alarma

funciona} tendremos P(F IP) = 0.95 P(F /P)

-= 0.03

Entonces: P(S/BN) . P(BN/S) . peS) P(BN/S) . Pl S) + P(BN/R) . peR)

1)

_ P(F/P) .. (P(P» PCP/F) - P(F/P)P(P) + P(F/P)P(P)

(0,03) (0,9) . = 0221 (0,03XO,9)(0,95)(0,1) + ,


63

62

I
I
('

2)

p(Rn

F) = PCP). P(P/P)

= (0,1) . (0,05) = 0,005


= = 0,0057

-_ . P(P/F)=

. P(F;P) ; PCP) P(F/P)P(P)+P(F/P)P(P) --------(0,1)

3.12 En celdahay ires presos A, B Y C, Y uno de ellos ha condenado; probabilidad de ser condenado cs 1/3 para cada preso. El preso A sabe que uno de los presos B y C no sera condenado. No obstante 10 pregunta al guardian. Calcular la probabilidad de que A sea condenado si el guardian responde: "B no sera condenado» en los casos:

P; = ----.

1 c

1 n!

n = 0, 1,2, ...

1) 2)

Que A haya preguntado i sSera B condenado? Que A haya preguntado:iCudl de B o. C no seracondenado?

Si se presentan n [allos, el sistema deja defuncionar con probabilidad 1 - (J/2l. Calcular la probabilidad de que el sistema haya tenido n [allos sf ha deja do de funcionar. Solucion Sea D={el sistema deja de funcionar}, Bayes en el casode infinitas causas: pen/D) = !P~D/i)
i=O
n.p.U"'<lUU.~

Soluci6n

"

Aunque la respuestadelguardtan es la misma, soluci6n es distinta, Indiquemosipor Ael suceso {el preso A es condenado}. Arialogamente para B yC.
1)

Es la probabilidad de A condicionada al contrario de B P(A/-)


B.

. PO)
i=O

peA n B) = peA) = 1/3 = _1_


PCB)

pes)

2/3

La probabilidad de A ha aumentado de un tercio a un medio.

••.

(1 - (1/2)n) 'n/.

e ~·1,649

= (1

- (1/2)D)/(1,0694)

. nl

2) En este casoel guardian responde B con probabilidad 1/2 siA es condenado y B con probabilidad 1 si C es condenado. Aplicando el teorema de Bayes, indicando por R Ia respuesta del guardian: P(R/A) peA) --~~~~~--~--~----~--~~= peRIA)P(A)+ P(R/B)P(B) + P(R/C)P(~) 65

ENUNCIADOS

3.1 Tenemos dos urnas A y B de cornposicion A (5R, 3B) y la urna B (1R, 2B). Se lanza un dado, si sale 3 0 6 se pasa una bola de B a A y luego se toma una bola de A. En cualquier otro caso, se pas a una bola de A a B y luego se toma una bola de B. Hallar la probabilidad de que: 1) ambas bolas sean rojas, 2) ambas bolas sean blancas. -3.2 Una caja centiene 3 rnonedas," dos norrnales y una con dos caras. Se elige una moneda al azar y se ef'ectua una tirada. Si sale cara se tira otra vez; si sale cruz entonces se eJige una de las otras dos de la caja y se tira,
1)
-

a la prueba del nitrate (transforrnandolo en nitrito) es 0.1~. pa~a!HI y C .la probabilidad es 0,8 y 0,6 respectivamente. Se aisla una coloma y est~reaccIOna a la prueba del nitrato. Asfgnese la colonia a una de lfis tr~s cl~~es de modo que tengarnos maxima probabilidad de acertar en la identificacion. 3.8 En una experiencia de Psicofisiologia se estudia el compor!amie~to de las respuestas a 4 estimulos sonoros (sonidos puros de frecu~ncla van~bl~). La respuesta RJ eonsiste en-apretar un boton cuando se ermte el estlmulc S, (hay un boron paracada estfmulo). Solo Ta r~s'puesta R es corr~cta cuando se ernlte S,. La experiencia consiste en emitrr uno de los estl~ulos S, (i= I, 2, 3, 4), con probabilidad J/4 y anotar la res~~esta de un sujeto. Admitiendo la siguiente dis:cibucion de probablhdades de la respuesta a cada estimulo: Respuesta RI SI Estimulo emitido S2 Sl S. 3/4 1/5 0 0 R2 1/4 3/5 0 0 R, 0 1/5 4/5 1/6 R. 0 0 1/5 5/6

2)

3)

Hallar la probabilidad de que salgan dos caras. Si se tira la misma moneda las dos veces, hallar la probabilidad sea la moneda con dos caras. Hallar la probabilidad de que aparezca CI'LZ las (OS veces.

de que

3.3 Una caja, A coruiene 9 cartas numeradas del 1 al 9, y otra caja B COIltiene 5 cartas numeradas del 1 al 5. Se elige una caja al rzar y se toma una carta, si esta numerada con un n," par, se toma otra carta de la misma caja; si esta numerada con un n," impar, se toma una carta de la otra caja, Haliar: 1) 2) 3) Probabilidad de que ambas cartas esten numeradas con numeros pares. Si ambas cart as tienen numeros pares, hallar la probabilidad de qqe sean de la caja A. Probabilidad de que am bas tengan n." impares.

resuelvanse las siguientes cuestiones: Calcular la probabiIidad de que responda RI un sujeto al que se Ie ha emitido un estimulo S, en las condiciones mencionadas, Calcular esta probabilidad tarnbien para R2, R, Y R.. . . 2) ExpJiquese, de forma razonada. que la respuesta no es independiente del estimulo. '. . R 3) Tras ser emitido un estimulo, la respuesta de n sujeto ~a sido 2. Calcular la probabilidad de que el estimulo emitido haya sido S2. 11

3.4 En una urna hay n bolas, entre blancas y rojas, y al saear una de elias ha resultado ser roja. lQue probabilidad hay de que k de las n bolas sean rojas? Se supone que las n + 1 posibles eomposiciones de la urna son igualmente pro babIes. 3.5 Tenemos dos juegos de cart as espafiolas, Tomamos una carta del primer juego, y Ia pasamos al segundo. A continuacion tiramos un dado: si sale I, elegimos una carta del primer juego; si sale 2 la carta sera del segundo juego; en caso contrario tornarnos la carta al azar de uno de los dos juegos, Hallar la probabilidad de que sea figura. 3.6 Se tienen 3 monedas numeradas cara lanzando la moneda i es del 1 al 3. La probabiIidad

.u:

P(c,) = ( ~

de obtener

3.9 Se supone que la probabilidad de que el estado del tiem~o. (seco 0 lIuvioso) sea el mismo que el dia anterior es p. Por datos estadisticos se sab~ que la probabiIidad de que el 23 de abril sea s~co es q. Calcular la probabl: lidad q. de que el tiempo sea seeo n dias. despues. Demostrar q~e q, ~ 1/2 ~l :1 .~ A la vista de este resultado, sablendo que el 23 de a~nl del ano .9.i? .ia sido seco, (se puede hacer prevision razonable sobre el nempo que hara el 23 de abril de 1992?
00.

i = 1,2,3.

Se elige una moneda al azar, se lanza 4 veces y se obtienen 3 caras. Calcular la probabilidad de que la moneda elegida haya sido la moneda L 3.7 Tomando una determinada muestra de suelo se pueden aislar tres cIases de bacterias A, B y C que se presentan en las proporciones 0,6, 0,3 Y 0,1 respectivamente, La probabilidad de que una colonia de la cIase A reaccione

66

67

VARIABLES ALEATORIAS Y FUNCIONES DE DISTRIBUCION

DEFINICION

DE VARIABLE

ALEATORIA
y R el cuerpo de los

Sea (n, a, P) un espacio de probabilidad numeros reales.


DEFINICI6N:

Se dice que una aplicacion

x:n~R
w~X(w)ER que a cad a suceso elemental hace corresponder un numero real, es una variable aleatoria si, para todo numero real x, A

= {w I X( w) :::;;x}

es decir, se verifica que A es un suceso. A se indica abreviadamente por [X :::;; ]. x

PROPIEDADES 1) Por ser A un suceso, tiene definida una probabilidad, y por tanto, podemos obtener la probabilidad de que la variable aleatoria tome valores inferiores a un x dado: peA) P(X :::;;x)

69

2)

Se puede obtener tambien la probabilidad de que una variable aleatoria tome valores dentro de un intervalo: pea pues
{w

4)

F(x) es continua a la derecha:

<

X ~ b)

= P(X

lim F(x) ._a


5) Pia

= F(a)

Va

~ b) -

P(X ~ a)

Ia <

X(w) ~b}

= {lY I XC,,)~~-b}

- {w I X{w) ~

aT-

< X ~ b)

= F(b)_-F(a)
DISCRETAS

es tam bien un suceso. Esta propiedad y la anterior justifican una aplicacion sea variable aleatoria. 3) la condicion para que

VARIABLES ALEATORIAS

~
f)
"

Dadas dos varables aleatorias, X, Y, definidas sobre un mismo (n, a, P) se puede definir la suma, diferencia, producto y cociente (con denominador no nulo), obteniendose otra aplicacion que verifica tam bien la condicion de variable aleatoria.

Se dice que una variable aleatoria es discreta, si el conjunto de valores que tom-a con probabilidad no nula, es finito 0 numerable. Esto significa C/le existe una sucesion de numeros 'ea!es XI, xs, ... , xn, ... tal que:
P( X

= Xi) =
Xi)

Pi ;'" 0

P(X;",

=0

1, 2, ... , n, ...

FUNCION DE DISTRIBUCION DE PROBABILIDAD DE UNA VARIABLE ALEATORIA Es una funcion de una variable real que se introduce para conocer como se reparte la probabilidad de los val ores que toma una variable aleatoria. Se define por: F(x) = P(X ~ X) Vx
E

Se puede definir entonces la funcion de densidad de probabilidad de la variable aleatoria por:


f(Xi) = P(X = x.)

i = 1, 2, ... , n, ...
x ~ Xi

f(x) que verifica: 1) 0 ~ f(x) ~ 1 2)


!f(xi)

=0

Observese que si [X ~ X] no fuera un suceso, F(x) no estaria definida.

=1

PROPIEDADES 1) 0 ~ F(x) ~ 1 2) 3) lim


,,-+-00

Vx
x-++

F(x)

=0

lim F(x)
00

=1
VXI, X2E R

VARIABLES ALEATORIAS

ABSOLUTAMENTE

CONTINUAS

F(x) es no decreciente: XI < X2 F(xl) ~ F(X2) ~

Una variable aleatoria se dice que es continua si su funcion de distribucion no tiene discontinuidades (entonces el conjunto de va71

70

lores que tom a con probabilid ttl no nula, es no numerable). Entre ellas, las mas faciles de estudiar son las absolutamente continuas, cuya funcion de distribucion puede ponerse en la forma: F{x) =

P(X = c) P(X

F(c) - lim F(x)


x_c

i~

< c)

= P(X

::::;; - P(X = c) = lim F(x) c)


'-C

f(t) dt

Vx

R de probabilidad de Observese que.todos los. limites

- .La funci6n ~x) se llama [uneion ae densidad la variable aleatoria X. Verifica:


,!

se toman poz la izquierda.

1)
2)

f(x) ~ 0

VARIABLES ALEATORIAS

EN ALGEBRAS

FINITAS indicador de A a

f+OO

f(x) dx = 1 en x.

Sea A un suceso de un algebra la variable aleatc ria:

a.
si si

Se llama A

3)

F'(x) = f(x), si t(x) c:; continua

WE

4)

pea

< X::::;; b)

f>(x)dx

w ¢A

La funci6n de densidad de probabilidad no representa una probabilidad. No obstante, f(x) dx se interpreta como la probabilidad infinitesimal de que la variable X alcance valores dentro de (x, x + dx),

TEOREMA: Sea X una variable aleatoria sobre (n, a, P) siendo a un algebra finita. Supongamos que X alcanza los valores XI, ... , Xm con probabilidad no nula. Entonces BI={wIX(w)=xd, ... , Bm={wIX(w)=xm}

PROBABILIDAD 1)

:E:N UN PUNTO Y EN UN INTERVALO aleatoria absolutamente continua, se ve-

son sucesos mutuamente excluyentes de a (cada uno de ellos reuni6n de uno 0 varios atom os de a) y se verifica:

Si X es una variable rifica: P(X pea

= c) = 0
< X::::;;b)
= pea

< X < b)

= P(a::::;;X::::;;b) = F(b)-F(a) aleatorias no

.RIO: Si Y = g(x) es otra variable aleatoria de X mediante una funci6n g, entonces:

construida

2)

Lo anterior no es en general, cierto para variables continuas, En efecto, para estas variables es: pea

< X < b) = lim F(x) - F(a)


.... b

* FORMA GENERAL DE UNA FUNCION Toda funci6n de distribuci6n suma: F(x) = aFb)

DE DISTRIBUCION en la·

pea ::::;; X

< b)

= lim F(x) - lim F(x)


x~b x-e-a

F(x) se puede descomponer

pea ::::;; ::::;; X b)


72

= F(b)

- lim F(x)
x-+a

+ (1

- a.)Fb)

0::::;;a. ::::;;1

(1)
73

siendo FI(x) una funci6n de J'strlbucion absolutamente continua y Fix) una funci6n de distribuci6n discreta. Puede tam bien intervenir, en teoria, una tercera funci6n singular, pera que no se presenta en las aplicaciones. Los casos absolutamente continuo y discreto quedan como cas os particulares de (1) para ~ = 1 Y_<X. = I) respectivamente, Si 0 <-~ < 1 se dice que la distribucion es mixta. Tambien, podemos expresar (1) asi: F(x)

PROBLEMAS

RESUELTOS

= a.

J'

fl(t) dt

+ (1

<X.)~.
Xj.(:x

fbi)

(2)

con el /ilgebra al
de 3)

donde fl(x) = F'I(x) y t{Xi) = Fixi) - Fixi-I) son las funciones densidad de la parte absolutamente continua y discrr.ta de F(x).

=1 XCi) =2

si i es par si i es impar

con el algebra al

Solucion
Deheremoscomprobar si: x] es un suceso para todo x si si si
E

={wl X(~) ~ x}
[X~

= [X ~

R.

xl; 0 E a2 = pen) [X ~ x]'; {l} E a i .. ~xl;::: {l, 2} E a2


pertenece a~.

<1
<-

1 ~ X-< 2

2 ~·x.<3

6".·... L<U [X ~ x] es un subconjuntode

n, cualquiera que Luego Xes variable aleatoria,


x
1 2

si si variable aleatoria.

x<l 1~x<2 x~2 74


75

I
,I

Luego X es variable aleatr l:a. Cualquier aplicaci6n X: n~ R es variable aleatoria si el algebra es pen). Esto deja de ser cierto para cualquier otra algebra.
OBSERVACION:

Jf

>~4.3 . Sea X'una variable aleatoria absolutamente continua dedensidad de probabilidad z [tx) = k . (1+ Ix) = 0

x:

L
\

1- 4.2 r: Se

tim una moneda 3 veces. Sea X el numero de caras obtenido. Se pide fa [uncion de distribucion de probabilidad d: X.
Solucion

Solucion
1) Se verifica:

X es una variable aleatoria discreta que toma '.rJs valores 0, 1, 2 y 3, con probabilidad no nula. La funci6n de densidad es: f(O)=1 8 3 f(O=8 f(2)

r
-_

f(x) dx = 1 :::}

£3
0

= _3_
8

f(3)=-

1 8

La funci6n de distribuci6n F(x)

sera (Fig. 4.1): F(x) x<O O~x<l 1~x<2 2~x<3 x~3 2) 3) 4) 7/8

=0 F(x) = 1/8
F(x) = 4/8 F(x) = 7/8 F(x)

=1

4/8
1/8

o
FIG.

2
4.1

76

Solucion
1)

Soluci6n
de distribucion de Y

Si Fy(x) es Ia funcion

> Q:

= X2, entonces,
+Yx)=

-si

= P(Y.~ x):::: P(X2 ~ x) = P(FxC+:v'x)_:_. Fx( ---=-

5~ X

Yx!.

o o
La funcion de densidad
buci6n: £y(y) es Ia derivada de Ia .funcion de distri-

= F'y (Y)
0 x~O d
(F x (v'X)-F x

es decir, My)
z:

iy(x)

= F~ (x) =

0
Y -

si l)eY

y::::;; 0,

1. -dx
x>o

(-yx»=
v'X)]

fy(y)

= 2(e

e-(eY-I>2

si

s > O.

= 25
siendo fx Ia .funcion de densidad 2) Si x

[Fx( +v'i)+FxC-

de X.
::::;;

> ;\

4.6·.··

La [uncion de densidad de una variable aleatoria absolutamente continua es : f(x) =ax2+b,


[Ix)

> 0, Fix)

= P(Z

~ x) = P(eX

x) = P(X

x)

= Fx{lnx)

si si

(0, 2)

Fz(x) fz(x)

= { 0Fx (In x)
0 1 fx{Inx)x

x~O x>O x~O

=0

x ¢ (0, 2).

= F~(x) = {

Determinar a y b, sabiendo que P{1/2 < X ~ 1) = 0,1357. Solucion


Se verificara

x>O

4.5

Lafunci6nde

distribucion de una variable aleatoria X es: F(x) =0 si si


flP1'1<dltnrl'Ap

1.= _ f(x) dx ..

«c o
x> 0
n/pnt£l'r;n

+-

= .J2..(ax' +
.0

b) dx =

[ -3-

+ bx

Sa = -3-- +2b

la variable

In(X

=--+-- . 24

7a

b
2

1) , P(X

> 6) =

1 - P(X ~ 6)

= 1-

F(6) =

4)

. [~~"l=l

= F(4) =

y P(X

= 4) = ~

s;
F(x)= l 1 2
e-x/J

«c;o
x> 0

minutes: la probabilidad no es 0, porque es un punto de diszontinuidad.


P(X

1 2

e-[x/J]

si

= 3) = F(3)
_1_e-1 __ 2

_3

lim F(x) l_e-

=
. 2
' __ l_e-o)

x<3

entera de x13. Hallar La probabilidad de que Mds de 6 minutos. 2) Menos de 4 minutos. .HLLr£u,!y.>. 4) Menos de 9 minutes, sabiendo que ha aur;01~CJt;ruiS .~,,,,,,,,,.,.~I.W~!~~1:'~' 5) M!is de 5 minutos, sabiendo que' ha
,'):

= 11

'

_ (1 __ l_e-

=T-2e'

4}. Es una probabilidad condicionada:


'~"-::::':'-l~

u .. ' .. ... .. ·· n ..,

aleatoriaq1.le no es discreta tienelln salto en cada creciente en el intervalo

. P(X <9/~>

5)

P([X ~~~:

~~:> 5]) _P(!(~

~ ~9)

siendo
P(S

< X<9)=

_9

lim F(x) - F(S) =

1 = __

e-5j3

111 + __ e222

1_

--

e-3 lc,.-s/3

e-2

+ _1_
2

e-I

P(S <X P(X

< 9) < 9)

81'

A, Bye dtomos J:, un algebra [inita, de probabilidades y 1/6 respectivamente. Consideremos las variables aleaY =4IAUB
-tUJ'J70iI':."

[U>

[min {X, Y}

>

u]

=iX>

u]

[Y

uY

+ SIc

las variables aleatorias: derdists ibucion de X

u]. [Y ;>u].luegot~bienes que tambien sera suceso,

un

{X. Y} ~v] (l)2le = 4h

+ 91B +
es tambien un suceso.

=[X~v]

[Y~v]

= (4)2IAUB + (S)2le
3)

161AUB

+ 2SI.:

La variable aleatoria y se expresa tambien en h forma: Y= luego X+ Y 41A + 41B + SIc'

= (2 + 4)1.\+(- 3 + 4)IB +(1 = 61 + IB,+ 61c = 61 + Is


A AUC

+ S)lc

( "*
\
6 con proba-

4.10 Sean X.Y dos variables aleatorias absolutamente continuas con [uncion.de densidad fx(x). fy(y). Definimos la variable 'aleatoria Z como sigue.~

4)

La variable aleatoria X + Y alcanza los bilidadl/3,y 2;3 1/2 + 1/6. Iuego

\(~)=f:!
~.

z=X
Z

con probabilidad p. con probabilidad. 1 .....,p

=Y

si si si x~6 6

Hallar la funci6nde Soluci6n

densidad de Z.

...

.,

4.9

Sean X, Y dos variables aleatorias definidas sobre un mismo es~ pacio de probabilidades. Demostrar que U = min{X. Y} y V = = mdx{ X. Y} son tambien variables aleatorias.

La distribucion de Z es Ia misma que X si se presenta un suo-so A de probabilidad P. y es Ia misma que Y si se presenta A. Por ei teorema de Iasprobabi1idades totales: P(Z ~ z)= Fz(z) P([X ~ z]/A) . peA) p)

+ P([Y

~ z]/A)

.. peA)

= Fx(z)p + Fy(zX 1 = fx(z)


.p

Solucion
[U ~ u] y [V:;;;

+ fy{z)

. (l - p). 83

4.11 Analizar la funci6n deIistribuclon del problema 4.7 descomponiendola en su parte absolutamente continua y . l1'lterpretarlas. Soluci6h. Vemos en~eguida que;

ENUNCIADOS

4.1 La funcion de densidad de una variable aleatoria absolutamente tinua es:


f(x) = 2x f(x) = 0

con-

si si

XE

(0. 1)

x ~ (0. 1)

Deterrninar
1) P(O,5

su funciori de distribucion
~ 1).

y calcular: 3) P(X;;:' 1/3).

<X

2)

P(X ~ 1/3).

",,',

>.;

,'".<

""

4.2 Se lanzan dos dados al aire. Determinar I" funcion de distribuci6n de la suma de puntos obtenidos.
4.3

Luego Fb) = 1·- e-·/3es la parte = 1 - e-[x/3]es la parte discreta, Las fur-clones
fb)

f(x)

Una v.a. X 2 bsolutamente continua. tiene como funcion = k/(f' + e-I, para toda x. Dcterrninar el valor de k

de densidad es una

= F' (x): = --1 3


I

e-x/3

si

= 3n > 0
x o-

4.4 El numero de rotrras X por cada hora de rnaquina variable aleatoria disr.t eta de funcion de densidad:
f(x) = k-'x!

en marcha,

F(x)

_I_F'
2
0

10'

x = O. 1. 2•...• n.

si

Hallar: 1) el valor de k; 2) la probabiJidad de que se produzca alguna rotura, 4.5 La duraci6n de una bomb ilIa es una variable aleatoria de funcion densidad: 1000 f(x) = 0
f(x) = --e

de

La duraci6n.de.una c0nferenciatelef6nica ..lene.una distribuci6n t con una parte. con.tinua, segun una ley exponencial.negativa, y una Rarte~iscreta,qlle repres~nta .la probabilidad decolgar el teIefon~ a los 3, 6, 9".'~IIlinutos ..Seexplica Ia existencia dela parte discreta porque las conferencias se contabilizan en periodos de 3 minutos.

"..

si si

»0

x ~O

Hallar: 1) La probabilidad de que una bombilla dure entre 100 y 1.000 horas. 2) La duraci6n sea de mas de 1.000 horas. 4.6 Se tiran dos dados tres veces consecutivas. Hallar la probabilidad de que Ja variable aleatoria X = «numero de puntos obtenidos», tome el valor 5 0 ., una vez por 10 menos. ".7 En la tirada de un dado ordinario, sucesos: A={1.2} B={3.4} sea

el algebra generada por los

C={S,6}

Se pide: 1) La aplicacion que hace corresponder a cada cara el nurnero de puntos que contiene, ,es una variable aleatoria? 2) Dadas las variables alestorias X = 31 + 21 • Y = 21 _ 1 hallase la funcion de distribuci6n de la
AUB

Due

variable aleatoria:
z = (X

y)2

4.8 La funci6n de densidad de una variable aleatoria absolutamente continua Xes:

84

85

,
fx(x)
:=: _'

e- i'l

Encontrar la funci6n de distribucion de X y las funciones de densidad de y=X'


4.9

Z = In

(I X I + 1)

Xes:

La funci6n de densidad de una variable .aleatoria absolutamente continua fx(;s.)=kx'(1-x) O<x<l

Hallar k Y la moda de x, es decir, m tal que f(m) == maximo. 4.10 Un autobus pas a por una cierta parada cada 8 minutos. Si un usuario llega a la parada, el tiempo que debe esperar es I '.'la variable aleatoria can funci6n de densidad (tiempo en minutos):
i(x) = 1/8 f(x) = 0

DISTRIBUCIONES BIV ARIANTES Y MUL TIV ARIANTES

0<x < 8 en caso contrario

Sin embargo, si el autobtis !leva retraso, el tiempo de espera se distribuye segun:


f(x) = 0,1 e":" f(x}

DISTRIBUCIONES

BIVARIANTES

x>o
en caso contrario

== 0

Sabiendo que de cada tres dias, uno llega con retraso, calcular la probabilidad de que el usuario tenga que esperar mas de 5 minutos. 4.11 La funci6n de distribuci6n de una variable aleatoria Xes:
F(x) = 0

Sean X e Y dos variables aleatorias definidas sobre un mismo espacio de probabilidades (.0, a, P). El par (X, Y) define una aplicaci6n .0 (X, Y) R2 que hace corresponder de numeros reales a cada suceso elemental (x, y) :::: (X(w), Yew») w el par ordenado

si 1 3
(2-'

x";: 0

F(x) == 1--

+ 2-['1+')

si

x»0 continua y

siendo [x] la parte entera de x. Estudiar la parte absolutamente discreta de F(x). Calcular P(X == 2). 4.12 La funcion de distribuci6n de una variable aleatoria Xes:
F(x) = 1-

Para estudiar conjuntamente define la funci6n de distribuci6n


F(x, y)

la distribuci6n del par (X, Y), se bivariante mediante la formula


~ x]
(l

= P([X

(Y ~ yJ)

e-a

,an ,(,)

F(x) = 0 donde 0 < a < 1. Encontrar distribuci6n.

si C~ x,,;: 1t/2 en caso contrario,

Esta funcion proporciona la probabilidad lores en la region indicada en la fig. 5.1.

de que (X, Y) tomen va-

la funci6n de densidad de X y la moda de la

FIG.

5.1

86

87

PROPIEDADES DE LA F1JNCION DE DISTRIBUCION BIVARIANTE Son una generalizacion de las que tiene la fun cion de distribuci6n en el caso de una sola variable. 1) 0 ~ F(x, y) ~ 1 2) 3)

el sumatorio (X, Y). La funcion

extendido

a todos los pares

de valores

que toma

de distribuci6n

bivariante

verifica: yj)

F(x, y) = 2f(Xi'
Xi"" x
Yj".

lim
~-~

F(x, y)

= lim =1

y~--

F(x, y)

=0
DISTRIBUCIONES ABSOLUTAMEN'iE

lim F(x, y)
l<-++y~+oo

BIVARIANTES CONTINUAS 'Jnj'!llta bivariante f(x, y), Hamada fun-

3)

F es no decreciente

para cada variable por separado: ~ F(X2,y)

~,< X2:::} F(XI, y)


4)

YI < Y2:::} F(x, yd ~ F(x, Y2) P([a

Se dice que (X, Y) tiene una distribucion absolutamente cr.r.tinua si existe una funci6n cion de densidad bivariante, tal que F(x, y)

<X

~ b]

n [c < Y

~ d])

=
+ F(a,
c)
")

i~ f_Y_

feu, v) du dv

= F(b, d) - F(b, c) - F(a, d)

Llamando a a la expresion de la derecha de esta igualdad, para que una funcion F(x, y) sea funcion de distribucion, adernas de las condiciones 1), 2) y 3) debe verificarse a ~ 0 para todo a, b, c, d tales que a < b, c < d.

Se verifica: 1) f(x, y) ~ 0
2)

f~- f_~-f(X,
2 a F(x, y)

y) dx dy = 1

DISTRIBUCIONES

BIVARIANTES

DISCRETAS

3) 4)

ax ay

= f(x,

y)

si f es continua
b

en (x, y),
d

Si cada una de las variables X, Y tiene distribuci6n discreta, el conjunto de pares de valores (x, y) que toma (X, Y) es finito 0 numerable. Para estudiar la distribucion se define la funcion de densidad bivariante discreta f(Xi, yj) que verifica: 1) 0 ~ f(Xi, yj) ~ 1 2) !f(Xi,
I.j

P([a

< X < b] n [c < Y < d]) =

ii

f(x, y)dxdy

= P([X = Xi] n [Y = yj])


5)

En general, la probabilidad de que (X, Y) tome .valor~s en cualquier otra region medible del plano se obtiene mtegrando f(x, y) sobre esta region. f(x, y) no es exactamente una probabilidad, pero f(x, y) d~ly se interpreta como la probabilidad infinitesimal sobre el rectangulo de vertices (x, y), (x + dx, y), (x, y + dy), (x + dx, y + dy),

yj)

1 89

88

DISTRIBUCIONES

MARGINALES

~ Las distribuciones univariantes de X y de Y deducidas ide la conjunta (X, Y) se Haman distribuciones marginales, y se dice que X e Y son las variables marginales. La funci6n de distribucion de probabilidad de la variable marginal X es Fb) = P(X ~ x) = lim Analogamente, para la variable marginal
F2(y)
y-++-

lores que toma una variable bucion de la otra variable; La condici6n

no influyen es

no condicionan

la distri-

de independencia

F(x, y)

= FtCx) Fly)
0

F(x, y)

en el caso general. En el caso discreto condicion de independencia es

absolutamente

continuo,

la

Y es
F(x, y)

P(Y ~ y)

lim
)'-++-

es decir, la funci6n de densidad conjunta funciones de densidad marginales. son DISTRIBUCIONES CONDICIONADAS

es igual al pro due to de las

En el cas a discr eto las funciones de densidad

marginales

rnl\f"~il)afes

En el caso de dependencia, si se tiene la informacion de que X ha tornado el valor Xo,se puede estudiar la distribuci6n de Y condicionada a X xs. Si existe funci6n de densidad y fl(Xo) 7f6 0 entonces la funcion

En el caso absolutamente

continuo

las funciones y)dy y) dx

de densidadl son

f1(x) = i:~f(x, fly) = i:~f(x,

f( jX y es la funci6n de densidad Analogamente f(x/Y

= )=
Xo

f(Xo, y) f1(Xo) aX

de Y condicionada

= "0.

INDEPENDENCIA

ESTOCASTICA

= yo) = --flyo)

f(x, yo)

es la funci6n de densidad Se verifiea:


1)

de X condicionada

aY

= yo.

Se dice que dos v.a, (variables aleatorias) X, Y son estocasticamente independientes, si cualquiera que sean los intervalos I, J de la recta real, los sucesos
AI

f(x, y)

= ft(x)f(y/X
f(xjY

= x) = f(x/Y = Yo) = fb)

= y)fiy).
entonces

AJ

I = {w I Yew)

{(o) X( w)

E E

I} J} se dice que que los va-

2)

Si X, Y son v.a. independientes,

v yo,

f2(yo)

7f6 7f6

0 0 con las

son estocasticarnente independientes. En caso contrario X, Y son v.a, dependientes. La independencia significa
90

fey/X

= Xo) = fly)

V Xo, fI(Xo) condicionadas

es decir, todas las densidades marginales.

coinciden

91

DISTRIBUCIONES

MUl'TIVARIANTES

- Sean XI. X2 ••••• Xn n v.a. definidas probabilidades. El vector aleatorio X aplicaci6n

= (XI.

sobre un mismo espacio de X2 ••••• X,) define una

La independencia estocastica racteriza par la identidacl-

entre las variables

XI•...• X, se ca-

en el caso general. Y por la identidad que hace corresponder nada a cada suceso elemental
W

la sucesi6n

ordeen el caso discrete


0

absolutamente

continuo.

siendox, = Xi(W). i = 1. .... n. Para estud: r conjuntamente la distrioucion de (XI ..... introduce la funcion de distribucion multivariar.te F(xi ....• que tiene propiedades Xn) Xn) se
*. CAMBIO vE

VARIABLES absoluta-

= P([XI

~ XI]

n .,. n rx, ~

x-I)

Sean XI•.... Xn v.a. con distribucion multivariante mente continua can funci6n de densidad fx(XI..... x.), Sea
y.

analogas

al caso bivariante.

= ylxl

.....

x.)

1.....

E~ especialmente importante el caso en que existe una funcion f(xi ..... x,), Hamada funcion de densidad multivariante, tal que F(xi ..... Xn)

i~.._~ , f

una aplicacion continua y biyectiva en el conjunto en que fx no se anula. Existe entonces, sobre este conjunto, la aplicaci6n inversa Xi = Xi(YI.... . Yn} i

f(ul .....

u.) dUI ... du,

1.....

n adem as que existe

Se dice entonces que la distribucion de (XI ..... Xn) es absolutamente continua. Se verifica 8"F(x" .... Xn) _ f( ) -----Xi..... Xn aXI ... aXn si f es continua en (XI..... Xn).

que supondremos tarnbien continua. el determinante jacobiano

Supongamos

Analogamente se introduce la noci6n de distribuci6n multivariante discreta. La funci6n de distribucion de la variable marginal Xi es Flxi)

IJI

=I

a(xi. a(YI.

Xn)
y-)

1=

OXI .. , OXI oYI OYn


. .................

aXn aYI

aXn aYn

= P(X

x.) = lim F(x" .... x.)


x->_ j hJl!:i

Entonces

la distribucion de las nuevas variables

Y en el caso absolutamente

continuo.

la funci6n de densidad

es

es tam bien absolutamente

continua

de funci6n

de densidad

92

93

PRCPLEMAS
f'7'

RESUELTOS

2)

La funci6n de .densidad marginal de X se obtendra sumando, . paracada valor deX,_losvalores de Ia conjunta, resultando: i

#- @Se

tirandos dados a la vez, Sea X la variable aleatoria «n.ode punto,s obtenidos porel primer dado», e Y la variable aleatoria «eZ ruimero mayor de.los-puntos obtenidos con los dos dados», Se pide:

= I, 2, 3, 4, 5, 6

'1) [i'uncidn de .densidad-conjunta bivariante. 2}' Fiiiiciones dedensidad marginales,

3)'iSon independientes? 4), Distribucion de la variable X, condicionada a Y Solucion


Se trata ce
UP:'\

= 4.
3) No son independientes, f(2,+) porque, por ejemplc: = -6-

f~6) =..!!_ 36

distribucion

bivariante

discreta.

. . 1) f(1, 1) = P([X = 1] f(k,n= 0, si

[Y

= 1]) = 36
que X

= 36 ,c £1(2) . f~4)

36

';

k>

1, pues es imposible

:= keY =

1. 4)

Ademas si la variable Y toma el valor k, la variable X debe tomar.un valor inferior 0 igual a k, es decir, es dependiente de Y.:j.: La variable X s610 puede tomar los valores 1,2,3 Y 4. Utilizando: ',:\ £(x/Y = yo) = f(x, yo) ......••..... f~yo) ,seobtiene

f{2, 2)=,

..'

36. ; que es la probabilidad

2',

de obtener etc.-

"

un 2 con el

prim~r.dado.

y 1<> 2

con el segundo,

Los vj'iies deblfunci6n .",:,;;_",>,.,1.-1:


c""&:~~;~:~.:,,_,<,,;~ii.,~',_»;,

de densidad se en~uentran ,->_ ',_ ','

en la Fig.. 52.
"-:i
'f

·f.' r

': 1/36 f(1/Y =4) = --.'. ..; •.. ;. , 7/36 " ';, >_;,> - ' ' "
·i.·

= -.7
"

1 1

. ...•. 1/36 f(2/Y=:: 4) = -.e. 7/36


"~'l

=-

1
7 4 7

f(3/Y =4)

1/36 = -7/36

=-

f(4/Y =4)=--=-

4/36 7/36

t 5.2

La ftmdpn de densidad conjunta de dosvariables aleatorias con distribucionabsolutamente continua es: ({x,.YJ ({x,
y)

= k(x+ =0

xy)

si

(0, 1) eyE

(0, 1)

en otro caso

2)
3)

Funciones de densid-id marginales. ,Son

Soluci6n

. 1

Solucion
Dividiendo la hora de 5 a 6 en 60 minutos, podemos considerar que uno y otro llegan en un momento entre 0 y 60. Sean las variables aleatorias: X

- y- =. memento'

= memento

de Ilegada del chico, _ de Ilegada de la chica. distri-

X e Y son variables abs-Iutamente continuas uniformemente buidas entre 0 y 60 y con' fun cion de uensldad: f(x)
x

2)

fb)

=f'~ -~

f(x, y) dy

=f{o -;-

$ (0, 1)
dy = 2x si x
E

1 = --60

< x < 60

(x

(0, 1) 1)

f(x)

= O.

x ¢. (0, 60)

Si sabemos que el chico ha llegado a las 5,30, para que se encuentren, la chica debe Ilegar entre las 5,20 y las 5,40, es decir, entre e1 minuto 20 y el minuto 40. La probabilidad es: P(20

< Y < 40)

40 20

Wdy = 60 = 3

20

2)

Las variables aleatorias X e Y son independientes. Luego la funcion de densidad conjunta es el producto de las funciones de densidad marginales:

f(x, y)

1
0 60

60"

si

(0, 60)

(0, 60)

en otro caso

La region posible de llegada es el cuadrado de vertices (0,0) y (60, 60). Debemos obtener la region favorable para que se encuentren. Entonces para que se encuentren: Si O' < X ::,; W debera Si 10 < X ~ 50 debera Si 50 < X ::,; 60 debera ser 0 < Y ::,; X + 10 ser X - 10 < Y ~ X + 10 ser X - 10 ~ Y < 60 97

Bastara integrar f(: 1 y) en la region favorable. Puesto que es constante, la integral sera proporcional al area (ver figura 5.3), iguaI a 1,100. pro all

b bilid a d =

1100' 11 3600 ="36

Para que los lados formados a, b y c, puedan formar un triangulo debe verificarse (todo lade debe ser menor que la suma de los otros dos): a+ b+c~2c a+ b~c a+c~b => a + b +c~2b a + b +c~2a b+_!;~a

a +h' + c =h,~c" La. condici6n para poder formar un triangulo sera por 10 tanto:
_h a ".;.--2 ,
j

b~-'2

c~-2

a+b+c=h

La region posible para el par de variables (X, Y) es el cuadrado de vertices (0, 0) :: (h, h). Debemos hallar la region favorable.
60

SI O~X Si~~X~h ., 2

.. '

~--

h
2

debera

ser

--~Y~X+--

h' 2 h
2

FIG.

53

debera ser se obtienen

X;..;_-.-~ 2
: ".'

.....• h

Y~--'

5.4 Un basion de longitud h se rompe en [res trozos al azar. iCudl eslq,probabilidaAde queconellos se pueda [ormar un tridngulo? Sotuci6n;
Romper en tres trozos significa hacer dos secciones al azar X e Y sobreel bast6n

'_,'

. '-"---:-~-Condiciones.'parecidas

-~

',-,,::

'<---.-'-:-;-<~:\' cambiando X por Y e Y por X.

FinarII'le~fe debernos integr~r Ia funci6ndedensidad dentro de I~ regionfavbrable. Pero como esta funci6nes constante,la probabilidad sera proporcional al area:

,~,

probabilidad

=~

"h2j4

=T

'. 1

X e Y·debeii.cofisiderarse .dosvariables aleatorias uniformemente distribilidas entre 0 y n.La. funci6nde densidad conjunta sera: si
1.

en otro caso

tf

5.5 Sean b y c dos numeros comprendidos entre 0 y 1. Hollar la probabilidad de que~la ecuacion

1) La funcion de densidad conjunta es: f(b, c)

= 1X 1= 1
distribuies .igual al are,~ de la

:r + 2bx + c = 0
tenga raices reales en .los casos:
1) 2)

dentro del cuadrado pues bye estan uniformemente das en (0, 1) y son indepex:dientes. Como ffb, c) -vale uno, la probabilidad region favorable: . probabilidad 2)
1

Que los nameros se elijan al azar e independientemente. Que la [uncionde densidad conjunta del par (b, c) sea:
[tb; c)

feb,
Solucion

c)

=. =0

= r b'db = _1_ Jo 3

(b2

d)

si

b,

c ''=: (0, 1) CaSO

en ctro

En este caso Ia funcion de densidad no es constante. La probabilidar se obtendra integrando feb, c) a 10 largo de la regi6r favorable: probabiL:.iad =

iii +
b2

(b2

+ c2) db de

Para que la ecuacion tenga rakes reales, debera verificarse: (2bY - 4c ~

= _3_
2

o=::}

C~

La region.posible es el cuadrado de vertices (0, 0) y (1, 1) y la region favorablees la partede este cuadrado que queda por debajo de la parabola de ecuaci6n

"

+i

Jo

i'

[b2c b
4

+ ~] + +

I(

_ 3 [.~ - -25

~]1=~ 35 21
0

f-)

b2 0

db

db

5.6 Hollar la [uncion de distribucion conjunta de las variables aleatorias (X, Y) cuya [uncion de densidad conjunta es:
[i», y)

= _6_. (x + i)
5

si

x, y E (0, 1)

I (x,
Solucion
o
FIG. 5.5
b

y)

=0
F(x, y)

en otro caso

= f_x~ f_Y~ f( u, v) du dv

i,

Se tiene, si x, y

(0, 1): 101

100

}(x,

y) =

+i' (u
~

i'i

_(u + v )dud\r y+

) du =

+-[
si si
si

4- i' [
;2

uv +

t~dU

=
_

Adernas, se verifica: [V ~ v]

= [U-~u]

n [V ~ v] + [U

> ul n

[V ~ v]

+X

; ).

Luego, teniendo enJj~~~!~que


.;_,-~::,(,:"'5:,;,·}L~::'",:"

X, Y son independientes
, .',"

Y)~F(~iJ}-Si

Y :> 1, F(x,_y) = F(r, y) si ~ ». La res- ~

P(V

~~v)y~([u_>u]n[v ~ v] J ==
FI{1XFz(0t Flu)F,(u), r2(u) si si u ~ v, u> v. FI(u) . Fb)

=FI(~1{Fi'ft 0 xoy~O x, y E(O, 1) x


E
I

-+- Fb);

(6/5Xiey/2
F(x,y)
t-

+ x'l/3)
'1/3)

(6/5Xxz/2 + x/3) (.5/5Xy/2 +

Fu, v(u, "I) = F1(u) . Fz(v) + F1(v) . Fiu) - FI(u) . Fz(u) Fe, v(u, v)

(0, l),y~1

si si

y := (0, 1), x ~ 1 x, y ~ 1

= F.(v)

. Fiv)

Si X, Y son absolutamente continuas la funci6n de densidad se obtiene derivando Fu. vCu,v) respecto de u y respecto de v: f( u, v )

~ X, Y son independientes con funciones la funci6n de distribucion conjunta de

flu) . fivJ + fb) O

. flu)

si si

u~ v u > v.

v = mdx{X,

Y}
il

de densidad en ei caso absolutamente

5.8 Las [unciones de distribucion conjunta y marginales de dos variables aleatorias X, Y son F(x, y), Fdx) y Fzfy)· Consideremos las funciones: F+(x, y) = min {Fdx), Fz(y)} F- (x, y)

= max {FJfx) + Fly)

- 1, O}

llamadas cotas de Frechet de X, Y. Se pide:

[V::s;v] =[X > u]

[Y> u]

[X ~ v]

n
si

[Y ~ v] = u~v.

1) 2)

=[u<x~v]n[u<Y~v]

Demostrar que F+ ( x, y) Y F- (x, y) son funciones de distribucion conjuntas, cuyas marginales son tambien Fd x] y Fi y). Demostrar que r-t», y) ~ F(x, y) ~ F+(X, y}.

> v la

intersecci6n es cpo Tenemos pues:

> u] n [V ~

v])

Solucion
1) Veamos que se verifican las condiciones de una funci6n de distribuci6n:

Fx, y(u, v) - Fx, y(v, uJ,+ Fx,' y(u, u)

a) b)

O~f+(x,y)~l

5.9

La funci6n [I x, y, z) f( X. y. z)

de densidad

conjunta

de las v.a. X,Y,Z si x, y,

es

lim F'{x, y) = min (1, 1)

..... ~

y.... ~

=0

= k(xy + xz + vz)
cuestiones

zE

(0. 1)

en caso contrario

lim F'{x, y) = min {O, Fiy)} = 0 -~ -

.....

Resolver las siguientes 1) 2)

f+(x, y) e) f) g)

== min {FI(x), OJ = 0

3)

Hallar la constante k. Hallar.las [unciones de densidad iSon .v.a. independientes?

marginales.

XI < X2=> FI(XI)~ FtCx2)=> P(XI, y) ~ f+(X2, y) Analogamente Finalmenre YI < Y2=> 'P(x, YI) ~ P(x, Y2)

Solucion 1)

il

se comprueba tambien que .i ;:?!O.

),'1 (1 k(xy t xz + yz) dx dy dz = 1 0)0 .


de z

Las funciones de distribuci6n margin ales son: Fx(x)

= lim

F''{x, y)

Y-++CO

= min {FI(x),
.

I}

= FtCx)

Fy(y) = lim P(x,


x.--.+QO

y) = min {I, F2(y)} = Fiy)

il il =falilk (
Integrando

Integranfo respecto

k[ xyz + xz2/2 + yz2/2 xy + +

+ +)
de y Y
2

dxdy =

dx dy =

La demostraci6n 2)

para F''(x, y) es analoga.

Dados dos sucesos cualesquiera A y B, se verifica: peA

=
=

B):%; min {peA), PCB)}

peA U B) :%;peA) Si A = [X ~ x], B

+ PCB)
desigualdad implica y).

il fl
o

respecto

k [ xy2/2
k

(X
2

+ y2/4 J:dX =
4

-+--+2

XI)'

dx=

Integrando

respecto de X

[Y ~

vl.

la primera

F(x, y) ~ P(x, Sabiendo que P(A P([X


C

=k[2_+_X_JI=k_3_
, 4
0

U Be)

=1-

peA

B), tenemos

La respuesta 2) Integrando ftCx)=

> x]

U [Y

> y]j

= 1-

F(x, y) ~ P([X

> x]) +

4 es k = 3 de y,z se obtiene x++)

+ P([Y

> y]) = 1 - FI(X) + 1 - F2(y)

respecto

de donde F(x, y);:?! FI(x) + Fz(y) - 1, luego F(x, y) ~ Fr(x, y).

ilfol ~
si 0

(Xy+xz+yz)dYdz=+( 1.

<x <

104

lOS' ,',

Analogamente f2{y) ; 6{z) N«(sonvariables

= +( z + +)
independientes f(x,y,z)

+( +)
y

Consideremos si si 0 0

ahora el cambio de variables y


q=y

<y < <z <

1 1
,-

= x·

EI cambio inverso es

x= p/q
EI determinante

y=q

porque

jacobiano.es

>= ftfx} My) fiz)

I\:{~:~~1= /lt
fr. Q(p, q)
y la funciin

La funcion de densidad conjunta de P y 5.10 Las variables aleatorias X,Y son independientes, con distribucion absolutamcnte continua y funciones de densidad Mx), fly). Hallar la [uncion de densidad de las v.a. S=X+Y Soluciori Consideremos el cambio de variables s=x+y EI cambio inverso es t=y
fP(p). y=t

= fICp/q)

fiq)

/-q I
l

de densidad de P es

p=X·

Analogamente, si el cambio es p

= xy, q = x, se obtiene
.

= f_+~~ f q)
t(

tip/

q) .,

+I

tambien

dq

x=s-t
EI determinante

jacobiano es

I
£5,T(s,t)

a(x, y) a(s, t)

I =110

~I=

5.11 La [uncion de densidad conjunta cion absolutamente continua es f(x,y) = x

de dos v.a. X,Y con distribu-

Luego la funcion de densidad conjunta de S y T es

= £t(s -

t)

fl t)

+y

si 0

< x, y< 1
?~;l";

y la funcion de densidad de S es

=0
Hallar la [uncion de densidad Solucion

en caso contrario. de R =

X2

+ YZ.

Analogamente se puede ver t x, entonces

Introducimos

el cambio de variables x = r cos 0 . y :::: r. sen 0

que es en realidad el paso de (x.y) a coordenadas polares (r, d), donde r = + V Xl+yl. El determinante jacobiano es

La funcion de densidad fR(r)

de R es entonces: si 0

a(x, Y) a(r, a)

1=

Icosa sen S

r sen B r cos

1=

La funcion de densidad conjunta de (r, a) es g(r,a)= (x + y)r

fR(r) = .; _ r(c9~a

r:
0

tt/I

r (cos a + sen a) dS = 2r
+ senS)dS = 2(r

-= r~

si 1 ~r

<r<

<...[2.

== r'(cos a + sen a)
de r y Sel siguiente: 0

siendo eI campo de variabilidad Si 0

<

r~ 1

entonces entonces

< a < 1t/2 ;'

Si 1 -: r

<..[2

Sr < S < 1t/2 -- ar de a depen-

5.12 La [uncion de densidad conjunta de cos v.a. X, Y con distribucion. absolutamente continua es:

siendo Sr = arctang ~ pues los 'valores posibles den de rsi r > 1 (ver fig. 5.6),

f(x, y} =;=0 W

si 0

<x <y <1

en caso contra rio

Hallar la [uncion de densidad de las variables aleatorias Z = X

= X.

y2.

+ Y,

Soluci6n

X+Y=.Z

F1G. 5.6

Se verifica ademas: coser.= cos (;

FIG. 5.7

sen ar =

VI --f;- er ) = cos

Como se desprende

Iacilmente z) = z2/2 1

de la fig. 5.7, tenemos que

-Sr)

= sen B,

sen (

a,

P(X si 0

+Y ~
<z<

108

109

Analogamente P(X-+y.~ z)·:::: 1 _ (2 - z'l . . 2 si 1 ~ z

Solucion

~2

si:-O

<z <I

sf 1 ~ z ~ 2 de variables

'a(x, y)
JI"

aCt,

w)

I=

l/e
Utilizando ahora la formula de integracion por partes, como

0< w

<e < 1
O<w<l.

[ Fx(y) Fy(y) ] ~~

1, tenemos

-1)

1)

Si.Fx =

Fv las dos integrales son identicas, luego es facil ver que P(X

estocdsticamente independientes y con disLaprobabilidad


P(X

< Y}== 1/2

< Y)

2)

Ahora tenemos Fx(y) = i, dFy(y) . P(X

= 3y2dy, luego
3/5.

en los siguientes casos:


1) x,¥~iiten exd~ta~ente La misma dist;ibuci6n. 2) X, Y son absolutamente continuas con funciones de densidad

< Y)

= IOl~3i

fx(x) = 2x =0
fdy)

si 0 si

< x < I,

en caso contrario;

= 3r

0.< y < I,

en caso contra rio.


111

ENUNCIADOS

F(x, y) = 0 F(x,y)=x(l-a).y.

si si si si si
~<' pide:

x 0 y:;;;; 0
l>x;;'y>O l>y>x>O

I ,
1

F(x, y) ~ yO - a) . x . si

y los del segundo». I) 2) 3) Funcion

5.1 Se lanzan dos dados. Sea X la variable aleatoria «surna de puntos nidos», e Y la variable aleatoria «diferencia entre los puntos del primer
Se pide: de densidad conjunta. marginales.

obtedado

Ft x, y) = x F(x, y) F(x, y) donde 0 ~a

[x ] < I, s » 1
lyl<I,y>1 x, y > 1

Funciones de-densidad (Son independientes? de densidad X eYes:

:;;;;1 es <Iii pararnetro. las funciones

1) Hallar

de distribucion

de las variables aleatorias

marginales. X, Y son estocasticaen conjuntos

5.2 La funcion mente continuas

f(x, y) =

{fc
0

conjunta

de dos

variables

aleatorias

absoluta-

2) 3)

Demostrar que para mente independientes. Demostrar que de probabilidad (Que significado

a = 0, las variables

si a = I, entonces nula. tiene el pararnetro

se verifica a?

X = Y, salvo

nY

si

0<x<2 0< y
<:

4) 2 5)

Dernostrar iqi r P(X = Y) = a/(2-a). buciones de 3_hw::rtz).

(Debe rplicarse

la teoria

de distri-

en otro

caso rnargi-

la funcion de distribucion conjunta, las funciones de densidad nales y la funcion de densidad de Y, condicionada a X = 1.

Hallar

5.8 Sean X, Y dos variables nuas e igualmente distribuidas f(x) = x/2

aleatorias independientes., absolutamente con funcion de densidad: si 0 < x < 2 en caso contrario de la variable aleatoria:

conti-

5.3
5.4

Los numeros a, bye, se eligen aleatoriamente entre 0 y 1. Hallese probabilidad de que la ecuacion ax' + 2bx + c = 0, tenga raices reales.
")

la Hallar

f(x) la funcion

0 de densidad

La funcion

de densidad

conjunta si

de dos

variables

aleatorias

X, Yes:

R = max {X,Yl - min {X,Yl

x » 0,

s>0

en otro Hallar: 1) La funcion de distribucion.

casu

5.9 La funcion de densidad conjunta de dos variables distribucion absolutamente continua es:
f(x, y) = f(x,

aleatorias

X, Y con

1
12

(x

+ 2y)

si x,y

(0,2)

2) Las funciones de densidad marginales. 3) Funcion de densidad de Y, condicionada 4) P«O < X < I) n (1 < y < 2».
5.5 La funcion de densidad Iimitada por las rectas: conjunta del par

yi

=0

en caso contrario

a X = 3.

Se pide: I) Hallar la funcion de distribucion conjunta, las funciones de densidad marginales y la funcion de .rensidad de Y condicionada a X = 1/2. Calcular P([O < X-< I)

(X,Y) es constante

en la region

2) 3)

[1 < Y < 3/2).

x-y=1 y nul a fuera de elias. Hallar la funcion de distribucion dos numeros de los sucesos conjunta

x-y=-I de probabilidad. X, Y dentro del in[Y < 2X), [Y;;' X]. de dos variables

Aunque Y es dependiente de X, existe un valor particular x de modo que la distribucion de Y no depende de X = x; encontrar este valor. Hallar la funcion de densidad de la variable aleatoria Z = X . Y"

4)

5.6 Se eligen al azar e independientemente tervalo (0,1). Calcular las probabilidades 5.7 La funci6n de distribuci6n aleatorias X, Yes:

de probabilidad

5.10 Sean X,Y dos variables aleatorias con funciones de distribucion F,(x), F,(y). Demostrar que si su funcion de distribucion conjunta coincide con la cota de Frechet F'{x.y) (vease el problema 5.B, de los resueltos). entonces toda la mas a de la distribuci6n bivariante esta concentrada en la curva de ecuacion implicit a F,(x) = F,(y). Demostrar tambien que si coincide con la otra cota F-(x, y), la masa esta concentrada en la curva decreciente F,(x) + F,(y) = 1.

112

113

5.11

Las funciones de distribucion F,(x) == F,(y) ==

de las variables aleatorias si "-2I si si si x~2 x>2 y~l


y

X, ·f.' son:

{Ol-e-

f(x)

y <p(X!)<p(y) dy

verifican la propiedad (1), es decir, X y I/X estan igualmente distribuidas.


3)

{Ol-e- )-"I'
'

Supongamos que X" X, son independientes, igualmente distribuidas. bar que la funcion densidad de X = XI/X, verifica (1).

Pro-

Hallar las curvas ~(x) = E.{y), F,(x) += P,(y) = I a his .que se hace referei •.:iaen el problema anterior.

5.12

La funcion de densidad bivariante de las v.a. X,Y es


f(X,

y)=--e-I/,(x'+y') 21t

-00

<x, y< +

00

Hallar las funciones de densidad de Z = + ~, V" Y IX, W == arctg (YIX) con 0 < W < 211. Demostrar que Z y W son v.a. independientes. *5.l3 Sean X,Y variables aleatorias con funciones de dist ribucion marginales F(x). G(y) respectivamente. Demostrar que cada una de las funciones siguientes [max{F(x)-a+G(y)-a-l, O}]-I/a si -l~a.<O, H (x, y) = { .., a F(x) . G(y) si a. = 0 K (x, y)
e

F(x)"-e) . G(y) { F(x) . G(y)"-e)

si si

F(x) ;;, G(y) F(x) < G(y) (con 0 ~ e ~ 1)

definen sendos sistemas de funciones de distribucion bivariante cuyas distribuciones marginales son F(x) y G(y). Demostrar que el sistema H« verifica H_1(x, y) = F-(x, y). Demostrar que el sistema Ke verifica K.(x, y) =
= F(x) . G(y), K,(x, y) = F''{x, y). Interpretar caso.

los parametres

(J.

en cada

5.14 Una v.a. X con distribucion sidad f(x) verifica P(X> 0) = 1

absolutamente

continua y funcion r~e den-

Se sabe adernas que tanto X como I/X siguen exactamente la misma distribucion de probabilidad. Se pide:
1)

Probar que f(x) verifica x'f(x)

f( I/x)

(1)

2)

Sea cp una funcion de densidad cualquiera. Probar que las funciones de densidad de la forma 115

114

.1

ESPERANZA Y VARIANZA DE UNA VARIABLE ALEATORIA

DEFINICION

DE ESPERANZA

La esperanza matematica es una generalizaci6n del concepto de media aritmetica. Dada una muestra de valores observados de una variable X, con sus respectivas frecuencias: valores de X: frecuencias: la media de la muestra es:
XI X2 .,.

x,
i=l

fl f2 .. , fn

x=

+2
i=l

f; .

Xi

2:
n i=l

Xi'

La frecuencia relativa f,jN se puede considerar como la probabilidad que tiene el valor Xi de pre sentarse en la muestra total de tamafio N. Poniendo .

P(X = ..

Xi)

fi = --, N

tenemos

Xi •

P(X

= Xi)
117

Esta manera de expresar la media de la muestra, cion de esperanza en el caso discreto:

sugier-, la defini-

PROPIEDADES DE LA E:::;PERANZA 1) La esperanza es lmeal

DEFINICI6N:Si X es una variable aleatoria discreta de funcion de densidad f(Xi) P(X = Xi),se define la esperanza de X por

_ E(X) =::: ~

Xi . P(X

= Xi) =

E(X + Y) = E(X) + E(Y), cualesquiera que sean las v.a. X e Y. Eta.X) = a.E(X) para toda constante a. 2) Si las- variables aleatorias E(X . Y) 3) X e Y SOIl independientes:

Xi . f(xI)

= E(X)

. E(Y)

Si la suma es una serie, se exige que sea absolutamente convergente. En el caso absolutamente continuo. se define esperanza de X, mediante: E(X) = ~~ X· f(x) dx Tambien densidad se exige que la integral exista, siendo f(x) la funcion de probabilidad de X.
0

La esperanza esta influida por los valores extremos de la variable debido a su interpretacion como centro de gravedad de una masa lineal. Si Y = g(Y' es una variable obtenida a partir de X mediante una funciou cc.itinua g, la esperanza de la nueva variable Y, se obtiene utilizando la formula: E(Y) = E(g(X» =

+~

4)

de

L:

g(xJ . f(Xi)

en el caso discreto,

E (X) se llama tambien esperanza rnatematica

valor medio de X. E(Y)

= E(g(X» =

f_+~~

g(x) f(x) dx

en el caso absolutamente continuo.

SIGNIFICADO DE LA ESPERANZA 5) 1) 2) Como valor medio teorico de todos los valores que puede tomar la variable. Representa una medida de centralizacion, Como centro de gravedad de los puntos que corresponden a los valores de la variable, asignandoles una caritidad de masa proporcional a la funcion de densidad en cada pun to (fig. 6.1). Si la variable aleatoria es la ganancia 0 perdida en un determinado juego de azar, la esperanza representa la ganancia media por jugada. Un juego es equitativo si su esperanza es cero.

Si X,Y son dos v.a, con distribucion bivariante absolutamente continua de funcion de densidad f(x,y), y h(x,y) es una funcion continua, la esperanza matematica de Z = h(X,Y) es E(Z) = E(h(X, Y» = _~_

J_~

t=:

hex, y) f(x, y) dx dy

3)

DEFINICION

DE VARiAN:lA

La varianza mide la dispersion media de los valores de una variable respecto a su valor medio. En el caso de una muestra ::1, X2,... , x., la dispersion de un valor XIrespecto a x, se puede medir pOI' [Ix, - xY] y la media aritmetica de esta dispersion es:
I •••••••

EIX}

S2=
6.1

L:
D

(Xi - x)2

=~
i=l

(Xi - X-)2 . P(X = Xi)

FIG.

1=1

118

119

se llama varianza de la muestra. Su generalizacion paid una variable aleatoria es: _ Si X es una variable aleatoria con esperanza finita E(X), se llama varianza de X, a la esperanza de la nueva variable Y == (X - E(X»2:

E(X) ==

f_~~
=

x dF(x)

E(g(X»

rT Jf

==

f_+: g(x) dF(x)

var(X2 = E(X -

E(X)f) Esta definicion coincide con las dadas para el caso discrete y absolutamente continuo. Para una variable aleatoria con distribucion mixta tal que:

PROPIEDADES DE LA V ARIANZA

I
i

I
,
i

1)

var(cX)

==

c2 var(X)

Vc,

'2)

La variauza se puede obtener tambien mediante:

3)

Si X e)

son variables aleatorias independientes var (X+ Y)

se tiene:

La esperanza

matematica E(X) = a

es: x fl(x) dx + (I - a) ~
I

I
l
I
I

== var(X) + var(Y)

f_~~

xJba

Se llama desviaci6n tipica a la raiz cuadrada de la varianza. l?s una medida de dispersion de la misma dimension fisica de la variable, que se indica por (1.

Analogarnente

se determina

E(g(X».

TEOREMA DE TCHEBYCHEV Nos da una acotacion de la probabilidad de desviacion variable aleatoria respecto a su esperanza. Dice asi: TEOREMA:Sea X una variable aleatoria con esperanza finitas. Entonces, dado un h > 0, se verifica: de una

OTRAS MEDIDAS DE POSICION Y DISPERSION Aunque la media es Ia medida de posicion mas utilizada, en algunos casos no existe, y en otros casos puede ser afectada por valores extremos de la variable. Se denomina mediana de una variable aleatoria X con funcion de distribuci6n F(x), a cualquier valor v tal que F(v) ~ 1/2 I-F(v)<1/2

y varianza

P(I
*DEFINICION

X-

E(X)

I~

var(X) h) ~ -__:'hz--'--

GENERAL DE ESPERANZA

Dada una variable aleatoria X con funci6n de distribucion F(x), Ia esperanza de X y de una funcion g(X) de X, se definen utilizando la integral impropia de Riemann-Stieljes: 120

La mediana es un punto \) que divide la masa de probabilidad en dos partes iguales a 1/2. Para las distribuciones absolutamente continuas de uso mas frecuente la mediana es unica (fig. 6.2). La moda se define solamente en el caso discreto 0 absolutamente continuo. En el primer caso se define como cualquier valor Xi tal que

121

1
En el caso absolutamente continuo, cualquier x que zorresponda a un maximo relativo de la funci6n de densidad f(x) constituye una moda de la distribucion, Una distribuci6n se llama -unimodal, bimodal, etc., segun que tenga una sola, moda, dos modas, etc. PROBLEMAS RESUELTOS

.jr6.1

Se venden5.000billetes de loteria a 100 ptas. cada uno, para el de 300.000 ptas. ,Cudl es la ganancia esperada de una persona_que compra tres billetes?
sorteo de un premio

f(lCl

- Soluci6n
!t>ll ---------------------------

La posible perdida 0 ganancia es una variable aleatoria que toma el valor 300.000 .: 300 299.700 can probabilidad 3/5.000 y el valor - 300 conprobabilidad 4.997/5.000. I t. ganancia esperada es la esperanza de csta variable:

E(X) = 299.700--

3 5.000

4.997 - 300--=5.000

120 por

"
FIG.

6.2

Funci6n de dist ribucion y de densidad, y represent acion grdjica de la medial1a de una distrioucion.

E5tO significa que si la persona jugara muchas veces, perderia terrnino medio unas 120 ptas. cada vez.

Se llama desviacion

media al primer memento absoluto


E() X - v

I)

1.-*'6.2

donde v es una rnediana. Se demuestra que E( I X - c I) es minima cuando c v, Asf la desviaci6n media constituye una buena medida de dispersi6n de la variable respecto de la mediana. Dado < p < 1, se llama cuantila de orden p a cualquier valor x, tal que

Una urna contiene (2B, 3N). Cuairo [ugadores A, B, C Y D extraen en este mismo orde,lb una bola sin devolucion. El primer jugador que saca bola blanca, percibe 10 ptas. Calcular la esperanza de cada jugador. Si las 10 ptas. las tuvieran que poner los jugadores, ,cuanto tocaria poner a cada uno para que el juego fuera equitativo?

Solucion
La mediana es X1/2 Las cuantilas de orden 1/4, 1~2, 3/4 se lla~an cuartilas, y las de orden 0,1, 0,2, ... ,0,9 se Haman decilas. El recorrido intercuartilico
X3/4 X1/4

Sean XA, XB, Xc y XD la posible ganancia de cada jugador. Cada una de estas variables aleatorias toma los valores 10 6 0, segun que el jugador saque bola blanco 0 no. E(XA) = 10· P(BJ)

+ O·

P(Nd =

lOT + 0-5- = 4
extraccion», etc.) 123

es utilizado 122

en estadistica

como medida de dispersion.

(B, significa «sacar bola blanca en 1a primera

"

El jugador B s610 tiene posibilidad de ganar bola blanca . .fomilogamente para C y D.

si A .. 0 ha sacado 1

=.~(1+4+9+16+)5+~6)

I
r

E(:X:B!;: 10.~(~~nNd= 10 . P(N E(j·6):i~10.p(B/nN2n NI) =


_<::
>,.

:«.

<>

I)

P(B2/Nd

= 10 .. = 3 T -"T

32

=T

91

·3· ··.·.2 .• 10----""•••••

Hr· P(.NI1"
543

P(t·MNJ. 2

P(B3/NI

N2) .; lutnmente esperanza y varianza de la variable uleatoria absocontinua, con [uncion de densidad de probabilidad: f(x) 1 = 2fi

=2
N2

E(XD)== 10 . P(B.

n N3 n

N,)

=
n N2) .
P(B4/N1

:':10 P(N,) . P(N2/N,) . P(N3/NI .

n N2 n N3) =

si
si

XE

(0,1)
(O,])

= 10-5321 3-1 -- -4

= 1.
Solucion E(X) =

,(X,: =0

x <f

Interpretacion experimental: despues de un gran numero de jugadas, los jugadores A, B, C Y D ganan por termino medio 4, 3, 2 "1 1 pesetas respectivamente. Si las 10 ptas. las tuvieran que poner los jugadores, cadq jugador, debera apostar esta misma cantidad en cada jugada para que el jllego sea equitativo, es decir, para que la esperanza de cada jugador sea nula.

E(X2)

=J

+~

_~.
h

x f(x) dx =

x2 f(x) dx

_~

i' =f

026
I~.

---. X _. dx = - 1 2

2 2

[ -- X

32 /

]I

3/2 5/2

0
]

= -- 1

3 5

26
-(

dx = _1_ [ ~

1= 0

_1_

var(X)=E(X2)_(E(XW==.··!

+)2=+_+:=;;

:5

~. Calcular la esperanza y varianza del numero dos en la tirada de ~n dado ordinario. Solucion La. variable dad 1/6. E(X) 1 = -(1+2+3+4+5+6) 6· (E(X»)2 F (i X toma los valores

de puntos

obteni-

'!~' 6.5

.La dur~ci~n en minuto: de una Uan:ada telejonica de larga disse asimila a una 1"(1 riable aleatoria X cuya funci6n de distribucion es:
Cia,

1, 2, 3, 4, 5 Y 6, con probabili-

F(X) F(X)

=0 = 1-

para

x~ 0

2 __ e-2r/J
3

1 _·_e-r/J
3

para

X>

= - 21 6 = 1, 2,

=-

7
2

Se pide : 1) 2) 3) Funcion dedensidad de probabilidad. La esperanza matemdtica 0 duraci6n media. probabilidad de que la duracion de una llamada entre 3 y 6 minutos.

var(X) = E(X2) X2 es Ia variable bilidad 1/6.

que toma los valores

... , 6) con proba-

este com-

124

125

r>

:I

I
I
I

4)

Una llamada lleva 3 minutos. Probabilidad de que nc pase de los 6 minutos.':

6.6 El numero total de puntos obtenidos en n tiradas de un dado ordinaria, se designa.por X. Hallar E(X)-y la desviacion tipica de X. Solucion

Soluci6n 1)[I..a fun~i6n de densidad


-buclon: si x~O

es.Ia derivada

de la funci6ti\ de distri-

I-

i
t

·.. odriamos resolver este problema hallando la func16n de den-, P sicl.ad de Ia variable X. Pero es mas sencillotener en cuenta cue X - es~uma de n variables aleatorias independientes: ..

f(')~ F(x) " { __ 04 9


2) E(X)

e-2/3 x

1 + __ 9

e~x/3

si

x> 0
x3

X = X1+ JG+
siendo XI el numero dado. Se tien«: de puntos

"'+)(D
del

obtenidc s en la i-esima tirada 35 = II

f_~- = [ee=x-----x f(x) dx


2X 3 /

~+-

x (:

e-2x/.

+ -~-

e- /

dx

varf Xr)
0

(ver problema

6.3)

4 9

2x 3 /]

- 2/3

4/9

+
0

1 + __ 9

e- / x---- 1/3

x3

e- /3 1/9

=2

var(X)

35· n = varfXi) + ... + var(X = 12


n)

(el valor limite de xe-x/3 y e-2x/3 para x ~ 00, es 0). 3)P(3<:X :2 <.6)
4

==
--

F(6) - F(3) 1 -3-ee-2


__

=
2 1--3-e-

desviaci6n

tipica (X)

=y351;n

= L---TeI

2- (

2-

1 Te- I) =

= _!_ e- + _1_
3 3 4)

2_ e-4 3

= 0,15553.

->:

6.7.; Sea X el numero de veces que se ha tirado un dado, antes de que salga 6. Dbtener: 1) ;;''J.nci6nde densidad de X. 2) Esperanza
". .,

Es la probabilidad de ..que X seamenor que esniayor que 3: P(X

que 6,. condiclonadaa

< 6/X >

3) =

P(3 < X < 6) P(X > 3) 1 -e-I 3 1 + __ 2

=
e-21 3

= _:__~

__ e-2+ _. e-I 3 .

3. .

--:--

__

2 e-4 3 = 0,7307

hemos necesitado tirar el dado k + 1 veces, entonces ha salido 6 y la"tultima vez si; la probabilidad es:

k veces

f(k)= P(X = k)=-6(

1 T

= 0,1,2,3

....

127

2) La esperanza matematica es:

..

E()()

= ~k

r+) +)
k(

Haciendo: = 0.75 ~

-v = 0,25 ~
2()2 ~

= 40

!(l

.:c~

2(

! +3-( !f +-;.. ) -f
[i x) =1/2 f(x) 0

< X < 1.040)

~ 0,75.

Se trata de una serie doble cuya suma es:

+f++( ~;r+(+-r +... + ) ++((+f+(+f+···)+ ++((+ f+ ...+.,.=+( ) +


/~65/6)

La [uncion de densidad de una variable aleatoria absolutamente continua Xes:

si 0 < x <.2 en caso contrario.

Hallar la esperanza matemdtica de la variable aleatoria Y Solucion Sabiendo que E{g(X»

= In(X).

+ -6-

+ r+ f+ (+-r
+

1 (.•. (5/6'1.) , 1 - 5/6

+6

1 ( (5/6)3 )

1 - 5/6

+ ...

+ ... = 1~/:/6 = 5

La respuesta es E(X) = 5.

E(~)= =

+[

i2~

x dx =

+[

f-~"

g(x) f(x) dx tenemos

x In x - x ]:= In x) - O}] = In 2 - I, 1 ( - x) im porque

2In 2 - 2 - {~(x I' = x...o In x Im-l/x

6.8 El numero medio de personas que acuden a un local es 1000 con una desvlacion tipica de a- = 20. (Cudl es el numero de sillas necesarias para asegurar que todos los asistentes podrdn sentarse, con una probabilidad de O,7S? Soluci6n Aplicando Ia desiguaidad de Tchebycheff:
P(IX128 lO00l~h):S;;h2~P(IX. 2()2

,x I1m(I nx )
x...0

., l/x = !Im-~-= x....0 __ 1/x2

x...o

=0

La respuesta es: In 2 - 1 = - 0,3069.

l000l<h)~l-h2

2()2

6:10 ., Hallar la duracion media de una conferencia telef6nica que se asimila a una variable aleatoria X con [uncion de distribucion de tipo mixto :

F(x)

==0

si

r :;;;0

Hallar la esperanza tftatemdtica de la v.a.

'7'). '- ._',.. 2.


"-:7 ,--, __'

:i.

e-x/J

--

1
2

e-[xjJ]

si

-.x

>0

z =x
Solucion Aplicando.,li( formula:

. yl.+ 2X

;'.I>.~SSQm:p?ni~~~gS en. la parte absolutamente' continua yla F(x) p~rte dis~~ta (pro .• blema 4.7), su valor medio es . . -<'-',,"-' ,"',
«f-"-~~<t"

E(j{)'~

~1+e:

X3 /

dx

+i
=3

Sl!

obtiene:
E(Z)

(3n)(e- +l-e-

D )

=Jo

f1

Jo (xf + 2xXx +
'"I
0

~.jdx

dy

=
dx dy
]

'.= t

La integral se resuelve integrando por partes y vale:

-= Jo J
=

(I (I

(xV xl
3

+ 2X2+ xyl + Zxy)


2

=
1 0

J-

x __ o 3

e-x/3 dx

i
o
l

y2

x + -2xl + -'I + x2y . 3 2


.

dy =

La suma.de la serie, puesto que es absolutamente

convergente, es: e-2)+

. '.~

(3~~e-D+' :-~-n) = 3[(e-O


-«'} -',',: .

e:")

+ 2(e2

?~--~~1 ':;f~H~:{_,~;'>-

= [ ..:L +
9'

1 '. 2 yl -i+-+-+y 3 3 2 2y
3 8' 2

dy= 101 .
72

+ .t: + _:t_ ] =
1 0

:t 3(e":i.:.. e-

3';'

3)

+ ...J
3e' e-l

= 3(1 + e~' + e- + .,.)=


media es:

I''''''' e-'

=--

Finalment¢;laduraci6n
E(X)

6.12 .La funci6n dedensidad

de una v.a. con distribucion absolutasi x

mente continua es: 3e


e-

1 = -31 + _-2 2
.

= 3,87 1
Solucion

f( x)

=0

z-,

2x e-x',.

> 0,

sif:::;;"O

.. t;sclecir,.,lminutos
·~,~.'.""<f"·· .••·t··.; •
.,
-,,"

./.'

52 segundos.
.'

Encontrar la m.oda, la 'midiana y la de1viaci6nmedia.

',;.,

6.11 La funci6n de densidad de dos v.a.' X,Y con distribuci6n absolutamente continua es

La moda es un maximo relativo' de f(x).Igualando derivaqa de f(x) a 0


. it.',
.,'--.,

la primera '

f'(x) = 2 e-x2

4x2e.;.,.2 : ()' =

es unimodal. La funcion de distrisi


lU.U~JLULJ~~'Jlll"Ulua,

ENUNCIADOS

x> O.
"

la mediana verifica

6.1 Un jugador extrae una carta de una baraja espanola. Si sale figura, gana 100 pesetas, si sale un as no gana nada, y si sale otra cosa, pierde 25 ptas. HaJlar la esperanza del jugador. 6.2 Calcular la-esperanza y la varianza' de la variable punt os obtenidos al lanzar dos dad os», 6.3 La funci6n de densidad de una variable si si aleatoria

aleatoria «numero de
es:

- (x ---'II)f(x)dx

= joY

xf(;» dx

f~

xf(x) dx

+ 'II

f.~

f(x) = { ~-' HaJlar,


I

x~o
x ~0

(x - 'II)f(x)dx =

si ex'sten,

su esperanza

y variunza.

f(x) dx - 'II

f.~

f(x) dx =

6.4 Un individuo trabaja en una oficina ,en donde ')0 puede aparcar. Si JJeva el coche a un garaje, Ie cuesta 420 ptas. Si deja el cr-che mal aparcado, le ponen muJta de 1.000 ptas., con probabilidad 1/2. iCmil es la conducta a seguir mas econ6mica? 6.5 La funci6n de distribuci6n F(x) =

r.
1-xb

de una variable si si x~a x>a

aleatoria

Xes:

(b

> 0)

Se pide: 1) 2) 3) Determinar Determinar iPara k. la funci6n

por partes:

f2x.2

e~'" dx

=-

x e~x2

de densidad E(X)?

de probabilidad

X.

que valores

de b existe

iY var(X)?

e~x2 dx

desviaci6n media

6.6 A un cine acuden, por terrnino medio, 1.000 personas por sesion, con una desviaci6n tipica de cr = 100. E! cine tiene un aforo de 1.500 butacas. cCual es la probabilidad de que se Ilene en una determinada sesi6n? (Se supone la variable aleatoria sirnetrica respecto a su esperanza). 6.7 Un algebra finita a posee cuatro atornos A, B, C y D, de probabilidades 1/2, 1/4, 1/8 y 1/8 respectivamente. Dadas las variables aleatorias: Y = 21. CaJcular: E(X Y) y var(X

.<

donde v='V'1i:i2 EI valor numerico de ambas integrales se puede calcular teIliendo en cuenta la tabla de Ia distribuci6n normal
(cap. 9) - 0,6614) :_ (0,6614 - 0,5)]

','

.;;,'1,' •.

+ 31 BUe + 2ID

t 2Y).

= 0,31408.

6.8 Demostrar que cualquiera que sea la forma de jugar a la ruleta, la esperanza de un jugador que apuesta una cantidad C en una jugada es -C/37. 6.9 Se determina al azar un punto X del cateto b y se traza el segrnento HaJJar el valor media de la longitud de L en funci6n de a y b. L.

2v'Tri2'e~ln2

+ 0,31408

= 1,1466.

Hallar

=+~

la constante

k en funcion

de a y la esperanza maternatica

de D =

6.17

La funcion de densidad de una v.a. absolutamente continua es f(x, a) = ae-«'

x>

Una v.a. X sigue esta dlstribucion con ex = 1 con probabifidad p, 0 bien la misma distribucion con ex=~ con probabilidad f l - pl. Hallar el valor esperado de la superficie de un circulo de radio X.
6.10

La funcion de distribuc'on de una variable aleatoria Xes: F~x) = 0 F(x) = 1-si 1 3


(2-'

x~o
x

6.18 Una v.a. con funcion de distribucion F(x) es tal que la esperanza matematica E(x) existe. Probar que entonces se verifica

+ 2-[']+')

si

»0
de X.

lim
X~-oo

x Ftx) = 0

lim
X--+-+CJ

x(1 -

rex»~ = o.
anteriores entonces

sienuo [x] la parte entera de x. Hallar la esperanza matematica


6.11

Sobre una circunferencia de radio r se toma» dos punt os A y B al azar e independientemente. Hallar el valor medio de la distancia entre A y B.
6.12 X es una variable aleatoria m = E(X) existe, entonces

Reciprocarr ~ rte, probar que si se curnpleu E(X) existe j ac'e.nas se verifica E(X) =

los Iirnites

tal que P(X >0) = 1. Dernuestrese que si

J~(1u

(Fxj j dx

--f
-~

F(x)dx.

P(X> c.m) < lie para cualquier


6.13

> O.
de Tche-

Demostrar la siguiente forma generalizada de la desigualdad bychev: P(I X I;;;. h) ~ _ E(!Xlk) _:..._.:.__ hk

suponiendo h > 0, k > 0, E(jXlk) <


6.14

00.

Demostrar que si g(x) es una funcion no decrec!ente, no negativa, definida sobre (0,00) y X es una v.a. tal que E(g(IXI» existe, entonccs E(g(IXIJ) P(IXI ;;;'h) ~_:..._-g(h)

6.15

Las v.a. X" X" son estocasticamente independientes y verifican E(X,) = 0, E(X~) = 1/4, i = 1,2. Acotar la probabilidad P(-I<X,+X,<+I) Las v.a. X, Y tienen una distribucion con funcion de densidad
6.16

conjunta absolutamente

continua

f(x, y) = k

=0 134

si 0 < a' ~ x' + y en casu contrario

~4
135

DISTRIBUCION BINOMIAL Y OTRAS DISTRIBUCIONE8 CLAsICAS

DISTRIBUCION

DE BERNOULLI p. Se dice que una variable X w ¢A


WE

Sea A un suceso de probabilidad es de Bernoulli si: X( w) = 0 X( w) = 1 La funci6n de densidad es: f( 0) = 1 - p = q Esperanza: E(X) = p si si

f( 1)

=p
var(X) = p . q

varianza:

DISTRIBUCION

BINOMINAL

Sea A un suceso de p robabilidad p y consideremos n pruebas independientes, en cada una de las cuales puede 0 no presentarse el suceso A. Sea X el numero de veces en que se presenta A. X toma valores de 0 a n, y su funcion de densidad es: f(k)

P(X

k)

=(~)

p" (1 - p)n-k

= 0,

1, ... , n
137

Se dice que X sigue la distribuci6n B(n, p). Verifica: E(X)

ley binomia.

i se indica por

f(fl' ..., h) Si k

nl

6!M- ... fd

pf, ... pf,


I k

n.p

var(X)

== n . p . q
de

La binomial puede considerarse Bernoulli independientes: _

como sum a de n variables

Y A2 = A.

= 2, la multinomial

coincide con una binomial en la que AI

=A

--

----- ---::--.-~--

DISTRIBUCION donde X; vale 1 si A se ha presentado no se ha presentado. en la i-esima prueba

HIPERGEOMETRICA.

yO si A

~:j k es la frecuencia de la presencia de un suceso de prol.abilidad p tras n pruebas independientes, se uicc que k 'es la frecuencia observad« y np es Ia frecuencia esperada.

Se aplica-a:las extracci;~~s sin reemplazamiento. Supongarnos que en una urna hay N bolas de las cuales N, son blancas y N2 son negras. Extraemos n bolas sin reervplazarniento. La funcion de densidad del nurnero X de bola'. blaocas extraidas es:

P(X = k)= f(k) =


0.5

Se verifica: E(X) var(X)


o o
2 3 " 5

=n

.p siendo

N-n == n· p . q-N-l

=N

NI

q=

1- p.

FIG. 7.1

Funcion

de densidad binomial

B (n

= 5,

= n.4).
0.('1·

DISTRIBUCION

MULTINOMIAL

Sean AI, A2, ••• , A, k sucesos mutuarnente excluyentes, de probabilidades PI, Pl, ... , pi respectivamente, verificando PI + P2 + '" + + Pk 1.

Consideremos n pruebas independientes y sea ces que se presenta AI, f2 el numero de veces que Se tiene: fl + f2 + ... + fk n. La k-pla (f., f2' sigue una distribucion multinomial y su funci6n

fl el numero de vese presenta A2, etc. ... , fk) se dice que de densidad es:

o
FIG 7.2

Funcion de densidad hipergeometrica

para N,

= 4,

N, = 6, n = 4.

138

139

DISTRIBUCION

GEOMETRICA

0 DE PASCAL p y sea X ef numero de veces en condiciones independientes, aleatoria X alcanza los valores es:

Depende de los parametres E(X)=f(O) Esta formula densidad. rq


p

> 0 yO < p < 1. Verifica:


rq
--2

Sea A "l.ln-suceso de prob;bilidad que debemos repetir una experiencia, hasta que se present a A. La variable 0, 1,2, ... , y su funcion de densidad f(kl = P(X = k) = p(1 r: p)k Esperanza: I-p E(X) = -p

var(X) = f(k

P p)(k +r) f(k) k+1 de

= p"

+
-

1)

= (1 -

k == 0, 1, 2, ... , n, ...
Varianza: I-p var(X) = --- p2

de recurrencia

se utiliza para calcular Ia funcion

0.5

La binomial negativa se ajusta bien a contajes de especies de ani males y plantas por unidad de area, cuando tienden a agruparse (hay contagio). Si res un entero p,,-,itivo X se asimila al numero k de ausr r.cias de un suceso de probabilidad p, despues de k + r pruebas independientes, hasta conseguir r pr esencias. pues esta probabilidad es: P(X=k)= ( k+r-l) r-l pr-lqkp= (-r)k pr(_q)k

Si r = 1 coincide con la distribucion

geornetrica.

o
FIG. 7.3

8 ...

0.3
Funcion. de densidad geometrica para p = 1/2.

DISTRIBUCION

BINOMIAL

NEGATIVA 0

Es la que sigue una variable aleatoria X que puede tomar los valores 0, 1, 2, .,. con funcion de densidad f(k) = ( ~r siendo ( - r) k ) p' (_ q)k k

II
2 3

I .negativa

,
6 ...

= 0, 1, 2, ... , n,

...

(q

= 1-

p)

FIG. 7.4.

Funcion

de densidad binomial

para p = 0,76 Y r = 5.

= (_

l)k r(r + 1) .. , (r + k - _1) k!

si

= 1,2,

'" ;

-,

DISTRIBUCION
~-

UNIFORME

Cor-responde a la variable aleatoria absolutamente continua que resulta de elegir un numero al azar, dentro de un intervalo (a, b), con funcion de densidad de probabilidad constante:

140

141

f(x) f(x) Verifica: -E(X)

1 = -b-a

si

XE

(a, b)

fDU

=0

x $ (a, b)

a=+ = -~-2 b -3 -2 -1

o
de Cauchy (a = 1,
I, =

flxl

FIG 7.6

Funcion de densidad

de la distribi.cion

0).

DISTklB{T~ION

EXPONENCIAL

NEGATIVA continua,

Es la que sigue una variable aleatoria absolutamente con funci6n de densidad: f(x) = aeo
FIG. 7.5
ctX

si si

x> 0
x ~O

f(x)
en el int ervalo (a, b).

=0

Funcion de densidad de la distribucion

unijorme

DISTRIBUCION

DE CAUCHY aleatoria absolutamente continua,

Depende del parametro a, y se asimila en ciertas condiciones, a la distribucion de la variable aleatoria «tiempo transcurrido hasta la presencia de un acontecimiento». Verifica: E(X)

Corresponde a una variable con funci6n de densidad: 1 1 f(x) = ---;- (1 + x2)

= _1_
a

1 var(X) =a2

-oo<x<+oo
fllt)

La distribucion de Cauchy tiene la particularidad esperanza y varianza. Con mas generalidad, densidad se dice que la variable

de carecer

de
.75

con funci6n

de

.5 .25

f(x) = -

1
1t

+ ( x-

b )2
234 5
>t

sigue la distribucion de Cauchy de parametros metros de localizacion b. 142

de escala a y paraFIG. 7.7

Funcion de densidad

de la distribucion

exponencial

negativa

(a. = 1).

143

DISTRIBUCION

GAMMA continua con

La distribucion gamma depende de los parametres positivos a. y p y se indica por G(a., p). Sus principales propiedades son: 1) EX)=2) 3) 4)
p a.

Es la distribucion de una variable absolutamente funcion de densidad: a.P f(x) e-a' xp-I si x> 0 r:_(p)

var(X)

p
-2-'

= ---

a.

f(x)

=0
f(p)

si

x~ 0

Si XI es G(a., PI) y X2 es G(a., P2) y ambas variables son inde- ~pendientes, entonces XI + X2 es G(a, PI + P2). La exponencial de parametro a. es G( a, 1). de

f(p) es la funci6n gamma de Euler:

xp-I e-' dx

Si p = k es un entero positivo, la funci6n de distribucion G(a., k) es:


<·1

que verifica: f(1/2) r(1) si n es entero.

=
1

Yit

= pf(p) r(n + 1) = nl
f(p

-+ \)

Fx(x) = 1 -

• --I

e-aX

(nx)'
-.,-

1.

i==O

En este caso y bajo ciertas condiciones, X se asimila al tiempo transcurrido hasta la presencia de k acontecimientos, 5) Si XI, ... , X, son variables aleatorias independientes con distribucion exponencial de parametro a, entonces S XI + .,.+ X~ sigue la distribuci6n G(a, k).

f(x)

6)

La distribuci6n

(_!_, ~)2 2

es la Hamada distribuci6n

drado con k grados importante

de libertad.

[i-cua• Se indica por X2k y juega un

papel en estadistica.

DISTRIBUCION

BETA con-

Es la distribucion de una variable aleatoria absolutamente tinua con funci6n de densidad f(x)

1 xp-I (1- X)q-I B(p, q)

si

<x <1

f(x) = 0
x

en caso contrario

donde B(p, q) es la funci6n beta de Euler B(p, q)

FIG.

7.8 Funci6n

de densidad

de la distrzbuci6n

gamma

(a.

= 1, p = 1, 2, 3).

=fol t

o-1

(l - t)q-I dt

f(p). f(p

+ q)

f(q)

144

145

La esperanza , la varianza

y la esperanza

maternatica

de X" son

EI valor medio y ict varianza son: E(X)

E(X)=-q-

=e

var (X)

= 2a.2
errores de medida (pri-

p+q 1)

var(X) = -:---~p-q.::.__--(p + q)2(p + q E(Xk) ~ rep + q)r(p r(p)r(p + q

Esta distribuci6n se utiliza para describir mera ley de los errores de Laplace).
--j"

+ k) + k)

fIX

.s
.375

2
.25\ .125

,
2 3 4 5

·5

'4

·3

'2

·1

" e = 0 y a = 1.

FIG. 7.10
")

Funcion de densidad

de la distribucion

de Laplace para

DISTRIBUC!ON Corresponde

DE PARETO a una v.a. X tal que P(X

> x)

1.0'"

0~--:Q:+:5--1-'1.0

=( ~ ) =1
,,+1

II

si x ~ X() si x

< X()

FIG. 7.9

Funcion de densidad
(1/2,2),

de la distribucion

beta para

(p, q) igual a

(1,. 2), (2,2) y (3,2).

siendo a. son:

> O.

La fur-cion de densidad, el valor medio y la varianza a. X() = x;;- ( -x- ) si x ~ X() (si a. 2)-1 X()2 (si a

f(x)

DISTRIBUCION

DE LAPLACE su funci6n de densidad es

o: E(X) = --X() a. -- 1 var(X)

>

1)

Tarnbien Ilamada doble exponencial,


f(x) = --

= a.(a. -

I)-2(a. -

> 2)

1 e-1x-91/" 2a.

00

<x < +
a>O

00

La distribuci6n de Pareto se utiliza para describir la distribucion de las rentas, donde X()representa la renta minima. Tarnbien se aplica en Biologia. 147

146

trXI 0.5 -

hex) entonees obtenemos

== a

»0

la distribuei6n

exponencial.

0.25

Cuando la variable T sigue esta distribucion, signifiea que el sistema no tiene desgaste y que, por 10 tanto, un _fallo se produce por azar.234567'11.

En fiabilidad es muy utilizada cion de densidad es:

la distribuei6n

de Weibull. La fun-

FIG. 7.11 Funcion de densidad de la dist ribucion de Pareto para X.

= 2, a. = 1.

f(x)= a~x~-I e-<>x

x > 0,

':I.,

>0

DISTRIBUCIONES

UTILIZADAS EN FIABiLIDAD

La funcion C.O riesgo es: hex)

Algunas distribueiones son especialmente utilizadas como modelos probabilisticos en fiabilidad y en analisis de datos de supervivencia. Tales distribuciones se asimilan a una v.a. T que representa «periodo de tiempo transeurrido hasta que se produce el fallo de ~n cierto sistema». El «fallo. puede ser de diferentes tipos- (un fusible se querna, un diodo falla, un individuo muere, un alimento se deteriora, etc.). La v.a. T (T ;;:::0) viene descrita por la funcion de densidad f(x). Pero son tambien importantes la [uncion de supervivencia 0 [iabilidad del sistema Sex)

== a~x~-I

y la esperanza

y varianza

son

== peT > x)

>0
Adernas, es facil ver que si X es exponeneial de pararnetro a, entonces XI/~ es Weibull. Un casu particular de la distribuci6n de Weibull, es la Hamada distribucion de Rayleigh, euyas funeiones de densidad y de riesgo son: f(x) == (2ax) ehex) que verifica E(X) == que la fun1 fi 2fi
tLX1

que representa la probabilidad de que el sistema funcione despues de un tiempo x (en el sentido de que todavia no se ha producido el Iallo), y la funci6n de riesgo 0 tasa de [allo hex)

== lim
ax....O

P(x~T

< x + Ax/T > x)


AX

y que representa la densidad de probabilidad de que el sistema deje de funcionar en el instante x sabiendo que ha estado funeionando hasta este instante x. Se verifiea: hex) == f(x)/(l don de F(x) es la funcion de distribuci6n. cion de riesgo es eonstante 148 F(x» Si suponemos

== 2ax

x>O

var(X) == (1 - 7t/4)/a 149

Finalrnente, la distribucion de Erlang es la qi.e sigue la suma de n v.a. exponenciales independientes, es decir, es la distribucion G(a, n). La funcion de riesgo es

hex)

a(ax)n-I = ---:'__n-'-:-'---

(n -1)! ~ ~ax)i/i-!_
i=O

fiX)

o.s

)(trf .Suponiendo
J)
---

que cada nino tiene la probabilidad 0,51 de ser varon, hdllese la probabilidad de que una familia de seis hijos tenga:
.'.-'

Por 10 menosun nino: ..• 2) Por 10 menos una nina.


2 3 )(

Solucion Si X es el numero de hijosvarones en una familia de seis hijos, sigue una distribuci6n binomial de n = 6 y p = 0,51.
P(X ~··1) == P(X

FIG. 7.12

Funcion de densidad de la distribucion

de Weibull.

== 0)==

1 - ( ~.)

(0,51)0(0,49)6

==

0,9862.

Por 10 menos una nina, significa que el nurnero de nifios no supera a cinco:
P(X ~5)
=:

I-P(X==

6)-= 1 - ( : ) (0,51)6(0,491'

= 0,9824.

Dos personas.juegan a cara 0 cruz y han convenido en continuar hasta qu_eJa.nto la cara como la cruz se hayan presentado 10 menos. tresve.ces.H allar la probabilidad de que el juego no cuando seltdn hecho diez. tiradas.
150

1>
Solucion Sea X el numero de caras obtenidas en diez tiradas. Para que la partida no finalice, debe ser X ~ 2 0 bien X 8, para que el numero de cruces no supere a 3. 1f: 7.5 De una estacion parte un tren cada 20 minutos. de imprevisto.Jlallar: Un viajero llega

>

P([X ~ 2]

u [~~

8])

= P(X ~
-

2)_+ P(X ~ 8)
-

La vari~ble aIe~toria X s:gue una bino~ial, P(X~2)

de n

= 10 y p = ~.

=( =(
+(

It) (of- ro~ ( ~O) (

+ ( ~) (
fl(X ~ 8) 0 18 ) (

!~ + fO = )(

+-r +-)

+-ro
+)
10

Funcion de distribucion de la variable aleatoria «tiempo de espera». 2) Probabilidad de que espere al tren menos de '1 minutos. 3}- Esperanza v varianzu de la variable. aleatoria «tiempo de espera», 4) Probabilid~d de que espere exactamente 12 minutos. Soluciori 1) Si el viajero llega en cualquier momento y todos los momentos son equiprobables, la variable ;.'eatoria sigue una distribuci6n uniir rID':' en el intervalo (0, 20). La funcion de distribuci6n es: 0 F(x)
n

1)

= 1~8
10

+ ( ~~) (
1~8

x~O 0<x<20

= P(X

~ x)

=
1

x
20

si si

x ~ 20

Respuesta:

777 128 + 128 = 64.· 2)

La funci6n de densidad es 1/20 dentro del intervalo (0, 20). P(X

< 7) = F(7) = To.

.} 7.4 En una loteria de 400 billetes hay 4 premios. Una persona compra 10 billetes. Hal/ar la probabilidad de que obtenga por 10 menos un premio. Solucion De los 400 billetes, de los que hay 4 premiados, extraemos 10 billetes. Es una extracci6n sin reemplazamiento. La probabilidad de obtener por 10 menos un premio es contraria a la -probabilidad de no obtener ninguno, ~evale:

3) 4)

E(X)

= =

0+20 2

= 10

var(X)

(20)2 12

400 = 100 . 12 3 aleatoria absoluta-

P(X 12) 0, porque mente continua.

X es una variable

\ltxc,",,,, l,OJ, 10,'

--.......:.---

t~)(

~~6 )

7.6 De una variable aleatoria uniformemente distribuida se conoce su esperanza m y su desviacion tipica 0". Hallar los extremos a y b de definicion de la vari.ible, en [uncion de m y 0". Solucion Sabemosque E(X)

(~)

= 0,9033

Respuesta:

1 - 0,9033 = 0,0967.

=m

a = -2-'+ b

var(X)

(b - a)2 = ~ = ~-1-2_;_
153

152

de donde:

a+b=2m
b- a

= 2Y3u

=>

b=m+...;!?'

=m-

.,f3?'

.:, .:. . 1 P(M. V) '= P(M).:P(V) = -20

P(M. H)=_1_ 20. P(M . H) = _9_. 20 10; _~~,.-~~_~.;--/~,,,,_ ,_ -_~- _ _

~'t~~rq~~~,o~flr:tflS.,~nl! despues de otr;:)~on:4evo~ii6n. def;Ur!'l Q,fiTiljaespafipla.: HtJ.llar la probabilidad de obtener; 2. copas, . Y"2'espaaaS°y1 oros: . '" -:»:
'>,~,,'" ,"~""",>, ','""" -","_,,, -

-:1:?_

;}~Crf [;}f ( :O.r =


~~.-::,_.:"~0~~~~.~_-_, __<:--'.. ,

~_onii'atden =
2~

. ";:-0,000981,:

.....

f.S una distribucion

~iil

~~P3

cr r: 1

Pl

P2

= P4 = ·4 --

-2! 2---"~~!---0!

(+ (+

r r(+r (

n=5

(;;J En una mana de bridge, el numero total de triunfos


=
1) Todosauno de lo;i:ontrarios. 2) Tres a uncontrario'i uno al otro. 3) Dos acada uno de.loS.contrarios.

que tienen ~dos compaiteros A yB es nueve. Obtengase la probabilidad de que los otros cuatro triunfos hayan sido repartidos:

=
',..--,'.

15 512'

Solucion
. \:.'

7.8 Sesupone que una persona de cada 10 esaficionada mu.gsica de concierto. Hallar la probabilidad de que un m!2trimonio de 10 hijos tenga 4 chicos, dos dee/los aficionados a la mUsicay6 chicas, dos de elias aficionadas a la masica. Se supone que a la afici6n a la masica es independiente del sexo. Solucion
Sea Mel suceso: «es persona aficionada a la musica» 'Vel suceso: «es varon» y H el suceso: «es hembra». P{M)=-

De las 26 cartas que quedan para repartir a los contrarios, triunfos. Un.contrario.toma 13 cartas sin devolucion;
1)

4 son

De la extracci6n sinJ,;;voluci6n, trario obtenga 4 triunfos es:

la probabilidad

de que un con-

C:J (~2)
..·•.. (·.26 ) ·•••.• .

=-230
uno de los dos contra-

11

.... 13

1
10

P(V) = P(H)

=-

1 2

nh+o.'a

.. I~~

UU'ClUUHliiU

indistintamente pedida es:

2)

La probabilidad

de dar tres triunfos

a un contrario es:

1)

La probabilidad

pedida es: tener

143 575

= 024870
'
_::.

P(AA/H) -0, pues si el individuo X fuese AA no podria ningtin descendiente aa, y en cambio vemos que tiene 3.

@
pe2

1,'_,_

mulriplicarse
141 .. 2 575 . 3) '~a probabilidad

por 2. La probabilidad

-:!_ AA

+>_!_xa .. 2
mediante Ia formula de Bayes:

Aa
..

= 286 = 049739 575 '


es: 234 = ---- 0,40695 = 575

2) Es P(Aa/H), quecalcularernos
P(Aa/H)

= =

de dar 2 triunfos a nn contrario

~(H/ 1~;-:1)-:. P~(A_a--:-);--_:---,--_ _ __ P(H/ AA) . P(AA) + P(HI Aa) . P(Aa) + P(H/aa) . P(aa)

siendo: P(aa) 1/4, P{Aa) 1/2, P{AA) 1/4, pues son las probabiIidades de que el individuo X sea AA, Aa 0 aa, teniendo s610 en cuenta sus progenitores. x _1_~+
4

Ahora' no es necesario multiplicar


triunfos dos. a un contrario,

por 2, porque si dames, dos el otro forzosamente tendra los otros

Aa
I

1 . -Aa+ 2

-aa 4 de siendo X

*~

Un ci~rto gen tiene dos alelos A y a. Del cruce de dos individuos Aa resulta un individuo X, que a su vez se cruza con otro individuo Aa de acuerdo con el siguiente drbol geneal6gico: Aa

P{H/ AA) 0, pues es la probabilidad nido 1 Aa y 3 aa. P(H/Aa), es la probabilidad 1 Aa y 3 aa y vale: P(H/Aa)=--41

= AA haya

te-

de que siendo X = Aa haya tenido

@X

Aa Aa

3!11m

(1)·3 4

(-1
2

I(

1 ----

) 0 =- 1

32

Aa aa aa aa Hallar la probabilidad de que el individuo X sea: 1) AA. 2) Aa. 3) aa.

P(H/aa), es la probabilidad J Aa y 3 aa yes: P(H/aa)

de que siendo X

= aa,
I

haya tenido

= (: ) (

Soluci6n
En este caso O {AA} + {Aa} + faa}. Indiquemos ceso: {tener 1 descendiente Aa y 3 descendientes aa}.

por H el su-

9
-Aa+-aa

+) +) +3(

X
I

Aa

2
157

156

r!

Es decir:

2)

La funci6n de distribuci6n
Fy(y)= P(Y~y)= P(2X+

de Yes:

~y) =

p'(~.~ 5)
y~

.-

... '<

==

=,

1 4

1 1
4

0·-+-·-+_·4 32 2

'1

4 --1---1-=5 4 4

1t

-(-l-+-(-y-;-- 2 -5 -/)
--,:----22+(y_5Y
de Iocalizaci6n 5 2

= --

1t

que es Ia distribuci6nde Cauchy de parametro y parametro de escala 2.

variablealea.toria con la distribucion de Cauchy. Se plde: J)Co1rtprob{lr q1fe X carece de esperanza y varianza.,2) HallarJa funci6nde densidad dela variable aleatoria Y = 2X+ 5.
,
'

">

7.12 Sea X una variable aleatoria con distribucion exponencia1. Dados x > 0 yt > O,demosttar que:
p(rX

Solucion
1) E(X)

> t + xl/eX > t])

= P([X

> x])

= f_~_

1t

1 1 + x2
2

dx

= _1_J + .. __
21t _..

2x---:_ dx =

+x

Si X representa un tiempode piedad? ' . Solucion

espera. iComo se interpreta esta pro-

=
=

21t

1[

In (1 + x ),

+ ..

--

=
P([X
-

> t]) = 1 - P([X ~ t]) = 1 -

J(t ae0

4U

du =e-a.t.

_1_" (lim In (1 + x2)


2rc
00)

-+-

---,
lim

In (1

xl)}

AmiIogamente, P([X

t = __ (0021t

> t + xi)

=e-a.(t+x)
=>

P([X

> x])

t'-a.x.

P([X>

+ x]/[X > t])

P([X

> t + x] n [x> t]) , P([X> t]) ,

que es una.expresion indeterminada, Luego E(X) noest(d~finida y en consecuencia tampoco 10 esta var(X). ..

P([X>t+

= P([X > in'

Si X se asimila a un tiempo de espera (hasta I.. presencia de un acontecimiento), la probabilidad de una posterior espera superior a x, despues de una espera t, no depende del tiempo t transcurrido.

Solucion La duracion de una visita sigue la distribuci6n valormedio E(X) 15 1/a., luegoa. 1/15.

exponencial de

,;\','"

La duracion. T de k: visitas sigue la distribuci6n .DeJ:>eIll_os halIar k talque:1:-1

gamma G( a., k) . -

-f-.-

(.;::jun

lepidopterista deS~a capturar un ejemplar. de una ~osas que se encuentra con un porcentaje dellS %.Hallarla probabilidad de que tenga que cazar 10 mariposas de la clase no deseada antes de encontrar: 1j Un ejemplar de la clase deseada. de la clase deseada.

rrr < 120)

=·1 - ~

.4
1=0 t-I

e-uott

(1~~a.Y
1.

= 0,90

=:}

~
1=0

e-8

"_. -

1.

.,

8i

= 010 '

2)Tr'~s Solucion

ejemplares

Calculando esta suma para k fica para k 5.

= 1,2,

etc., se comprueba que se veri-

1) El mimero de ejemplares X capturados antes de encontrar uno de la clase deseada sigue una distribuci6n de Pascal de .parametro p 0,15. La probabilidad es:

Respuesta: Podra atender con probabilidad 0,90.

a 5 pacientes en el espacio de dos horas,

P(X 2)

= 10) = (O,15XO,85)IO= 0,02953


r

En este caso es una binomial negativa de parametres p 0,15. La probabilidad es:

=3

)(\ 7.15 --;;'xpresar los pardmetros r y p de la distribucion 'ga~n [uncion del valor medio y la varianza rr. Solucion Se verifica:

r>

binomial

ne-

P(X

= 10) = (

10 + 3 -1 3-1

) (0,15)3-1(0,85)10(0,15)

= ( -;: )

(O,15)3(- 0,85)10· 0,04385.

m=
deduciendose

'.{I-p)
p

rr =

r(l-p)

p2

en seguida que: Iuego

~ 7.14 Cierto medico invierte IS minutos, por termino medio, en visitar a un paciente. Sabiendo que la duracion de la visita sigue la distribucion exponencial y que la consulta dura dos horas. iCudl es el numero maximo de pacientes que podrd atender con probabilidad 0,90? 160

P=7

Sustituyendo

ahora:
r=

m·p
(l-p)

m . m/rr =---rr-m 1-m/rr

161

Si se conoce la media muestral estimar p y r mediante:

X y la varianza

IT!J

estral

S2,

se puede -

r
.,
"
F

Finalmente:

P(X ~ 5)

=1-

2:f(O-=
1=0

0,0034.

.' La frecuenciaesperada de [X 0] es n . f(o} 647 X 0,6843 ::::442,76; la: frecuencia .esperada de. [X = 1J es l!-.' f(l) 138,72, ..etcetera.

;j:~::":L;:~

;':.Nmnero
Yule, para representar las [recuencias de los acobservaron los accidentes ocurridos a 647 muobteniendo la siguiente distribucion: amero de accidentes Frecuencia observada
1.

de acciderites

0
138,72

2 44,38

3
14,3

4. 4,62

5 2,2

mas

\ Frecuencias
esperadas 442,76 (segun una binomial negativa)

o
447

1
132

.2 4;

34
21 3

Somas
2

Estuaiar si esta distribuci6n se ajusta a la binomial negativa. Solucion


La media y varianza muestrales son:

Comparando las frecuencias esperadas xm las frecuencias observadas, es razonable admitir que el numero de accidentes sigue la distribucion binomial negativa.

x=
S2..

(Ox44T-t lx132+2x42

+3x21

+ 4x3 + 5x2)/647
-

~ 0,4652

vP

= (02X447 + Fx132 + ...+ 52x2)/647


del problema
r

Xl

= 0,6908
p y r:

Sea Tuna a., ~. Se pide:


7.17
1)

v.a. con distribucion de Wei bull de pardmetros

Utilizando Ios resultados P

7.15; estimamos

= 0,4652
0,6908

= 06734
'

(0,4652)2 0,6908 _ 0,4652 negativa

2}

= 0,9593
de parametres

H allar La funci6n de riesgo h( t ) y representarla grdiicamente en [uncion de t para a. 1 Y ~ = 0,5, 1,2 Y 4. Sean TI, .•• , T« v.z; independientes igualmente distribuidas, con distribuci6n de Weibull. Probar que la v.a.

S= min (TI,

••• ,

Tn)

La funci6n de densidad p = 0,6734, r = 0,9593 es: f(O) = pr f(1)

de Ia binomial , f(O) £(1)

tambien sigue La distribucion de Weibull. Solucion

= 0,6843

(1 -:~01

+ r) + r)

= 0,2144 = 0,0686
,

1) Las funciones

de densidad

y de distribuci6n t> 0 t>0

son

£(t) .,. a!3tf3-I. e-at P F(t)

f(2) = (1 -pXl £(3)

1+ 1

= l_e-

at

= 0,0221 , £(4) = 0,00715.


162

tUl~tcicm de riesgo es, pues:

h(t)

= a!3tf3-1

t> 0

Si

Gt

= 1- deberemos representar Ia funci6n


h(t)

ENUNCIADOS

= ~t~-!

7.1. Una baraja de 52 cart as se reparte al azar entre 4 personas (Ilamadas Norte, Sur, Este y Oeste), recibiendo 13 cartas cada una. Hallar la probabiIidad de los siguientes sucesos: 1)- El Norte- recibe los 4 ..ses. 2) El Norte no recibe ningun as. 3) El Norte y el Sur reciben todas las picas. 4) Entre el Norte y el Sur reciben todos los ases y tr-Ios los reyes.

6=4

7.2 En una Escuela de Arquitectura (en la que no se repiten curses) hay n alumnos del primer afio, m alumnos del segundo afio y p alumnos del tercer afio. Se eligen dos alumnos al azar entre ks n + m + p, y uno nos dice que es mas antiguo que el otro. Calcular ia prr r abilidad de que sea del segundo y tercer af) respectivamente. 7.3 Se eligen n numeros al azar, comprendido= entre 0 y 1. Sea X el mayor de estos numeros. Se pide: 1) Funci6n de disrrioucion y funci6n de densidad de probabilidad de X. 2) Esperanza y varianza de X. 7.4 El albinismo en los ratones se debe a un gen recesivo a. Cruzando dos individuos Aa, se pueden obtener individuos AA, Aa y aa, con probabiJidades 1/4, 1/2 y 1/4 respectivamente. Hallar la probabilidad de que entre 4 descendientes hayan:
1) 1 AA,2 Aa y 1 aa. 2) 2 machos Aa y 2 hem bras aa.

7.S Se lanzan 10 bolas sobre 4 cajas de modo que cada bola tiene la misma probabilidad de caer en una cualquiera de las cajas. Hallar la funci6n de densidad del numero de bolas que caen en la primera caja. 7.6 En una ciudad de 20.000 habitantes hay una catastrofe y mueren 50 personas. Una persona de otra ciudad se entera por el periodico. lCual es la probabilidad de que hayan fallecido 3 familiares suyos de dicha ciudad?

2)

P(min(Tt, ... ,

tn) > t) = P([T! > t]


= [peT

n ... n
= eD

[Tn:> t])
Il

> t)]n

tt'

La probabilidad de que un nifio sea var6n es 0,51. Prescindiendo de nacimientos multiples, se pic1e.l) ProbabiIidad de que un matrimonio de.lx! tener 3 hijos antes de tener un var6n. 2) Idem antes de tener dos varones. (3j) lCual es el numero medio de hijos que debe tener un matrimonio para conseguir dos hijos varones?
7.7

La funci6n de distribuci6n de S
Fs(t)

= min (T!; ... ,

= l_e-natP

7.8 Los cuatro grupos sanguineos se reparten en una poblacion de acuerdo con los siguientes porcentaj es:

o ==

45 %

A == 43 %

B == 8 %

AB == 4 %

que corresponde a una distribuci6n de


n a,~

Si la eleccion se hace al azar y en condiciones independientes, calcular la probabiIidad: I) De que elegidas 10 personas, 4 sean del grupo 0, 3 del A, 2 del B y 1 del AB. 2) De que elegidas tres personas, una de elias pueda donar sangre a las otras dos. 3) De que hasta el quinto voluntario no se encuentre una persona del grupo AB, si en un caso de urgencia se demandan voluntarios para donar sangre.

164

165

7.9 Sea X una variable aleaioria con distribuci6n uniforme en el interva!o (0,2). Demostrar que Y = 3X + I tiene tarnbien distribuci6n uniforme en el intervalo (t; 7). 7.10

Sea X una variable aleatoria con distribuci6n uniforrne en (0, 1). Sea F una funcion de distrfbucion de probabilidad. Demostrar que Y = F-'(X) define una variable aleatoria Y cuya funci6n de distribuci6n es F. 7.11 La siguiente muestra de Il-= 8 valores, son mimeros generados al azar con distribuci6n uniforme en (0, I): 0,8580 0,4326 0,5973 0,6685 0,9273 0,2185 0,3234 v,4546

I
DISTRIBUCION DE POISSON

Utilizando cI problema anterior, generar una muestra de n = 8 valores con disrribucion exponencial de parametro (1 = 2.
7.12 La vida activa de un Iarmaco es de 400 dias C J.110 minimo. A partir de los 400 dias el tiernpr Ie acci6n es aleatorio con dish ioucion exponen.:ial de parametro (1 = 0,04. Lado 'In lote de 12 unidades de este ,armaco, caIcular la probabilidad de que al menos 8 unidades, duren mas dcBO dias. 7.13 Demostrar que si X sigue la distribucion de Cauchy, entonces la variable Y = I/X sigue tambien la distribucion de Cauchy. 7.14

DEFINICION Una variable aleatoria X, que torna los valores 0, 1, 2, ... , n, .,. co~ probabilidad no nula, dirernos que sigue la distribucion 0 ley de POIsson de parametro A. > 0, si su funci6n de densidad de probabilidad es: f(k) = P(X = k) = e-).-

Sean X" X, v.a. independientes B(n" p) respectivamente. Se pide:

con distribuci6n

binomial Bt n., p),

I) 2)
7.15

Demostrar que la distr ibucion de X, + X, es Br n, + n, pl. Demostrar que la distribuci6n de X, conocido X, + X, = n, es hipergeornetrica de parametres n., n, y n. Las v.a. X" X, son independientes con distribuci6n exponencial de para.0.. Probar que la v.a. X, - X, sigue la distribucion de Laplace.

metro

At

*7.16 Una v.a. X tiene una distribuci6n absolutamente .continua, con funcion de densidad continua f(x) > para todo mimero real x. Adernas, si X" X, son independientes con la misma distribuci6n que X, la funci6n de densidad bivariante a 10 largo del conjunto de puntos (XI, x.) tales que

k!

= 0,1,2,

...

0.5

I x, I + I x.]

= c'

es constante para cada valor de c. Hallar f(x). *7.17 La probabilidad de que en una pareja fertil la hembra quede ernbarazada en un cicIo k (= I, 2, 3, ... ) es x, siendo < X < 1. Se pide:
1)

2)

Suponiendo independencia entre los cielos, hallar el valor medio de k en funci6n de x. Supongamos que x se distribuye en la poblaci6n segun una distribucion beta de pararnetros p = J_L/e, q = (1 -J_L) Ie, donde J_L y e son parametres de centralizaci6n y dispersi6n. Hallar el valor medio de k en funcion de J_L, e·

r,
4

.
7

FIG. 8.1 Funci6n de densidad de la distribuci6n de Poisson para A = 2.

166

167

PROPIEDADES 1) La distribucion de Poisson tiene esperanza son iguales al parametro A: E(X)


~2)

y varianza

y ambas

vid~os ~ una ~entani1la, solicitan aterrizar k aviones, una Fuente radioactiva ~m~te k particul~s, .una-rata ha presentado k reflejos desde su nacimiento), en las srguientes condiciones:
a)

=A

var(X)

Si-XI Y X2 SOIl- variables aicaterias de Poisson de parametres AI y A2, respectivamente, e independientes.i la variable surna X = XI + X2, sigue tambien una distribucion de Poisson de pararnetro A = AI + A2.

El tiempo transcurrido entre la presencia del acontecimiento (i - 1) y el acontecimiento i sigue la distribuci6n exponencial de pararnetro A f( t) = Ae-).' si
t

> O.
a otro son inde-

b)

Los tiempos transcurridos pendientes. Se veri fica »rtonces:

de un acontecimiento

APROXIMACICi"J DE LA DISTRIBUCION POR LA DIST11BFSICiN DE POISSON

[~INOMIAL

1) La dist ribucion del tiempo T, es gamma


fTk(t)=
Ak

G(A, k) si

Sean X, una variable aleatoria binomial de parametres n y p. Hagamos tender a n a infinito y p a cero, pero de forma que el producto n . p tienda a una constante ). > O. Entonces se verifica: 2) lim
P(Xn

(k -1)!

e-).'·tk-I

c- o,
en de

= k) = lim

n) k

pk (1 _ p)n-k

= e-).-k!

)..,t

El numero X de acontecimientos que se pueden presentar un intervalo de tiernpo T sigue la distribucion de Poisson pararnctro AT.
P(X

= kiT) = e-AT

(AT)k

La distribucion binomial converge en ley a la distribucion de Poisson de parametro ).. Esto significa que podemos aproximar la binomial por la Poisson si n es grande y p pequefio, tomando como parametro). = n . p. (En la practica si n > 30 y P < 0,1). En una distribucion de tres maneras:
1) 2) 3)

k!

= 0,

1,2, ...

DISTRIBUCIONES

DE POISSON

COMPUESTAS

de Poisson el pararnetro ). puede obtenerse

Se dice que una variable aleatoria X cuya distribucion depende de un parametro a, tiene una distribuci6n compuesta si a su V'~7, a. es tarnbien una variable aleatoria. La funcion de densidad de Xes: (si la distribucion de a. es discreta)

A partir de n y p conocidos. Como valor termino medio de la variable. Estimado a partir de la media de una muestra vados de la variable.

de valores obserf(x) =

f+~ f(x, a.) g(a.) d«


=

(si es absolutamente

continua)

RELACION

CON LA DISTRIBUCION

GAMMA sien~o f(x, a.) funcion de densidad densidad de a.. de x dado a, g(a)

Supongamos una experiencia en la que se mida el tiempo T, transcurrido hasta la presencia de k acontecimientos (IIegan k indi-

= funcion

de

168

169

1.

Distribucion

binomial

ccmpuesta

con una Poisson

Si X sigue la distribucion "binomial B(N, p), pero N sigue la distribucion de Poisson de parametro A, la distribucion compuesta es entonces una Poisson de parametro A' = Ap.

I i

I I
.\

Si X sigue la distribucion de Poisson, los individuos estan repartidos al azar, siendo I 1. Para I > Llos individuos presentan agregacion, y se dice que la distribuci6n de X es contagiosa.

Distribucion

de X

Valor de I -0 1

2. Distribucion dePoisson compuesta con ts distribucion

gamma

Si X sigue la distribuci6n de Poisson de parametro Ay su vez A es una variable con distribuci6n gamma G(a, r), entonces la distribucion compuesta es una binomial negativa de parametres ry a. p=~. 3. Distribucion de Poisson compuesta con otra Poisson con distribucion de Pois-

Constante ~ Poisson Binomial negativa Neyman tipo A

lip
(l

+ At)

Sean XI, X2, ••• , XN v.a. independientes son de parametro AI. La variable suma X = XI

+ ... + X

es una Poisson de parametres NA\. Supongamos ahora que N sigue tambien una Poisson de parametro 1.2• La distribucion compuesta es la llamada Neyman tipo A, y tiene una ley de probabilidad bastante complicada. Su esperanza y varianza son:

lNDICE

DE AGREGACION

Se define como el cociente 1= var(X) E(X)

Cuando X se asimila a un contaje (bacterias por unidad de volumen, especies por unidad de area, etc.) el indice I es una forma de medir el grado de contagio de X. Por ejemplo, si X es practicamente con stante (mismo numero de individuos por unidad de area o volumen), entonces se verifica var(X) = 0 y por 10 tanto I = o.
170

171

PROB',RMAS RESUELTOS 8.1 Ses;be que Laprob~biLidad de que una determinada mdq~ina fabrique,unl1; piezaAefectuosa es 0,0001. En-uri ~no se fab~lcan 20.000pfezasj ,Cudles La probabilidad de que el numero .de piezas dejectuosas produci~das en u!i ana Sf_amayor que 2? SolucionT><'
E~~na binomiai~OIln = 20.000 Y P = 0,0001. Puesto que n ~s muyf:rande. y p muy pequeno, podemos aproximarla por una POISson depanlmetro ).= n > p 2.

2)

La esperanza es A = 0,5. Luego debera pagar 0,5 accidentes por afio 01 accidente cada dos afios, por termino medic;

8.3 Una centralita telejonica recibe unas 3Q.Ollamadas cada hora. .. I{(Jpuedeestablecer mas ae 12 conextones por minuto. Se pide : J

1) 2)

Probabilidad de que quede rebasada en un minuto dado. Probabilidad de que reciba una sola Llamada en un minuto dado.

Solucion
En un minuto dado podrian Hamar un numero tie personas n te6ricamente muy ;:rande. La probabilidad de que Harne una persona determinada es muy pequefia, luego podemos considerar que el numero de IIamadas por minuto sigue una distribuci6n de Poisson. Pero desconocemos n y p. Para determinar A, que coincide con la esperanza de la variable, tendremos en cuenta que el numero de IIamadas por minuto es 300/60 5 por termino medio. Luego A = 5.

P(X> 2)

= i -.'(X

= 0) - P(X = 1) - P(X = 2) =
(

= 1-e-

1+ 2

+ ;, ) =

1 - 5e- = 0,3233

, ,8.2Pnai(;9mpa.fzi~,~~.~~g~t~S.C()~UO:r:oo asegur~4os,
..,\'~,:',

~alla que~l ....... 0,005 % de la poblac,~orll~Uec,ecada ana de un cierto ttpo de acctdente. 'Se pide: '. .
1)

1)

P(X

>

12)

1 - P(X ~ 12) = 1 - e-s~ 5


1!

~;

= 0,002.

2)

P(X

1)

= e-s_

= 0,0337.

Probabilidad de, que la compaiiia tenga que pagar a los beneficiarios de mas de. 3 de los asegurados contra tal accidente en un ana determinado. 2) ,Cudl es el numero de accidentes al aiio por termino media? Solucion
Es una binomialcort~:·=lO.OOO marse a una Poisson de parametro
1)

Y p= 0,00005, que
). = n . p

= 0,5.

puede aproxi-

8.4 La escasez de globules rojos puede determinarse examinando al microscopio una muestra de sangre. Suponiendo que un volumen pequeiio determinado contenga por termino medio 20 globulos rojos en personas normales. ,CUlil es la probabilidad de que una muestra de una persona normal contenga menos de 15 globules rojos?

p(X

> 3)=

1 - P(X~ 3)

(1

+.+ (+f (+r


_';"'-2-'--

Solucion En un volumen determinado, puede encontrarse grande de globules rojos. La probabilidad de que determinado vaya a parar a este pequefio volumen si los globules rojos estan distribuidos al azar. un mimero muy un globule rojo es muy pequefia Luego podemos
173

3'

) = 0,00175

In

admitir que el numero de ~~6bulos rojos en el citado volumen sigue una distribuci6n de Poisson. Tomaremos como parametro A. 20, que es el lennino medio de globules rojos. La soluci6n es :

2)

14

P(X< 15)=~
''',.~':;

e,-20 ~.

= 0,1048

Sea X el numero de accidentes en la primera semana, e Y en la segunda semana. Ambas variables son independientes. La variable ~ Y es ~l,numero de accidentes en las dos semanas, que tambien seguira una distribuci6n de Poisson de paramen-o 2.+ 2= 4.

:t-

k-~

. ....

--.. 44 P(X + Y... 4)-= e-4 __ 4!.. ' £0 ' 1954 .....•.. '

.r

8.5 Consideremos elsiguiente razonamiento : Como fa esperanza de la distribucion' binomial B( n, p) es np, y si n -+"", P -+ 0, np -+ A., esta distribucion converge a una Poisson de nirdmetro A.,deducimos que la esperanzc de la Poisson es A..i.E!> un rc zonamiento vtilido? Solucion
EI razonamientoes incorrecto. Deberia demostrarse previamente que ellimite de lasesperanzas de las distribuciones binomial~s es igual a laesperanzade la distribuci6n limite. Para deducir la esperanza de la Poisson correctamente debe aplicarse la formula: ... E(X)

Si X e Y son las variables. indicadas se tratara de calcular la probabilidad Ptf X = 2J

en el apartado del suceso:

anterior '

n [Y = 2]) = P(X = 2) . P(Y = 2) =


22 2!

"!-2 __

e-2

__

22

2!

= 00733
'

4)· Es una probabilidad

condicionada:

P(X ~ 3jX ~ 1) e-2( 2

P(1 ~ X ~ 3) P(X ~ 1) 3! )

=~
k=o

k e:'). .~: . ~ A.e-A

(k ~~)!

A.e-AeA A.. =

2! = -----:(:-:""I--e-"72)--_:__

+ _2_2 + _2_3

= 0,8348

k=1

8.6 En una [dbrica el numero de accidentes por semana sigue una ley de Poisson de pardmetro A.= 2. Se pide: -1)
2) 3)

4)

Probabilidad de que en una semana haya algun accidente. Probabilidad de que haya 4 accidentes en el transcurso de dos semanas. Probabilidad de que haya 2 accidentes en una semana y otros 2 accidentes en la semana siguiente. Si nos dicen que ha habidc algun accidente, probabilidad de que en aquella semana no haya mas de 3 accidentes.

8.7 La [recuencia del numero de defunciones ocurridas en 10 cuerpos del ejercito prusiano, por cuerpo y aiio durante 20 aiios, resultas de una coz de caballo es la siguiente (datos de L. von Bortkiewicz, ,1898) :
(J

Numero de defunciones

Frecuencia
109

o
1 2 3

Soluci6n
1) P(X

> 0) = 1 -

P(X

= 0) == 1 -

e-2

= 0,8646.

4omd.$

174

caballoes

cHay razones para ajirma» que el numero de muertos par coz de debida al azar?

Solucion ', f:nt&t~lhay200 cuerpos (10 cuerpos en 20 afios). En cada cuerpo hay l;Hfml ero elevado desoldados Eunque indetermlnado.La probaI11 - -bilida'd'de que tin soldado determinado dentro de- un cuerpo, muera 'deunac6z de caballo, es muy pequefia, Estas razones sugieren que sigueuna ley de Poisson si el accidente es debido al azar. Desconocelllos ny p; no obstante, como A. es la esperanza de la variable, la media de la muestra de valores de la variable debera ser proxima a A.. Tomemos pues:

,8.8 Los accidentes de trabajo que se producen en una [dbrica por s~mana, siguen una ley de Poisson .tal que la probabilidad de que ,haya 5accidentes es 16/15 de la que haya 2. Calcular;
, ·::>··.~.c.

Eiparametro de la ley de Poisson. .... .'.' ",f.JxNurnerlJ..maximo de accide!!tes semanales con una probabilidad ·(;:'·ide(90~. __.Cii-.••..••_ ' _ ~~t;CProbabiiidad de que no haya r.'ngun accidente en 4 semanas. S"oluci6n
1) P(X= 5)
z:

1):1/

16 15 P(X

= 2) ~

16 e-A __).,5 = __ 5! 15

!~-A.

__

).,2

2!

A. =

OxlCl1

lx65

+ 2x22 + 3x3 + 4xJ.


200

= 061 ' 2) Debemos hallar k tal que P(X ~ k) = 0,9. Para k = 6 es

de donde P(X = 0) = eP(X.=


O•61

= 0,5434

P(X ~ 6)

2
6

e" :~

~ 0,889:::< 0,9

1) = e-o.61(0,61) = 0,3315

k=o

r(X = 2) P(X P(X

== 0,1011
= 0,0034

= 3) = 0,Q205
> 4)
3) multiplicando las probabili-

Ha.y una probabilidad como maximo 6.

de 0,9 de que el numero

de accidentes

sea

Las frecuencias teoricas se obtienen dades par 200. Estas son:

El mimero de accidentes en cuatro semanas es la suma de cuatro variables de Poisson independientes. Por 10 tanto, la variable suma S, sigue tambien una distribucion de Poisson de parametro A. ::::: 16. La respuesta es:

pes = 0)
Numero de defunciones Frecuencia teorica 1(8,7

= e-16

2 66,3 20,2

3 4,1

4 0,7

0 mas

La concord an cia entre las frecuencias teoricas y las observadas es muy notable. Luego es razonable admitir que el numero de rnuertes por una cozde caballo es- debida al azar.
176

variable aleatoria que sigue una ley de Poisson de a A. Se define una nueva variable aleatoria Y, del iYJI"£.ltzQ{,rtt.s;it!u iente
177

pO
x Y="2
si X es par y distinto de 0, si X es impar
0

y=o
Solucion ..
E.r~ai~¢eirri'de coil la esperariza.

B.I0 Por un punto de una autopista pasan vehiculos, de acuerdo .'con Zadistribucion de Poisson, a rason de seis vehiculos.por minuto, Hallar: .
1)

cero.

Probabilidad de que transcurran mas de 20 segundos desde el. instante en que ha pasado un vehiculo hasta el instanteen que han pasgdo 5 vehlculos ~. C:'

~2) la yariable aleatoria X sera )., porque coincide


).t

Si unp~rf~;li~nza a cruzar Ia autopistainrnediatamentedespues de que ha pasado un vehiculo, calcular lo,probabilidad de que sea arrollado sabiendo que invierte 10 segundos en cruzar.

P(X = k) =

e-"-k!

Solucion
Tomando el minuto como unidad de tiempo, el miz.. ero de vehiculos por minuto sigue la distribuci6n de Poisson de parametro ). 6. EI tiempo que transcurre desde que pasa un coche hasta que pasa el siguiente sigue.la distribuci6n exponencial de parametro igual a 6.

Si X es par Y

= "2
= P (X) 2
=
1

P(Y = 1)

= P(X = 2) = e-"y = P(X = 4) = e-"T!

).2

'P(Y = 2) = P- 2 etc. Luego: (y(k) Calculemos

(X)

=2

).4

1) EI tiempo Ts hasta que pasan 5 vehiculos sigue la distribuci6n gamma G(6, 5). Como 20 segundos es 1/3 de minuto, calcularemos P(Ts> 1/3) utilizando la f6rmulaque da la funcion de distribuci6n para la ley gamma (vease cap; 1):

P(Ts>

1/3) = I-Fr,

(1/3) =

= P(Y = k) = e-"

).2k

(2k)!

k = 1,2,3, ...
OnSERVACION:

~>-6/3
4 '1=0

(6~3)1 = ~~41~

ahora fy(0).

Y 0 si X 0,1,3, ... Lossucesos [X son mutuamente excluyentes, luego: P(Y

= 0],
...+
).3).5)

[X

1], [X

= 3] ....
+ ...

Se llega al mismo resultado utili zan do Ia distribiicion de Poisson en lugar de la distribuci6n gamma, considerando que eI suceso «transcurren mas de 20 segundos en pasar 5 vehiculos» es el suceso «pasan men os de 5 coches en 20 segundos». EI numero nuto )sigue arrollado de vehiculos que pas an en 10 segundos (1/6 de raiuna Poisson de parametro ~

= 0) = P(X

= 0)

+ P(X
(1

= 1) +

P(X = 2k - 1)

2)

(yeO)

= P(Y = 0) = =

e-'),

+ ).+ M + 51 +...

!=

1. EI perro sera

= e-"(senh().) + 1)
siendo-senhtx)
178 - e-" "el seno hiperbolico

si pasa algun vehtculo, Iuego: P(X

> 0)

1-

e-1

= 0,632121

~.11

En una region bosccsa hay tres especies de arboles A, B y C. Los arboles A son chopos alineados de una plantacion artificial. Para las especiesByC se han contiido los arboles encontrados en 196 y 230 parcelas respectivamente, de 5 metros de lado, obteniendose las frecuenciassiguientes:

Numero de arboles/parcela Frecuencia te6rica (Poisson) Especie B 3.gstas frecuencias se ajustan

0 115,3 bastante 61,18

2 16,23

3 2,87

46 0,43

mas

bien a las observadas.

Nu:-n~~() ~rdrboles/ d

parcela

0
114

1 64
40

2 -15

j:

4
1

>;~X

Para ajustar C a una_ binomial negativa, estimaremos .. me-tros r y p utillzando las expresiones (vease cl problema

lospara
7.15);

~'~U:'j:1

EspecieC

161

23

f';~S:;;~;;<~c

'<,i.:;,:;_-;.:"

De las especies A, By Chay una que se distribuye segan una Poisson, otra segan. una Poisson compuesta (binomial negativa) y la restante, sigue una distril i 'cion uniforme 0 constante. Encontrar la distribucion que corresponds: a cada especie y calcular lo« indices de agregacion.

§e caIcula p

= 0,7013. r = 1,0822. Las probabilidadesse haciendo uso de la relaci6n de recurrenci a :


P(X = 0)

determinan

= pr
k

J.\X = k

1) =

(1 - p)(k k+1

+ .)

r(X = k)

Solucion
La distribuci6n de la especie A es con stante para cada parcela. El indice de agregacion vale IA 0 (no es Poisson ni binomial rtegativa).

de donde: P(X 1) = 0,2202, P(X 2) = 0,0685, etcetera. MuItiplicando por 230 obtenemos las frecuencias te6ricas. En la siguiente tabla expresamos tambien 'las frecuencias te6ricas se obtienen ajustando una Poisson con A x 0,4609.

= 1, 2, 3, .,. = 0) = 0,6812, P(X =

==
2

"

Para Bye

la media y la varianza muestrales

son: . Numero de arboles/parcel Frecuencia teorica (Binomial negativa) Frecuencia te6rica (Poisson) a 0 156,67 145,06 1 50,64 66,86

Especie

C 3 4,83 2,37 4 2,11 0,30

B:x

C:

= (114xO+ 64xl + 15x2 + 2x3 + lx4)/196 = 0,5306 S2 = (114x()2 + 64xF + 15x22 + 2x32 + lx42) /196 - x2 = 0,5246 x = 0,4609
S2 = 0,6572

15,75 15,41

Los indices de agregacion son Is = S2/X = 0,5246/0,5306 = 0,9887, Ie = 1,426. Tales valores sugieren que B se distribuye segun una Poisson, mientras que C se distribuye segun una binomial negativa. Los arboles de B estan repartidos al azar, mientras que los arboles de C tienden a estar agrupados (presentan contagio). Las frecuencias teoricas para B, admitiendo la distribuci6n de Poisson, se obtienen estimando A = x = 0,5306, caIculando P(X = 0), P(X = 1), '" y multiplicando por 196 (vease el problema 8.7). Se obtiene: 180

Se observa que con la binomial negativa nos ajustamos mejor a las frecuencias observadas que con la distribuci6n de Poisson.

I
•~1:

y (3

1
.

J
.

8.12 Una fuente radiactiva emite, independientemente, particulas a. cuyo numero, por unidad de tiempo, sigue la distribucion de Poisson de pardmetros AI y 1.2 respectivamente. Demostrar que el nu181

~ em'tldos entre dos emisiones consecutivas variable aleatoria cuya ley de probabilik = 0, 1, 2, n, '"

Soluci6n
X2=k] = [XI =0]

[Xl=k:t+

= k-l] +
r

= i}~(X2 = k-

~~..

..

emisiones de particulas a. rlI1J'"n:t" el tiempo t sigue una de parametro t. Pero t sizue la distribuci6n exponencial de parsmetro XI, luego X sigue la distribucion exponencia} de valor medio B(X) X2 ·E(t) X2/X1, es decir, una distribucion gamma, que en este caso resulta una distvibucion binomial negativa de parametres r 1 Y p, siendo

1.
1=0

.,
k

X~-i ---=
(k-I)!

= _1._e-)..'-)..2~ -,\"1 4
i=O

k! i! (k-i)!

XiXk-l
1 2

Como r = 1, obtenelllo~ la distribuci6n


~', ,',' : 'Y. "., .. " : ': .:

"

geometrica de parametfo

p.

fx(k)

= e-)..k!

Xl<

== 0, 1, 2, .. ,

La ley de probabilid~d se~~Gede hallar directamente siguiente: indiquernos 6:::iX;/).,i;entonces

del modo

~(X ==k)==

i~ ~:f(i)d}.:~ie-x 1)k+1

e-i~;

e-e~

dX=

= k! (0:

i?(O + 1)k+1 XI< di = e-(e+l)


=
6+ 1

o k! k! (8 + 1)k+l

1 --:-:---:-:= (0 + l)k

8.13 Demostrar que si 'pardmetras XI, >"2 la distribucion de rll'_"' ....J'n , 183

ENUNCIADOS

8.9 En genetica cuantitativa se admite que el numero de hijos por ;datrimonio sigue la distribuei6n de Poisson de parametro A.= 2. Se pide: 1) Calcular la probabilidad de que un matrimonio tenga exactamente un hijo. 2) Calcular Ia probabilidad de que un matrimonio con algun hijo, tenga exaetamente 3 hijos. 3) iTiene sentido considerar esta distribucion como limite de Ia binomial? 8,IOBn el proceso de fabricacion de una vacuna, un Iaboratorio.cultiva virus que -guarda en un rnedio liquicfo adecuado, con una densidad de 0.12 virus por em'. El liquido se guarda en botellas Je litro. Para detectar la presencia de virus en una botella (a fin de rechazarla si no contiene) se toman muestras de 10 em'. Calcular la prooabilidad de que una muestra no eontenga virus y obtener adem as el numero minimo de ;auestras que debe extraerse (con reemplazamiento) de una botella para ,,"Lie. on una certeza de 0,99. se c encuentren virus ~; los hay. 8.11 En eco.ogia r.e utiliza el heche de que el numero de 'ndividuos (como plantas y animales sedentarios, distribuidos al azar), po, cir c.ilo de radio unidad, se asimila a la Jiatribucion de Poisson de parametro ). y el numero de individuos por circu.o de radio r. a una Poisson de pararnetro A.r'.EI valor de A.es la densidad de la poblacion. Se pide: 1) Sean

8.1 La probabilidad de que una persona tenga un accidente en un dia determinado es 0.0003. Calcular la probabilidad de que en una ciudad de 20.000 habitantes, hayan 5 accidentes en un dia. - 8.2 La probabilidad de-ilue un inttiviouo tenga una reaccion alergica al inyec-tarle un suero, es 0.001. Determinar la probabilidad de que-en 2.000 individuc-, tengan reaccion alergica: 1) Exactamente 3. 2) Mas de<2. 8.3 Una distribucion de Poisson de parametro A.verifica, para un cierto valor k de Ia variable: f(k) = f(k
1)

1)

iQue condici6n .j~be verificar A.?

2) Demostrar que los vaiores k y k + 1 son modas de la r'iitribucion, es decir valores en donde la probabilidad es maxima. 8,4 Al eorregir Ia primera edicion de un libro de problemas de probabilidades, el autor eneontr6 la siguiente distribuci6n de erratas por pagina: n." de erratas frecuencia

r; .....

r: las distancias

de n individuos elegidos al azar al individuo

o
72 27

2
7

3 4

4 1

mas proximo a el. Demostrar que T. = r;

+ ... + r~ sigue

la distribucion

Ajustar esta distribuci6n a una Poisson y a una binomial negativa. 8.5 Se estima que una rnaquina produce 150 piezas defeetuosas al mes (rnes de 30 dias). Se pide: 1) Probabilidad de que un dia determinado produzca 3 piezas defeetuosas. 2) Numero maximo de piezas defectuosas en un dia con una certeza aproximada del 90 %. 8.6 Una variable aleatoria X sigue la distribucion de Poisson. salvo que el valor X = 0 no puede presentarse (por condicionamientos experimentales). Hallar la funci6n de densidad y la esperanza de X. 8.7 EI numero de semillas que germinan por m' de una cierta especie de plantas. sigue una distribuci6n de Poisson de parametro A..Una semiIla gerrninada tiene una probabilidad p de desarrollarse con exito, Demostrar que el numero de semillas desarrolladas por m' sigue tambien una distribuci6n de Poisson de parametro A.'= Xp. 8.8 Continuando con el problema a.iterior, supongamos que se desea estimar A..Como es imposible hacerlo directamente, se realizan dos experiencias. La primera consiste en plantar 100 semillas (en condiciones similares a las reales), obscrvandose que de 89 que han germ inado. 72 se han desarrollado. La segunda experiencia consiste en contar el numero de plantas silvestres. Si se obtuvo un promedio de 2.8 plantas por m', estimar el valor de A..

gamma G(A..n). 2) Razonar que A.= n/T, es una buena manera de estimar A.. 3) Sea R: Ia distancia de un individuo elegido al azar al n-esirno individuo mas proximo a el, Demostrar que la distribucion de R: es tambien gamma G(A..n). Razonar que A.= n/R: es otra buena manera de estimar A.. 8.12 Se admite en astrofisica que el numero de estrellas de una galaxia por unidad de volumen, sigue la distribucion de Poisson de parametro A..Sea D la distaneia entre una estrella y su veeina mas proxima, Demostrar que la 4 varieble aleatoria Y = -')t).D' sigue la distribucion exponencial negativa de 3 pararnetro II = I.

8.13 Por un punto dado de una carretera pasan vehiculos en direccion norte con una intensidad de 6 veh/rninuto, En direcci6n sur. la intensidad es de 8 veh/minuto. Sabiendo que ambas variables aleatorias son independientes y siguen la distribuci6n de Poisson, ealcular la probabilidad de que pasen dos vehiculos en direccion sur des de el instante que acaba de pasar un vehicuio en rlireccion norte hasta el instante de pasar el siguiente en la misma direccic n. 8.14 R. D. Clarke dividi6 el sur de Londres en 576 cuadriculas de 0.25 km' y conto el nurnero de bombasvolantes caidas durante la segunda guerra mundial. con los siguientes resultados: Nurnero de blancos por euadrieula Numero de euadrieulas (frecuencia) 0 229 2 93 3 35 4 7 5 0 mas

211

184

185

Estudiar si las bombas determinado.

caian al azar

iban dirigidas hacia un objetivo

\ 8.15 El mrmero X de pequefios marniferos que se encuentran en el interior de unas botellas experimentales dejadas en el campo sigue la distribuci6n de Poisson de parametro A.= I, 2. Si solamente se recogen las botellas que contienen algun mamffero, hallar el numero medio de mamiferos encontrados por botella. -11.16 Sean X.•...• X. v.a.jndependiMtes. donde Xi es Poisson de pararnetro A.I que la distribuci6n de (XI•...• X.)-conocido k Xi = N. es multinomial de parametres N Y PI = A.I/A. p. = An/A. iendo A.= k A.i. •...• s
(i ~ I, ...•n). Demostrar

8.17 Una rnaquina proporciona a una empresa una utilidad de C ecus por hora cuando funciona correctamente (siendo C > 2). Sin embargo. en un periodo de t horas la maquina puede tener X fallos, donde ;{ sigue una distribuci6n de Poisson de pararnetro t. Sabiendo que x falos en t horas ocasionan una perdida de (x' + x) ecus, calcular el tiernpo t t s: funcionamiento continuado de la maquinr 'lara que la ganancia esperada sea maxima (ganancia = = utilidad - perdidaj. 8.18 Se sabe que el numero de particulas a que emiten ciertos cuerpos durante un periodo de tiempo t (en minutos) sigue una distribuci6n de Poisson con A = c m t, donde c es una constante que depende del cuerpo radioactivo, m es la masa en gramos. Para un cuerpo A es c = 1 Y para otro B es c = 2. Calcular la probabilidad de que una mezcla de m = 2 gramos de A y m = 1 gramos de B emita 2 particulas a en un periodo de 3 minutos.

DISTRIBUCION NORMAL

DEFINICION Una variable aleatoria absolutamente continua X se dice que se distribuye normalmente, 0 que sigue una ley normal. si su funcion de densidad es de la forma: f(x) = __1 __
1jV21t
e-Ix-mFI2<r'

Se indica abreviadamente por Nl m, e ). La representacion grafica de f(x) es la conocida «campana de Gauss» (fig. 9.1).

PROPIEDADES 1) La distribucion normal depende de dos parametres samente iguales a su esperanza y su varianza. E(X) = m 2) 3) 4) La distribucion var(X) = ~. respecto a su esperanza m. a . X es m y ~. preci

I.

normal es simetrica
¢

Si X es normal Ntrn, e) y a N(a . m, [a] . Ij).

0 es una constante,

Si X. y X2 son normales Ntrn., Ijl) y N(m2. 1j2). e independientes, entonces X XI + X2• tarnbien es normal:

186

187

LA NORMAL REDUCIDA Se llama as! a la normal mO, 1), de media y varianza unidad. Es la unica que se encuentra tabulada. De cualquier otra variable normal X que sea N(m, c) se pasa a la reducida, mediante e1 cambio: X-m y=-a Y es N(O, 1). Se tiene:
P(XI ~ X ~ X2)

TEOREMA CENTRAL DEL LIMITE

La distribucion normal es especialmente importante en Estadistica, debido a que toda variable que sea suma de un cierto nurnero de variables independientes, puede aproximarse (bajo ciertas condiciones) a esta distribuci6n. Teorema de- Laplace-De Moivre tender

= P(YI

~ Y ~ Y2)

Si X, es una binomial de parametres n y p, haciendo n a infinite. y manteniendo p constants, se verifica:

siendo Yi = (Xi - m)/cr. Las tablas de la normal


a)

reducida

mas corrientes

son: siendo Y la normal reducida N(O, 1).

La acumulativa, en la que, para un valor y s e obtiene la probabilidad P(Y ~ y), 0 area situada a la izquierda de y.

En consecuencia, podemos aproximar la binomial de parametros n y p, por la normal N(np, Y npq), si n es grande y p no es demasiado pequefio (en la practica, si n ~ 30, P ~ 0,1). Teorema
-3 -2 -1 0 2 3

central del limite

RIG. 9.1 b)

Si Xi, Xl, ..., X, son variables aleatorias independientes, de medias E(Xi) = rn., i 1, ... , n, y varianzas van Xi) = 07, entonces la esperanza y varianza de la variable suma es:

La que da los valores criticos. Dado un valor de y, se obtiene area de las dos colas: P(Y

el
E(X!

+ ... + Xn) + ... + Xn)

< -- y) + P(Y > y)


vart X, =

Z
n 1=1 n

rn, = m

Z~
i=l

= cr2.

-y Pues bien, en ciertas reducida:


-3 -2

condiciones

generales,

la variable

surna,

-1

0 FIG. 9.2

(Xl + ...+ X,) - m converge ------------~N(O, a

en ley

1), 189

188

es decir, tiende a distt ibuirse segun una normal reducida, do n ~


00.

cuan-

I
I

siendo a - np - 0,5 a' = ---;v;::::n~p:;:O:(1=-=p );=- b'

Consecuencias
1)

b - np + 5 V npO - p)

°.

EI teorema de Laplace-De Moivre es un caso particular del teo-rema central del Iimite; porqu_(! una variable aleatoria binomial ~ suma de variables aleatorias de Bernoulli independientes. Muchas variables aleatorias como pesos, alturas, tallas, consumos de gas, etc., siguen una distribucion normal, porque eada una de ellas es sum a de un gran numero de variables aleatorias independientes. Asi la altura de una persona es suma de muehos faetores: hcreditario , alimentacion, tipo de vida, etc. EI eonsumo de gas por dia de una campania es suma de los consumos de los usuarios. Los errores, IIamados aleatorios, que se presentan en observaciones astronomicas, pesadas de una balanza, etc. y en general, en la mayoria de las medidas con algun aparato, son la suma de un numero elevado de errores elementales independiefttes: eorrientes de aire, vibraciones, error de apreciacion, etc. Por tal motivo los errores aleatorios siguen una distribucion normal.

2)

. En gener~l, la aproximaci6n es suficiente si n ~ 30, 0,1 < p < 0,9. Sl p < 0,1 o rn < 30, la .aproximacion es aceptable sLnp > s, Si p = 0,5, la aproximacion sigue siendo valida si np > 3, incluso para va.lores muy moderados de n. Si n ~ 30, p < 0,1 y np < 5, la binornial pu~deaproximarse a una Poisson de parametro ).. np. Finalmente, SI n < 30 Y np < 5, la binomial debe calcularse directamente como una binomial (salvo el caso mencionado de p 0,5).

3)

Se suele util.zar seno»

tambien

en estadistica

la transfcrrnacion

«arco-

Y
que transforma

= arc

sen

vex

+ 3/8) + 3/4
normal

X en una variable N ( arc sen

-r« V

Y aproximadamente ~n ) .

Entendida como distribuci6n para deseribir errores de medida, se llama entonces «segunda ley de los errores de Laplace». APROXIMACIONES DE ALGUNAS DlSTRIBUCIONES A LA DlSTRIBUCION NORMAL
1.

2.

Distribuci6n

de Poisson

Como la sum a de v.a. independientes con distribuci6n de Poisson e~,otra Poisson de parametro la suma de parametres, esta distribuCIOnpuede considerarse aproximadamente normal. La aproximacion con correccion de eontinuidad, es J Pea ~ X ~ b) =

'

Distribuci6n

binomial

Como consecuencia del teorema de Laplace-De Moivre, para n grande, la distribucion B(n, p) puede eonsiderarse aproximadamente N(np, v npq). La formula de esta aproximaci6n con eorreeci6n de continuidad, es
b

2;
k=a

e-A

__

k!

)..k = fb'

1 e-y1/2dy -:-- -..['Ii

siendo
a'

pea ~ X ~ b) = ~
k=o

( ~) pk (l - p )n-k =

b'

a -).. - 0,5

e-y1/2dy

..;T:

b'

b - A.

...fA.
para

+ 0,5
).. > 5, mejorando

a'

..;Tit

Esta aproximaci6n se considera a medida que aumenta A..

aceptable

190

191

En estadistica drada»

se utiliza tarnbien la transformacion y=

-v

«raiz cua-

X+- 3 8

sigue la distribuci6n N(m, 0"), entonces se dice que X sigue la distribuci6n logarftmico-norrnal 0 log-normal, de parametres .a. m, a, Poniendo b em, se indica esta distribucion por LN(a, b, 0").

1 que eonvierte X en una variable Y aproximadamente N( VA, 2")' 3. Distribucion Gamma

j
t

Propiedades 1) La funci6n de densidad es f(x) = 2) 1 (j(x-a)~ _


e-[Iog (x-a)-ml'/2q2

si x

>a

Como la distribucion G(a, k ), siendo k entero, es la distribucion de la suma de k variables aleatorias independientes, con distribucion exponencial de parametro a, la distribucion gamma se puede considerar aproximadamente normal N(k/c., YKJ(i!). La aproximaci6n es suficie 1 e para k ~ 15. 4. Distribucion uniforme

Esperanza y varianza

= a + b e~'/2 var(X) = b e~' (e~2 E(X)


2

1)

3) Si XI es LN(al, h. 0"1). x, es LN(a2, bl, 0"2) Y ambas son independientes, entonces el producto (XI - alXX2 - a.) es LN(O, blb2,
~l

Sea X v.a. con distribucion uniforme en el intervalo ( -1, + 1). Si XI, Xl, ... , X, son v.a. independientes con la misma distribuci6n que X, entonces Luego, la v.a. Y = XI la v.a. XI

+ O"l).

+ .., + X,

tiene media 0 y varianza' ~.

4) Bajo ciertas condiciones de regularidad, si Xl, X2, ... , X, son v.a, independientes, la distribuci6n de la v.a. producto Yo = X, ... X, puede aproximarse a una log-normal si n es grande, independientemente de la distribuci6n de cada Xi.

+ .., + Xn Vil13

t(x) 1.•

tiene aproximadamente una distribucion N(O, 1), como eonsecuencia del teorema central del limite. Esta distribuci6n se utiliza para generar numeros aleatorios con distribuci6n N(O, 1). Es suficiente tomarn = 12. Para n 3, la distribucion en menos de 0.01.

1.2

de XI + X2

+ X,

difiere de la N(O, 1)
0.4 0.2

DISTRIBUCIDN

LOG-NORMAL X es tal que para alguna con stante a

o~~---c--~~~---o 0.5

~
1.0 .. -£(109 x)&o

~
1.5

~x 2.0

Si una variable aleatoria la variable transformada Y 192

= log (X -

FIG. 9.3

a)

Funcion de densidad. de una distribucion es N (0, a ).

log-normal tal que log (X)

193

PRnHLEMAS RESUELTOS

Si X es una variable .aleatoria normal de media 10. y varianza 4, se pide:


9.1 1) P(X~ 12). 2r~p(9 ~ X ~.J-J). 3) a, tal que P(X.~ a) '_'

I !
3)

En la tabla acumulativa

es: F(O,S) - F( - 0,5)

== 0,32. (Utilicese la tabla de las colas).

Solucion
La variable Y 1) P(X ~ 12)

X-m
0"

X-lO

sera normal rcducidal

= P(Y

~ 1).

El valor: tal que P(Y ~ y) = 0,32 es negative, y su cola a Ia izquierda tiene un area de 0,32. Las dos cola: valdran 0,64. Mirando en la tabla, a 0,64 Ie corresponde y = - 0,4677. Luego: a

Debemos mirar el area de la izquierda de 1. Mirando enola tabla III, obtenemos (sin interpolar), para 1 el valor 0,31, que corresponde a dos colas. Nos interesa el complementario de una cola, a saber . 1 - 0,31 0845

= m + o"y =

10

+ 2{-

0,4677)

= 9,0646

'

En la tabla acumulativa F(l)

se lee directamente: ~ 1)

= P(Y

= 0,84134

-2

-1

o
FIG. 9.6

I
~2 -1

I.
o
FIG. 9.4
2

=*.2. Se tira 1.000 veces una moneda y se pide: 1) Prl'Jblzbilidt1.d

numero de caras este comprendido b) centrado en SOO,que verifique:

2)

P(9~X

~ 11)= (p{- 0,5 ~.y ~ 0,5) entre - 0,5 y 0,5 es la complementaria 1.; 0,62 = 0;38 de las

15,8113

Consultando

las tablas: P(Y ~ 1,6448)

P(Y:::;; - 1,2815) = 0,1

= 0,95 = 1 -

0,05

=> --,510- - 500 = 0:0324 15.81-13 ' P(-O,6324.~ Y.~ 0,632n

15 -m

a
-

=-

1,2815 --

---= a
(j

20-m

1,6448

=> m ~.17,1896
1) P(X ~ 13) ::;:

= 1,7086
)

= 0,47

P (Y

13 ~,~~~~96

= P(Y :::;;_

2,4520) =

siendo:
a'=

a ~ 500 15,8113

b'

2) b- 500 15,81.13 3)

P(16 ~ X

= 0,0071. ~ 17) = P ( = P( -

16 -:: 17,1896 ~ Y ~ 17 - 17,1896) 1,7086 1,70860,6962 ~ Y ~ - 0,1110) = 0,2126

Consultando

la tabla III:

P(Y ~ - 1,6448)

= 0,95=>

a-SOO 15,8113

= 0,05

=> _ 1,6448

-196 '

x - 17,1896 1,7086

=>

, 4)

=> x = 14,3792.
yes el valor medio de la variable: y

b =53L

17,1896.

9.3 Dada ... Una variable oleatoria normal, verificando: P(X~15)==O,1, Se pide:
1)

9.4 Hallar la probabilidad de que entre 100.000 ciiras al azar fa citra 6 salga menos de 9.971 veces. r Sotuci6n
EI numero X de veces que se elige el 6 sigue una distribucion bi .. 1 d e n morma 100.000 y p 1/10. Podemos aproximarla a una normal de m 10.000 y a ...j100.000 . 1/10 . 9/10 94,87.

p(X~20)

=0,95,

P(X ~ 13).
~ 17). x tal que P( X :::;; J =;.0,05 x ytal que P(X > y)::=,;0,5; P(16.~X

2) 3) 4)

La

vana

. ble Y
e

X - 10.000 94,87 es N(O, 1). 9971 - 10,000 ) 94.87 = P(Y

9,971) =

p( y <

< :_0,3057) =

, = 0,38. 197

9.5 EI coeficiente de inieligencia es una variable aleatoria que se distribuye segun una normalNi m = 100,0" = 16). Calcular: La probabilidad de que un individuo, elegido al azar, tenga un coefic{ente inferior a 120. 2) .... den;-:.4.e que tengaun coeficiente entre 118 y 122. / .: 3t _Se suponeqMe un individuo con carrera uniuersitaria, debe-tener un c6eficientesuperior a 110. Hallar la probabilidad de que un licenciado ienga un coeficiente superior a 120. '
1)

I
Si m y X_ m
0"

P(X :::::;; = 0,58 75) P(75 P(X

<X

:::::;; = 0,38 80)

> 80) = 0,04


P(X :::::;; 80)

De estes datos deducimos:_

= 0,96

Soluci6n
La variable Y

0"

son la med:a y la d . ., ,. ..' . • eSVIaClOnttpica, la variable Y = es 1).

k(O,

x = -----16100
<

es N(O, 1~

1) 2) 3)

P(X

<

120) = PY (

120 - 100 ) 16

= P(Y
1,375)

<

. 1,25) = 0,8943.

P(118

<X <

122) =P(1,125

<Y<

= 0,0457

De Ies taVas obtenemos. P(Y ~ 0,02) = 0,58 P(Y ~ 1,75289) = 0,96 Luego: 75 - m ---=0,02 0"
0"

(interpolando). = 1,75289

--0"--

80 - m

Es una probabilidad P(X

condicionada:

Respuesta: m = 74,36 %

= 3,22 %

>

. 120/XIIO)

. > ..•... .

P( [X

> 120] n [X> 110]) =


P(X

>

110)

0,1057 ~ 03974. 0,2660 '

9.7, Si x, X2 . d' .' , ..., X n Son varia bl es aIeatorias normale N( }. ependzentes, hallar la distribuci6n de la nueva variable ~ m.a , m·

= n (X, + X + ... + Xn)


1
2

9.6 Se supone que en cierta pobLaci6n humana el indice cejdlico i (anchura del crdneo expresada como porcentaje de su longitud) se distribuye normalmente entre los individuos. Hay el58 % de dolicocejalos (i ~ 75), el .38%. de 'mesoceialos (75 < i ~ 80) Y el 4 % de braquicejalos [i < 80). Hallense Lamedia y la desviacion tipica de i. Solucion

Soluci6n

•••.••..•...•••.•••. '.X sigue

una distribu ., l' •.• ....•• muItiplicada por una sum~o; normal' p.orque es. la constante lin '. ., normal. S610 faItara h norma es Independienras, que es. ...•... '. a ar su esperanza y su varianza:

17

nn.

= E (+(XI Sea X la variable. aleatoria normal que Verifica: 198 1 =-·nm=m n

+ ... + Xn) )

= +(E(XI)

+ ... + E(Xn» =