Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Análisis Combinatorial
1,1 Introducción
1,2 EL PRINCIPIO BÁSICO DE CONTAR
1,3 Permutaciones
1,4 Combinaciones
1,5 COEFICIENTES MULTINOMIALES
1,6 EL NÚMERO DE SOLUCIONES ENTERAS DE ECUACIONES
1,1 Introducción
Aquí está un problema típico del interés que implica probabilidad: un sistema de
comunicación es consistir en N antenas aparentemente idénticas que se van a alinear en un
orden lineal. El sistema resultante será capaz de recibir todas las señales entrantes, y se
llamará Funcional— siempre y cuando no haya dos antenas consecutivas defectuosas. Si
resulta que exactamente M Su N antenas son defectuosas, ¿cuál es la probabilidad de que el
sistema resultante será funcional? Por ejemplo, en el caso especial N = 4 y M = 2, hay 6
configuraciones posibles del sistema, a saber,
0110
0 101
1 010
0 011
1 001
1 100
donde 1 significa que la antena está funcionando y 0 que está defectuosa. Debido a que el
sistema resultante será funcional en los 3 primeros arreglos y no funcional en los 3 restantes,
parece razonable tomar como la probabilidad deseada. En el caso del general N Y
m, podríamos calcular la probabilidad de que el sistema es funcional de una manera similar.
Es así, podemos contar el número de configuraciones que dan lugar a que el sistema sea
funcional y luego dividir por el número total de todas las configuraciones posibles.
De la discusión anterior, vemos que sería útil tener un método eficaz para contar el
número de maneras que las cosas pueden ocurrir. De hecho, muchos problemas en la teoría
de la probabilidad pueden ser resueltos simplemente contando el número de maneras
diferentes que un cierto acontecimiento puede ocurrir. La teoría matemática del conteo se
conoce formalmente como Análisis combinatorio.
donde decimos que el resultado es (i, j) si el experimento 1 resulta en su iel resultado posible
y el experimento 2 resulta en su jresultado posible. Por lo tanto, el conjunto de posibles
resultados consiste en M filas, cada una que contiene N Elementos. Esto prueba el resultado.
EJEMPLO 2ª
UNA pequeña comunidad formada por 10 mujeres, cada una de las
cuales tiene 3 hijos. Si una mujer y uno de sus hijos deben ser
elegidos como madre e hijo del año, ¿cuántas opciones diferentes
son posibles?
Sí R los experimentos que se van a realizar son tales que el primero puede dar lugar a
cualquiera de n1 posibles resultados; y si, para cada uno de estos n1 posibles resultados,
hay n2 posibles resultados del segundo experimento; y si, para cada uno de los posibles
resultados de los dos primeros experimentos, hay n3 posibles resultados del tercer
experimento; y si..., entonces hay un total de n1 · n2 ···nR posibles resultados de la R
Experimentos.
EJEMPLO 2B
Un Comité de planificación universitaria consiste en 3 estudiantes de primer año, 4 de segundo
año, 5 jóvenes y 2 personas mayores. Un Subcomité de 4, que consiste en 1 persona de cada
clase, debe ser elegido.
¿Cuántas subcomisiones diferentes son posibles?
3
Sección 1,3 Permutaciones
EJEMPLO 2C
¿Cuántas diferentes placas de 7 plazas son posibles si los 3 primeros lugares deben ser
ocupados por letras y la final 4 por números?
· 10 · 10 · 10 = 175.760.000.
EJEMPLO 2D
¿Cuántas funciones definidas en N los puntos son posibles si cada valor funcional es 0 o 1?
Solución.1, 2,...,n, sigue que hay 2Let que los puntos sean 1, 2,...n,nposibles funciones..
Desde f(i) debe ser 0 o 1 para cada me =.
EJEMPLO 2E
En el ejemplo 2C, ¿cuántas matrículas serían posibles si se prohibiera la repetición entre
letras o números?
1, 3 Permutaciones
¿Cuántos arreglos ordenados diferentes de las letras a, bY C son posibles? Por enumeración
directa vemos que hay 6, es decir, ABC, ACB, BAC, CAS, CABY Cba. Cada arreglo se
conoce como un Permutación. Así, hay 6 posibles permutaciones de un conjunto de 3
objetos. Este resultado pudo también haber sido obtenido del principio de base, puesto que
el primer objeto en la permutación puede ser cualquiera de los 3, el segundo objeto en la
permutación se puede entonces elegir de cualquiera de los 2 restantes, y el tercer objeto en
la permutación es entonces el remaini NG 1. Así, hay 3 · 2 · 1 = 6 posibles permutaciones.
Suponga que ahora que tenemos N Objetos. Razonamiento similar al que acabamos de
utilizar para las 3 letras entonces muestra que hay
EJEMPLO 3A
4
¿Cuántas P1P2E2P3E1R
órdenes de
bateo diferentes
son posibles
para un equipo
de béisbol
compuesto por
9 jugadores?
Solución. (a)
debido a que
cada ranking
corresponde a
un arreglo
ordenado
particular de las
10 personas, la
respuesta a esta
parte es 10! =
3.628.800.
5
(b) ya que
hay 6!
clasificaciones
posibles de los
hombres entre sí
mismos y 4!
posibles
clasificaciones
de las mujeres
entre sí, se
desprende del
principio básico
de que hay (6!)
(4!) = (720)(24)
= 17.280
posibles
rankings en este
caso. .
EJEMPLO 3C
La Sra. Jones
tiene 10 libros
que va a poner
en su estantería.
De éstos, 4 son
libros de las
matemáticas, 3
son libros de la
química, 2 son
libros de la
historia, y 1 es
un libro de la
lengua. La Sra.
Jones quiere
organizar sus
libros para que
todos los libros
que tratan con el
mismo tema
están juntos en
la estantería.
¿Cuántos
arreglos
diferentes son
posibles?
Solución. ¡ Hay
4! 3! 2! 1! los
arreglos tales
6
que los libros de
las matemáticas
son los primeros
en la línea,
entonces los
libros de la
química,
entonces los
libros de la
historia, y
entonces el libro
de la lengua.
Del mismo
modo, para cada
orden posible de
los temas, hay
4! 3! 2! 1!
posibles
arreglos. Por lo
tanto, como hay
4! posibles
órdenes de los
sujetos, la
respuesta
deseada es 4! 4!
3! 2! 1! = 6912.
.
Ahora se
determinará el
número de
permutaciones
de un conjunto
de N objetos
cuando algunos
de los objetos
son
indistinguibles
entre sí. Para
poner esta
situación en
nuestras
mentes,
consideremos el
siguiente
ejemplo.
EJEMPLO 3D
7
¿Cuántos
arreglos de letra
diferentes se
pueden formar a
partir de las
letras Pimienta?
Solución.
Primero
tenemos en
cuenta que hay
6!
permutaciones
de las letras
P1E1P2P3E2R
Cuando los 3Py
los 2Ese
distinguen unos
de otros. Sin
embargo,
considere
cualquiera de
estas
permutaciones
— por ejemplo,
P1P2E1P3E2R.
Si ahora
permutamos el
Pentre ellos y el
Ees entre ellos,
entonces el
arreglo
resultante
todavía sería de
la forma
PPEPER. ¡ Eso
es, los tres! 2!
Permutaciones
P1P2E1P3E2R
P1P3E1P2E2R P1P3E2P2E1R
P2P1E1P3E2R P2P1E2P3E1R
P2P3E1P1E2R P2P3E2P1E1R
P3P1E1P2E2R P3P1E2P2E1R
P3P2E1P1E2R P3P2E2P1E1R
son de la forma PPEPER. Por lo tanto, hay 6!/(3! 2!) = 60 arreglos posibles de la letra de
las letras Pimienta. .
Sección 1,4 Combinaciones
8
En general, el mismo razonamiento que el utilizado en el ejemplo 3D muestra que hay
n!
diferentes permutaciones de N objetos, de los cuales n1 son iguales, n2 son iguales, ...,nR son
iguales.
EJEMPLO 3e
UN torneo de ajedrez tiene 10 competidores, de los cuales 4 son rusos, 3 son de los Estados
Unidos, 2 son de Gran Bretaña, y 1 es de Brasil. Si el resultado del torneo enumera sólo las
nacionalidades de los jugadores en el orden en que se colocan, ¿cuántos resultados son
posibles?
Solución. Hay
posibles resultados. .
Ejemplo 3f
¿Cuántas señales diferentes, cada una de las cuales consta de 9 banderas colgadas en una línea, pueden formarse a
partir de un conjunto de 4 banderas blancas, 3 banderas rojas y 2 banderas azules si todas las banderas del mismo color
son idénticas?
Solución. Existen
diferentes señales. .
1, 4 Combinaciones
A menudo estamos interesados en determinar el número de diferentes grupos de R objetos
que se podrían formar a partir de un total de N Objetos. Por ejemplo, ¿cuántos grupos
diferentes de 3 se pueden seleccionar de los 5 elementos A, B, C, DY E? Para responder a
esta pregunta, la razón es la siguiente: ya que hay 5 maneras de seleccionar el elemento
inicial, 4 maneras de seleccionar el siguiente elemento, y 3 maneras de seleccionar el
elemento final, hay así 5 · 4 · 3 formas de seleccionar el grupo de 3 cuando el orden en el
que se seleccionan los elementos es relevante. Sin embargo, dado que cada grupo de 3 —
digamos, el grupo que consta de elementos A, BY C— se contará 6 veces (es decir, todas
las permutaciones ABC, ACB, BAC, CAS, CABY Cba se contabilizará cuando el orden de
selección sea relevante), se deduce que el número total de grupos que se pueden formar es
· ·
En general, como n(N − 1) · · · (N − R + 1) representa el número de formas diferentes que un grupo de R los
artículos se pueden seleccionar de N los artículos cuando el orden de selección es relevante, y como cada grupo
de R los artículos serán contados r! veces en este conteo, se deduce que el número de grupos diferentesdiferentes
señales. .
9
1, 4 Combinaciones
A menudo estamos interesados en determinar el número de diferentes grupos de R objetos
que se podrían formar a partir de un total de N Objetos. Por ejemplo, ¿cuántos grupos
diferentes de 3 se pueden seleccionar de los 5 elementos A, B, C, DY E? Para responder a
esta pregunta, la razón es la siguiente: ya que hay 5 maneras de seleccionar el elemento
inicial, 4 maneras de seleccionar el siguiente elemento, y 3 maneras de seleccionar el
elemento final, hay así 5 · 4 · 3 formas de seleccionar el grupo de 3 cuando el orden en el
que se seleccionan los elementos es relevante. Sin embargo, dado que cada grupo de 3 —
digamos, el grupo que consta de elementos A, BY C— se contará 6 veces (es decir, todas
las permutaciones ABC, ACB, BAC, CAS, CABY Cba se contabilizará cuando el orden de
selección sea relevante), se deduce que el número total de grupos que se pueden formar es
De R elementos que se podrían formar a partir de un conjunto de N artículos es
n(N − 1)··· (N − R + 1) ! r! (N −
r)! r!
Notación y terminología
Así
representa el número de diferentes grupos de tamaño r que podrían seleccionarse de un
conjunto de n objetos cuando el orden de selección no se considera relevante. Ejemplo 4a
Se formará un comité de 3 personas a partir de un grupo de 20 personas. ¿Cuántos comités
Ejemplo 4b
De un grupo de 5 mujeres y 7 hombres, ¿cuántos comités diferentes conformados
por 2 mujeres y 3 hombres pueden formarse? ¿Qué pasa si 2 de los hombres están
peleando y se niegan a servir juntos en el comité?
†
Por Convención, 0! se define como 1. Por lo
tanto, a 0 cuando sea me < 0 el me > n.
EJEMPLO 4C
Considere un conjunto de N antenas de las que M son defectuosos y N − M son funcionales
y asumen que todos los defectos y todos los funcionales se consideran indistinguibles.
¿Cuántas órdenes lineales hay en las que no hay dos defectos consecutivos?
Solución. Imagine que el N − M las antenas funcionales se alinean entre sí. Ahora, si no hay
dos defectuosos ser consecutivos, entonces los espacios entre las antenas funcionales deben
cada uno contener a lo más una antena defectuosa. Es, en el N − M + 1 posiciones posibles
— representadas en la figura 1,1 por los cuidadores — entre los N − M antenas funcionales,
debemos seleccionar M de estos en los que poner las antenas defectuosas. Por lo tanto, hay
^ 1 ^ 1 ^ 1... ^ 1 ^ 1 ^
1 funcional
Se presentarán dos pruebas del teorema binomial. La primera es una prueba por inducción
matemática, y la segunda es una prueba basada en consideraciones combinativas.
Prueba del teorema binomial por inducción: Cuando N = 1, ecuación (4,2) reduce a
X X
Xkyn− 1 −k
k= 0
Xkyn−k
k= 0 k= 0
Se presentarán dos pruebas del teorema binomial. La primera es una prueba por inducción
matemática, y la segunda es una prueba basada en consideraciones combinativas.
Prueba del teorema binomial por inducción: Cuando N = 1, ecuación (4,2) reduce a
X X
Xkyn− 1 −k
k= 0
Xkyn−k
k= 0 k= 0
xiyn−i
= xn
me − 1 i xiyn−me + yn
n i
i=1 −
= xN xiyn−me + yn
i=1
13
N
xiyn−i
donde la igualdad siguiente a la última sigue por la ecuación (4,1). Por inducción, el teorema
ahora se prueba.
Ahora, ¿cuántos de los 2N términos en la suma tendrá K Su xiy (N − k) La suya yies como
factores? Como cada término que consiste en K Su xiy (N − k) La suya yicorresponde a la
xkyn−K para=
0
Sección 1,5 Coeficientes multinomiales
EJEMPLO 4D Ampliar
(X + y)3.
Solución.
EJEMPLO 4E
¿Cuántos subconjuntos hay de un conjunto consistente en N ¿Elementos?
= (1 + 1)N C Ln
k= 0
Este resultado también podría haberse obtenido asignando el número 0 o el número 1 a cada
elemento del conjunto. A cada asignación de números, corresponde, en una manera uno-a-
uno, un subconjunto, a saber, ese subconjunto que consiste en todos los elementos que se
asignaron el valor 1. Como hay 2N posibles asignaciones, el resultado sigue.
Tenga en cuenta que hemos incluido el conjunto formado por 0 elementos (es el conjunto
nulo) como subconjunto del conjunto original. Por lo tanto, el número de subconjuntos que
contienen al menos un elemento es 2N − 1. .
esta pregunta, observamos que hay posibles opciones para el primer grupo; para cada
elección del primer grupo, hay posibles opciones para el segundo grupo; para
cada elección de los dos primeros grupos, hay posibles opciones para el
tercer grupo; y así sucesivamente. A continuación, se deriva de la versión generalizada del
principio de conteo básico de que hay
n! n n1 ! n n1 n2 nr 1 !
n n 1 ! n 1! n n1 n2 ! n2! 0! n r !
n!
n1! n2! nr !
posibles divisiones.
15
Otra manera de ver este resultado es considerar el N valores 1, 1,..., 1, 2,... 2...,
r,...,rDonde me Aparece nme veces, para me = 1...,r. Cada permutación de estos valores
corresponde a una división de la N elementos en el R grupos de la siguiente manera: dejar
que la permutación i1,i2,...,iN corresponden a la asignación del elemento 1 al grupo i1, tema
2 al grupo i2, y así sucesivamente. Por ejemplo, si N = 8 y si n1 = 4 n2 = 3, y n3 = 1, entonces
la permutación 1, 1, 2, 3, 2, 1, 2, 1 corresponde a la asignación de los artículos 1, 2, 6, 8 al
primer grupo, los puntos 3, 5, 7 al segundo grupo, y el punto 4 al tercer grupo. Porque cada
permutación rinde una división de los artículos y todos los resultados posibles de la división
de una cierta permutación, sigue que el número de divisiones de N elementos en R distintos
grupos de tamaños n1,n2,...,nR es el mismo que el número de permutaciones de N elementos
de los cuales n1 son iguales, y n2 son iguales, ... Y nR son iguales, que se muestra en la sección
n!
1.3 a igualar .
n1!n2!···nr!
Notación
n
Sí n 1 n2 nr n , definimos Por
n1, n2, , nr
n n!
n 1, n2, , nr n 1! n2! nr!
n
Así representa el número de divisiones posibles de n Distintas
n 1, n 2, , nr
objetos en r distintos grupos de tamaños respectivos
n1 , n2 , , nr .
EJEMPLO 5A
UN departamento del policía en una ciudad pequeña consiste en 10 oficiales. Si la política
del Departamento es tener 5 de los oficiales patrullando las calles, 2 de los oficiales que
trabajan a tiempo completo en la estación, y 3 de los oficiales en la reserva en la estación,
¿cuántas divisiones diferentes de los 10 oficiales en los 3 grupos son posible s?
EJEMPLO 5B
Diez niños deben ser divididos en un Un equipo y un B equipo de 5 cada uno. Lla Un equipo
jugará en una liga y el B equipo en otro. ¿Cuántas divisiones diferentes son posibles?
Solución. Tenga en cuenta que este ejemplo es diferente del ejemplo 5B porque ahora el
orden de los dos equipos es irrelevante. Es que no hay Un Y B equipo, pero sólo una división
formada por 2 grupos de 5 cada uno. Por lo tanto, la respuesta deseada es
.
La prueba del teorema siguiente, que generaliza el teorema binomial, se deja como
ejercicio.
Teorema de la multinomia
n n n n n
x1 x2 xr x11 x22 xr r
n1, n 2, , nr
n1, , nr :
n1 nr n
Esto es, la suma es sobre todos los vectores de valor entero no negativos
n1 , n2 , , n r Tal
Que n 1 n2 nr n.
EJEMPLO 5D
En la primera ronda de un torneo de nocaut que implica N C LM jugadores, el N los jugadores
se dividen en n/2 pares, con cada uno de estos pares luego jugando un juego. Los perdedores
de los juegos son eliminados mientras que los ganadores pasan a la siguiente ronda, donde
el proceso se repite hasta que sólo queda un solo jugador. Suponga que tenemos un torneo
Knockout de 8 jugadores.
1. ¿Cuántos resultados posibles hay para la ronda inicial? (Por ejemplo, oneoutcome es
que 1 beats 2, 3 beats 4, 5 beats 6 y 7 beats 8.)
2. ¿Cuántos resultados del torneo son posibles, donde un resultado givescomplete
información para todas las rondas?
Solución. Una manera de determinar el número de resultados posibles para la ronda inicial
es determinar primero el número de emparejamientos posibles para esa ronda. Para ello,
tenga en cuenta que el número de formas de dividir los 8 jugadores en un Primera Par, un
emparejamientos posibles cuando no hay orden de los 4 pares es . Para cada uno de
estos emparejamientos, hay 2 opciones posibles de cada par en cuanto al ganador de ese
juego, mostrando que hay
17
Ihs posibles resultados de la Ronda 1. (Otra manera de ver esto es notar que hay
posibles opciones de los 4 ganadores y, para cada una de esas opciones, hay
4! formas de emparejar a los 4 ganadores con los 4 perdedores, demostrando que hay 4!
0 ^ 0 ^ 0 ^... ^ 0 ^ 0 n objetos 0
−
x2,...,xr) satisfaciendo la ecuación
x1 + x2 + ··· + xR = n (6, 1)
EJEMPLO 6A
¿Cuántas soluciones de valores enteros no negativos de x1 + x2 = 3 son posibles?
Solución. Hay 4 tales soluciones: (0,3), (1, 2), (2, 1), (3,0). .
20
EJEMPLO 6B
Un inversor tiene 20000 dólares para invertir entre 4 posibles inversiones. Cada inversión
debe estar en unidades de mil dólares. Si se va a invertir el total de 20000, ¿cuántas
estrategias de inversión diferentes son posibles? ¿Qué pasa si no se necesita invertir todo el
dinero?
x1 + x2 + x3 + x4 = 20 xme Efectos 0
Por lo tanto, por la proPosición 6,2, hay 1771 posibles estrategias de inversión. Si
no todo el dinero necesita ser invertido, entonces si dejamos x5 denotar la cantidad guardada
en reserva, una estrategia es un vector no negativo de valor entero (x1,x2,x3,x4,x5)
satisfaciendo la ecuación
x1 + x2 + x3 + x4 + x5 = 20
Por lo tanto, por la proPosición 6,2, hay ahora 10.626 posibles estrategias. .
EJEMPLO 6C
¿Cuántos términos hay en la expansión multinomial de (x1 + x2 + ··· + xr)n?
Solución.
(x xNo r
donde la suma es de todo valor entero no negativo (n1,...,nr) tal que n1 + ··· + nR = n. Por lo
EJEMPLO 6D
Volvamos a considerar el ejemplo 4C, en el que tenemos un conjunto de N artículos, de los
cuales M son (indistinguibles y) defectuosos y los restantes N − M son (también
indistinguibles y) funcionales. Nuestro objetivo es determinar el número de ordenamientos
lineales en los que no hay dos defectuosos uno al lado del otro. Para determinar este número,
imaginemos que los artículos defectuosos están alineados entre sí y los funcionales están
ahora puestos en posición. Vamos a denotar x1 como el número de elementos funcionales a
la izquierda del primer defectuoso, x2 como el número de elementos funcionales entre los
dos primeros defectos, y así sucesivamente. Eso es, esquemáticamente, tenemos
x1 0 x2 0···xM 0 xm+1
21
Ahora, habrá al menos un elemento funcional entre cualquier par de defectos, siempre y
cuando xme > 0me = 2...,m. Por lo tanto, el número de resultados que satisfacen la
condición es el número de vectores x1,...,xm+1 que satisfacen la ecuación
Pero, al dejar y1 = x1 + 1 de losyme = xi,me = 2...,m,ym+1 = xm+1 + 1, vemos que este número
es igual al número de vectores positivos (y1,...,ym+1) que satisfacen la ecuación
y1 + y2 + ··· + ym+1 = N − Sr + 2 de
Por lo tanto, por la proPosición 6,1, hay tales resultados, de acuerdo con
los resultados del ejemplo 4C.
Suponga ahora que estamos interesados en el número de resultados en los cuales cada
par de artículos defectuosos está separado por al menos 2 artículos funcionales. Por el
mismo razonamiento que el aplicado anteriormente, esto equivale al número de vectores
que satisfacen la ecuación
Resumen
El principio básico de contar los Estados que si un experimento que consiste en dos fases es
tal que hay N posibles resultados de la fase 1 y, para cada uno de estos N resultados, hay M
los posibles resultados de la fase 2, Nm posibles resultados del experimento.
Hay n! = n(N − 1)··· 3 · 2 · 1 posibles ordenamientos lineales de N Artículos. La cantidad
0! se define como igual a 1. Dejar
n!
i)! i!
Cuando 0 ... me ... n, y dejar que sea igual a 0 de lo contrario. Esta cantidad representa el
número de subgrupos diferentes de tamaño me que se puede elegir de un conjunto de
tamaño n. A menudo se denomina Ahora, habrá al menos un elemento funcional entre
cualquier par de defectos, siempre y cuando xme > 0me = 2...,m. Por lo tanto, el
22
número de resultados que satisfacen la condición es el número de vectores x1,...,xm+1 que
satisfacen la ecuación
Pero, al dejar y1 = x1 + 1 de losyme = xi,me = 2...,m,ym+1 = xm+1 + 1, vemos que este número
es igual al número de vectores positivos (y1,...,ym+1) que satisfacen la ecuación
y1 + y2 + ··· + ym+1 = N − Sr + 2 de
Por lo tanto, por la proPosición 6,1, hay tales resultados, de acuerdo con
los resultados del ejemplo 4C.
Suponga ahora que estamos interesados en el número de resultados en los cuales cada
par de artículos defectuosos está separado por al menos 2 artículos funcionales. Por el
mismo razonamiento que el aplicado anteriormente, esto equivale al número de vectores
que satisfacen la ecuación
Resumen
El principio básico de contar los Estados que si un experimento que consiste en dos fases es
tal que hay N posibles resultados de la fase 1 y, para cada uno de estos N resultados, hay M
los posibles resultados de la fase 2, Nm posibles resultados del experimento.
Hay n! = n(N − 1)··· 3 · 2 · 1 posibles ordenamientos lineales de N Artículos. La cantidad
0! se define como igual a 1. Dejar
n!
i)! i!
Cuando 0 ... me ... n, y dejar que sea igual a 0 de lo contrario. Esta cantidad representa el
número de subgrupos diferentes de tamaño me que se puede elegir de un conjunto de tamaño
n. A menudo se denomina coeficiente binomial debido a su prominencia en el teorema
Problemas
1. Un ¿Cuántas diferentes placas de 7 lugares son 8. ¿Cuántos arreglos de letras diferentes se pueden
posibles si los primeros 2 sitios son para las hacer de las cartas Un ¿Platija?
letras y los otros 5 para los números? 1. ¿Ofrece?
1. Repita la parte (a) bajo el supuesto de que ninguna 2. ¿Mississippi? D ¿Arreglar?
letra o número puede repetirse en una sola 9. UN niño tiene 12 bloques, de los cuales 6 son
matrícula. negros, 4 son rojos, 1 es blanco, y 1 es azul. Si el
2. ¿Cuántas secuencias de resultados son posibles niño pone los bloques en una línea, ¿cuántos
cuando se rueda un troquel cuatro veces, donde arreglos son posibles?
decimos, por ejemplo, que el resultado es 3, 4, 3, 1. ¿De cuántas maneras pueden 8 personas estar
1 si el primer rollo aterrizó en 3, el segundo en 4, sentadas en una fila si
el tercero en 3, y el cuarto en 1? 1. hay Ihs No
3. Veinte trabajadores deben ser asignados a 20 Restricciones En
trabajos diferentes, uno a cada trabajo. ¿Cuántas En cam4 ¿arreglo de
asignaciones diferentes son posibles? asientos?
4. John, Jim, Jay y Jack han formado una banda 2. Personas Un Y B deben sentarse uno al
formada por 4 instrumentos. Si cada uno de los lado del otro?
niños puede jugar los 4 instrumentos, ¿cuántos 3. Hay 4 hombres y 4 mujeres y no 2
arreglos diferentes son posibles? ¿Qué pasa si hombres o dos mujeres pueden sentarse
John y Jim pueden tocar los 4 instrumentos, pero uno al lado del otro?
Jay y Jack pueden tocar sólo el piano y la
4. ¿Hay 5 hombres y deben sentarse uno
batería?
al lado del otro?
5. Durante años, los códigos de área telefónica en
5. Hay 4 parejas casadas y cada pareja
los Estados Unidos y Canadá consistieron en una
debe sentarse juntos?
secuencia de tres dígitos. El primer dígito era un
entero entre 2 y 9, el segundo dígito era 0 o 1, y 2. En cuántas maneras puede 3 novelas, 2 libros de
el tercer dígito era cualquier entero de 1 a 9. las matemáticas, y 1 libro de la química se
¿Cuántos códigos de área eran posibles? arregle en un
¿Cuántos códigos de área a partir de un 4 fueron estantería si
posibles? 1. ¿los libros se pueden arreglar en
6. Una rima de cuna bien conocida comienza de la cualquier orden?
siguiente manera: 2. ¿los libros de matemáticas deben estar
"Cuando iba a St. Ives, conocí juntos y las novelas deben estar juntas?
a un hombre con 7 esposas. 3. ¿las novelas deben estar juntas, pero
Cada mujer tenía 7 sacos. los otros libros se pueden arreglar en
Cada saco tenía 7 gatos. cualquier orden?
Cada gato tenía 7 gatitos...” 3. Cinco premios separados (mejor beca, mejores
¿Cuántos gatitos se reunió el viajero? cualidades de liderazgo, etc.) se presentarán a
7. Un ¿De cuántas maneras se pueden sentar en fila estudiantes seleccionados de una clase de 30.
3 niños y 3 niñas? ¿Cuántas medidas de resultado diferentes son
1. ¿De cuántas maneras pueden tres niños y tres posibles si Un ¿un estudiante puede recibir
niñas sentarse en fila si los niños y las niñas se cualquier cantidad de premios? B cada
sientan juntos? estudiante puede recibir como máximo 1
2. ¿De cuántas maneras si sólo los chicos deben Premio?
sentarse juntos? 4. Consideremos a un grupo de 20 personas. Si
3. ¿De cuántas maneras si no se permite que dos todos se dan la mano a todos los demás, ¿cuántos
personas del mismo sexo se sienten juntas? apretones de manos tienen lugar?
5. ¿Cuántas manos de póker de 5 cartas hay?
atorial
1. Probar la versión generalizada del principio básico cuales será designado como Presidente.
de conteo. 1. Centrándose primero en la elección del
2. Se deben realizar dos experimentos. El primero Comité y luego en la elección del
puede resultar en uno de M posibles resultados. Si
el primer experimento resulta en resultados i, Presidente, argumentan que hay K
entonces el segundo experimento puede resultar en posibles opciones.
cualquiera de nme posibles resultados, me = 2. Centrándose primero en la elección de
1,2,...,m. ¿Cuál es el número de posibles resultados los miembros del Comité de no-
de los dos experimentos? Presidente y luego en
3. ¿De cuántas maneras puede R los objetos se la elección de la silla,
seleccionan de un conjunto de N objetos si el orden argumentan que hay
de selección se considera relevante? posibles
opciones.
4. Hay diferentes arreglos lineales de N bolas de
las cuales R son negros y N − R son blancos. Dar 3. Al centrarse primero en la elección de la
una explicación combinatoria de este hecho. Presidencia y luego en la
5. Determinar el número de vectores (x1,...,xn), de elección de los demás
manera que cada xme es 0 o 1 y miembros del Comité, argumentan que
hay N posibles opciones.
n
(a) Concluir de las partes (a), (b) y (c) ThatThat
xme Efectos k
i=1
k
1. Cuantos vectores x1,...,xK están allí para que cada
xme es un entero positivo tal que 1 ... xme ... N Y x1 <
x2 < ··· < xk? 1. Utilice la definición factorial de
para verificar la identidad en la parte (d).
2. Dar una prueba analítica de la ecuación (4,1). 2. La siguiente identidad se conoce como la identidad
3. Demostrar que combinatoria de Fermat:
N Efectos k
combinatoria:
i
x1 + x2 + ··· + xR = n
N N(N − i)
para que exactamente K Su xme son igual a 0.
Pista: ¿Cuántos resultados hay en los que me ¿los ∗22. Considerar una función f(x1,...,xn) De N Variables.
jugadores empatan en el último lugar? ¿Cuántos diferentes derivados parciales del orden R no
F ¿Poseen?
PROBLEMAS de auto-prueba y ejercicios
1. Demostrar que la fórmula de la parte (b) ∗23. Determinar el número de vectores (x1,...,xn) tal que cada
es equivalente a la siguiente: xme es un entero no negativo y
xme ... k
i=1
−1
Nn(i)
.
1. Argumentan que
30
1. Cuantos arreglos lineales diferentes hay de las letras a, B, C, D, E, F para las cuales Un ¿A y B están uno al lado del
otro? B ¿A es antes de B?
1. A es antes de B y B es antes de C?
2. A es antes de B y C es antes de D?
3. ¿A y B están uno al lado del otro y C y D también están uno al lado del otro? F ¿E no es la última en la línea?
2. Si 4 estadounidenses, 3 franceses y 3 británicos deben estar sentados en fila, ¿cuántos arreglos de asientos son posibles
cuando personas de la misma nacionalidad deben sentarse uno al lado del otro?
1. Un Presidente, un Tesorero y un Secretario, todos diferentes, serán elegidos de un club formado por 10 personas.
¿Cuántas opciones diferentes de oficiales son posibles si
1. ¿no hay restricciones?
2. Un Y B ¿no servirán juntos?
3. C Y D ¿servirán juntos o no?
1. Y debe ser un oficial?
2. F servirá sólo si es Presidente?
2. UN estudiante debe responder a 7 de cada 10 preguntas en un examen. ¿Cuántas opciones tiene? ¿Cuántos si tiene que
responder al menos 3 de las primeras 5 preguntas?
3. ¿De cuántas maneras puede un hombre dividir 7 regalos entre sus 3 hijos si el mayor es recibir 3 regalos y los otros 2
cada uno?
4. ¿Cuántas diferentes placas de 7 lugares son posibles cuando 3 de las entradas son letras y 4 son dígitos? Suponga que
se permite la repetición de letras y números y que no hay restricción alguna sobre dónde se pueden colocar las letras
o los números.
5. Dar una explicación combinatoria de la identidad
6. Considerar n-números de dígitos donde cada dígito es uno de los 10 enteros 0, 1,... 9. ¿Cuántos de esos números
existen para los que Un ¿no hay dos dígitos consecutivos iguales?
B 0 aparece como un dígito un total de me Veces me =
0...,n?
7. Considerar tres clases, cada una consistente en N Estudiantes. De este grupo de 3N estudiantes, un grupo de 3
estudiantes debe ser elegido. Un ¿Cuántas opciones son posibles?
1. ¿Cuántas opciones hay en las que los 3 estudiantes están en la misma clase?
2. ¿Cuántas opciones hay en las cuales 2 de los 3 estudiantes están en la misma clase y el otro estudiante está
en una clase diferente?
3. ¿Cuántas opciones hay en las que los 3 estudiantes están en diferentes clases?
4. Usando los resultados de las partes (a) a través de (d), escriba una identidad combinatoria.
8. ¿Cuántos números de 5 dígitos se pueden formar a partir de los enteros 1, 2,..., 9 Si ningún dígito puede aparecer más
de dos veces? (Por ejemplo, 41434 no está permitido.)
9. A partir de 10 parejas casadas, queremos seleccionar un grupo de 6 personas que no pueden contener una pareja
casada.
1. ¿Cuántas opciones hay?
2. ¿Cuántas opciones hay si el grupo también debe consistir en 3 hombres y 3 mujeres?
10. Un Comité de 6 personas será elegido de un grupo formado por 7 hombres y 8 mujeres. Si el Comité debe consistir
en al menos 3 mujeres y al menos 2 hombres, ¿cuántas comisiones diferentes son posibles?
∗13. Una colección de arte en subasta consistió en 4 Dalis, 5 van Goghs, y 6 Picassos. En la subasta había 5 coleccionistas de
arte. Si un reportero observó sólo el número de Dalís, van Gogh, y Picassos adquiridos por cada coleccionista, ¿cuántos
resultados diferentes podrían haberse registrado si se vendieron todas las obras?
∗14. Determinar el número de vectores (x1,...,xn) tal que cada xme es un entero positivo y
n
31
xme ... k
Donde K Efectos n.
15. UN total de N los estudiantes están matriculados en un curso de revisión para el examen actuarial en probabilidad. Los
resultados publicados en el examen enumerarán los nombres de los que pasaron, en orden decreciente de sus puntuaciones.
Por ejemplo, el resultado publicado será "Brown, Cho" si Brown y Cho son los únicos que pasan, con Brown recibiendo
la puntuación más alta.
Problemas de auto-prueba y ejercicios
Asumiendo que todos los puntajes son distintos (sin ataduras), ¿cuántos resultados se pueden registrar?
1. ¿Cuántos subconjuntos de tamaño 4 del conjunto S =
{1, 2,..., 20} ¿contiene al menos uno de los elementos 1, 2, 3, 4, 5?
2. Dar una verificación analítica de
... K ... n
2 Axiomas de probabilidad
2,1 Introducción
2,2 ESPACIO de muestra y eventos
2,3 AXIOMAs de probabilidad
2,4 ALGUNAS proPOSICIONES sencillas
2,5 ESPACIOS de muestra con resultados igualmente PROBABLEs
2,6 PROBABILIDAD como función de conjunto continuo
2,7 PROBABILIDAD como medida de creencia
32
2,1 Introducción
En este capítulo, introducimos el concepto de la probabilidad de un acontecimiento y
después demostramos cómo las probabilidades se pueden calcular en ciertas situaciones.
Como un preliminar, sin embargo, necesitamos el concepto del espacio de la muestra y los
acontecimientos de un experimento.
S = {(H,H),(H,T),(T,H),(T,T)}
El resultado será (H, H) si ambas monedas son cabezas, (H, T) si la primera moneda
es la cabeza y la segunda cola, (T, H) si el primero es Tails y las segundas cabezas, y
(T, T) si ambas monedas son colas.
22
Sección 2,2 Espacio de muestra y eventos
Y ∪ F = {(H,H),(H,T),(T,H)}
ser ese evento que consiste en todos los resultados que están en EN por lo menos un valor
q
n=1 De N =
1, 2,.... Del mismo modo, la intersección de los eventos En, denotado por En, se define como
el evento consistente en los resultados que se encuentran en todos los eventos En,N = 1, 2,....
Finalmente, para cualquier evento E, definimos el nuevo evento Ec, conocida como la
Complemento De E, consistir en todos los resultados en el espacio de muestra S que no están
en E. Es decir EC ocurrirá si y sólo si Y no ocurre. En el ejemplo 4, si el evento Y = {(1, 6),(2,
5),(3, 4),(4, 3),(5, 2),(6, 1)}Entonces EC ocurrirá cuando la suma de los dados no sea igual a
7. Tenga en cuenta que debido a que el experimento debe dar lugar a algún resultado, se
deduce que SC = Isla.
Para dos eventos Y Y F, si todos los resultados en Y están también en F, entonces decimos
que Y Es Contenido En FO Y es un Subconjunto De F, y escribir Y ( F (o equivalente, F ) E,
que a veces decimos como F es un Superconjunto De E). Así, si Y ( F, entonces la ocurrencia
de Y implica la ocurrencia de F. Si Y ( F Y F ( E, decimos que Y Y F son iguales y escriben
Y = F.
UNA representación gráfica que es útil para ilustrar las relaciones lógicas entre los
eventos es el diagrama de Venn. El espacio de muestra S está representado como consistente
en todos los resultados en un rectángulo grande, y los eventos E,F,G,... están representados
como compuestos de todos los resultados en círculos dados dentro del rectángulo. Los
acontecimientos de interés pueden entonces ser indicados sombreando las regiones
apropiadas del diagrama. Por ejemplo, en los tres diagramas de Venn que se muestran en la
figura 2,1, las áreas sombreadas representan, respectivamente, los eventos Y ∪ F, SiY Ec. El
diagrama de Venn en la figura 2,2 indica que Y ( F.
S S
E F E F
: Y c.
( c) región sombreada
Figura 2,2: Y ( F
G G
( a) región sombreada:
Eg. ( b) región sombreada
: Fg.
E F
G
( c) región sombreada:
( Y F ) G.
EIc
=0
Eic
c
Para probar las leyes de DeMorgan, supongamos primero que X es un resultado de. Entonces
n
Ei,me = 1, 2,...,n, lo que implica quei =1 X se contiene en EiC para todos me = 1, 2,...,N y así
es X no está contenido en Ei, lo que significa que X no está contenido en ninguno de los
eventos
n n
contenidos en Eic. Para ir hacia el otro lado, supongamos que X es un resultado de Eic.
Entonces X se contiene en EiC para todos me = 1, 2,...,n, lo que significa que X no está
contenido en Eme Para
N i
Cualquier i1, 2,...,n, lo que implica que X no está contenido en Ei, a su vez, lo que implica que
X Es
c
⎞ Eme n n
La toma de complementos de ambos lados de la ecuación anterior produce el resultado que
buscamos, a saber, c
Es decir P(E) se define como la (limitación) proporción de tiempo que Y Ocurre. Es así la
frecuencia de limitación de E.
Aunque la definición anterior es ciertamente intuitivamente agradable y siempre debe ser
tenida en cuenta por el lector, que posee un grave inconveniente: ¿Cómo sabemos que n(E)/N
¿convergerá a algún valor de limitación constante que será el mismo para cada secuencia
posible de repeticiones del experimento? Por ejemplo, suponga que el experimento que se
realizará repetidamente consiste en voltear una moneda. ¿Cómo sabemos que la proporción
de cabezas obtenidas en la primera N los flips convergerán a algún valor como N se hace
grande? También, incluso si converge a algún valor, ¿cómo sabemos que, si el experimento
se realiza repetidamente una segunda vez, obtendremos la misma proporción limitante de
cabezas?
Los defensores de la definición de frecuencia relativa de probabilidad suelen responder a
esta objeción afirmando que la convergencia de n(E)/N a un valor limitador constante es una
hipótesis, o un Axioma, del sistema. Sin embargo, para asumir que n(E)/N necesariamente
convergen a algún valor constante parece ser una hipótesis extraordinariamente complicada.
Porque, si bien podemos esperar que exista una frecuencia de limitación tan constante, no
parece que sea a priori evidente que este es el caso. De hecho, ¿no sería más razonable asumir
un conjunto de axiomas más simples y más evidentes acerca de la probabilidad y luego
intentar probar que una frecuencia de limitación constante existe en cierto sentido? Este
último enfoque es el enfoque moderno del axioma a la teoría de la probabilidad que
adoptaremos en este texto. En particular, supondremos que, para cada evento Y en el espacio
38
de muestra S, existe un valor P(E), conocida como la probabilidad de E. Entonces
asumiremos que todas estas probabilidades satisfacen un cierto conjunto de axiomas, que,
esperamos que el lector esté de acuerdo, está de acuerdo con nuestra noción intuitiva de
probabilidad.
Considere un experimento cuyo espacio de muestra S. Para cada evento Y del espacio de
muestra S, asumimos que un número P(E) se define y satisface los tres axiomas siguientes:
Axioma 1
P(S) = 1
Axioma 3
Para cualquier secuencia de eventos mutuamente exclusivos E1,E2,... (esto es, eventos para
los que EiEJ = Ø cuando me Z j),
q q
P⎛ ⎞
entonces, porque los eventos son mutuamente excluyentes y porque S Ei, tenemos, de
Axioma 3,
q q
P P(Ø)
i=1 i=2
P (3,1)
39
Esta ecuación sigue del axioma 3 definiendo Eme como el evento nulo para todos los valores
de me mayor que n. El axioma 3 equivale a la ecuación (3,1) cuando el espacio de la muestra
es finito. (¿Por qué?) Sin embargo, la generalidad agregada del axioma 3 es necesaria cuando
el espacio de la muestra consiste en un número infinito de puntos.
EJEMPLO 3A
Si nuestro experimento consiste en lanzar una moneda y si asumimos que una cabeza es tan
probable que aparezca como una cola, entonces tendríamos
P
Por otro lado, si la moneda fuera sesgada y sentíamos que una cabeza tenía el doble de
probabilidades de aparecer como una cola, entonces tendríamos
P .
EJEMPLO 3B
Si un dado se enrolla y suponemos que los seis lados son igualmente propensos a aparecer,
entonces tendríamos P . De
Axioma 3, por lo tanto, seguiría que la probabilidad de rodar un número par sería igual
P .
La asunción de la existencia de una función del sistema P, definidos en los eventos de un
espacio de muestra S y los axiomas satisfactorios 1, 2 y 3 constituyen el enfoque matemático
moderno de la teoría de la probabilidad. Esperanzadamente, el lector convendrá que los
axiomas son naturales y de acuerdo con nuestro concepto intuitivo de la probabilidad según
lo relacionado con la ocasión y la aleatoriedad. Además, utilizando estos axiomas podremos
demostrar que si un experimento se repite una y otra vez, entonces, con la probabilidad 1, la
proporción de tiempo durante el cual cualquier acontecimiento específico Y se produce igual
P(E). Este resultado, conocido como la ley fuerte de gran número, se presenta en el capítulo
8. Además, presentamos otra posible interpretación de la probabilidad — como medida de
creencia — en la sección 2,7.
Sección 2,4 Algunas proposiciones sencillas
Observación técnica. Hemos supuesto que P(E) se define para todos los eventos Y del
espacio de la muestra. En realidad, cuando el espacio de muestra es un conjunto infinito
incontable, P(E) se define sólo para una clase de eventos llamados medibles. Sin embargo,
esta restricción no tiene por qué preocuparnos, ya que todos los acontecimientos de cualquier
interés práctico son medibles.
F = Y ∪ EcF
Por lo tanto, porque Y Y EcF son mutuamente excluyentes, obtenemos, del axioma 3,
Propuesta 4,3.
P(Y ∪ F) = P(E) + P(F) − P(Si)
Prueba. Para derivar una fórmula para P(Y ∪ F), primero observamos que Y ∪ F puede
ser escrito como la Unión de los dos eventos desarticulados Y Y EcF. Así, desde el
axioma 3, obtenemos
= P(E) + P(EcF)
E F
41
Figura 2,4: Diagrama de Venn
E F
I Ii Iii
o, equivalentemente,
P(EcF) = P(F) − P(Si)
La proPosición 4,3 también podría haber sido probada haciendo uso del diagrama de Venn
en la figura 2,4.
Vamos a dividir Y ∪ F en tres secciones mutuamente exclusivas, como se muestra en la
figura 2,5. En palabras, la sección I representa todos los puntos en Y que no están en F (esto
es, Sic), la sección II representa todos los puntos tanto en Y y en F (esto es, Si), y la sección
III representa todos los puntos en F que no están en Y (esto es, EcF). De la figura 2,5, vemos
que
Y ∪ F = Me ∪ Ii ∪ Iii
E = Me ∪ Ii
F = Ii ∪ Iii
Como I, II, y III son mutuamente excluyentes, se desprende del axioma 3 que
P(Y ∪ F) = P(I) + P(Ii) + P(Iii)
EJEMPLO 4A
J está tomando dos libros a lo largo de sus vacaciones de vacaciones. Con probabilidad 5, le
gustará el primer libro; con probabilidad .4, le gustará el segundo libro; y con probabilidad
.3, le gustarán ambos libros. ¿Cuál es la probabilidad de que no le guste ni libro?
Sección 2,4 Algunas proposiciones sencillas
Solución. Dejar Bme denota el evento que a J le gusta el libro i,me = 1, 2. entonces la
probabilidad de que le gusta al menos uno de los libros es
42
P(B1 ∪ B2) = P(B1) + P(B2) − P(B1B2) = .5 + .4 −.3 = .6
Porque el evento que a J le gusta ni el libro es el complemento del evento que a ella le gusta
al menos uno de ellos, obtenemos el resultado
P .
También podemos calcular la probabilidad de que uno de los tres eventos E, FY G ocurre,
a saber,
P(Y ∪ F ∪ G) = P[(Y ∪ F) ∪ G]
P(Y ∪ F ∪ G)
P
i=1 i1<i2
P(Ei1Ei2 ···Eir)
i1<i2<··· <ir
Ei, su probabilidad se cuenta una vez en P ; también, ya que este resultado está
veces a la derecha del signo de igualdad en la proPosición 4,4. Así, por M > 0, debemos
demostrar que
− 1)i(1)m−i
i=0
P P(Ei1 ···EY)
r=1 i1<··· <ir
P (4,1)
n
P (EiEj) (4,2)
i=1 j<i n
Enc−1En
45
Esto es, al menos uno de los eventos Eme ocurre si E1 ocurre, o si E1 no ocurre, pero E2 hace,
o si E1 Y E2 no ocurren, pero E3 hace, y así sucesivamente. Debido a que el lado derecho es
la Unión de eventos desarticulados, obtenemos
(4,4)
muestra que
P j<me Ej)
o, equivalentemente,
P j<iEiEj)
La sustitución de esta ecuación en (4,4) rinde
Porque las probabilidades son siempre no negativas, la desigualdad (4,1) sigue directamente de
Ecuación (4,5). Ahora, la fijación me y aplicando la desigualdad (4,1) para P(∪j<iEiEj)
Rendimientos
P(∪j<iEiEj) (EiEj)
j<i
que, por ecuación (4,5), da desigualdad (4,2). De manera similar, la fijación me y aplicando la
desigualdad (4,2) para P(∪j<iEiEj) Rendimientos
(EiEj) (EiEjEk)
j<i k<j<i
EJEMPLO 5A
Si se ruedan dos dados, ¿cuál es la probabilidad de que la suma de las caras volteadas sea igual
a 7?
Solución. Resolveremos este problema asumiendo que todos los 36 posibles resultados son
igualmente probables. Dado que hay 6 posibles resultados, a saber, (1, 6), (2, 5), (3,4), (4,
3), (5, 2), y (6, 1) — que dan como resultado la suma de los dados siendo igual a 7, la
probabilidad deseada es . .
EJEMPLO 5B
Si 3 bolas se "dibujan aleatoriamente" de un tazón que contiene 6 bolas blancas y 5 negras, ¿cuál
es la probabilidad de que una de las bolas sea blanca y las otras dos negras?
Solución. Si miramos el orden en el cual las bolas se seleccionan como siendo relevantes,
entonces el espacio de la muestra consiste en 11 · 10 · 9 = 990 resultados. Además, hay 6 ·
5 · 4 = 120 resultados en los que la primera bola seleccionada es blanca y las otras dos son
negras; 5 · 6 · 4 = 120 resultados en los que el primero es negro, el segundo es blanco, y el
tercero es negro; y a 5 · 4 · 6 = 120 en el que los dos primeros son negros y el tercero es
blanco. Por lo tanto, asumiendo que "dibujado aleatoriamente" significa que cada resultado
en el espacio de la muestra es igualmente probable que ocurra, vemos que la probabilidad
deseada es
47
Este problema también podría haberse resuelto con respecto al resultado del experimento
como el conjunto desordenado de bolas dibujadas. Desde este punto de vista, hay
165 resultados en el espacio de muestra. Ahora, cada juego de 3 bolas corresponde a 3!
resultados cuando se observa el orden de selección. Consecuentemente, si todos los
resultados se asumen igualmente probables cuando se observa el orden de la selección,
después sigue que siguen siendo igualmente probables cuando el resultado se toma para ser
el sistema desordenado de bolas seleccionadas. Por lo tanto, utilizando la última
representación del experimento, vemos que la probabilidad deseada es
P
En cambio, podríamos dejar que el resultado del experimento sea el Ordenó selección de
los 5 individuos. En este entorno, hay 20 · 19 · 18 · 17 · 16 resultados igualmente probables,
de los cuales 20 · 18 · 16 · 14 · 12 resultados dan lugar a un grupo de 5 individuos no
relacionados, dando el resultado
P
Dejamos que el lector Verifique que las dos respuestas son idénticas. .
48
EJEMPLO 5C
UN Comité de 5 debe ser seleccionado de un grupo de 6 hombres y 9 mujeres. Si la selección
se hace aleatoriamente, ¿cuál es la probabilidad de que el Comité esté compuesto por 3
hombres y dos mujeres?
Solución. Porque cada uno de los los comités posibles son igualmente probables ser
seleccionados, la probabilidad deseada es
EJEMPLO 5D
Una urna contiene N bolas, una de las cuales es especial. Si K de estas bolas se retiran una
a la vez, con cada selección siendo igualmente probable que sea cualquiera de las bolas que
permanecen en el momento, ¿cuál es la probabilidad de que la bola especial se elige?
Solución. Puesto que todas las bolas son tratadas de una manera idéntica, sigue que el sistema
de K las bolas seleccionadas es igualmente probable que sea cualquiera de los conjuntos
de K Bolas. Por
k
P{la bola especial se selecciona} =
n
También podríamos haber obtenido este resultado dejando Ame denotar el evento de que la
bola especial es el ila bola del TH que se elegirá, me = 1...,k. Entonces, ya que cada uno de
los N bolas es igualmente probable que sea el iTH Ball elegido, sigue que P(Ai) = 1/n. Por
lo tanto, debido a que estos eventos son claramente mutuamente excluyentes, hemos
Meses
k
P{la bola especial se selecciona} = P
i P(Ai) = i=1
⎠ i=1 n
También podríamos haber argumentado que P(Ai) = 1/n, observando que hay n(N − 1)··· (N
− K + 1) = n!/(N − k)! resultados igualmente probables del experimento, de los cuales (N −
1)(N − 2)··· (N − me + 1)(1)(N − i)··· (N − K + 1) = (N − 1)!/(N − k)! resultado en la bola
especial que es el iTH uno elegido. A partir de este razonamiento, se deduce que
P(Ai) = (N − 1)! = 1 . n! n
EJEMPLO 5e
49
Suponga que N + M bolas, de las cuales N son rojos y M son azules, se arreglan en un orden
lineal de tal manera que todos los (N + m)! las posibles órdenes son igualmente probables.
Si grabamos el resultado de este experimento enumerando sólo los colores de las bolas
sucesivas, mostrar que todos los resultados posibles siguen siendo igualmente probables.
Solución. Considere cualquiera de los (N + m)! posibles pedidos, y tenga en cuenta que
cualquier permutación de las bolas rojas entre sí y de las bolas azules entre sí no cambia la
secuencia de colores. Como resultado, cada pedido de colorantes corresponde a n! m!
diferentes órdenes de la N + M bolas, por lo que cada pedido de los colores tiene
probabilidad ! de ocurrir.
Por ejemplo, supongamos que hay 2 bolas rojas, numeradas r1,r2, y 2 bolas azules,
numeradas b1,b2. Entonces, de los 4! posibles pedidos, habrá 2! 2! ORDENES que dan lugar
a cualquier combinación de colores especificada. Por ejemplo, las siguientes órdenes dan
lugar a las bolas sucesivas alternando en color, con una bola roja primero:
Por lo tanto, cada uno de los pedidos posibles de los colores tiene probabilidad
Ocurriendo. .
EJEMPLO 5F
UNA mano de póquer consiste en 5 cartas. Si las cartas tienen distintos valores consecutivos
y no son todas del mismo palo, decimos que la mano es una recta. Por ejemplo, una mano
que consiste en el cinco de espadas, seis de espadas, siete de espadas, ocho de espadas, y
nueve de corazones es una recta. ¿Cuál es la probabilidad de que uno se reparte una recta?
Solución. Empezamos asumiendo que todos los las posibles manos de póker son
igualmente probables. Para determinar el número de resultados que son rectas, primero
determinemos el número de resultados posibles para los cuales la mano de póker consiste
en un as, dos, tres, cuatro y cinco (los trajes son irrelevantes). Dado que el ACE puede ser
cualquier 1 de los 4 Ases posibles, y de manera similar para los dos, tres, cuatro y cinco, se
sigue que hay 45 resultados que conducen a exactamente un as, dos, tres, cuatro y cinco. Por
lo tanto, ya que en 4 de estos resultados todas las cartas serán del mismo palo (una mano se
llama una escalera de color), se sigue que hay 45 − 4 manos que forman una recta de la forma
ACE, dos, tres, cuatro y cinco. Del mismo modo, hay 45 − 4 manos que forman una recta de
la forma de diez, Jack, Queen, King, y ACE. Por lo tanto, hay 10(45 − 4) las manos que son
rectas, y sigue que la probabilidad deseada es
EJEMPLO 5g
UNA mano de póquer de 5 cartas se dice que es una casa llena si se compone de 3 tarjetas
de la misma denominación y otras 2 cartas de la misma denominación (por supuesto,
50
diferente de la primera denominación). Así, un tipo de casa llena es tres de un tipo más un
par. ¿Cuál es la probabilidad de que uno se reparte una casa completa?
Solución. Una vez más, asumimos que todos las posibles manos son igualmente
probables. Para
EJEMPLO 5h
En el juego de Bridge, toda la baraja de 52 cartas se reparte a 4 jugadores. ¿Cuál es la
probabilidad de que
(a) uno de los jugadores recibe las 13 espadas; (b) cada jugador
recibe 1 ACE?
Solución. a dejar Eme sea el acontecimiento que la mano me tiene las 13 espadas, entonces
P 1, 2, 3, 4
Porque los eventos Ei, me = 1, 2, 3, 4, son mutuamente excluyentes, la probabilidad de que
una de las manos se reparte las 13 espadas es
P( L 6.3 * 10−12
i=1
ACE es 4! .
Ya que hay las manos posibles, la probabilidad deseada es así
51
4!
.
EJEMPLO 5i
Si N la gente está presente en una habitación, ¿cuál es la probabilidad de que no dos de ellos
celebren su cumpleaños el mismo día del año? Lo grande que necesita N ser así que esta
probabilidad es menor que ?
Solución. Como cada persona puede celebrar su cumpleaños en uno de 365 días, hay un
total de (365)N posibles resultados. (Estamos ignorando la posibilidad de que alguien haya
nacido el 29 de febrero.) Asumiendo que cada resultado es igual de probable,
n
vemos que la probabilidad deseada es (365)(364)(363)... (3651)/(365) . Es un
hecho bastante sorprendente que cuando N Efectos 23, esta
probabilidad es menor que . Es decir, si hay 23 o más personas en una habitación, entonces
la probabilidad de que por lo menos dos de ellos tienen el mismo cumpleaños excede .
Muchas personas se sorprenden inicialmente por este resultado, ya que 23 parece tan
pequeño en relación a 365, el número de días del año. Sin embargo, cada par de individuos
EJEMPLO 5J
UNA baraja de 52 naipes es barajada, y las cartas se vuelven una a la vez hasta que aparezca
el primer as. ¿Es la siguiente carta, es decir, la tarjeta que sigue al primer as, más probable
que sea el as de picas o los dos de tréboles?
entonces la única inserción del as de picas en este ordenamiento que resulta en su siguiente el
primer as es
4c, 6h, Jd, a 5s, Y, Como, 7d,...,Kh
Por lo tanto, hay (51)! ORDENES que resultan en el as de espadas después de la primera ACE,
por lo que
De hecho, por exactamente el mismo argumento, se sigue que la probabilidad de que los dos
de los clubes (o cualquier otra tarjeta especificada) sigue el primer ACE es también . En
otras palabras, cada una de las 52 tarjetas de la baraja es igualmente probable que sea la que
sigue el primer as!
Muchas personas encuentran este resultado bastante sorprendente. De hecho, una
reacción común es suponer inicialmente que es más probable que los dos de tréboles (más
que el as de espadas) siga el primer as, ya que ese primer ACE podría ser el as de espadas.
Esta reacción se sigue a menudo por la realización que los dos de tréboles pudieron aparecer
antes del primer as, así negando su ocasión de inmediatamente después del primer as. Sin
embargo, como hay una posibilidad en cuatro de que el as de espadas será el primer as
(porque los 4 Ases son igualmente probables de ser el primero) y sólo una oportunidad en
cinco que los dos de los clubes aparecerán antes de la primera ACE (porque cada uno de los
conjunto de 5 tarjetas que consisten en los dos de tréboles y los 4 Ases son igualmente
propensos a ser los primeros de este set en aparecer), de nuevo parece que los dos de tréboles
son más propensos. Sin embargo, este no es el caso, y un análisis más completo muestra que
son igualmente probables. .
EJEMPLO 5K
UN equipo de fútbol consta de 20 jugadores ofensivos y 20 defensivos. Los jugadores deben
ser emparejados en grupos de 2 con el propósito de determinar compañeros de cuarto. Si el
emparejamiento se hace al azar, ¿cuál es la probabilidad de que no haya parejas ofensivas-
defensivas de compañeros de cuarto? ¿Cuál es la probabilidad de que haya 2me pares
ofensivos-defensivos del compañero de cuarto, me = 1, 2,...10? Solución. Hay
formas de dividir a los 40 jugadores en 20 Ordenó pares de dos cada uno. [Esto es, hay
(40)!/220 formas de dividir a los jugadores en un Primera par, un Segundo par, y así
sucesivamente.] Por lo tanto, hay (40)!/220(20)! formas de dividir a los jugadores en pares
(desordenados) de 2 cada uno. Además, puesto que una división no resultará en pares
ofensivos-defensivos si los jugadores ofensivos (y defensivos) se emparejan entre sí, se
sigue que hay [(20)!/210(10)!]2 esas divisiones. Por lo tanto, la probabilidad de que no haya
pares ofensivos-defensivos, llámalo P0, se da por
P
!
53
Para determinar P2i, la probabilidad de que haya 2me ofensiva-pares defensivos, primero
observamos que hay formas de seleccionar los 2me los jugadores ofensivos y los
2me los jugadores defensivos que deben estar en los pares ofensivos-defensivos. Estos 4me
los jugadores pueden ser emparejados en (2i)! posibles pares ofensivos-defensivos. (Esto es
así porque el primer jugador ofensivo puede ser emparejado con cualquiera de los 2me los
jugadores defensivos, el segundo jugador ofensivo con cualquiera de los 2 restantesme − 1
jugadores defensivos, y así sucesivamente.) Como los 20 restantes − 2me los jugadores
ofensivos (y defensivos) deben ser emparejados entre sí, se sigue que hay
P me = 0, 1,..., a 10
Lla P2i,me = 0, 1,..., 10, ahora puede ser calculado, o pueden ser aproximados por Mak-√
el uso de un resultado de Stirling, que muestra que n! puede ser aproximado por nn+1/2e−n 2π.
Por ejemplo, obtenemos
P0 L 1.3403 * 10−6
P10 L.345861
P20 L 7.6068 * 10−6 .
EJEMPLO 5L
UN total de 36 miembros de un club juegan tenis, 28 juegan squash, y 18 juegan bádminton.
Además, 22 de los miembros juegan tenis y squash, 12 juegan tenis y bádminton, 9 juegan
squash y bádminton, y 4 juegan los tres deportes. ¿Cuántos miembros de este club juegan al
menos uno de los tres deportes?
Solución. Dejar N Anote el número de miembros del Club, e introduzca la probabilidad
asumiendo que un miembro del Club es seleccionado aleatoriamente. Si, para cualquier
subconjunto C de los miembros del Club, dejamos P(C) denotan la probabilidad de que el
miembro seleccionado esté contenido en CEntonces
número de miembros enC
P(C) =
N
Ahora, con T siendo el conjunto de miembros que juegan al tenis, S ser el conjunto que juega
squash, y B siendo el conjunto que juega bádminton, tenemos, de la proPosición 4,4,
54
P(T ∪ S ∪ B)
(Tsb)
N
N
Por lo tanto, podemos concluir que 43 miembros juegan al menos uno de los deportes. .
El siguiente ejemplo de esta sección no sólo posee la virtud de dar lugar a una respuesta algo
sorprendente, sino que también es de interés teórico.
P P(Ei1Ei2) + ···
−
i1<i2··· <in
1
n!
i 1<
2··· <
Así
P N+1 1
N!
Por lo tanto, la probabilidad de que ninguno de los hombres selecciona su propio sombrero es
1 1)N
N!
que es aproximadamente igual a e−1
L.36788 para N Grande. En otras palabras, para N
grande, la probabilidad que ninguno de los hombres selecciona su propio sombrero es
aproximadamente. 37. (¿Cuántos lectores habrían pensado erróneamente que esta
probabilidad iría a 1 como
N→q?) .
EJEMPLO 5N
Calcular la probabilidad de que 10 parejas casadas estén sentadas al azar en una mesa redonda,
entonces ninguna esposa se sienta al lado de su marido.
uno al lado del otro, se sigue que la probabilidad deseada es 1 − P . Ahora, desde
Propuesta 4,4,
Pp(Ei1Ei2 ···Ein)
in
Para calcular P(Ei1Ei2 ···EEn), primero tenemos en cuenta que hay 19! maneras de
organizar a 20 personas alrededor de una mesa redonda. (¿Por qué?) El número de arreglos
que dan lugar a un conjunto especificado de N los hombres sentados junto a sus esposas se
puede obtener más fácilmente por primera vez pensando en cada uno de los N las parejas
56
casadas como entidades solteras. Si este fuera el caso, entonces tendríamos que arreglar 20
− N las entidades alrededor de una mesa redonda, y hay claramente (20 − N − 1)! tales
arreglos. Finalmente, ya que cada uno de los N las parejas casadas se pueden organizar una
al lado de la otra en una de las dos formas posibles, y se sigue que hay 2n(20 − N − 1)! los
arreglos que dan lugar a un conjunto especificado de N hombres sentados junto a sus
esposas. Por
Así, de la proPosición 4,4, obtenemos que la probabilidad de que al menos una pareja casada se
reúna, es decir,
∗EJEMPLO 5o runs
Considerar un equipo atlético que acababa de terminar su temporada con un registro final
de N gana y M Pérdidas. Al examinar la secuencia de victorias y pérdidas, esperamos
determinar si el equipo tenía tramos de juegos en los que era más probable ganar que en
otros momentos. Una forma de obtener una idea de esta pregunta es contar el número de
carreras de WINS y, a continuación, ver cómo es probable que el resultado sería cuando
todos los (N + m)!/(n! m!) órdenes de la N gana y M las pérdidas se asumen igualmente
probables. Por una carrera de victorias, nos referimos a una secuencia consecutiva de
victorias. Por ejemplo, si N = 10M = 6, y la secuencia de resultados fue
WWLLWWWLWLLLWWWW, entonces habría 4 carreras de victorias — la primera es de
tamaño 2, la segunda de tamaño 3, la tercera de tamaño 1, y la cuarta de tamaño 4.
Suponga ahora que un equipo ha N gana y M Pérdidas. Asumiendo que todos (N + m)!/
y1 x1 y2 x2 xr y r+1
57
que satisfacen
y1 + y2 + ··· + yr+1 = M + 2
429 si todos los resultados son igualmente probables. Por lo tanto, si el resultado
Fue WLWLWLWLWWLWLW, entonces podríamos sospechar que la probabilidad del equipo
de ganar estaba cambiando con el tiempo. (En particular, la probabilidad de que el equipo gane
parece ser bastante alta cuando perdió su último juego y bastante bajo cuando ganó su último
partido.) En el otro extremo, si el resultado se WWWWWWWWLLLLLL, entonces no habría
Si {En,N Efectos 1} es una secuencia cada vez mayor de eventos, entonces definimos un nuevo
evento, denotado
por Lim EnPor
n→q
q
Lim EnEme
n →q
Del mismo modo, si {En,N Efectos 1} es una secuencia decreciente de eventos, definimos
LimEN Por
n
Lim
EnEme n→Q i=1
Prueba. SuPongamos, en primer lugar, que {En,N Efectos 1} es una secuencia cada vez
mayor, y definir los eventos Fn,N Efectos 1, por
F1 = E1
c
donde hemos utilizado el hecho de que Eme = En−1, ya que los acontecimientos están aumentando.
En palabras, FN consiste en esos resultados en EN que no están en ninguno de los
anteriores Ei,me < n. Es fácil verificar que el FN son eventos mutuamente exclusivos q
q n n
59
Así
P
q
) (por axioma 3)
n
=n P(Fi)
n
=n ⎛ ⎞
=n ⎛ ⎞
= nLim→qP(En)
P i
P ⎛⎛ ⎞⎞
q c
61
o, equivalentemente,
⎛q ⎞
P
⎝1 ⎠ n→q
particular, en minutos a 12 P.m.], esta bola habría sido retirada de la urna. Por lo
tanto, para cada n, número de la bola N no está en la urna a las 12 P.m.; por lo tanto, la urna
debe estar vacía en ese momento.
Vemos entonces, de la discusión anterior que la manera en que las bolas son retiradas
hace la diferencia. Para, en el primer caso sólo bolas numeradas 10n,N Efectos 1, se retira
62
siempre, mientras que en el segundo caso todas las bolas se retiran eventual. Supongamos
ahora que cada vez que una pelota se retira, esa pelota es seleccionada aleatoriamente entre
los presentes. Esto es, supongamos que en 1 minuto a 12 P.m. las bolas numeradas del 1 al
10 se colocan en la urna y una bola es seleccionada y retirada aleatoriamente, y así
sucesivamente. En este caso, ¿cuántas bolas hay en la urna a las 12 P.m.?
Solución. Vamos a demostrar que, con la probabilidad 1, la urna está vacía a las 12 P.m.
Primero pensemos en la bola número 1. Definir EN para ser el caso de que la bola número 1
todavía está en la urna después de la primera N se han hecho retiros. Claramente
P
[Para entender esta ecuación, sólo tenga en cuenta que si la bola número 1 es todavía estar
en la urna después de la primera N retiros, la primera bola retirada puede ser cualquiera de
9, el segundo cualquiera de 18 (hay 19 bolas en la urna en el momento de la segunda retirada,
uno de los cuales debe ser balón número 1), y así sucesivamente. El denominador se obtiene
semejantemente.]
Sección 2,6 Probabilidad como función de conjunto continuo
q
Porque los eventos En,N Efectos 1, están disminuyendo los eventos, se desprende de la
proPosición 6,1 quen=1 Ahora, el evento que la bola número 1 está en la urna a las 12 P.m.
es sólo el evento En.
P{la bola número 1 está en la urna a las 12. P.m.}
=P
= Lim P(En)
n→Q q
= n=1
9n 1
n=1 +
Desde
q
63
n =1
Q
n=1
Efectos 1 q
9n
9n
n=1
=1
me
q
Q
n=1
Por lo tanto, dejar Fme denota el acontecimiento que el número de la bola me está en la urna
a las 12 P.m., hemos demostrado que P(F1) = 0. del mismo modo, podemos demostrar que
P(Fi) = 0 para todos i.
q
(Por ejemplo, el mismo razonamiento demuestra que P(Fi) [9n/(9n 1)] para i
= n$=2 + =
11, 12,..., 20.) Por lo tanto, la probabilidad de que la urna no esté vacía a los 12 P.m., P
,
Satisface
q q
64
P⎛ ⎞
por la desigualdad de Boole. (Ver ejercicio de auto-prueba 14.)
Así, con la probabilidad 1, la urna estará vacía a las 12 P.m. .
2,7 PROBABILIDAD como medida de creencia
Hasta ahora hemos interpretado la probabilidad de que un evento de un experimento dado
sea una medida de la frecuencia con la que el evento ocurrirá cuando el experimento se
repita continuamente. Sin embargo, también hay otros usos del término Probabilidad. Por
ejemplo, todos hemos escuchado tales declaraciones como "es 90 por ciento probable que
Shakespeare realmente escribió Aldea"o" la probabilidad de que Oswald actuara solo en
asesinar a Kennedy es. 8. ¿Cómo interpretar estas afirmaciones?
La interpretación más simple y natural es que las probabilidades mencionadas son
medidas del grado de creencia del individuo en las declaraciones que él o ella está haciendo.
En otras palabras, el individuo que hace las declaraciones anteriores está bastante seguro de
que Oswald actuó solo y está aún más seguro de que Shakespeare escribió Aldea. Esta
interpretación de la probabilidad como una medida del grado de creencia de uno se conoce
a menudo como el Personal O Subjetiva vista de la probabilidad.
Parece lógico suponer que una "medida del grado de la creencia de uno" debe satisfacer
todos los axiomas de la probabilidad. Por ejemplo, si estamos 70 por ciento seguro de que
Shakespeare escribió Julio César y 10 por ciento seguro de que era en realidad Marlowe,
entonces es lógico suponer que estamos 80 por ciento seguro de que era o Shakespeare o
Marlowe. Por lo tanto, si interpretamos la probabilidad como una medida de creencia o
como una frecuencia de ocurrencia a largo plazo, sus propiedades matemáticas permanecen
inalteradas.
EJEMPLO 7A
Suponga que, en una carrera de 7 caballos, usted siente que cada uno de los dos primeros
caballos tiene un 20 por ciento de probabilidades de ganar, los caballos 3 y 4 cada uno tienen
un 15 por ciento de probabilidades, y los 3 caballos restantes tienen un 10 por ciento de
probabilidades cada uno. ¿Sería mejor para usted apostar a dinero incluso que el ganador
será uno de los tres primeros caballos o para apostar, de nuevo a dinero incluso, que el
ganador será uno de los caballos 1, 5, 6, y 7?
Tenga en cuenta que, al suponer que las probabilidades subjetivas de una persona son
siempre coherentes con los axiomas de la probabilidad, estamos tratando con un idealizado
en lugar de un
Resumen
persona real. Por ejemplo, si tuviéramos que preguntarle a alguien lo que él pensaba que las
posibilidades eran de
(a) lluvia hoy,
(b) lluvia mañana,
(c) lluvia tanto hoy como mañana,
65
(d) llueva hoy o mañana,
es muy posible que, después de algunas deliberaciones, pueda dar 30 por ciento, 40 por
ciento, 20 por ciento, y 60 por ciento como respuestas. Desafortunadamente, tales respuestas
(o tales probabilidades subjetivas) no son consistentes con los axiomas de la probabilidad.
(¿Por qué no?) Por supuesto, esperamos que, después de que se señaló a la demandada, ella
cambiaría sus respuestas. (Una posibilidad que podríamos aceptar es 30 por ciento, 40 por
ciento, 10 por ciento y 60 por ciento).
Resumen
Dejar S denotar el conjunto de todos los resultados posibles de un experimento. S se llama
el espacio de muestra del experimento. Un evento es un subconjunto de S. Si Ai,me = 1...,n,
son eventos, entonces n
Ai, llamado el Unión de estos eventos, consiste en todos los resultados que se encuentran en al menos
n
uno de los eventos Ai,me = 1...,n. Semejantemente Ai, a veces escrito como A1 ···AnEs
llamado el Intersección de los eventos Ame y consiste en todos los resultados que están en
todosi=1 los eventos Ai,me = 1...,n.
Para cualquier evento A, definimos AC consistir en todos los resultados en el espacio de
muestra que no están en A. Que llamamos AC Lla Complemento del evento A. El evento Sc,
que está vacío de los resultados, es designado por Ø y se llama el Null Establecer. Si
Apagado = Ø, entonces decimos que Un Y B Son mutuamente excluyentes.
Para cada evento Un del espacio de muestra S, suponemos que un número P(A), llamada
la probabilidad de A, se define y es tal que
(i) 0 ... P(A) ... 1
(ii) P(S) = 1
q q
P ⎛ ⎞
P(Ac) = 1 − P(A)
66
UN resultado útil es que
P ⎞ (AiAj)
(AiAjAk) n n
i<j<k
Si S es finito y cada conjunto de un punto se supone que tiene la misma probabilidad, entonces
A
P(A) = || ||
S
Donde |E| denota el número de resultados en el evento E.
P(A) puede ser interpretado como una frecuencia relativa a largo plazo o como una medida
del grado de creencia de uno.
Problemas
1. UNA caja contiene 3 canicas: 1 rojo, 1 verde y 1 azul. (a) Interprete el espacio de la muestra.
Consideremos un experimento que consiste en tomar (b) Defina los siguientes eventos en términos de S:
1 canica de la caja y luego reemplazarla en la caja y (i) Un Gana = A.
dibujar un segundo mármol de la caja. DesCriba el
espacio de muestra. Repita cuando se dibuje la (ii) B Gana = B.
segunda canica sin reemplazar la primera canica.
(iii) (Un ∪ B)c.
2. En un experimento, el troquel se enrolla
continuamente hasta que aparece un 6, momento en el Asumir que Un voltea primero, luego
cual el experimento se detiene. ¿Cuál es el espacio de BEntonces CEntonces A, y así
muestra de este experimento? Dejar EN denotar el sucesivamente.
evento que N los rollos son necesarios 5. UN sistema consta de 5 componentes, cada uno de los
para completar el experimento. ¿Qué cuales funciona o falla. Considerar un experimento
puntos de la Samc que consiste en observar el estado de cada
el espacio del ple se contiene en En? ¿Qué es? componente, y dejar que el resultado del experimento
sea dado por el vector (x1,x2,x3,x4,x5)Donde xme es igual
3. Se lanzan dos dados. Dejar Y ser el caso de que la a 1 si el componente me está funcionando y es igual a
suma de los dados es impar, que F ser el caso de que 0 si el componente me se ha fallado.
al menos uno de los dados aterriza en 1, y dejar que G (a) ¿Cuántos resultados se encuentran en el espacio
sea el caso de que la suma sea 5. Describir los eventos de muestra de este experimento?
Si,Y ∪ F,Fg,SicY Efg. (b) Suponga que el sistema funcionará si los
componentes 1 y 2 están funcionando, o si los
4. A, BY C tome turnos volteando una moneda. El componentes 3 y 4 están funcionando, o si todos
primero en conseguir una cabeza gana. El espacio de los componentes 1, 3 y 5 están funcionando.
muestra de este experimento puede ser definido por Dejar En ser el evento que el sistema funcionará.
Especifique todos los resultados en W.
1, 01, 001, 0001,...,
(c) Dejar Un sea el caso de que los componentes 4 y
S=% ··· 5 fallen. ¿Cuántos resultados se incluyen en el
0000 evento? A?
67
(d) Escriba todos los resultados en el evento Aw. 26 en la clase de francés, y 16 en la clase de alemán.
6. UN administrador del hospital codifica pacientes Hay 12 estudiantes que están en español y francés, 4
entrantes que sufren heridas de bala de acuerdo a si que están en español y alemán, y 6 que están en
tienen seguro (codificación 1 si lo hacen y 0 si no lo francés y alemán. Además, hay 2 estudiantes que
hacen) y de acuerdo a su condición, que está toman las 3 clases.
clasificado como bueno (g), justo (f), o grave (s). (a) Si un estudiante es elegido aleatoriamente, ¿cuál
Considere un experimento que consiste en la es la probabilidad de que él o ella no esté en
codificación de tal paciente. ninguna de las clases de idiomas?
(a) Dar el espacio de muestra de este experimento. (b) Si un estudiante es elegido aleatoriamente, ¿cuál
(b) Dejar Un ser el caso de que el paciente esté en es la probabilidad de que él o ella esté tomando
grave estado. Especifique los resultados en A. exactamente una clase de idioma?
(c) Dejar B sea el caso de que el paciente no esté (c) Si dos estudiantes son elegidos aleatoriamente,
asegurado. Especifique los resultados en B. ¿cuál es la probabilidad de que al menos 1 esté
(d) Dar todos los resultados en el evento BC ∪ A. tomando una clase de idioma?
13. UNA cierta ciudad con una población de 100.000
7. Consideremos un experimento que consiste en tiene 3 periódicos: I, II, y III. Las proporciones de los
determinar el tipo de trabajo — ya sea de cuello azul pobladores que leen estos documentos son las
o whitecollar — y la afiliación política — siguientes:
republicana, democrática o independiente — de los 15
miembros de un equipo de fútbol para adultos. I: 10 por ciento I y II: 8 por ciento I y II y
¿Cuántos resultados se un en el espacio de muestra? III: 1 por ciento
(b) en caso de que al menos uno de los miembros del II: 30 por ciento I y III: 2 por ciento
equipo sea un trabajador de cuello azul? III: 5 por ciento II y III: 4 por ciento
(c) ¿en caso de que ninguno de los miembros del Problemas
equipo se considere independiente?
8. Suponga que Un Y B son eventos mutuamente (La lista nos dice, por ejemplo, que 8000 personas
exclusivos para los que P(A) = .3 y P(B) = .5. ¿Cuál leen los periódicos I y II.)
es la probabilidad de que un sea Un O B ¿Ocurre? (a) Encontrar el número de personas que leen sólo
b Un ocurre, pero B ¿No? c un periódico.
Ambos Un Y B ¿Ocurrir? (b) Cómo Muchos Gente Leer En
9. UN establecimiento minorista acepta ya sea el Menos ¿dos periódicos?
American Express o la tarjeta de crédito VISA. UN (c) Si I y III son periódicos matutinos y II es un
total de 24 por ciento de sus clientes llevan una tarjeta periódico vespertino, ¿cuánta gente lee al menos
American Express, 61 por ciento llevan una tarjeta un periódico matutino más un periódico
VISA, y 11 por ciento llevan ambas Tarjetas. ¿Qué vespertino?
porcentaje de sus clientes lleva una tarjeta de crédito (d) Cómo Muchos Gente De No
que el establecimiento aceptará? Leer ¿algún periódico?
10. 60 por ciento de los estudiantes en cierta escuela no (e) ¿Cuánta gente lee sólo un periódico matutino y
llevan ni un anillo ni un collar. Veinte por ciento usan un periódico vespertino?
un anillo y 30 por ciento usan un collar. Si uno de los 14. Los siguientes datos fueron dados en un estudio de un
estudiantes es elegido aleatoriamente, ¿cuál es la grupo de 1000 suscriptores a una cierta revista: en
probabilidad de que este estudiante esté usando un referencia a trabajo, estado civil, y educación, había
¿un anillo o un collar? 312 profesionales, 470 personas casadas, 525
b ¿un anillo y un collar? graduados de la Universidad, 42 graduados de la
11. UN total del 28 por ciento de los varones americanos Universidad profesional, 147 los graduados de la
fuma cigarrillos, el 7 por ciento fuma cigarros, y el 5 Universidad casada, 86 profesionales casados, y 25
por ciento fuma ambos cigarros y cigarrillos. casaron a graduados profesionales de la Universidad.
(a) ¿Qué porcentaje de hombres fuma ni cigarros ni DeMuestre que los números reportados en el estudio
cigarrillos? deben ser incorrectos.
(b) Qué Porcentaje Fuma Cigarros Pista: Let M, WY G denotan, respectivamente, el
Pero ¿no cigarrillos? conjunto de profesionales, personas casadas y
12. Una escuela primaria ofrece 3 clases de idiomas: una graduados universitarios. Asuma que una de las 1000
en español, una en francés y otra en alemán. Las clases personas es escogida al azar, y use la proPosición 4,4
están abiertas a cualquiera de los 100 estudiantes en para mostrar que si los números dados son correctos,
la escuela. Hay 28 estudiantes en la clase de español, entonces
68
P(M ∪ En ∪ G) > 1. (a) Si una de estas familias es escogida al azar, ¿cuál
es la probabilidad que tiene me Niños me = ¿1, 2,
15. Si se asume que todos los las manos de póquer 3, 4, 5?
son igualmente probables, ¿cuál es la probabilidad de
(b) Si uno de los niños es elegido al azar, ¿cuál es la
ser tratado
probabilidad de que el niño provenga de una
(a) ¿un rubor? (Se dice que una mano es de color si
familia que me Niños me = ¿1, 2, 3, 4, 5?
las 5 cartas son del mismo palo.)
(b) ¿un par? (Esto ocurre cuando las tarjetas tienen 22. Considere la siguiente técnica para barajar una baraja
denominaciones a, a, b, c, dDonde a, b, cY D son de N tarjetas: para cualquier pedido inicial de las
todos distintos.) tarjetas, ir a través de la baraja de una tarjeta a la vez
(c) ¿dos pares? (Esto ocurre cuando las tarjetas y en cada tarjeta, voltear una moneda justa. Si la
tienen denominaciones a, a, b, b, cDonde a, bY moneda sube cabezas, entonces deje la tarjeta donde
C son todos distintos.) está; Si la moneda sube por las colas, entonces mueva
(d) ¿tres de un tipo? (Esto ocurre cuando las tarjetas esa tarjeta hasta el final de la baraja. Después de que
tienen denominaciones a, a, a, b, cDonde a, bY la moneda se ha volteado N veces, dicen que una
C son todos distintos.) ronda se ha completado. Por ejemplo, si N = 4 y el
(e) ¿cuatro de un tipo? (Esto ocurre cuando las orden inicial es 1, 2, 3, 4, entonces si las volteretas
tarjetas tienen denominaciones a, a, a, a, b.) sucesivas resultan en el resultado h, t, t, h, entonces el
16. Dados de póquer se juega al mismo tiempo rodando 5 ordenar al final de la Ronda es 1, 4, 2, 3. Asumiendo
dados. Demuestran que un P{no dos iguales} = .0926; que todos los posibles resultados de la secuencia de N
los flips de monedas son igualmente probables, ¿cuál
b P{un par} = .4630; c P{dos pares} = .2315; es la probabilidad de que el pedido después de una
De P{tres iguales} = .1543; Y ronda es el mismo que el pedido inicial?
23. UN par de dados justos se ruedan. ¿Cuál es la
P{Full House} = .0386; f
probabilidad de que el segundo dado caiga en un valor
P{cuatro iguales} = más alto que el primero?
.0193; g P{cinco iguales} = 24. Si se ruedan dos dados, ¿cuál es la probabilidad de que
la suma de las caras volteadas es igual a i? Encontrar
.0008. para me = 2, 3,..., 11, 12.
17. Si 8 Torres (castillos) son colocadas aleatoriamente en 25. Se rueda un par de dados hasta que aparezca una suma
un tablero de ajedrez, calcule la probabilidad de que de 5 o 7. Encontrar la probabilidad de que un 5 ocurra
ninguna de las torres pueda capturar a ninguna de las primero. Pista: Let EN denotan el evento de que se
otras. Esto es, calcule la probabilidad de que ninguna produce un 5 en
fila o archivo contenga más de una torre. Lla nTH roll y no 5 o 7 se produce en el primer N − 1
18. Dos cartas son seleccionadas aleatoriamente de una q
baraja de juego ordinaria. ¿Cuál es la probabilidad de n =1
Rollos.
que formen un Blackjack? Esto es, ¿cuál es la Calcular P(En) y argumentan que P(En) Es
probabilidad de que una de las cartas sea un as y la la probabilidad deseada.
otra sea un diez, un gato, una reina o un rey? 26. El juego de dados se juega de la siguiente manera: un
19. Dos dados simétricos tienen dos de sus lados pintados jugador rueda dos dados. Si la suma de los dados es
de rojo, dos pintados de negro, uno pintado de un 2,
amarillo, y la otra pintada de blanco. Cuando este par 3, o 12, el jugador pierde; Si la suma es un 7 o un 11,
de dados se enrolla, ¿cuál es la probabilidad de que el jugador gana. Si el resultado es cualquier otra cosa,
ambos dados aterricen con el mismo color boca el jugador continúa tirando los dados hasta que ruede
arriba? el resultado inicial o un 7. Si el 7 es el primero, el
20. Suponga que está jugando Blackjack contra un jugador pierde, mientras que si el resultado inicial se
traficante. En una baraja recién barajada, ¿cuál es la reproduce antes de que aparezca el 7, el jugador gana.
probabilidad de que ni usted ni el crupier se reparten Calcular la probabilidad de que un jugador gane en
un Blackjack? dados.
21. UNA organización pequeña de la comunidad consiste Pista: Let Eme denotan el evento de que el resultado
en 20 familias, de las cuales 4 tienen un niño, 8 tienen inicial es me y el jugador gana. La probabilidad
dos niños, 5 tienen tres niños, 2 tienen cuatro niños, y
1 tiene cinco niños.
deseada es . Para calcular P(Ei), defina los
69
eventos Ei,N ser el caso de que la suma inicial sea me la persona en el iposición TH, 1 ... me ... B + g, es una
y el jugador gana en el nrollo. Argumentan que q chica?
P P(Ei,n). n=1 33. UN bosque contiene 20 alces, de los cuales 5 son
27. Una urna contiene 3 bolas rojas y 7 negras. Jugadores capturados, etiquetados y luego liberados. Cierto
Un Y B Retire las bolas de la urna consecutivamente tiempo después, 4 de los 20 alces son capturados.
hasta que se seleccione una bola roja. Encontrar la ¿Cuál es la probabilidad de que 2 de estos 4 hayan
probabilidad de que Un selecciona la bola roja. (Un sido etiquetados? ¿Qué suposiciones estás haciendo?
dibuja la primera bola, entonces B, y así 34. El segundo conde de Yarborough se ha reportado que
sucesivamente. No hay reemplazo de las bolas ha apostado en odds de 1000 a 1 que una mano de
dibujadas.) Bridge de 13 cartas contendría al menos una carta que
28. Una urna contiene 5 bolas rojas, 6 azules y 8 verdes. sea diez o más. (Por diez o más queremos decir que
Si un juego de 3 bolas se selecciona al azar, ¿cuál es una tarjeta es un diez, un gato, una reina, un rey, o un
la probabilidad de que cada una de las bolas será (a) as.) Hoy en día, llamamos a una mano que no tiene
del mismo color? (b) de diferentes colores? Repita tarjetas superiores a 9 un Yarborough. ¿Cuál es la
bajo el supuesto de que cada vez que una bola es probabilidad de que una mano de puente seleccionada
seleccionada, su color es observado y entonces es aleatoriamente sea un Yarborough?
substituido en la urna antes de la selección siguiente. 35. Siete bolas son retiradas aleatoriamente de una urna
Esto se conoce como muestreo con reemplazo. que contiene 12 bolas rojas, 16 azules y 18 verdes.
Encontrar la probabilidad de que
29. Una urna contiene N blanco y M bolas negras, donde (a) 3 rojo, 2 azules, y 2 bolas verdes se retiran;
N Y M son números positivos.
(b) se retiran al menos 2 bolas rojas;
(a) Si dos bolas se retiran al azar, ¿cuál es la
(c) todas las bolas retiradas son del mismo color;
probabilidad de que sean del mismo color?
(d) o exactamente 3 bolas rojas o exactamente 3
(b) Si una bola se retira aleatoriamente y luego se
bolas azules se retiran.
sustituye antes de que se dibuje el segundo, ¿cuál
36. Dos cartas son escogidas al azar de una baraja de 52
es la probabilidad de que las bolas retiradas sean
naipes. ¿Cuál es la probabilidad de que un ¿ambos son
del mismo color?
ases?
(c) Mostrar que la probabilidad en la parte (b) es
b tienen el mismo valor?
siempre mayor que la de la parte (a).
37. Un instructor le da a su clase un conjunto de 10
30. Los clubes de ajedrez de dos escuelas consisten, problemas con la información que el examen final
respectivamente, en 8 y 9 jugadores. Cuatro miembros consistirá en una selección aleatoria de 5 de ellos. Si
de cada Club son elegidos al azar para participar en un un estudiante ha descubierto cómo hacer 7 de los
concurso entre las dos escuelas. Los jugadores problemas, ¿cuál es la probabilidad de que él o ella va
elegidos de un equipo se emparejan al azar con los del a responder correctamente un ¿los 5 problemas?
otro equipo, y cada emparejamiento juega un juego de b ¿al menos 4 de los problemas?
ajedrez. Suponga que Rebecca y su hermana Elise 38. Hay N calcetines, 3 de los cuales son rojos, en un
están en los clubes de ajedrez en diferentes escuelas. cajón. ¿Cuál es el valor de N Si, cuando 2 de los
¿Cuál es la probabilidad de que un ¿Rebecca y Elise calcetines son elegidos aleatoriamente, la
serán emparejados?
probabilidad de que ambos son rojos es ?
(b) ¿Rebecca y Elise serán elegidos para representar
39. Hay 5 hoteles en una ciudad determinada. Si 3
a sus escuelas pero no se jugarán entre sí?
personas registro en hoteles en un día, ¿cuál es la
(c) ¿o Rebecca o Elise serán elegidos para
probabilidad de que cada uno de ellos en un hotel
representar a su escuela?
diferente? ¿Qué suposiciones estás haciendo?
31. UN equipo de baloncesto de 3 personas consiste en un
40. UNA ciudad contiene 4 personas que reparan
guardia, un delantero y un centro.
televisiones. Si 4 sets se descomponen, ¿cuál es la
(a) Si una persona es escogida al azar de cada uno
probabilidad de que Problemas
de los tres equipos diferentes, ¿cuál es la
probabilidad de seleccionar un equipo completo? Exactamente me de los reparadores se llaman?
(b) ¿Cuál es la probabilidad de que los 3 jugadores
Resolver el problema para me = 1, 2, 3, 4. ¿Qué
seleccionados jueguen la misma posición?
32. UN grupo de individuos que contienen B chicos y G suposiciones estás haciendo?
las niñas se alinean en orden aleatorio; es, cada uno de 41. Si un dado se enrolla 4 veces, ¿cuál es la probabilidad
los (B + g)! se supone que las permutaciones son de que 6 se presenta al menos una vez?
igualmente probables. Qué es la probabilidad de que
70
42. Se lanzan dos dados N veces consecutivas. Calcule la b ¿exactamente 1 par completo?
probabilidad de que Double 6 aparezca al menos una
53. Si 4 parejas casadas están organizadas en una fila,
vez. Lo grande que necesita N ser para hacer esta
encontrar la probabilidad de que ningún marido se
probabilidad por lo menos ? sienta al lado de su esposa.
43. un Si N personas, incluyendo Un Y B, se organizan al
azar en una línea, ¿cuál es la probabilidad de que Un 54. Calcule la probabilidad de que una mano de puente
Y B están uno al lado del otro? esté vacía en al menos un traje. Tenga en cuenta que
b ¿Cuál sería la probabilidad si la gente fuera la respuesta no es
arreglada aleatoriamente en un círculo?
44. Cinco personas, designadas como A, B, C, D, E, se
arreglan en orden linear. Asumiendo que cada orden
posible es igual de probable, ¿cuál es la probabilidad
de que (¿Por qué no?)
(a) hay exactamente una persona entre Un Y B? Pista: Use la proPosición 4,4.
(b) hay exactamente dos personas entre Un Y B? 55. Calcular la probabilidad de que una mano de 13
(c) Hay tres personas entre Un Y B? tarjetas contiene
(a) el as y el rey de al menos un traje; b los 4 de al
45. UNA mujer ha N llaves, de los cuales se abrirá la menos 1 de las 13 denominaciones.
puerta.
(a) Si ella intenta las llaves al azar, descartando
aquellos que no funcionan, ¿cuál es la
probabilidad de que ella le abrirá la puerta a su
k¿lo intentamos?
(b) ¿Qué pasa si no descarta las llaves previamente
probadas?
46. ¿Cuántas personas tienen que estar en una habitación
para que la probabilidad de que por lo menos dos de
ellos celebran su cumpleaños en el mismo mes es por
lo menos
? SuPongamos que todos los posibles resultados
mensuales son igualmente probables.
47. Si hay 12 extraños en una habitación, ¿cuál es la
probabilidad de que no dos de ellos celebren su
cumpleaños en el mismo mes?
48. Dado 20 personas, ¿cuál es la probabilidad de que,
entre los 12 meses del año, haya 4 meses que
contengan exactamente 2 cumpleaños y 4 que
contengan exactamente 3 cumpleaños?
49. UN grupo de 6 hombres y 6 mujeres se divide al azar
en 2 grupos de tamaño 6 cada uno. ¿Cuál es la
probabilidad de que ambos grupos tengan el mismo
número de hombres?
50. En una mano de Bridge, encuentra la probabilidad de
que tengas 5 picas y tu pareja tiene los 8 restantes.
51. Suponga que N las bolas se distribuyen aleatoriamente
en N Compartimientos. Encontrar la probabilidad de
que M las bolas caerán en el primer compartimento.
Asumir que todos NN los arreglos son igualmente
probables.
52. UN armario contiene 10 pares de zapatos. Si se
seleccionan 8 zapatos al azar, ¿cuál es la probabilidad
de que habrá un ¿ningún par completo?
71
56. Dos jugadores juegan el siguiente juego: jugador Un
Elige uno de los tres Spinners ilustrados en la figura
2,6, y luego el jugador B Escoge uno de los dos
hilanderos restantes. Ambos jugadores giran su
Spinner, y el que aterriza en el número más alto es
declarado ganador. Asumiendo que cada Spinner es
igualmente probable que aterrice en cualquiera de sus
3 regiones, ¿preferirías ser jugador Un o jugador B? ¡
Explique su respuesta!
9 5 3 8
a b
1 4
7 6
c
EJERCICIOS TEÓRICOs
2. Si Y ( FEntonces FC ( Ec.
.
3. F = FE ∪ FEC Y Y ∪ F = Y ∪ EcF.
72
5. Para cualquier secuencia de eventos E1,E2,..., defina especiales, y luego cualquiera de los TK particiones del
una nueva secuencia F1,F2,... de eventos restante K artículos no especiales. Añadiendo el
desarticulados (es FiFJ = Ø cuando me Z j) tal que para elemento especial al subconjunto de tamaño N − k,
todos N Efectos 1 obtenemos una partición de todos N + 1 items.
n n
9. Suponga que se realiza un experimento N Veces. Para
cualquier evento Y del espacio de la muestra, deje n(E)
Ei indicar el número de veces que el evento Y se produce
6. Dejar E, FY G tres eventos. Buscar expresiones para y define f(E) = n(E)/n. Demuestran que f(·) satisface
los eventos de modo que, de E, FY G, un Sólo Y los axiomas 1, 2 y 3.
ocurre Ejercicios teóricos
(b) Ambos Y Y G, pero no Focurrir
10. Demostrar que P(Y ∪ F ∪ G) = P(E) + P(F) + P(G) −
(c) al menos uno de los eventos ocurre;
(d) al menos dos de los eventos ocurren; P(EcFg) − P(SicG) − P(Efgc) −
(e) los tres acontecimientos ocurren; 2P(Efg).
(f) ninguno de los eventos ocurre;
(g) a lo sumo uno de los eventos ocurre; 11. Si P(E) = .9 y P(F) = .8, demuestran que
(h) a lo sumo dos de los eventos ocurren; me P(SiEfectos.7. en general, demuestre la desigualdad
exactamente dos de los acontecimientos ocurren;
Me a lo sumo tres de los eventos ocurren. de Bonferroni, a saber,
7. Encuentre la expresión más sencilla para los
siguientes eventos: P(Si) de la P(E) + P(F) − 1
(a) (Y ∪ F)(Y ∪ Fc);
12. Demostrar que la probabilidad de que exactamente
(b) (Y ∪ F)(EC ∪ F)(Y ∪ Fc); c (Y ∪ F)(F ∪ G).
uno de los eventos Y O F ocurre es igual a P(E) + P(F)
8. Dejar S ser un conjunto dado. Si, para algunos K > 0 −
S1,S2,...,SK son mutuamente excluyentes no vacías 2P(Si).
K subconjuntos de S tal
13. Demostrar que P(Sic) = P(E) − P(Si).
que Si = S, entonces nos
14. Prueba la proPosición 4,4 por inducción matemática.
15. Una urna contiene M blanco y N bolas negras. Si una
Llame al set Partición De S. Dejar muestra aleatoria de tamaño R se elige, ¿cuál es la
TN indicar el número de particiones diferentes de {1, probabilidad de que contiene exactamente K ¿bolas
2,...,n}. Así T1 = 1 (la única partición que se S1 = {1}) blancas?
y T2 = 2 (las dos particiones que son 16. Utilizar la inducción para generalizar la desigualdad
{{1, 2,}},{{1},{2}}). de Bonferroni a N Eventos. Esto es, mostrar que
(a) Mostrar, mediante la informática de todas las
P(E1E2 ···En) de la P(E1) + ··· + P(En−N − 1)
particiones, que T3 = 5T4 = 15. b Demuestran
que 17. Considere el problema coincidente, el ejemplo 5m, y
defina AN el número de formas en que el N los
n hombres pueden seleccionar sus sombreros para que
TnTk ningún hombre elija el suyo. Argumentan que
k=1
AN = (N − 1)(AN−1 + AN−2)
y utilizar esta ecuación para calcular T10.
Pista: Una forma de elegir una partición de N + 1 los Esta fórmula, junto con las condiciones de límite A1 =
artículos son llamar uno de los artículos Especial. 0A2 = 1, puede entonces ser solucionado para AN, y la
Luego obtenemos diferentes particiones eligiendo probabilidad deseada de no coincide sería
primero k,K = 0, 1,...,n, a continuación, un AN/N!.
subconjunto de tamaño N − K de los artículos no
73
Pista: Después de que el primer hombre selecciona un
sombrero que no es el suyo, no permanecen N − 1
hombres para seleccionar entre un conjunto de N − 1
sombreros que no contengan el sombrero de uno de
estos hombres. Por lo tanto, hay un hombre extra y un
sombrero extra. Argumentan que no podemos
conseguir fósforos ya sea con el hombre extra
seleccionando el sombrero extra o con el hombre
extra no seleccionando el sombrero extra.
18. Dejar fN denota el número de formas de lanzar una
moneda N veces tales que las cabezas sucesivas nunca
aparecen. Argumentan que
20. y theareConsider un experimento cuya muestra de espacio con-R −kel 1º retiro es una bola
roja. bolas rojas en la primera K − 1 retiros P{2K Funciona} =
M−1 N−1
n
consiste de un número infinitamente infinito de puntos.
Demostrar que no todos los puntos pueden ser igualmente
Curso Opciones
10. Consideremos un experimento que consiste en seis caballos, numerados del 1 al 6, corriendo una carrera, y Supongamos
que el espacio de muestra consiste en el 6! posibles órdenes en las que los caballos terminan. Dejar Un ser el caso de que
el caballo número 1 se encuentra entre los tres primeros finalistas, y dejar que B sea el caso de que el caballo número 2
venga en segundo lugar. ¿Cuántos resultados hay en el evento? Un ∪ B?
11. UNA mano de 5 cartas se reparte de una baraja bien barajada de 52 naipes. ¿Cuál es la probabilidad de que la mano
contenga al menos una carta de cada uno de los cuatro trajes?
12. UN equipo de baloncesto consta de 6 delantera y 4 jugadores de la cancha. Si los jugadores están divididos en compañeros
de cuarto al azar, ¿cuál es la probabilidad de que habrá exactamente dos pares de compañeros de cuarto constituidos por
un tribunal y un jugador delantera?
13. Suponga que una persona escoge una letra al azar de R e S E R V E y después escoge uno al azar de V E R T I C A L.
¿Cuál es la probabilidad de que se escoja la misma letra?
14. Pruebe la desigualdad de Boole:
P P(Ai)
Problemas de auto-prueba y ejercicios
Pista: ¿En cuántas particiones se {1} un subconjunto, y en cuántos es 1 un elemento de un subconjunto que contiene otros
elementos?
17. Cinco bolas son escogidas aleatoriamente, sin reemplazo, de una urna que contiene 5 bolas rojas, 6 blancas y 7 azules.
Encuentre la probabilidad de que se elija al menos una bola de cada color.
18. Cuatro bolas rojas, 8 azules, y 5 verdes se arreglan aleatoriamente en una línea.
(a) ¿Cuál es la probabilidad de que las primeras 5 bolas sean azules?
(b) ¿Cuál es la probabilidad de que ninguna de las primeras 5 bolas sea azul?
(c) ¿Cuál es la probabilidad de que las 3 bolas finales son de diferente color.
(d) ¿Cuál es la probabilidad de que todas las bolas rojas estén juntas?
19. Diez cartas son escogidas aleatoriamente de una baraja de 52 tarjetas que consta de 13 tarjetas de cada uno de 4 trajes
diferentes. Cada una de las cartas seleccionadas se coloca en una de las 4 pilas, dependiendo del traje de la tarjeta.
(a) ¿Cuál es la probabilidad de que la pila más grande tenga 4 tarjetas, la siguiente más grande tiene 3, la siguiente más
grande tiene 2, y la más pequeña tiene 1 tarjeta?
(b) ¿Cuál es la probabilidad de que dos de los pilotes tengan 3 tarjetas, una tiene 4 tarjetas, y una no tiene tarjetas?
20. Las bolas se extraen al azar de una urna que inicialmente contiene 20 bolas rojas y 10 azules. ¿Cuál es la probabilidad de
que todas las bolas rojas se eliminen antes de que se hayan eliminado todos los azules?
Sección 3,2 Probabilidades condicionales 76
CHAPTER3
3,1 Introducción
En este capítulo, introducimos uno de los conceptos más importantes en la teoría de la
probabilidad, el de la probabilidad condicional. La importancia de este concepto es doble.
En primer lugar, a menudo nos interesa calcular las probabilidades cuando se dispone de
información parcial sobre el resultado de un experimento; en tal situación, las probabilidades
deseadas son condicionales. En segundo lugar, incluso cuando no hay información parcial
disponible, las probabilidades condicionales se pueden utilizar a menudo para calcular las
probabilidades deseadas más fácilmente.
3,2PROBABILIDADES CONDICIONAles
Suponga que tiramos 2 dados, y Supongamos que cada uno de los 36 posibles resultados es
igualmente probable que ocurra y por lo tanto tiene probabilidad . Suponga además que
observamos que el primer dado es un 3. Entonces, dada esta información, ¿cuál es la
probabilidad de que la suma de los 2 dados sea igual a 8? Para calcular esta probabilidad,
razonamos como sigue: dado que el dado inicial es un 3, puede haber como máximo 6
posibles resultados de nuestro experimento, a saber, (3, 1), (3, 2), (3, 3), (3, 4), (3, 5) y (3,
6). Dado que cada uno de estos resultados originalmente tenía la misma probabilidad de
ocurrir, los resultados deberían tener igualmente probabilidades. Esto es, dado que el primer
dado es un 3, la probabilidad (condicional) de cada uno de los resultados (3, 1), (3, 2), (3,
3), (3,4), (3, 5), y (3, 6) es , mientras que la probabilidad (condicional) de los otros 30
puntos en el espacio de muestra es 0. Por lo tanto, la probabilidad deseada será .
Si dejamos Y Y F denotan, respectivamente, el acontecimiento que la suma del dado es 8
y el acontecimiento que el primer dado es 3, después la probabilidad apenas obtenida se
llama el probabilidad condicional de que E ocurra dado que F ha ocurrido y se denota por
Sección 3,2 Probabilidades condicionales 77
P(E|F)
UNA fórmula general para P(E|F) que es válido para todos los eventos Y Y F se deriva de
la misma manera: Si el evento F ocurre, entonces, con el fin de Y para que ocurra, es
necesario que la ocurrencia real sea un punto tanto en Y y en F; es decir, debe estar en Si.
Ahora, ya que sabemos que F ha ocurrido, se sigue que F se convierte en nuestro nuevo, o
reducido, espacio de muestra; por lo tanto, el probabilidad de que el evento Si ocurre será
igual a la probabilidad de Si en relación con la probabilidad de F. Esto es, tenemos la
siguiente definición.
58
Definición
Si P F 0Entonc
es P Si
P EF (2,1)
P F
EJEMPLO 2A
UN estudiante está tomando un examen de maquillaje de una hora de duración. Suponga
que la probabilidad de que el estudiante termine el examen en menos de X horas es x/2, para
todos los 0 ... X ... 1. entonces, dado que el estudiante todavía está trabajando después de .75
hora, ¿cuál es la probabilidad condicional de que se utilice la hora completa?
P(FlC )
P(Fp(Lc.75.75)
P(F)
=
Solución. Dejar B = {(h,h)} sea el acontecimiento que ambos voltean la tierra en cabezas;
Dejar F = {(h,h), (h,t)} sea el acontecimiento que el primer tirón aterriza en cabezas; y que
Un = {(h,h),(h,t),(t,h)} sea el acontecimiento que por lo menos un tirón aterriza en cabezas.
La probabilidad de (a) puede obtenerse de
P(Bf)
P(B|F) =
P(F)
P h, h
P({(h,h),(h,t)})
P(Tres)
P(B|A) =
P(A)
P h, h
P({(h,h),(h,t),(t,h)})
Por lo tanto, la probabilidad condicional de que ambos voltea la tierra sobre los cabezales
dado que la primera es 1/2, mientras que la probabilidad condicional de que ambos voltean
la tierra sobre los cabezales dado que al menos una hace es sólo 1/3. muchos estudiantes
encuentran inicialmente este último resultado sorprendente. Ellos razonan que, dado que al
menos un tirón aterriza en cabezas, hay dos resultados posibles: o ambos aterrizan en
cabezas o solamente uno lo hace. Sin embargo, su error consiste en asumir que estas dos
posibilidades son igualmente probables. Para, inicialmente, hay 4 resultados igualmente
probables. Porque la información que por lo menos un tirón aterriza en cabezas es
equivalente a la información que el resultado no es (t,t), nos quedamos con los 3 resultados
igualmente probables (h,h),(h,t),(t,h), sólo uno de los cuales da como resultado dos
volteretas aterrizando en la cabeza. .
EJEMPLO 2C
En el puente de juego de naipes, las tarjetas 52 se reparten por igual a 4 jugadores, llamadas
este, oeste, norte y sur. Si el norte y el sur tienen un total de 8 picas entre ellos, ¿cuál es la
probabilidad de que este tenga 3 de las 5 picas restantes?
Sección 3,2 Probabilidades condicionales 79
Solución. Probablemente la forma más fácil de calcular la probabilidad deseada es trabajar
con el espacio de muestra reducido. Es decir, dado que norte-sur tiene un total de 8 picas
entre sus 26 tarjetas, queda un total de 26 cartas, exactamente 5 de ellas de picas, que se
distribuirán entre las manos este-oeste. Puesto que cada distribución es igualmente probable,
sigue que la probabilidad condicional que el este tendrá exactamente 3 espadas entre sus 13
tarjetas es
EJEMPLO 2D
UN total de N las bolas se eligen secuencialmente y aleatoriamente, sin reemplazo, de una
urna que contiene R rojo y B bolas azules (N ... R + b). Dado que K Dela N las bolas son
azules, ¿cuál es la probabilidad condicional de que la primera bola elegida sea azul?
Solución. Si nos imaginamos que las bolas están numeradas, con las bolas azules que tienen
números 1 a través B y las bolas rojas B + 1 a través B + r, entonces el resultado del
experimento de selección N bolas sin reemplazo es un vector de distintos enteros x1,...,xn,
donde cada xme está entre 1 y R + b. Además, cada uno de estos vectores es igualmente
probable que sea el resultado. Así que, dado que el vector contiene K bolas azules (es decir,
contiene K valores entre 1 y b), se deduce que cada uno de estos resultados es igualmente
probable. Pero debido a que la primera bola elegida es, por lo tanto, igualmente probable
que sea cualquiera de los N bolas seleccionadas, de las cuales K son azules, sigue que la
probabilidad deseada es k/n.
Si no elegimos trabajar con el espacio de muestra reducido, podríamos haber resuelto el
problema dejando B sea el caso de que la primera bola elegida sea azul y BK ser el caso de
que un total de K se eligen bolas azules. Entonces
)
P(Bbk
P(B|Bk) =
P(Bk)
= P(Bk|B)P(B)
P(Bk)
Nwo P(Bk|B) es la probabilidad de que una elección aleatoria de N − 1 bolas de una urna
que contiene R rojo y B − 1 bolas azules resulta en un total de K − 1 bolas azules que son
escogidas; Por consiguiente
P
Usando la fórmula anterior junto con
b
P(B) = +
Sección 3,2 Probabilidades condicionales 80
r b
y la probabilidad hipergeométrica
P
n
EJEMPLO 2E
Celine está indeciso en cuanto a si tomar un curso de francés o un curso de química. Ella
estima que su probabilidad de recibir un grado A sería en un curso de francés y en un
curso de química. Si Celine decide basar su decisión en la FLIP de una moneda justa, ¿cuál
es la probabilidad de que obtenga una A en química?
Solución. (a) dejar que el evento que Celine toma la química y Un denotan el acontecimiento
que ella recibe una A en cualquier curso que ella toma, entonces la probabilidad deseada es
P(Como), que se calcula utilizando la ecuación (2,2) de la siguiente manera:
EJEMPLO 2F
Suponga que una urna contiene 8 bolas rojas y 4 bolas blancas. Sacamos 2 bolas de la urna
sin reemplazo. (a) si asumimos que en cada sorteo cada bola en la urna es igualmente
probable que se elija, ¿cuál es la probabilidad de que ambas bolas dibujadas son rojas? (b)
ahora suponga que las bolas tienen diversos pesos, con cada bola roja que tiene peso R y
cada bola blanca que tiene peso w. Suponga que la probabilidad de que una bola dada en la
urna es la siguiente seleccionada es su peso dividido por la suma de los pesos de todas las
bolas actualmente en la urna. Ahora, ¿cuál es la probabilidad de que ambas bolas sean rojas?
Solución. Dejar R1 Y R2 denotan, respectivamente, los eventos que las primeras y segundas
bolas dibujadas son rojas. Ahora, dado que la primera bola seleccionada
Sección 3,2 Probabilidades condicionales 81
es roja, hay 7 bolas rojas restantes y 4 bolas blancas, así que P . Como P(R1) es claramente
, la probabilidad deseada es
P(R1R2) = P(R1)P(R2|R1)
Ahora, el número de las bolas rojas, y dejar que Bi, me = 1..., 8 ser el acontecimiento que la
primera bola dibujada es número rojo de la bola i. Entonces
P(R1)
w
i=1
Además, dado que la primera bola es roja, la urna contiene 7 bolas rojas y 4 blancas. Así,
por un argumento similar al anterior,
7r
P(R2|R1) = +
7r 4w
Por lo tanto, la probabilidad de que ambas bolas son rojas es
8r 7r
P(R1R2) =8 R + 4En 7R + 4w .
PN !
i=0
P(Eg) = P(E)P(G|E)
Ahora, vamos Fi, me = 1...,k, sea el caso de que el iel miembro del set tiene una coincidencia.
Entonces
P
N NK + 1
(N −
= N!
Dado que todo el mundo en el conjunto de K tiene un fósforo, el otro N − K la gente elegirá
al azar entre sus propias N − K sombreros, por lo que la probabilidad de que ninguno de
ellos tiene un partido es igual a la probabilidad de no coincide en un problema que tiene N
− K las personas que eligen entre N − K Sombreros. Por
P(E1E2E3E4) = P(E1)P(E2|E1)P(E3|E1E2)P(E4|E1E2E3)
Nwo
P(E1) = 1
P
Dado que la pila que contiene el as de espadas recibirá 12 de las restantes 51 tarjetas, y
P
ya que las pilas que contienen los ases de espadas y corazones recibirán 24 de las restantes
50 tarjetas. Finalmente
P
Por lo tanto, la probabilidad de que cada pila tiene exactamente 1 ACE es
P
Es que hay aproximadamente un 10,5 por ciento de probabilidades de que cada pila contenga
un as. (El problema 13 da otra forma de usar la regla de multiplicación para resolver este
problema.) .
Sección 3,2 Probabilidades condicionales 84
Observaciones. Nuestra definición de P(E|F) es consistente con la interpretación de la
probabilidad como una frecuencia relativa a largo plazo. Para ver esto, suponga que N las
repeticiones del experimento deben realizarse, donde N es grande. Afirmamos que si
Sección 3,3 Fórmula de Bayes 85
Consideramos sólo aquellos experimentos en los que F ocurre, entonces P(E|F) será igual a
la proporción de largo plazo de ellos en el que Y también ocurre. Para verificar esta
afirmación, tenga en cuenta que, desde P(F) es la proporción a largo plazo de experimentos
en los que F se produce, se sigue que en el N repeticiones del experimento F ocurrirá
aproximadamente Eg(F) Veces. Del mismo modo, en aproximadamente Eg(Si) de estos
experimentos tanto Y Y F ocurrirá. Por lo tanto, de la aproximadamente Eg(F) experimentos
en los que F se produce, la proporción de ellos en el que Y también ocurre es
aproximadamente igual a
Eg(Si)
Eg(F) P(F)
Porque esta aproximación se hace exacta como N se hace más grande y más grande, tenemos
la definición apropiada de P(E|F).
Y = Si ∪ Sic
para, a fin de que un resultado sea en E, debe estar en ambos Y Y F o estar en Y pero no en
F. (Vea la figura 3,1.) Como Si Y SiC son claramente mutuamente excluyentes, tenemos,
por axioma 3,
c
P E P Si P Si
EF P F P E Fc P Fc
P
P EF P F P E F c [1 P F ]
(3,1)
E F
Si c Si
Sección 3,3 Fórmula de Bayes 86
EJEMPLO 3A (parte 1)
Una compañía de seguros cree que la gente puede ser dividida en dos clases: los que son
propensos a los accidentes y los que no lo son. Las estadísticas de la compañía muestran
que una persona propensa a accidentes tendrá un accidente en algún momento dentro de un
período fijo de 1 año con probabilidad .4, mientras que esta probabilidad disminuye a .2
para una persona que no es propensa a los accidentes. Si asumimos que el 30 por ciento de
la población es propensa a los accidentes, ¿cuál es la probabilidad de que un nuevo
asegurado tenga un accidente dentro de un año de la compra de una póliza?
Solución. Obtendremos la probabilidad deseada por el primer condicionamiento sobre si el
asegurado es o no propenso al accidente. Dejar A1 denotar el evento de que el asegurado
tendrá un accidente dentro de un año de la compra de la póliza, y que Un denotar el caso de
que el asegurado sea propenso a accidentes. Por lo tanto, la probabilidad deseada es dada
por
EJEMPLO 3A (parte 2)
Suponga que un nuevo asegurado tiene un accidente dentro de un año de la compra de una
póliza. ¿Cuál es la probabilidad de que él o ella sea propenso a accidentes?
Solución. La probabilidad deseada es
P(AA1)
P(A|A1) =
P(A1)
= P(A)P(A1|A)
P(A1)
EJEMPLO 3B
Considere el siguiente juego jugado con una baraja ordinaria de 52 naipes: las cartas son
barajadas y luego volteadas una a la vez. En cualquier momento, el jugador puede adivinar
que la siguiente carta a ser volteada será el as de espadas; Si lo es, entonces el jugador gana.
Además, el jugador se dice que ganar si el as de espadas todavía no ha aparecido cuando
sólo una tarjeta permanece y no hay conjetura todavía se ha hecho. ¿Qué es una buena
estrategia? ¿Qué es una mala estrategia?
Solución. ¡ Cada estrategia tiene probabilidad 1/52 de ganar! Para mostrar esto, vamos a
utilizar la inducción para demostrar el resultado más fuerte que, para un N baraja de cartas,
una de cuyas cartas es el as de espadas, la probabilidad de ganar es 1/n, sin importar la
estrategia que se emplee. Ya que esto es claramente cierto para N = 1, asuma que es verdad
para un N − 1 baraja de cartas, y ahora considere una N baraja de cartas. Fijar cualquier
Sección 3,3 Fórmula de Bayes 87
estrategia, y dejar que P denota la probabilidad de que la estrategia adivine que la primera
carta es el as de espadas. Dado que lo hace, la probabilidad del jugador de ganar es 1/n. Si,
sin embargo, la estrategia no adivina que la primera tarjeta es el as de espadas, entonces la
probabilidad de que el jugador gane es la probabilidad de que la primera carta no sea el as
de espadas, a saber, (N − 1)/n, multiplicado por la probabilidad condicional de ganar, dado
que la primera la tarjeta no es el as de espadas. Pero esta última probabilidad condicional es
igual a la probabilidad de ganar cuando se usa un N − 1 baraja de cartas que contiene un
solo as de picas; es así, por el/(N − 1). Por lo tanto, dado que la estrategia no adivina la
hipótesis de inducción, 1 primera tarjeta, la probabilidad de ganar es
N−1 1 = n1
n N−1
Por lo tanto, dejar G sea el caso de que se Adivine la primera carta, obtenemos
n
.
EJEMPLO 3C
P(Kc )
P(K|C ) = P(C )
P CK P K
CK P K P C Kc P Kc
p =P
= + (1/m)(1 − )
1 + (M − 1)p
Sección 3,3 Fórmula de Bayes 88
EJEMPLO 3D
UN análisis de sangre del laboratorio es 95 por ciento eficaz en la detección de una cierta
enfermedad cuando está, de hecho, presente. Sin embargo, la prueba también rinde un
resultado "falso positivo" para el 1 por ciento de las personas sanas probadas. (Es decir, si
una persona sana es probada, entonces, con la probabilidad .01, el resultado de la prueba
implicará que él o ella tiene la enfermedad.) Si el 5 por ciento de la población realmente
tiene la enfermedad, ¿cuál es la probabilidad de que una persona tenga la enfermedad dado
que el resultado de la prueba es positivo?
Solución. Dejar D ser el caso de que la persona a la que se ha sometido la Y el evento que
el resultado de la prueba es positivo. Entonces la probabilidad deseada es
P(DE)
P(D|E) =
P(E)
P ED P D
= P(E|D)P(D) + P(E|Dc)P(Dc)
Por lo tanto, sólo 32 por ciento de las personas cuyos resultados de prueba son positivos en
realidad tienen la enfermedad. Muchos estudiantes se sorprenden a menudo de este
resultado (esperan que el porcentaje sea mucho más alto, ya que el análisis de sangre parece
ser uno bueno), así que probablemente valga la pena presentar un segundo argumento que,
aunque menos riguroso que el anterior, es probablemente más Revelar. Ahora lo hacemos.
Puesto que el 5 por ciento de la población tiene realmente la enfermedad, sigue que, en
el promedio, 1 persona fuera de cada 200 probado lo tendrá. La prueba confirmará
correctamente que esta persona tiene la enfermedad con probabilidad. 95. Así, en promedio,
de cada 200 personas probadas, la prueba confirmará correctamente que. 95 persona tiene
la enfermedad. Por otro lado, sin embargo, de la (en promedio) 199 personas sanas, la prueba
incorrectamente indicará que (199) (. 01) de estas personas tienen la enfermedad. Por lo
tanto, por cada. 95 persona enferma que la prueba correctamente Estados está enfermo, hay
(en el promedio) (199) (. 01) las personas sanas que la prueba incorrectamente los Estados
están enfermas. Por lo tanto, la proporción de tiempo que el resultado de la prueba es
correcta cuando se declara que una persona está enferma es
.
.
La ecuación (3,1) también es útil cuando uno tiene que reevaluar las probabilidades
personales de uno a la luz de información adicional. Por ejemplo, considere los ejemplos
que siguen.
Sección 3,3 Fórmula de Bayes 89
EJEMPLO 3e
Considere a un médico que reflexiona sobre el siguiente dilema: "si estoy al menos 80 por
ciento seguro de que mi paciente tiene esta enfermedad, entonces siempre recomiendo la
cirugía, mientras que si no estoy tan seguro, entonces recomiendo pruebas adicionales que
son caros y a veces doloroso. Ahora, al principio sólo estaba 60 por ciento seguro de que
Jones tenía la enfermedad, por lo que ordenó A la serie una prueba, que siempre da un
resultado positivo cuando el paciente tiene la enfermedad y casi nunca lo hace cuando está
sano. El resultado de la prueba fue positivo, y yo estaba listo para recomendar la cirugía
cuando Jones me informó, por primera vez, que él era diabético. Esta información complica
las cosas porque, aunque no cambia mi estimación original de 60 por ciento de sus
probabilidades de tener la enfermedad en cuestión, afecta la interpretación de los resultados
de la prueba A. Esto es así porque la prueba de A, mientras que nunca dando un resultado
positivo cuando el paciente es sano, desafortunadamente rinde un resultado positivo el 30
por ciento del tiempo en el caso de Diabético pacientes que no padecen la enfermedad. ¿Y
ahora qué hago? ¿Más pruebas o cirugía inmediata? "
P(DE)
P(D|E) =
P(E)
P D P ED
= P(E|D)P(D) + P(E|Dc)P(Dc)
EJEMPLO 3F
En una cierta etapa de una investigación criminal, el inspector a cargo es 60 por ciento
convencido de la culpabilidad de un determinado sospechoso. Suponga, sin embargo, que
un Nuevo pieza de evidencia que muestra que el delincuente tiene una cierta característica
(como el zurdo, la calvicie o el cabello castaño) es descubierto. Si el 20 por ciento de la
población posee esta característica, ¿cómo seguro de la culpa del sospechoso debe ser el
inspector ahora si resulta que el sospechoso tiene la característica?
P(Gc)
Sección 3,3 Fórmula de Bayes 90
P(G|C) =
P(C)
P CG P G
= P(C|G)P(G) + P(C|Gc)P(Gc)
L.882
EJEMPLO 3G
En el Campeonato del mundo de Bridge celebrado en Buenos Aires en mayo de 1965, el
famoso puente británico de Terrence Reese y Boris Schapiro fue acusado de hacer trampa
usando un sistema de señales de los dedos que podría indicar el número de corazones
sostenidos por los jugadores. Reese y Schapiro negaron la acusación, y finalmente una
audiencia fue sostenida por la Liga británica del puente. La audiencia estaba en la forma de
un procedimiento legal con los equipos de la Fiscalía y de la defensa, ambos que tenían la
energía de llamar y de interrogar a testigos. Durante el transcurso del procedimiento, el
fiscal examinó las manos específicas de Reese y Schapiro y afirmó que su interpretación de
estas manos era consistente con la hipótesis de que eran culpables de tener conocimiento
ilícito del traje cardíaco. En este punto, el abogado defensor señaló que su juego de estas
manos también era perfectamente coherente con su línea de juego estándar. Sin embargo, la
Fiscalía argumentó entonces que, mientras su juego fuera consistente con la hipótesis de
culpabilidad, debe ser contado como evidencia hacia esa hipótesis. ¿Qué opina del
razonamiento de la Fiscalía?
Solución. El problema es básicamente uno de determinar cómo la introducción de nuevas
pruebas (en el ejemplo anterior, el juego de las manos) afecta a la probabilidad de una
hipótesis particular. Si dejamos H denotar una hipótesis particular (como la hipótesis de que
Reese y Schapiro son culpables) y Y la nueva evidencia, entonces
P(Hge)
P(H|E) =
P E
P EH P H
P H c [1 P H ] (3,2)
(E|H)P(H) +
P(E|
o, equivalentemente, cuando
Sección 3,3 Fórmula de Bayes 91
P(E|H) de la P(E|Hc)
En otras palabras, cualquier nueva evidencia puede considerarse como apoyo a una hipótesis
particular sólo si su ocurrencia es más probable cuando la hipótesis es verdadera que cuando
es falsa. De hecho, la nueva probabilidad de la hipótesis depende de su probabilidad inicial
y de la relación de estas probabilidades condicionales, ya que, a partir de la ecuación (3,2),
P(H)
P(H|E) = + − || c)
P(E H P(H)
[1 P(H)]
P(y H)
Por lo tanto, en el problema que se está considerando, el juego de las tarjetas puede ser
considerado para apoyar la hipótesis de la culpabilidad solamente si tal juego habría sido
más probable si la sociedad estaba engañando que si no lo eran. Como el fiscal nunca hizo
esta afirmación, su afirmación de que la evidencia está en apoyo de la hipótesis de
culpabilidad no es válida. .
Cuando el autor de este texto bebe té helado en una cafetería, pide un vaso de agua junto
con el vaso (del mismo tamaño) de té. Mientras bebe el té, rellena continuamente el vaso de
té con agua. Asumiendo una mezcla perfecta de agua y té, se preguntó acerca de la
probabilidad de que su último trago sería el té. Esta maravilla condujo a la parte (a) del
siguiente problema y a una respuesta muy interesante.
EJEMPLO 3H
La urna 1 inicialmente tiene N las moléculas rojas y la urna 2 han N moléculas azules. Las
moléculas se retiran aleatoriamente de la urna 1 de la siguiente manera: después de cada
extracción de la urna 1, se toma una molécula de la urna 2 (si la urna 2 tiene moléculas) y
se coloca en la urna 1. El proceso continúa hasta que se hayan eliminado todas las moléculas.
(Así, hay 2N Mudanzas en todos.)
(a) Encontrar P(R)Donde R es el caso de que la molécula final removida de la urna 1 sea
roja.
(b) Repita el problema cuando la urna 1 inicialmente ha r1 moléculas rojas y b1 las
moléculas azules y la urna 2 inicialmente r2 moléculas rojas y b2 moléculas azules.
Solución. (a) centrar la atención en cualquier molécula roja en particular, y dejar que F sea
el caso de que esta molécula sea la última seleccionada. Ahora, con el fin de F a ocurrir, la
molécula en cuestión debe todavía estar en la urna después de la primera N se han eliminado
moléculas (en cuyo momento la urna 2 está vacía). Por lo tanto, dejar Nme ser el caso de que
esta molécula no es el ila molécula del TH que se quitará, tenemos P
N
Cuando la fórmula anterior utiliza el hecho de que la probabilidad condicional de que la
molécula considerada es la molécula final que se va a eliminar, dado que todavía está en la
urna 1 cuando sólo N las moléculas permanecen, es, por la simetría, 1/n.
Sección 3,3 Fórmula de Bayes 92
Por lo tanto, Si numeramos el N moléculas rojas y dejar RJ ser el caso de que el número
de molécula roja J es la molécula final eliminado, entonces sigue de la anterior
fórmula quen
1
P(Rj) =
n
Porque los eventos RJ son mutuamente excluyentes, obtenemos
1 N L e−1
P)
n
j=1 =1
(b) suponga ahora que la urna me Inicialmente tiene rme rojo y bme moléculas azules, para me
= 1, 2. Buscar P(R), la probabilidad de que la molécula final se elimine es roja, enfoque la
atención en cualquier molécula que esté inicialmente en la urna 1. Como en la parte (a), se
deduce que la probabilidad de que esta molécula sea la última eliminada es
p
r2 b2
+
r
= r1 + b1 − r1 + b1 r2 + b2 − − r1 + b1
Si r1 + b1 = r2 + b2 = n, de modo que ambas urnas inicialmente N moléculas, entonces,
r2
cuando N es grande, r1 −1 (1 e−1) .
L
P(L) e
+
r1 + b1 r2 + b2 −
Sección 3,3 Fórmula de Bayes 93
c (
| = P(E|H)P(H) |E) = P(E|Hc)P Hc)
P(H E) P(H
P(E) P(E)
Por lo tanto, las nuevas probabilidades después de la evidencia Y se ha introducido son
EJEMPLO 3i
Una urna contiene dos tipos Un monedas y un tipo B Moneda. Cuando un tipo Un la moneda
es volteada, sube cabezas con probabilidad 1/4, mientras que cuando un tipo B la moneda
es volteada, sube cabezas con probabilidad 3/4. una moneda es escogida aleatoriamente de
la urna y volteada. Dado que la FLIP aterrizó en las cabezas, ¿cuál es la probabilidad de que
era un tipo Un ¿Moneda?
Solución. Dejar Un sea el caso de que un tipo Un moneda se volcó, y dejar que B = AC sea
el caso de que un tipo B la moneda se volcó. Queremos P(A|Cabezas), donde los jefes es el
caso de que la FLIP aterrizó en las cabezas. De la ecuación (3,3), vemos que
P(A|Cabezas) (Cabezas|A)
Sección 3,3 Fórmula de Bayes 94
Por lo tanto, las probabilidades son 2/3:1, o, equivalentemente, la probabilidad es de 2/5 que
un tipo Un la moneda se volcó. .
Fme = S
En otras palabras, exactamente uno de los eventos F1,F2,...,FN debe ocurrir. Escribiendo
n
E Sii
y utilizando el hecho de que los eventos Sii,me = 1...,N son mutuamente excluyentes,
obtenemos
P
n
(3,4)
Así, la ecuación (3,4) muestra cómo, para los eventos dados F1,F2,...,Fn, de los cuales
uno y sólo uno debe ocurrir, podemos calcular P(E) por el primer acondicionamiento en el
que uno de los Fme Ocurre. Esto es, la ecuación (3,4) establece que P(E) es igual a un
promedio ponderado de P(E|Fi), cada término es ponderado por la probabilidad del evento
en el que está condicionada.
EJEMPLO 3J
En el ejemplo 5J del capítulo 2, consideramos la probabilidad de que, para una baraja
aleatoria, la tarjeta que sigue al primer ACE es una tarjeta especificada, y dimos un
argumento combinatorio para mostrar que esta probabilidad es . Aquí es un argumento
probabilístico basado en el condicionamiento: Let Y sea el acontecimiento que la tarjeta que
sigue el primer as es alguna tarjeta especificada, digamos, tarjeta x. Para calcular P(E),
ignoramos la tarjeta X y la condición en el pedido relativo de la otra 51 cartas en la baraja.
Dejar Lla ser el pedido da
P
O
Ahora, dado O, hay 52 posibles pedidos de las tarjetas, que corresponden a tener tarjeta X
siendo el iTH Card en la baraja, me = 1,..., 52. Pero porque todos los 52! los posibles
ordenamientos fueron inicialmente igualmente probables, se deduce que, condicionalmente
Sección 3,3 Fórmula de Bayes 95
O, cada uno de los 52 es igualmente probable que los pedidos restantes sean posibles.
Porque la tarjeta X seguirá el primer as para sólo uno de estos pedidos, tenemos P(E|O) =
1/52, lo que implica que
P(E) = 1/52. .
Una vez más, que F1,...,FN ser un conjunto de eventos mutuamente exclusivos y
exhaustivos (lo que significa que exactamente uno de estos eventos debe ocurrir).
Supongo que ahora que Y se ha producido y estamos interesados en determinar cuál de
las FJ también ocurrió. Luego, por ecuación (3,4), tenemos la siguiente proposición.
Propuesta 3,1.
P(Sij)
P(Fj|E) =
P(E)
= P(E|Fj)P(Fj)
(3,5)
n
La ecuación (3,5) es conocida como la fórmula de Bayes, después del filósofo inglés
Thomas Bayes. Si pensamos en los eventos FJ como posibles hipótesis sobre algún tema,
entonces la fórmula de Bayes puede ser interpretada como mostrándonos cómo las
opiniones sobre estas hipótesis se llevaron a cabo antes de que se realizara el experimento
[es decir, la P(Fj)] deben ser modificados por la evidencia producida por el experimento.
EJEMPLO 3K
Falta un avión, y se presume que fue igual de probable que se haya caído en cualquiera de
las 3 regiones posibles. Let 1 − bi, me = 1, 2, 3, denota la probabilidad de que el avión se
encuentre en una búsqueda de la iregión cuando el avión está, de hecho, en esa región. (Las
constantes βme se llaman pasar por alto las probabilidades, porque representan la
probabilidad de que se tenga en vista el plano; son generalmente atribuibles a las
condiciones geográficas y ambientales de las regiones.) ¿Cuál es la probabilidad condicional
de que el avión esté en el iregión, dado que una búsqueda de la región 1 no tiene éxito?
Solución. Dejar Ri, me = 1, 2, 3, ser el caso de que el avión está en la región i, y dejar Y sea
el acontecimiento que una búsqueda de la región 1 sea fracasada. De la fórmula de Bayes
obtenemos
)
P(Hge1
P(R1|E) =
P(E) =
P(E|R1)P(R
1)
Sección 3,3 Fórmula de Bayes 96
|
i=1
Para J = 2, 3,
P(E|Rj)P(Rj)
P(Rj
Tenga en cuenta que la probabilidad actualizada (esto es, la condicional) de que el plano
está en la región j, dada la información que una búsqueda de la región 1 no encontró, es
mayor que la probabilidad inicial de que se encontraba en la región J Cuando J Z 1 y es
menor que la probabilidad inicial cuando J = 1. esta afirmación es ciertamente intuitiva, ya
que no encontrar el avión en la región 1 parecería disminuir su probabilidad de estar en esa
región y aumentar sus posibilidades de estar en otra parte. Además, la probabilidad
condicional de que el avión se encuentra en la región 1 dada una búsqueda fallida de esa
región es una función cada vez mayor de la probabilidad de pasar por alto β1. Esta
afirmación es también intuitiva, ya que el mayor β1 es decir, cuanto más es razonable atribuir
la búsqueda fracasada a "mala suerte" en comparación con el avión no está allí.
Semejantemente P(Rj|E),J Z 1, es una función de disminución de β1. .
El ejemplo siguiente ha sido utilizado a menudo por estudiantes de probabilidad sin
escrúpulos para ganar dinero de sus amigos menos iluminados.
EJEMPLO 3L
SuPongamos que tenemos 3 tarjetas que son idénticas en forma, excepto que ambos lados
de la primera tarjeta son de color rojo, ambos lados de la segunda tarjeta son de color negro,
y un lado de la tercera carta es de color rojo y el otro lado negro. Las 3 tarjetas se mezclan
en un sombrero, y 1 tarjeta es aleatoriamente seleccionado y puesto en el suelo. Si la parte
superior de la tarjeta elegida es de color rojo, ¿cuál es la probabilidad de que el otro lado es
de color negro?
Solución. Dejar RR, BBY Rb denotan, respectivamente, los eventos que la carta escogida es
toda roja, toda negra, o la tarjeta rojo-negra. También, deje R sea el caso de que el lado
volteado de la tarjeta elegida sea rojo. Entonces la probabilidad deseada es obtenida por
Sección 3,3 Fórmula de Bayes 97
P Rb R
P R
P R Rb P Rb
R Rr P Rr P R Rb P Rb P R Bb P Bb
1 1
2 3 1
1 1 1 1
0 1 3
3 2 3 3
1 1
Por lo tanto, la respuesta
3 . es
Somestudentsguess 2 astheanswerbyincorrectlyreasoning
P(Rb R)
eso, dado que aparece un lado rojo, hay dos posibilidades igualmente probables: que la
tarjeta es la tarjeta todo-roja o la tarjeta rojo-negra. Sin embargo, su error consiste en asumir
que estas dos posibilidades son igualmente probables. Porque, si pensamos en cada carta
como que consta de dos lados distintos, entonces vemos que hay 6 resultados igualmente
probables del experimento, a saber, R1,R2,B1,B2,R3,B3— donde el resultado es R1 Si el primer
lado de la tarjeta roja se voltea hacia arriba, R2 Si el segundo lado de la tarjeta All-red se
voltea hacia arriba, R3 Si el lado rojo de la tarjeta roja-negra está volteado hacia arriba, y así
sucesivamente. Ya que el otro lado del lado rojo hacia arriba será negro sólo si el resultado
es R3, vemos que
la probabilidad deseada es la probabilidad condicional de R3 Dado que ya sea R1 O R2 O R3
ocurrió, que obviamente es igual a . .
EJEMPLO 3m
UNA nueva pareja, conocida por tener dos hijos, acaba de mudarse a la ciudad. SuPongamos
que la madre se encuentra caminando con uno de sus hijos. Si este niño es una niña, ¿cuál
es la probabilidad de que ambos niños sean niñas?
Solución. Comencemos por definir los siguientes eventos:
G1: el primero (es, el más viejo) niño es una niña.
G2: el segundo niño es una niña.
G: el niño que se ve con la madre es una niña.
También, deje B1,B2Y B denotan eventos similares, excepto que "chica" es sustituida por
"Boy". Ahora, la probabilidad deseada es P(G1G2|G), que puede expresarse de la siguiente
manera:
)
P(G1G2G
P(G1G2|G) =
P(G)
Sección 3,3 Fórmula de Bayes 98
P(G1G2)
= P(G)
También
+ P(G|B1G2)P(B1G2) + P(G|B1B2)P(B1B2)
donde la ecuación final usó los resultados P(G|G1G2) = 1 y P(G|B1B2) = 0. Si ahora hacemos
la hipótesis usual de que las 4 posibilidades de género son igualmente probables, entonces
vemos que
P
Por lo tanto, la respuesta depende de cualquier hipótesis que queramos hacer sobre las
probabilidades condicionales que el niño ve con la madre es una niña dada el evento G1B2
y que el niño visto con la madre es una niña dado el evento G2B1. Por ejemplo, si queremos
asumir, por un lado, que, independientemente de los géneros de los niños, el niño que
camina con la madre es el niño mayor con cierta probabilidad p, entonces seguiría eso
P(G|G1B2) = P = 1 − P(G|B1G2)
P
Si, por otro lado, suponemos que si los niños son de diferentes géneros, entonces la madre
optaría por caminar con la niña con probabilidad q, independientemente de la orden de
nacimiento de los niños, entonces tendríamos
P(G|G1B2) = P(G|B1G2) = q
P(G
q
Por ejemplo, si tomamos Q = 1, lo que significa que la madre siempre elegiría caminar con
una hija, entonces la probabilidad condicional de que tiene dos hijas sería , que está de
Sección 3,3 Fórmula de Bayes 99
acuerdo con el ejemplo 2B porque ver a la madre con una hija es ahora equivalente al
acontecimiento que ella tiene por lo menos una hija.
Por lo tanto, como se ha dicho, el problema es incapaz de solucionarlo. De hecho, incluso
cuando se hace la asunción usual sobre probabilidades de género igualmente probables,
todavía necesitamos hacer suposiciones adicionales antes de que se pueda dar una solución.
Esto se debe a que el espacio de muestra del experimento consiste en vectores de la forma
s1,s2, iDonde s1 es el género del niño mayor, s2 es el género del niño más joven, y me
identifica la orden de nacimiento del niño que se ve con la madre. Como resultado, para
especificar las probabilidades de los acontecimientos del espacio de la muestra, no basta
con hacer suposiciones sólo sobre los géneros de los niños; también es necesario asumir
algo sobre las probabilidades condicionales en cuanto a qué niño está con la madre dados
los géneros de los niños. .
EJEMPLO 3N
UN contenedor contiene 3 tipos diferentes de linternas desechables. La probabilidad de que
una linterna tipo 1 le dé más de 100 horas de uso es .7, con las probabilidades
correspondientes para las linternas tipo 2 y tipo 3 siendo .4 y. 3, respectivamente. Suponga
que el 20 por ciento de las linternas en el compartimiento son tipo 1, el 30 por ciento son
tipo 2, y 50 por ciento son tipo 3.
(a) ¿Cuál es la probabilidad de que una linterna elegida aleatoriamente le dé más than100
horas de uso?
(b) Dado que una linterna duró más de 100 horas, ¿cuál es el Probabilidadque condicional
que era un tipo J Linterna J = ¿1, 2, 3?
Solución. (a) deje Un Denote el acontecimiento que la linterna escogida dará más de 100
horas de uso, y deje FJ sea el caso de que un tipo J se elige la linterna, J = 1, 2, 3. para
calcular P(A), condicionamos en el tipo de la linterna, para obtener
P(A) = P(A|F1)P(F1) + P(A|F2)P(F2) + P(A|F3)P(F3)
Hay un 41 por ciento de probabilidades de que la linterna dure más de 100 horas.
(b) la probabilidad se obtiene usando la fórmula de Bayes:
P(Dej)
P(Fj|A) =
P(A)
= P(A|Fj)P(Fj)
.41 así,
Por ejemplo, mientras que la probabilidad inicial de que una linterna tipo 1 es elegida es
sólo .2, la información que la linterna ha durado más de 100 horas eleva la probabilidad de
este evento a 14/41 L.341. .
EJEMPLO 3o
Un crimen ha sido cometido por un individuo solitario. que dejó un poco de ADN en la
escena del crimen. Los científicos forenses que estudiaron el ADN recuperado observaron
que sólo cinco hebras podrían ser identificadas y que cada persona inocente,
independientemente, tendría una probabilidad de 10−5 de que su ADN coincida con las cinco
hebras. El fiscal del distrito supone que el autor del crimen podría ser cualquiera de los 1
millón residentes de la ciudad. 10000 de estos residentes han sido liberados de prisión en
los últimos 10 años; por lo tanto, una muestra de su ADN está archivada. Antes de cualquier
comprobación del archivo de ADN, el fiscal de distrito siente que cada uno de los 10000
ex-criminales tiene probabilidad Un de ser culpable del nuevo crimen, mientras que cada
uno de los 990.000 residentes restantes tiene probabilidad βDonde A = cβ. (Esto es, el fiscal
de distrito supone que cada convicto recientemente liberado es C veces más probabilidades
de ser el perpetrador del crimen como es cada miembro de la ciudad que no es un convicto
recientemente liberado.) Cuando el ADN que se analiza se compara con la base de datos de
los 10000 ex-convictos, resulta que a. j. Jones es el único cuyo ADN coincide con el perfil.
Asumiendo que la estimación del fiscal de distrito de la relación entre Un Y B es exacto,
¿cuál es la probabilidad de que a. j. sea culpable?
Solución. Para empezar, tenga en cuenta que, debido a que las probabilidades deben sumar
a 1, tenemos
Así
1 Cb= + ,
A= +
10.000c 990.000 10.000c 990.000
Ahora, vamos G ser el caso de que a. j. es culpable, y dejar que M denotar el evento de que
a. j. es el único de los 10000 en el archivo para tener una coincidencia. Entonces
P(Gm)
P(G|M) =
P(M)
P G P M G
= P(M|G)P(G) + P(M|Gc)P(Gc)
Por un lado, si a. j. es culpable, entonces él será el único que tendrá una coincidencia de
ADN si ninguno de los otros en el archivo tiene una coincidencia. Por
P(M|G) = (1 − 10−5)9999
Por otro lado, si a. j. es inocente, entonces para que él sea el único partido, su ADN debe
coincidir (que ocurrirá con probabilidad 10−5), todos los demás en la base de datos deben
Sección 3,3 Fórmula de Bayes 101
ser inocentes, y ninguno de estos otros puede tener una coincidencia. Ahora, dado que a. j.
es inocente, la probabilidad condicional de que todos los demás en la base de datos también
son inocentes es
P(todos en base de datos inocentes)
P(todos los demás inocentes|También Inocente) =
P(También Inocente)
P
Sección 3,4 Eventos independientes 102
P
Por lo tanto, si los sentimientos iniciales del fiscal de distrito eran que un ex convicto
arbitrario era 100 veces más propensos a cometer el crimen que era un no convicto (esto es,
C = 100), entonces Y
P
Si el fiscal de distrito inicialmente sintió que la proporción apropiada era C = 10, entonces
A= Y
P
Si el fiscal de distrito inicialmente sintió que el delincuente era igualmente probable que sea
cualquiera de los miembros de la ciudad (C = 1)Entonces A = 10−6 Y
P
Por lo tanto, la probabilidad varía de aproximadamente 9 por ciento cuando la asunción
inicial del fiscal de distrito es que todos los miembros de la población tienen la misma
oportunidad de ser el perpetrador a aproximadamente 91 por ciento cuando ella asume que
cada ex-convicto es 100 veces más probabilidades de ser el criminal que un townsperson
especificado que no es un ex-convicto. .
El hecho de que la ecuación (4,1) es simétrica en Y Y F muestra que cada vez que Y es
independiente de F, F es también independiente de E. Por lo tanto, tenemos la siguiente
definición.
Sección 3,4 Eventos independientes 103
Definición
EJEMPLO 4B
Dos monedas se voltean, y se supone que los 4 resultados son igualmente probables. Si Y
es el caso de que la primera moneda aterriza en las cabezas y F el acontecimiento que el
segundo aterriza en las colas, entonces Y Y F son independientes, ya que P
Que
P(E) = P({(H,H),(H,T) YP . .
EJEMPLO 4C
Suponga que tiramos 2 dados justos. Dejar E1 denotar el evento de que la suma de los dados
es 6 y F denota el acontecimiento que el primer dado es igual a 4. Entonces
P
Que
P
Que
P
Sección 3,4 Eventos independientes 104
Dejamos que el lector presente el argumento intuitivo de por qué el acontecimiento que
la suma de los dados es igual a 7 es independiente del resultado en el primer dado. .
EJEMPLO 4D
Si dejamos Y denotar el evento de que el próximo presidente es un republicano y F el
acontecimiento que habrá un terremoto importante dentro del año próximo, entonces la
mayoría de la gente probablemente estaría dispuesta a asumir que Y Y F son independientes.
Sin embargo, probablemente habría cierta controversia sobre si es razonable suponer que Y
es independiente de GDonde G es el acontecimiento que habrá una recesión dentro de dos
años después de las elecciones. .
= P(E)P(F) + P(Sic)
o, equivalentemente,
= P(E)P(Fc)
Parecería seguir del ejemplo 4E que una definición apropiada de la independencia de tres
acontecimientos E, FY G tendría que ir más allá de simplemente asumir que todos los
los pares de acontecimientos son independientes. Por lo tanto, nos lleva a la siguiente
definición.
Sección 3,4 Eventos independientes 105
Definición
P(Efg) = P(E)P(F)P(G)
P(Si) = P(E)P(F)
P(Eg) = P(E)P(G)
P(Fg) = P(F)P(G)
Tenga en cuenta que si E, FY G son independientes, entonces Y será independiente de
cualquier evento formado por F Y G. Por ejemplo, Y es independiente de F ∪ GDesde
= P(E)P(F ∪ G)
Por supuesto, también podemos ampliar la definición de independencia a más de tres
eventos. Los eventos E1,E2,...,EN se dice que son independientes si, para cada subconjunto
E ,R ... n, de estos eventos,
P
Finalmente, definimos un conjunto infinito de eventos para ser independientes si cada
subconjunto finito de esos eventos es independiente.
A veces, un experimento de probabilidad bajo consideración consiste en realizar una
secuencia de subexperimentos. Por ejemplo, si el experimento consiste en lanzar
continuamente una moneda, es posible que pensemos en cada lanzamiento como un
subexperimento. En muchos casos, es razonable suponer que los resultados de cualquier
grupo de los subexperimentos no tienen ningún efecto sobre las probabilidades de los
resultados de los otros subexperimentos. Si tal es el caso, decimos que los subexperimentos
son independientes. Más formalmente, decimos que los subexperimentos son
independientes si E1,E2,...,En,... es necesariamente una secuencia independiente de eventos
cuando Eme es un evento cuya ocurrencia está completamente determinada por el resultado
de la isubexperimento.
Si cada subexperimento tiene el mismo conjunto de posibles resultados, los
subexperimentos a menudo se denominan Ensayos.
EXAMPLE 4F
Se debe realizar una secuencia infinita de ensayos independientes. Cada ensayo da como
resultado un éxito con probabilidad P y un fracaso con probabilidad 1 − p. ¿Cuál es la
probabilidad de que
Sección 3,4 Eventos independientes 106
Puesto que hay tales secuencias (hay n!/k!(N − k)! permutaciones de K éxitos y N − K
fallas), la probabilidad deseada en la parte (b) es
k
P{Exactamente K Éxitos} =
Para contestar la parte (c), observamos que, por la parte (a), la probabilidad de la primera
N todos los juicios que resultan en éxito son dados por
P Pn
Así, usando la propiedad de continuidad de probabilidades (sección 2,6), vemos que la
probabilidad deseada es dada por
= nLim→qP
= LimN pn .
EJEMPLO 4G
Sección 3,4 Eventos independientes 107
UN sistema compuesto por N se dice que los componentes separados son un sistema
paralelo si funciona cuando al menos uno de los componentes funciona. (Vea la figura 3,2.)
Para un sistema de este tipo, si Componente i, que es independiente de los otros
componentes, funciona con probabilidad pi,me = 1...,n, ¿cuál es la probabilidad de que el
sistema funcione?
P{todos los
componentes no
funcionan}
2
A B
3
EJEMPLO 4H
Se realizan ensayos independientes que consisten en rodar un par de dados justos. ¿Cuál es
la probabilidad de que un resultado de 5 aparezca antes de un resultado de 7 cuando el
resultado de un rollo es la suma de los dados?
P ⎞
P(En) q q
n=1 =1
P
Así
n−1
Este resultado también podría haber sido obtenido por el uso de probabilidades
condicionales. Si dejamos Y sea el acontecimiento que un 5 ocurra antes de un 7, después
podemos obtener la probabilidad deseada, P(E), condicionando el resultado del primer
ensayo, de la siguiente manera: Let F ser el caso de que el primer ensayo resulte en un 5,
que G ser el caso de que resulte en un 7, y dejar que H ser el caso de que el primer ensayo
no sea un 5 ni un 7. Entonces, el condicionamiento en el cual uno de estos acontecimientos
ocurre da
P(E) = P(E|F)P(F) + P(E|G)P(G) + P(E|H)P(H)
Sin embargo
P(E|F) = 1
P(E|G) = 0
P(E|H) = P(E)
Las dos primeras igualdades son obvias. El tercero sigue porque si el primer resultado no
resulta en un 5 ni un 7, entonces la situación es exactamente como era cuando el problema
comenzó por primera vez, es decir, el experimentador continuará rodando un par de dados
justos hasta que aparezca un 5 o 7. Además, los ensayos son independientes; por lo tanto,
el resultado del primer ensayo no tendrá ningún efecto sobre los rollos subsecuentes de los
dados. Desde
P YP , sigue que
P
O
P
El lector debe tener en cuenta que la respuesta es bastante intuitiva. Esto es, porque un 5
ocurre en cualquier rollo con probabilidad y un 7 con probabilidad , parece intuitivo
que las probabilidades de que un 5 aparezca antes de un 7 deben ser 6 a 4 contra. La
probabilidad debe entonces ser , como de hecho lo es.
Sección 3,4 Eventos independientes 109
P(E) + P(F) .
EJEMPLO 4i
Hay N los tipos de cupones, y cada uno nuevo recolectado es independientemente del tipo
me con probabilidad pi, 1. suponga K los cupones deben ser recolectados. Si Ame
es el caso de que haya al menos un tipo me cupón entre los recogidos, entonces, para me Z
jEncontrar
(a) P(Ai)
(b) P(Ame ∪ Aj)
(c) P(Ai|Aj)
Solución.
P
= 1 − P{ningún cupón es tipo i}
= 1 −1 − pi)k
donde el anterior utilizado que cada cupón es, independientemente, no de tipo me con
probabilidad 1 − pi. Semejantemente
P
= 1 − P{ningún cupón es cualquiera de los tipos me o tipo j}
= 1 −1 − pme − pj)k
donde el anterior utilizado que cada cupón es, independientemente, ninguno de los tipos me
ni tipo J con probabilidad 1 − pme − pj.
Para determinar P(Ai|Aj), vamos a utilizar la identidad
Por consiguiente
=
| = P(AiAj) 1 −1 − pi)K − (−1 − p−j)K + (1 − pme − pj)k
Sección 3,4 Eventos independientes 110
Por? Razonarlo.) Uso de las condiciones de límite obvias Pn, 0 = 0P0M = 1, podemos
solucionar estas ecuaciones para Pn,m. En lugar de pasar por los tediosos detalles,
consideremos la solución de Fermat.
Fermat argumentó que, con el fin de N éxitos que ocurren antes M los fracasos, es
necesario y suficiente que haya por lo menos N éxitos en la primera M + N − 1 ensayos.
(Incluso si el juego fuera a terminar antes de un total de M + N − se concluyeron 1 ensayos,
todavía podíamos imaginar que se realizaban los ensayos adicionales necesarios.) Esto es
cierto, porque si hay por lo menos N éxitos en la primera M + N − 1 ensayos, podría haber
a lo sumo M − 1 fallos en los M + N − 1 ensayos; Así N los éxitos ocurrirían antes M Fallas.
Sección 3,4 Eventos independientes 111
Si, sin embargo, había menos de N éxitos en la primera M + N − 1 ensayos, tendría que
haber por lo menos M fallas en ese mismo número de ensayos; Así N los éxitos no se
producirían antes M Fallas.
Por lo tanto, ya que, como se muestra en el ejemplo 4F, la probabilidad de exactamente
Nuestros próximos dos ejemplos tratan de los problemas de juego, con el primero de tener un sur-
un análisis muy elegante.∗
EJEMPLO 4k
Suponga que inicialmente hay R jugadores, con el jugador me Tener nme Unidades nme > 0
me =
1...,r. En cada etapa, dos de los jugadores son elegidos para jugar un juego, con el ganador
Solución. Para empezar, suponga que hay N jugadores, con cada jugador inicialmente
teniendo 1 unidad. Considerar jugador i. Cada etapa que juega será igualmente probable que
resulte en ganar o perder 1 unidad, con los resultados de cada etapa siendo independiente.
Además, ella continuará jugando etapas hasta que su fortuna se convierte en 0 o n. Porque
esto es lo mismo para todos N jugadores, se deduce que cada jugador tiene la misma
oportunidad de ser el vencedor, lo que implica que cada jugador tiene probabilidad 1/N de
ser el vencedor. Ahora, supongamos que estos N los jugadores se dividen en R equipos, con
equipo me Contiene nme Jugadores me = 1...,r. Entonces la probabilidad de que el vencedor
sea un miembro del equipo me Es ni/n. Sino porque
(a) Equipo me Inicialmente tiene una fortuna total de nme Unidades me = 1...,rY
(b) cada juego jugado por los miembros de los equipos diferentes es igualmente probable
que se ganó byeither jugador y los resultados en la fortuna de los miembros del equipo
ganador aumentando en 1 y la fortuna de los miembros del equipo perdedor
disminuyendo por 1,
Sección 3,4 Eventos independientes 112
En problema de la ruina del jugador, sólo hay 2 jugadores, pero no se supone que sean de
igual habilidad.
Solución. Dejar Y denotar el evento que Un termina con todo el dinero cuando empieza con
me Y B comienza con N − i, y para dejar claro la dependencia de la fortuna inicial de ADejar
Pme = P(E). Obtendremos una expresión para P (e) por condicionamiento en el resultado de
la primera Flip como sigue: Let H denotan el acontecimiento que el primer tirón aterriza en
cabezas; Entonces
= Pp(E|H) + (1 − p)P(E|Hc)
Ahora, dado que el primer tirón aterriza en cabezas, la situación después de la primera
apuesta es que Un Hsa me + 1 unidades y B Hsa N −me + 1). Dado que se supone que las
volteretas sucesivas son independientes con una probabilidad común P de los jefes, se sigue
que, a partir de ese momento, Ala probabilidad de ganar todo el dinero es exactamente lo
mismo que si el juego acabara de empezar con Un tener una fortuna inicial de me + 1 y B
tener una fortuna inicial de N −me + 1). Por
P(E|H) = Pi+1
y del mismo modo,
P(E|Hc) = Pi−1
O
q
q q
P2 − P1 = (P1 − P0) = P1 p
p
Pp1
(4,4)
qi−1
Pi
(Pi P1 p
N−1
PNP1
Pme − P
O
Sección 3,4 Eventos independientes 114
⎧ ⎪ 1 (q/p) P1 Si Q Z 1
p
Pi
q
Si= 1 p
⎧⎪ 1 (q/p)N Si P Z
P
Si p
N
Ahí
i
N
Si P Z (4,5)
Dejar Qme denota la probabilidad de que B termina con todo el dinero cuando Un inicia
withreplacingme Y B comienza con N − i. Entonces, por la simetría a la situación descrita,
y eni, sigue que
P Por Q Y me Por N −
⎧ ⎪ ⎪ ⎪ 1 −p/q)Nn−iSi Q Z
pN
= p−N p−N(QqN/p)me + qN −qNqN−Pp/Nq)N−i
Sección 3,4 Eventos independientes 115
−
= pN − pN−piqNi − qqNn + qipN−i
=1
Si P eran. 6.
UN caso especial del problema de la ruina del apostador, que también se conoce como el
problema de duración del juego, fue propuesto a Huygens por Fermat en 1657. La versión
Huygens propuso, que él mismo resolvió, era que Un Y B tienen 12 monedas cada una.
Juegan para estas monedas en un juego con 3 dados de la siguiente manera: cada vez que
11 se lanza (por cualquiera de los dos, no hace ninguna diferencia que rueda los dados), Un
da una moneda a B. Cada vez que se lanza 14, B da una moneda a A. La persona que primero
gana todas las monedas gana el juego. Desde P{Roll 11} = Y P{Roll 14} = , vemos
por ejemplo 4H que, para A, esto es sólo el problema de la ruina del jugador con P
12, y N = 24. la forma general del problema de la ruina del jugador fue solucionada por el
matemático James Bernoulli y publicado 8 años después de su muerte en 1713.
Para una aplicación del problema de la ruina del jugador a las pruebas de drogas,
supongamos que dos nuevos fármacos se han desarrollado para el tratamiento de una
determinada enfermedad. Droga me tiene una tasa de curación Pi,me = 1,2, en el sentido de
que cada paciente trató con fármacos me se curará con probabilidad Pi. Sin embargo, estas
tasas de curación no se conocen, y estamos interesados en encontrar un método para decidir
si P1 > P2 O P2 > P1. Para decidir sobre una de estas alternativas, considere la siguiente
prueba: los pares de pacientes deben ser tratados secuencialmente, con un miembro de la
pareja que recibe el fármaco 1 y el otro fármaco 2. Los resultados de cada par se determinan,
y la prueba se detiene cuando el número acumulativo de curaciones de uno de los fármacos
excede el número acumulativo de curaciones del otro por un número fijo y predeterminado.
Más formalmente, deje
1Si el paciente en el jel par del TH que recibe el fármaco 1 se cura
XJ
=0 de lo contrario
%
1Si el paciente en el jel par del TH que recibe el fármaco 2 se cura
Sección 3,4 Eventos independientes 116
YJ
= % 0 de lo contrario
O
X1 + ··· + XN −Y1 + ··· + Yn) = −M
En el caso anterior, afirmamos que P1 > P2 y en este último que P2 > P1.
Con el fin de ayudar a determinar si lo anterior es una buena prueba, una cosa que nos
gustaría saber es la probabilidad de que conduzca a una decisión incorrecta. Esto es, dado
P1 Y P2Donde P1 > P2, ¿cuál es la probabilidad de que la prueba incorrectamente afirme que
P2 > P1? Para determinar esta probabilidad, tenga en cuenta que después de que cada par se
comprueba, la diferencia acumulativa de las curaciones usando el fármaco 1 versus el
fármaco 2 subirá por 1 con probabilidad P1(1 − P2)— ya que esta es la probabilidad de que
el fármaco 1 conduzca a una cura y el fármaco 2 no — o bajar por 1 con probabilidad (1 −
P1)P2, o permanecen igual con la probabilidad P1P2 + (1 − P1)(1 − P2). Por lo tanto, si
consideramos sólo aquellos pares en los cuales la diferencia acumulativa cambia, entonces
la diferencia subirá por 1 con probabilidad
P = P{up 1|arriba 1 o abajo 1}
= − P1(1 − P2)
Así, la probabilidad de que la prueba afirme que P2 > P1 es igual a la probabilidad de que
un jugador que gane cada apuesta (una unidad) con probabilidad P va a bajar M antes de
subir M. Pero la ecuación (4,5), con me = M,N = 2M, muestra que esta probabilidad es dada
por
P testassertsthat P2 P1
M
1 P
1
P
1 2M
1 P
1
P
1
1
1 P
1
P
1
1 M
M
Sección 3,4 Eventos independientes 117
Donde
= P = P1(1 − − P2)
γ
1−P P2(1 P1)
EJEMPLO 4m
El gráfico completo que tiene N vértices se define como un conjunto de N puntos (llamados
vértices) en el plano y el líneas (llamadas aristas) que conectan cada par de vértices.
El gráfico completo con 3 vértices se muestra en la figura 3,3. Suponga que ahora que cada
borde en un gráfico completo que tiene N los vértices deben ser coloreados rojo o azul. Para
un entero fijo k, una cuestión de interés es, hay una manera de colorear los bordes de modo
que ningún conjunto de K vértices tiene todo su ¿los bordes de conexión del mismo
color? Puede ser demostrado por un argumento probabilístico que si N no es demasiado
grande, entonces la respuesta es sí.
Figura 3,3
El argumento se ejecuta de la siguiente manera: suponga que cada borde es,
independientemente, igualmente probable que sea de color rojo o azul. Es que, cada borde
es rojo con probabilidad .
Ahora, ya que cada uno de los los bordes de conexión de un conjunto de K vértices es
igualmente probable que sea rojo o azul, se sigue que la probabilidad de que son todos del
mismo color es
P
Por lo tanto, porque
P ... ) (Desigualdad de
Boole)
i
Por lo tanto, si
k(k−1)/2−1
<1
o, equivalentemente, si
deseada, no da ninguna información acerca de cómo obtener tal esquema (aunque una
posibilidad sería simplemente para elegir los colores al azar, comprobar si el color resultante
satisface la propiedad, y repita el procedimiento hasta que lo haga).
Sección 3,5 P(·|F ) Es una probabilidad 120
P ⎛ ⎞
Prueba. Para probar parte (a), debemos demostrar que 0 ... P(Si)/P(F) ... 1. la desigualdad
del lado izquierdo es obvia, mientras que el lado derecho sigue porque Si ( F, lo que
implica que P(Si) ... P(F). La parte (b) sigue porque
P(Sf) P(F)
P(S|F) = = = 1 P(F) P(F)
La parte (c) sigue de
F⎞
P⎛
⎠q
P(F)
i=1 ⎠
P
Desde EiF
1
Ver N. Alon, J. Spencer, y P. Erdos, El método probabilístico (Nueva York: John Wiley & Sons, Inc.,
1992).
Sección 3,5 P(·|F ) Es una probabilidad 121
P(F) q
P(EiF)
1
=P(F) q
donde sigue la siguiente igualdad, porque EiEJ = Ø implica que EiFEjF = Isla.
Si definimos Q(E) = P(E|F), entonces, de la proPosición 5,1, Q (E) puede ser considerado
como una función de probabilidad en los eventos de S. Por lo tanto, todas las proposiciones
probadas previamente para las probabilidades se aplican a Q(E). Por ejemplo, tenemos
o, equivalentemente,
P(E2|F)
P(E1E2F)
P(F)
= P(E2F)
P(F)
= P(E1|E2F)
Nwo
P(A|A1) = P(A1A) = P(A1|A)P(A)
P(A1) P(A1)
Sin embargo P(A) se supone que es igual a , y se mostró en el ejemplo 3A que P(A1) =
.26. por lo tanto,
P
Así
P
Desde P(A2|AA1) = .4 y P(A2|AcA1) = .2, sigue que P
EJEMPLO 5B
UN chimpancé femenino ha dado A luz. No es seguro, sin embargo, cuál de dos chimpancés
masculinos es el padre. Antes de realizar cualquier análisis genético, se siente que la
probabilidad de que el varón número 1 es el padre es P y la probabilidad de que el hombre
número 2 es el padre es 1 − p. La DNA obtenida de la madre, del varón número 1, y del
varón número 2 indican que, en una localización específica del genoma, la madre tiene el
par del gene (A,A), el número masculino 1 tiene el par de genes (a,a), y el macho número 2
tiene el par de genes (A,a). Si una prueba de ADN muestra que el chimpancé bebé tiene el
par de genes (A,a), ¿cuál es la probabilidad de que el hombre número 1 sea el padre?
Solución. Que todas las probabilidades sean condicionales en el caso de que la madre tenga
el par de genes (A,A), el número masculino 1 tiene el par de genes (a,a), y el macho número
2 tiene el par de genes (A,a). Ahora, vamos Mme ser el caso de que el número masculino i,
me = 1, 2, es el padre, y dejar que BA,Un ser el caso de que el chimpancé bebé tiene el par de
genes (A,a). Entonces P(M1|BA,a) se obtiene de la siguiente manera:
Sección 3,5 P(·|F ) Es una probabilidad 123
1 B A ,a P(M )
P M 1 B A ,a
P B A ,a
P B A ,a M 1 P M 1
P B A ,a M1 P M1 P B A ,a M 2 P M 2
1 p
1 p 1 2 1 p
2p
1+p
intuitivo12+pP > P Cuando P < 1, la información que el par del gene del bebé es (A,a) porque
es más probable que el bebé tenga par de genes (A,a) Si M1 es cierto que si M2 es cierto (las
EJEMPLO 5C
Ensayos independientes, cada uno resultando en un éxito con probabilidad P o un fallo con
probabilidad Q = 1 − p, se realizan. Estamos interesados en calcular la probabilidad de que
una carrera de N los éxitos consecutivos se producen antes de M fallos consecutivos.
Solución. Dejar Y ser el caso de que una carrera de N los éxitos consecutivos se producen
antes de M fallos consecutivos. Para obtener P(E), empezamos por condicionar el resultado
del primer juicio. Esto es, dejar que H denotar el caso de que el primer ensayo resulte en un
éxito, obtenemos
P(E) = Pp(E|H) + Qp(E|Hc) (5,2)
Ahora, dado que el primer juicio fue exitoso, una forma en que podemos conseguir una
carrera de N éxitos antes de una carrera de M los fracasos sería tener la siguiente N − 1 los
ensayos resultan en éxitos. Por lo tanto, vamos a condicionar si eso ocurre o no. Esto es,
dejar que F sea el caso de que los ensayos 2 N todos son éxitos, obtenemos
Por un lado, claramente, P(E|Fh) = 1 por otro lado, si el evento FcH ocurre, entonces el
primer juicio daría lugar a un éxito, pero habría un fracaso algún tiempo durante el siguiente
N − 1 ensayos. Sin embargo, cuando ocurre este fracaso, aniquilaría todos los éxitos
anteriores, y la situación sería exactamente como si empezamos con un fracaso. Ahí
P(E|FcH) = P(E|Hc)
Porque la independencia de los juicios implica que F Y H son independientes, y porque P(F)
= pn−1, sigue de la ecuación (5,3) que
Sección 3,5 P(·|F ) Es una probabilidad 124
Ahora obtenemos una expresión para P(E|Hc) de una manera similar. Esto es, dejamos G
denotar el evento de que los ensayos 2 M son todos Fallas. Entonces
Nwo GhC es el caso de que el primer M todos los juicios resultan en fracasos, P(E|Ghc) = 0.
también, si GcHC ocurre, entonces el primer ensayo es un fracaso, pero hay al menos un éxito
en el siguiente M − 1 ensayos. Por lo tanto, dado que este éxito elimina todos los fracasos
anteriores, vemos que
P(E|GcHc) = P(E|H)
Y
| C = (1 − qm−1)pn−1 P(y H ) pn−1 +
qm−1 − pn−1qm−1
Así
P(E) = Pp(E|H) + Qp(E|Hc)
= pN + Qpn−1(1 − qm−1)
pn−1 + qm−1 − pn−1qm−1
= qm−1(1 − pn)
(5,8)
qm−1 + pn−1 − qm−1pn−1
Puesto que las ecuaciones (5,7) y (5,8) suman a 1, sigue eso, con la probabilidad 1, o un
funcionamiento de N éxitos o una carrera de M eventualmente se producirán fallas.
Como ejemplo de la ecuación (5,7), observamos que, al lanzar una moneda justa, la
probabilidad de que una carrera de 2 cabezas preceda una corrida de 3 colas es . Para 2
cabezas consecutivas antes
4 colas consecutivas, la probabilidad sube a . .
En nuestro siguiente ejemplo, volvemos al problema coincidente (ejemplo 5m, Chapter
2) y esta vez obtenemos una solución usando probabilidades condicionales.
EJEMPLO 5D
En una fiesta, N los hombres se quitan el sombrero. Los sombreros se mezclan, y cada
hombre selecciona al azar uno. Decimos que una coincidencia ocurre si un hombre
selecciona su propio sombrero. ¿Cuál es la probabilidad de
(a) ¿no hay cerillas?
(b) Exactamente K ¿Partidos?
Sección 3,5 P(·|F ) Es una probabilidad 126
Solución. (a) deje Y denotan el acontecimiento que no ocurren los fósforos, y hacer explícito
la dependencia de nEscribir PN = P(E). Empezamos por condicionar si el primer hombre
selecciona su propio sombrero — llama a estos eventos M Y McRespectivamente. Entonces
N 1
PN = P(E|Mc) − (5,9) n
P(E
Así, de la ecuación (5,9),
PN = −n Pn−1 + n Pn−2 N 1
1
o, equivalentemente,
PN (5,10)
Sin embargo, desde PN es la probabilidad de que no haya fósforos cuando N los hombres
seleccionan entre sus propios sombreros, tenemos
P1 = 0 P
PO P
PO
P
y, en general,
−
1 1 1 ( 1)n
PN
= − + −···+
2! 3! 4! n!
Sección 3,5 P(·|F ) Es una probabilidad 127
= 1 − 1 + ··· + (−1−n−k
Pn−k 2! 3! (n k)!
Opciones de un conjunto de K
hombres, los
k! k!
Un concepto importante en teoría de la probabilidad es el de la independencia condicional
de acontecimientos. Decimos que los eventos E1 Y E2 Son condicional independiente Dado
F Si, dado que F ocurre, la probabilidad condicional de que E1 se produce no cambia por la
información en cuanto a si o no E2 Ocurre. Más formalmente, E1 Y E2 se dice que son
condicionalmente independientes dado F Si
o, equivalentemente,
P(E1E2|F) = P(E1|F)P(E2|F) (5,12)
Solución. Dejar Cme denotar el evento de que el iTH Coin, me = 0, 1,...,k, se selecciona
inicialmente; Dejar FN denotar el evento de que el primer N voltea todos los resultados en
las cabezas; y que H sea el caso de que el (N + 1)St Flip es una cabeza. La probabilidad
deseada, P(H|Fn), se obtiene ahora de la siguiente manera:
k
P(H P(H|FnCi)P(Ci|Fn)
i=0
Ahora, dado que el ila moneda se selecciona, es razonable suponer que los resultados
serán condicionalmente independientes, con cada uno resultando en una cabeza con
probabilidad I/K. Ahí
i
P(H|FnCi) = P(H|Ci) =
k
También
P(Ci|Fn) = =
P(Fn) k k
(Fn|Cj)
j=0
Así
k
P(Hfn)i=0 k
1
n+1Dx = +1 x
Kn 2
Sección 3,5 P(·|F )
Es una probabilidad 129
n 1
Lla xnDx
+k k
0 n 1 j=0
P(H|Fn) L Nn ++ 12 .
P(Hi|E1) = P(E1|Hi)P(Hi) =
P(E1|Hi)P(Hi)
( H )P( i)
P(Hi
Hj)
Uno podría preguntarse, sin embargo, cuando se puede calcular P(Hi|E1E2) usando el lado
derecho de la ecuación (5,13) con Y = E2 y con P(Hj) sustituido por P(Hj|E1), J = 1...,n. Es
decir, ¿Cuándo es legítimo considerar P(Hj|E1), J Efectos 1, como las probabilidades
anteriores y luego utilizar (5,13) para calcular las probabilidades posteriores?
Solución. La respuesta es que lo anterior es legítimo, siempre que, para cada J = 1...,n, los
acontecimientos E1 Y E2 son condicionalmente independientes, dado Hj. Pues si este es el
caso, entonces
P(E1E2|Hj) = P(E2|Hj)P(E1|Hj), J = 1...,n
Por
P(Hi|E1E2) = P(E2|Hi)P(E1|Hi)P(Hi)
P(E1E2)
= P(E2|Hi)P(E1Hi)
P(E1E2)
P(E2|HPi)P(H
E 1 Ei|E2 1)P(E1)
= P(E2|Hi)P(Hi|E1) Q(1, 2)
mostrando que
n
Q (Hi|E1)
y dando el resultado
)
P(Hi
E1)
Por ejemplo, suponga que una de las dos monedas es elegida para ser volteada. Dejar Hme
sea el acontecimiento que la moneda i, me = 1, 2, se elige, y Supongamos que cuando la
moneda me se voltea, aterriza sobre cabezas con probabilidad pi, me = 1, 2. a continuación,
las ecuaciones anteriores muestran que, secuencialmente
Resumen
Resumen
Para eventos Y Y F, la probabilidad condicional de Y Dado que F ha ocurrido se denota por
P(E|F) y se define por
P(Si)
P(E|F) =
P(F)
La identidad
que se puede utilizar para calcular P(E) por "condicionamiento" en si F Ocurre. P(H)/P(Hc)
se llama el Probabilidades del evento H. La identidad
132
P(H||E) = P(H) P(E||H) P(HC E)
P(Hc)P(y Hc)
P(E|Fi)P(Fi)
se conoce como Fórmula de Bayes. Si los eventos Fi, me = 1...,n, son hipótesis que
compiten, entonces la fórmula de Bayes muestra cómo calcular las probabilidades
condicionales de estas hipótesis cuando hay evidencia adicional Y esté disponible.
Si P(Si) = P(E)P(F), entonces decimos que los eventos Y Y F Son Independiente. Esta
condición equivale a P(E|F) = P(E) y para P(F|E) = P(F). Así, los eventos Y Y F son
independientes si el conocimiento de la ocurrencia de uno de ellos no afecta a la
probabilidad del otro.
Los eventos E1,...,EN se dice que son independientes si, para cualquier subconjunto
Ei1,...,EY de ellos,
Para un evento fijo F, P(E|F) puede ser considerado como una función de probabilidad en
los eventos Y del espacio de la muestra.
Problemas
3,1. Dos dados justos se ruedan. ¿Cuál es la probabilidad 3,4. ¿Cuál es la probabilidad de que al menos uno de un par
condicional de que al menos una aterrice en el 6 dado de dados justos aterrice en el 6, dado que la suma de
que los dados aterrizan en números diferentes? los dados es i, me = 2, 3,...12?
3,2. Si se ruedan dos dados justos, ¿cuál es la probabilidad
3,5. Una urna contiene 6 bolas blancas y 9 negras. Si 4 bolas
condicional de que el primero aterrice en 6 dado que
se seleccionan aleatoriamente sin reemplazo, ¿cuál es
la suma de los dados es i? Calcular para todos los
la probabilidad de que los 2 primeros seleccionados
valores de me entre 2 y 12.
sean blancos y los últimos 2 negros?
3,3. Utilizar la ecuación (2,1) para calcular, en una mano de
3,6. Considere una urna que contenga 12 bolas, de las cuales
puente, la probabilidad condicional de que este tenga
8 son blancas. UNA muestra del tamaño 4 debe ser
3 picas dado que el norte y el sur tienen un total
dibujada con el reemplazo (sin el reemplazo). ¿Cuál es
combinado de 8 picas.
la probabilidad condicional (en cada caso) que la
primera y las terceras bolas dibujadas serán blancas
133
teniendo en cuenta que la muestra dibujada contiene p, la probabilidad de que cada mano tenga un as. Dejar
exactamente 3 bolas blancas? Eme sea el caso de que el ila mano del th tiene
3,7. El rey proviene de una familia de 2 hijos. ¿Cuál es la P
exactamente un as. Determinar = P(E1E2E3E4)
probabilidad de que el otro niño sea su hermana?
utilizando la regla de multiplicación.
3,8. UNA pareja tiene 2 hijos. ¿Cuál es la probabilidad de
3.14. Una urna contiene inicialmente 5 bolas blancas y 7
que ambas sean chicas si la mayor de las dos es una
negras. Cada vez que una bola es seleccionada, su
chica?
color es observado y se substituye en la urna junto con
3,9. Considere 3 urnas. Urna Un contiene 2 bolas blancas y
2 otras bolas del mismo color. Calcular la probabilidad
4 rojas, urna B contiene 8 bolas blancas y 4 rojas, y la
de que un las 2 primeras bolas seleccionadas son
urna C contiene 1 bolas blancas y 3 rojas. Si se
negras y las 2 siguientes son blancas;
selecciona 1 bola de cada urna, ¿cuál es la probabilidad
b de las primeras 4 bolas seleccionadas, exactamente 2
de que la bola elegida de la urna Un era blanco dado
son negras.
que exactamente 2 bolas blancas fueron
seleccionadas? 3,15. Un embarazo ectópico es el doble de probabilidades de
3,10. Tres cartas son seleccionadas aleatoriamente, sin desarrollarse cuando la mujer embarazada es un
reemplazo, de una baraja ordinaria de 52 naipes. fumador como lo es cuando es un no fumador. Si el 32
Calcule la probabilidad condicional que la primera por ciento de las mujeres en edad fértil son fumadoras,
tarjeta seleccionada es una pala dado que la segunda y ¿qué porcentaje de mujeres que tienen embarazos
tercera cartas son picas. ectópicos son fumadores?
3,11. Dos cartas son escogidas aleatoriamente sin reemplazo 3,16. 98 por ciento de todos los bebés sobrevive a la entrega.
de una baraja ordinaria de 52 tarjetas. Dejar B sea el Sin embargo, el 15 por ciento de todos los nacimientos
caso de que ambas cartas sean ases, que As ser el caso involucran cesáreas (C), y cuando se realiza una
de que el as de espadas se elige, y dejar que Un sea el sección C, el bebé sobrevive 96 por ciento del tiempo.
caso de que se elija al menos un as. Encontrar un Si una mujer embarazada escogida al azar no tiene una
P(B|As) sección C, ¿cuál es la probabilidad de que su bebé
sobreviva?
b P(B|A)
3,17. En una comunidad determinada, el 36 por ciento de
3,12. UN graduado reciente de la Universidad está planeando las familias posee un perro y el 22 por ciento de las
tomar los primeros tres exámenes actuariales en el familias que poseen un perro también poseen un gato.
verano que viene. Ella tomará el primer examen Además, el 30 por ciento de las familias tienen un
actuarial en junio. Si ella aprueba ese examen, gato. Qué es
entonces ella tomará el segundo examen en julio, y si (a) ¿la probabilidad de que una familia seleccionada
ella también lo aprueba, entonces ella tomará el tercer aleatoriamente sea propietaria de un perro y un
examen en septiembre. Si ella falla un examen, gato?
entonces no se le permite (b) ¿la probabilidad condicional de que una familia
para tomar cualquier otro. La probabilidad de que pase seleccionada aleatoriamente posea un perro dado
el primer examen es. 9. Si ella pasa el primer examen, que posee un gato?
entonces la probabilidad condicional que ella pasa el 3,18. UN total de 46 por ciento de los votantes en una cierta
segundo es .8, y si ella pasa el primer y los segundos ciudad se clasifican como independientes, mientras
exámenes, entonces la probabilidad condicional que que el 30 por ciento se clasifican como liberales y el
ella pasa el tercer examen es. 7. 24 por ciento dicen que son conservadores. En una
(a) ¿Cuál es la probabilidad de que pase los tres reciente elección local, el 35 por ciento de los
exámenes? independientes, el 62 por ciento de los liberales, y el
(b) Dado que ella no pasó los tres exámenes, ¿cuál es 58 por ciento de los conservadores votaron. UN
la probabilidad condicional de que ella falló el votante es elegido al azar.
segundo examen?
3.13. SuPongamos que una baraja ordinaria de 52 tarjetas
(que contiene 4 Ases) se divide al azar en 4 manos de
13 cartas cada una. Estamos interesados en determinar
Problemas 134
Dado que esta persona votó en las elecciones locales, probabilidad de que el el número que aparece en el
¿cuál es la probabilidad de que un ¿un independiente? dado azul es menor que el que aparece en el dado
(b) ¿un liberal? amarillo, que es menor que el que aparece en el dado
(c) ¿un conservador? rojo. Es decir
(d) ¿Qué fracción de votantes participaron en las Con B, YY R denota, respectivamente, el número que
elecciones locales? aparece en el dado azul, amarillo, y rojo, estamos
3,19. UN total de 48 por ciento de las mujeres y 37 por ciento interesados en P(B < Y < R).
de los hombres que tomaron cierta clase de "dejar de (a) ¿Cuál es la probabilidad de que no dos de los
fumar" permanecieron como no fumadores durante al dados aterricen en el mismo número?
menos un año después de completar la clase. Estas (b) Dado que no dos de los dados aterrizan en el
personas asistieron a una fiesta de éxito al final de un mismo número, ¿cuál es la probabilidad
año. Si el 62 por ciento de la clase original era varón, condicional de que B < Y < R?
(a) ¿Qué porcentaje de los asistentes a la fiesta fueron (c) Qué es P(B < Y < R)?
mujeres? 3,23. La urna I contiene 2 bolas blancas y 4 rojas, mientras
(b) ¿Qué porcentaje de la clase original asistió a la que la urna II contiene 1 bola blanca y 1 roja. UNA
fiesta? bola se escoge aleatoriamente de la urna I y se coloca
en la urna II, y luego se selecciona aleatoriamente una
3,20. 52 por ciento de los estudiantes en una universidad
bola de la urna II. Qué es
determinada son mujeres. Cinco por ciento de los
estudiantes en esta universidad están especializando en (a) ¿la probabilidad de que la bola seleccionada de la
la informática. El dos por ciento de los estudiantes son urna II sea blanca?
mujeres que se especializan en informática. Si un (b) ¿la probabilidad condicional de que la bola
estudiante es seleccionado al azar, encuentre la transferida era blanca dado que una bola blanca
probabilidad condicional que es seleccionada de la urna II?
(a) el estudiante es hembra dado que el estudiante 3,24. Cada una de las 2 bolas se pinta de negro o de oro y
está especializando en informática; luego se coloca en una urna. SuPongamos que cada
(b) este estudiante se especializa en informática, dado bola es de color negro con probabilidad y que estos
que el estudiante es una mujer. eventos son independientes.
3,21. Se encuestaron un total de 500 parejas de trabajo (a) Suponga que usted obtiene la información que la
casadas sobre sus salarios anuales, con la siguiente pintura del oro se ha utilizado (y así por lo menos
información resultante: una de las bolas es oro pintado). Calcule la
probabilidad condicional de que ambas bolas
estén pintadas de oro.
Marido (b) Suponga ahora que la urna se inclina y 1 bola se
Esposa Menos de Más que cae. Está pintado de oro. ¿Cuál es la probabilidad
$25.000 $25.000 de que ambas bolas sean doradas en este caso?
Explicar.
Menos de $25.000 212 198 3.25. Se propuso el siguiente método para estimar el número
de personas mayores de 50 años de edad que residen
Más de $25.000 36 54 en un pueblo de población conocida 100.000: "al
Por ejemplo, en 36 de las parejas, la esposa ganaba más caminar por las calles, mantener una cuenta corriente
y el marido ganaba menos de $25.000. Si una de las del porcentaje de personas que se encuentran con más
parejas es escogida al azar, de 50. Hacer esto durante unos días; luego multiplique
(a) ¿la probabilidad de que el marido gane menos de el porcentaje que obtiene por 100.000 para obtener la
$25.000? estimación ". Comentar sobre este método.
(b) ¿la probabilidad condicional de que la esposa Pista: Let P denotan la proporción de personas en la
gane más de $25.000 dado que el marido gana ciudad que son más de 50. Además, deje que α1
más que esta cantidad? denotan la proporción de tiempo que una persona
(c) ¿la probabilidad condicional de que la esposa menor de 50 de edad gasta en las calles, y deje que α2
gane más de $25.000 dado que el marido gana ser el valor correspondiente para aquellos de más de
menos que esta cantidad? 50. ¿Qué cantidad sugiere el método Estimado?
3,22. UN dado rojo, un dado azul, y un dado amarillo (los ¿Cuándo es la estimación aproximadamente igual a p?
seis echados a un lado) se ruedan. Nos interesa la
Problemas 135
3.26. Suponga que el 5 por ciento de hombres y el .25 por el médico no debe llamar. De esta manera, incluso si
ciento de mujeres son color Blind. UNA persona ciega el doctor no llama, las noticias no son necesariamente
al color es escogida al azar. ¿Cuál es la probabilidad malas. Dejar Un ser la probabilidad de que el tumor
de que esta persona sea masculina? SuPongamos que sea canceroso; Dejar B ser la probabilidad condicional
hay un número igual de machos y las mujeres. ¿Qué de que el tumor sea canceroso dado que el médico no
pasa si la población consistía en el doble de machos llama.
que mujeres? (a) Que debería ser más grande, Un O β?
3.27. Todos los trabajadores de cierta empresa conducen a (b) Encontrar B en términos de α, y demostrar su
trabajar y estacionar en el lote de la compañía. La respuesta en parte (a).
empresa 3,32. UNA familia tiene J niños con probabilidad pjDonde p1
está interesada en estimar el número promedio de = .1p2 = .25p3 = .35,p4 = .3. un niño de esta familia es
trabajadores en un automóvil. ¿Cuál de los siguientes elegido al azar. Dado que este niño es el hijo mayor de
métodos permitirá a la empresa estimar esta cantidad? la familia, encontrar la probabilidad condicional de
Explique su respuesta. que la familia tiene
1. Elija aleatoriamente N los trabajadores, averiguar un solamente 1 niño;
cuántos estaban en los coches en los que fueron b 4 niños.
impulsados, y tomar el promedio de la N Valores. Rehacer (a) y (b) cuando el niño seleccionado al azar
sea el hijo menor de la familia.
2. Elija aleatoriamente N coches en el lote, averiguar
3,33. En los días lluviosos, Joe llega tarde a trabajar con
cuántos fueron conducidos en esos coches, y tomar
probabilidad. 3; en días no lluviosos, él es atrasado con
el promedio de la N Valores.
probabilidad. 1. Con probabilidad .7, lloverá mañana.
3.28. SuPongamos que una baraja ordinaria de 52 cartas es (a) Encontrar la probabilidad de que Joe es temprano
barajada y las cartas se giran una a la vez hasta que mañana.
aparezca el primer as. Dado que el primer ACE es la (b) Dado que Joe era temprano, ¿cuál es la
vigésima tarjeta para aparecer, ¿cuál es la probabilidad probabilidad condicional de que lloviera?
condicional de que la tarjeta que lo sigue es el un ¿Ace 3.34. En el ejemplo 3F, supongamos que la nueva evidencia
of Spades? b ¿dos de tréboles? está sujeta a diferentes interpretaciones posibles y de
3.29. Hay 15 pelotas de tenis en una caja, de las cuales 9 no hecho muestra sólo que es 90 por ciento probable que
se han utilizado previamente. Tres de las bolas son el delincuente posea la característica en cuestión. En
escogidas aleatoriamente, jugadas con, y después este caso, ¿qué tan probable sería que el sospechoso es
devueltas a la caja. Más tarde, otras 3 bolas son culpable (asumiendo, como antes, que él tiene la
escogidas aleatoriamente de la caja. Encontrar la característica)?
probabilidad de que ninguna de estas bolas se ha 3.35. Con probabilidad .6, el presente fue escondido por
utilizado nunca. mamá; con probabilidad .4, fue escondido por papá.
3.30. Considere dos cajas, una que contenga 1 mármol negro Cuando mamá esconde el regalo, lo esconde arriba 70
y 1 blanco, los otros 2 de mármol negro y 1 blanco. por ciento del tiempo y abajo 30 por ciento del tiempo.
UNA caja se selecciona al azar, y una canica se extrae Papá tiene la misma probabilidad de esconderlo arriba
de ella al azar. ¿Cuál es la probabilidad de que el o abajo.
mármol sea negro? ¿Cuál es la probabilidad de que la (a) ¿Cuál es la probabilidad de que el presente esté
primera caja fuera la seleccionada teniendo en cuenta arriba?
que el mármol es blanco? (b) Teniendo en cuenta que está abajo, ¿cuál es la
probabilidad de que fue escondido por papá?
3.31. La Sra. Aquina acaba de hacer una biopsia de un tumor
posiblemente canceroso. No querer estropear un 3.36. Tiendas A, BY C tienen 50, 75, y 100 empleados,
evento familiar de fin de semana, ella no quiere oír respectivamente, y 50, 60, y el 70 por ciento de ellos,
ninguna mala noticia en los próximos días. Pero si le respectivamente, son mujeres. Las renuncias son
dice al médico que llame sólo si la noticia es buena, igualmente probables entre todos los empleados,
entonces si el médico no llama, la Sra. Aquina puede independientemente del sexo. Una mujer empleada
concluir que la noticia es mala. Por lo tanto, siendo un renuncia. ¿Cuál es la probabilidad de que ella trabaja
estudiante de probabilidad, la Sra. Aquina instruye al en la tienda C?
doctor que voltee una moneda. Si llega a las cabezas, 3.37. un UN jugador tiene una moneda justa y una moneda
el médico debe llamar si la noticia es buena y no llamar de dos cabezas en el bolsillo. Selecciona una de las
si la noticia es mala. Si la moneda llega hasta las colas,
Problemas 136
monedas al azar; cuando lo voltea, muestra cabezas. 3.44. Su carcelero informa a tres presos que uno de ellos ha
¿Cuál es la probabilidad de que sea la moneda justa? sido elegido al azar para ser ejecutado y los otros dos
(b) Suponga que él voltea la misma moneda por deben ser liberados. Prisionero Un pide al carcelero
segunda vez y, de nuevo, muestra cabezas. Ahora, que le diga en privado cuál de sus compañeros
¿cuál es la probabilidad de que sea la moneda prisioneros será liberado, alegando que no habría
justa? ningún daño en divulgar esta información porque él ya
(c) Suponga que él voltea la misma moneda por sabe que al menos uno de los dos quedará libre. El
tercera vez y muestra colas. Ahora, ¿cuál es la carcelero se niega a responder a la pregunta, señalando
probabilidad de que sea la moneda justa? que si Un sabía que de sus compañeros prisioneros
3.38. Urna Un tiene 5 bolas blancas y 7 negras. Urna B tiene iban a ser liberado, entonces su propia probabilidad de
3 bolas blancas y 12 negras. Volteamos una moneda ser ejecutado se elevaría de Para porque entonces
justa. Si el resultado es la cabeza, entonces una bola de sería uno de los dos prisioneros. ¿Qué opinas del
urna Un se selecciona, mientras que si el resultado es razonamiento del carcelero?
Tails, entonces una bola de urna B está seleccionado. 3.45. SuPongamos que tenemos 10 monedas de tal manera
Suponga que se selecciona una bola blanca. ¿Cuál es que si el ila moneda del TH se voltea, las cabezas
la probabilidad de que la moneda desembarque colas? aparecerán con probabilidad i/10me = 1, 2,...10.
3.39. En el ejemplo 3A, ¿cuál es la probabilidad de que Cuando una de las monedas se selecciona
alguien tenga un accidente en el segundo año teniendo aleatoriamente y se voltea, se muestra la cabeza. ¿Cuál
en cuenta que no tuvo accidentes en el primer año? es la probabilidad condicional de que fue la quinta
3.40. Considere una muestra del tamaño 3 dibujado de la moneda?
siguiente manera: empezamos con una urna que
3.46. En un año dado, un asegurado de automóviles
contiene 5 blanco
masculino hará una reclamación con probabilidad pM y
y 7 bolas rojas. En cada etapa, se dibuja una bola y se una mujer el titular de la póliza hará una reclamación
observa su color. La bola es entonces vuelta a la urna, con probabilidad pF Donde pF Z pm. La fracción de los
junto con una bola adicional del mismo color. asegurados que son varones es α, 0 < A < 1. un
Encontrar la probabilidad de que la muestra tomador de póliza es elegido al azar. Si Ame denota el
contendrá exactamente evento de que este tomador de póliza hará una
un 0 bolas blancas; reclamación en el año i, demuestran que
(b) 1 bola blanca;
(c) 3 bolas blancas; De 2 bolas P(A2|A1) > P(A1)
blancas.
3.41. UNA baraja de cartas es barajada y luego dividida en Dar una explicación intuitiva de por qué la desigualdad
dos mitades de 26 cartas cada una. UNA tarjeta se anterior es verdadera.
extrae de una de las mitades; resulta ser un as. El as 3.47. Una urna contiene 5 bolas blancas y 10 negras. UN
entonces se coloca en la segunda mitad-cubierta. La dado justo se rueda y ese número de bolas se elige al
mitad es entonces barajada, y una carta se extrae de azar de la urna. ¿Cuál es la probabilidad de que todas
ella. Calcule la probabilidad de que esta tarjeta las bolas seleccionadas sean blancas? ¿Cuál es la
dibujada sea un as. Pista: Condición sobre si se ha probabilidad condicional de que el dado aterrizó en 3
seleccionado o no la tarjeta intercambiada. si todas las bolas seleccionadas son blancas?
3.42. Tres cocineros, A, BY C, cuecen al horno una clase 3.48. Cada uno de los 2 gabinetes idénticos en apariencia
especial de torta, y con las probabilidades respectivas tiene 2 cajones. Gabinete Un contiene una moneda de
.02, .03, y .05, no puede levantarse. En el restaurante plata en cada cajón, y el gabinete B contiene una
donde trabajan, Un hornea 50 por ciento de estos moneda de plata en uno de sus cajones y una moneda
pasteles, B 30 por ciento, y C 20 por ciento. ¿Qué de oro en la otra. Se selecciona un mueble al azar, se
proporción de "fallas" es causada por A? abre uno de sus cajones y se encuentra una moneda de
3.43. Hay 3 monedas en una caja. Una es una moneda de dos plata. ¿Cuál es la probabilidad de que haya una
cabezas, otra es una moneda justa, y la tercera es una moneda de plata en el otro cajón?
moneda sesgada que sube cabezas 75 por ciento del 3.49. El cáncer de próstata es el tipo más común de cáncer
tiempo. Cuando una de las 3 monedas se selecciona al que se encuentra en los varones. Como un indicador de
azar y se voltea, se muestra la cabeza. ¿Cuál es la si un varón tiene cáncer de próstata, los doctores
probabilidad de que fuera la moneda de dos cabezas? realizan a menudo una prueba que mida el nivel del
antígeno prostatespecific (PSA) que es producido
Problemas 137
solamente por la glándula de próstata. Aunque los 3,52. UN estudiante de secundaria está esperando
niveles de PSA son indicativos de cáncer, la prueba es ansiosamente recibir correo diciéndole si ella ha sido
notoriamente poco fiable. De hecho, la probabilidad de aceptada en cierta Universidad. Estima que las
que un hombre no canceroso tendrá un nivel elevado probabilidades condicionales de recibir la notificación
de PSA es aproximadamente .135, aumentando a en cada día de la semana que viene, dado que es
aproximadamente .268 si el hombre tiene cáncer. Si, aceptada y que es rechazada, son las siguientes:
sobre la base de otros factores, un médico es 70 por
ciento seguro que un varón tiene cáncer de próstata, ) Día P(Correo|Aceptado) P(Correo|Rechazado
cuál es la probabilidad condicional que él tiene el Lunes .15 .05
cáncer dado que un ¿la prueba indicó un nivel elevado
del PSA? Martes .20 .10
b ¿la prueba no indicó un nivel elevado del PSA? Miércoles .25 .10
Repita el cálculo anterior, esta vez asumiendo que el Jueves .15 .15
médico inicialmente cree que hay un 30 por ciento de Viernes .10 .20
probabilidades de que el hombre tiene cáncer de
Estima que su probabilidad de ser aceptada es. 6.
próstata.
(a) ¿Cuál es la probabilidad de que reciba el correo el
3,50. Suponga que una compañía de seguros clasifica a la
lunes?
gente en una de tres clases: buenos riesgos, riesgos
(b) ¿Cuál es la probabilidad condicional de que ella
medios y riesgos malos. Los expedientes de la
recibió el correo el martes, dado que ella no recibe
compañía indican que las probabilidades que las
el correo el lunes?
personas buenas, medias, y del malo-riesgo estarán
(c) Si no hay correo hasta el miércoles, ¿cuál es la
implicadas en un accidente sobre un palmo de un año
probabilidad condicional de que será aceptada?
son, respectivamente, .05,. 15, y. 30. Si el 20 por ciento
(d) ¿Cuál es la probabilidad condicional de que será
de la población es un buen riesgo, 50 por ciento un
aceptada si el correo viene el jueves?
riesgo promedio, y 30 por ciento un riesgo malo, ¿qué
proporción de personas tienen accidentes en un año (e) ¿Cuál es la probabilidad condicional de que sea
fijo? Si el asegurado Un no tuvo accidentes en 1997, aceptada si no llega el correo esa semana?
¿cuál es la probabilidad de que él o ella sea un riesgo 3.53. UN sistema paralelo funciona siempre que al menos
bueno o medio? uno de sus componentes funcione. Consideremos un
3,51. UN trabajador le ha pedido a su supervisor una carta de sistema paralelo de N componentes, y suponga que
recomendación para un nuevo trabajo. Ella estima que cada componente trabaja independientemente con
hay un 80 por ciento de probabilidades de que ella
probabilidad . Encontrar el condicional probabilidad
obtendrá la
de que el componente 1 funcione dado que el sistema
trabajo si recibe una recomendación fuerte, un 40 por está funcionando.
ciento de probabilidades si recibe una recomendación
moderadamente buena, y un 10 por ciento de 3.54. Si tuvieras que construir un modelo matemático para
probabilidades si recibe una recomendación débil. eventos Y Y F, como se describe en las partes (a) a
Estima además que las probabilidades de que la través de
recomendación sea fuerte, moderada y débil son .7, .2 (e), ¿supones que son eventos independientes?
y. 1, respectivamente. Explique su razonamiento.
(a) ¿Está seguro de que recibirá la nueva oferta de (a) Y es el evento que una empresaria tiene ojos
empleo? azules, y F es el evento que su secretaria tiene
(b) Dado que ella recibe la oferta, ¿qué ojos azules.
probabilidades tiene de que ella sienta que ha (b) Y es el caso de que un profesor tiene un coche, y
recibido una recomendación fuerte? ¿una F es el evento que aparece en la guía telefónica.
recomendación moderada? ¿una recomendación (c) Y es el caso de que un hombre es menor de 6 pies
débil? de alto, y F es el caso de que pesa más de 200
(c) Dado que no recibe la oferta de empleo, ¿qué libras.
probabilidades tiene de que ella sienta que ha (d) Y es el acontecimiento que una mujer vive en los
recibido una recomendación fuerte? ¿una Estados Unidos, y F es el acontecimiento que ella
recomendación moderada? ¿una recomendación vive en el hemisferio occidental.
débil?
Problemas 138
(a) Demostrar que el resultado es igualmente (a) ¿Cuál es la probabilidad de que su primera
probable que sea cara o Cruz. descendencia sea un albino?
(b) ¿Podríamos utilizar un procedimiento más (b) ¿Cuál es la probabilidad condicional de que su
sencillo que sigue volteando la moneda hasta que segunda descendencia sea un albino dado que su
las dos últimas volteretas son diferentes y luego primogénito no lo es?
deja que el resultado sea el resultado de la vuelta 3,62. Barbara y Dianne van a tiro al blanco. SuPongamos que
final? cada uno de los disparos de Barbara golpea un blanco
3,59. Flips independientes de una moneda que aterriza en las de pato de madera con Probabilidad p1, mientras que
cabezas con probabilidad P se hacen. ¿Cuál es la cada toma de Dianne lo golpea con probabilidad p2.
probabilidad de que los cuatro primeros resultados SuPongamos que disparan simultáneamente en el
sean mismo objetivo. Si el pato de madera es derribado (lo
(a) H, H, H, H? que indica que fue golpeado), ¿cuál es la probabilidad
(b) T, H, H, H? de que un ¿ambos tiros golpearon al pato?
(c) ¿Cuál es la probabilidad de que el patrón T, H, H, b ¿El disparo de Barbara golpeó al pato?
H ocurre antes de que el patrón H, H, H, H? Sugerencia ¿Qué supuestos de independencia has hecho?
para la parte (c): ¿Cómo puede el patrón H, H, H, H 3,63. Un Y B están involucrados en un duelo. Las reglas del
ocurrir primero? duelo son que deben recoger sus armas y disparar el
3,60. El color de los ojos de una persona está determinado uno al otro simultáneamente. Si uno o ambos son
por un solo par de genes. Si ambos son genes de ojos golpeados, entonces el duelo ha terminado. Si ambos
azules, entonces la persona tendrá ojos azules; Si tiros fallan, entonces ellos repiten el proceso.
ambos son genes de ojos marrones, entonces la SuPongamos que los resultados de los disparos son
persona tendrá ojos marrones; y si uno de ellos es un independientes y que cada toma de Un va a golpear B
gen de ojos azules y el otro un gen de ojos marrones, con probabilidad pA, y cada toma de B va a golpear Un
entonces la persona tendrá ojos marrones. (Debido a con probabilidad pB. Qué es un la probabilidad de que
este último hecho, decimos que el gen de ojos Un ¿no está golpeado?
marrones es Dominante sobre la de ojos azules.) UN (b) ¿la probabilidad de que ambos duelistas sean
niño recién nacido recibe de forma independiente un golpeados?
gen ocular de cada uno de sus progenitores, y el gen (c) la probabilidad de que el duelo termine después
que recibe de un progenitor es igualmente probable de la n¿la ronda de tiros?
que sea cualquiera de los dos genes oculares de ese (d) la probabilidad condicional de que el duelo
progenitor. SuPongamos que Smith y sus dos padres termine después de la nTH ronda de disparos
tienen ojos marrones, pero la hermana de Smith tiene teniendo en cuenta que Un ¿no está golpeado?
ojos azules. (e) la probabilidad condicional de que el duelo
(a) ¿Cuál es la probabilidad de que Smith posea un termine después de la nronda de disparos dado
gen de ojos azules? que ambos duelistas son golpeados?
(b) Supón que la esposa de Smith tiene ojos azules. 3,64. UNA pregunta verdadera-falsa debe ser planteada a un
¿Cuál es la probabilidad de que su primer hijo equipo de la marido-esposa en una demostración del
tenga ojos azules? concurso. Tanto el marido como la esposa darán de
(c) Si su primer hijo tiene ojos marrones, ¿cuál es la forma independiente la respuesta correcta con
probabilidad de que su próximo hijo también probabilidad p. ¿Cuál de las siguientes es una mejor
tenga ojos marrones? estrategia para la pareja?
3,61. Los genes relacionados con el albinismo se denotan Un (a) Escoge uno de ellos y deja que esa persona
Y a. Sólo las personas que reciben la Un gene de responda a la pregunta.
ambos padres será Albino. Las personas que tienen el (b) Haga que ambos consideren la pregunta, y luego
par de genes A, Un son normales en apariencia y, den la respuesta común si están de acuerdo o, si
debido a que pueden transmitir el rasgo a su no están de acuerdo, voltear una moneda para
descendencia, se llaman portadores. SuPongamos que determinar qué respuesta dar.
una pareja normal tiene dos hijos, exactamente uno de 3.65. En el problema 3,5, si P = .6 y la pareja utiliza la
los cuales es un albino. Suponga que el niño no Albino estrategia en parte (b), ¿cuál es la probabilidad
se aparea con una persona que se sabe que es portadora condicional de que la pareja dé la respuesta correcta
de albinismo. teniendo en cuenta que el esposo y la esposa (a) están
de acuerdo? (b) ¿discrepar?
Problemas 140
3.66. La probabilidad del cierre de la iel relé del TH en los Xx tendrá ojos marrones, mientras que uno que tiene
circuitos mostrados en la figura 3,4 se da por pi,me = par de genes Xx tendrá ojos azules. El aspecto
1, 2, 3, 4, 5. Si todos los relés funcionan de forma característico de un organismo se llama su fenotipo,
independiente, ¿cuál es la probabilidad de que una mientras que su constitución genética se llama su
corriente fluya entre Un Y B para los circuitos genotipo. (Así, 2 organismos con genotipos
respectivos? respectivos aA, bB, CC, dD, EE Y AA, BB, CC, DD,
Sugerencia para (b): Condición en si el Relais 3 se EE tendría diferentes genotipos pero el mismo
cierra. fenotipo.) En un apareamiento entre 2 organismos,
3.67. Un sistema de ingeniería compuesto por N cada uno contribuye, al azar, uno de sus pares de genes
componentes se dice que es un k-fuera deN Sistema (K de cada tipo. Se supone que las 5 contribuciones de un
... n) Si el sistema funciona si y sólo si al menos K Dela organismo (uno de cada uno de los 5 tipos) son
N función de los componentes. Suponga que todos los independientes y también son independientes de las
componentes funcionan independientemente el uno contribuciones del compañero del organismo. En un
del otro. apareamiento entre los organismos que tienen
(a) Si el ifunciones del componente TH con genotipos aA, bB, cC, dD, eE Y AA, bB, CC, DD, EE
probabilidad Pi,me = 1, 2, 3, 4, calculan la ¿Cuál es la probabilidad de que la progenie (i)
fenotípicamente y (II) genotípicamente
probabilidad de que un sistema de 2-out-of-4 Parecen
funciona. (a) ¿el primer padre?
( a)
1 2
A B
5
3 4
( b)
1 4
A 3 B
2 5
Atlanta Braves 87 72
Gigantes de San Francisco 86 73
Los Angeles Dodgers 86 73
Cada equipo tenía 3 juegos restantes. Los 3 juegos de
los gigantes fueron con los Dodgers, y los 3 juegos
restantes de los Bravos fueron contra los padres de San
Diego. Suponga que los resultados de todos los juegos
restantes son independientes y cada juego es
igualmente probable que sea ganado por cualquiera de
los participantes. Para cada equipo, ¿cuál es la
probabilidad de que gane el título de la división? Si dos
equipos empatan en el primer lugar, tienen un juego de
playoffs, que cada equipo tiene la misma oportunidad
de ganar.
3.72. UN concejo municipal de 7 miembros contiene un
Comité Directivo de la talla 3. Las nuevas ideas para
la legislación van primero al Comité de dirección y
después al Consejo como un todo si al menos 2 de los
3 miembros del Comité aprueban la legislación. Una
vez en el pleno del Consejo, la legislación requiere un
voto mayoritario
(de al menos 4) para pasar. Considere una nueva pieza legislativa, y suponga que cada miembro del Concejo Municipal
lo aprobará, independientemente, con probabilidad p. ¿Cuál es la probabilidad de que el voto de un miembro del Comité
de dirección sea decisivo en el sentido de que si se invierte el voto de esa persona, entonces el destino final de la
legislación se revertiría? ¿Cuál es la probabilidad correspondiente para un determinado miembro del Consejo que no
pertenece al Comité Directivo?
3.73. Suponga que cada niño nacido de una pareja es igualmente probable que sea un niño o una niña, independientemente de
la distribución sexual de los otros niños en la familia. Para una pareja que tiene 5 hijos, calcule las probabilidades de los
siguientes eventos:
(a) Todos los niños son del mismo sexo.
(b) Los tres mayores son chicos y las otras chicas.
(c) Exactamente 3 son chicos.
(d) Las dos mayores son chicas.
(e) Hay al menos 1 chica.
3.74. Un Y B alternar rodar un par de dados, deteniéndose ya sea cuando Un rueda la suma 9 o cuando B rueda la suma 6.
Asumiendo que Un primero, encuentra la probabilidad de que el rollo final sea hecho por A.
3.75. En un pueblo determinado, es tradicional para el hijo mayor (o el hijo mayor en una familia de dos hijos) y su esposa
para ser responsable de cuidar de sus padres a medida que envejecen. En los últimos años, sin embargo, las mujeres de
este pueblo, no queriendo esa responsabilidad, no han mirado favorablemente al casarse con un hijo mayor.
(a) Si cada familia en el pueblo tiene dos hijos, ¿qué proporción de todos los hijos son hijos mayores?
(b) Si cada familia en el pueblo tiene tres hijos, ¿qué proporción de todos los hijos son hijos mayores?
SuPongamos que cada niño es, independientemente, igualmente probable que sea un niño o una niña.
3.76. Suponga que Y Y F son eventos mutuamente exclusivos de un experimento. Muestran que si se realizan ensayos
independientes de este experimento, Y ocurrirá antes F con probabilidad P(E)/[P(E) + P(F)].
3.77. Considere una secuencia interminable de ensayos independientes, donde cada ensayo es igualmente probable que resulte
en cualquiera de los resultados 1, 2 o 3. Dado que el resultado 3 es el último de los tres resultados que se producen,
probabilidad condicional de que
un el primer ensayo resulta en el resultado 1; b los dos primeros ensayos resultaron en el resultado 1.
3,78. Un Y B juega una serie de juegos. Cada juego se gana independientemente por Un con probabilidad P y por B con
probabilidad 1 − p. Se detienen cuando el número total de victorias de uno de los jugadores es dos mayores que el del
otro jugador. El jugador con mayor número de victorias totales es declarado ganador de la serie.
(a) Encuentra la probabilidad de que se reproduzca un total de 4 juegos.
(b) Encuentra la probabilidad de que A sea el ganador de la serie.
3.79. En sucesivos rollos de un par de dados justos, ¿cuál es la probabilidad de obtener 2 sietes antes de 6 números
pares?
3.80. En un determinado concurso, los jugadores son de igual habilidad y la probabilidad es que uno especificado
de los dos concursantes será el vencedor. En un grupo de 2 N jugadores, los jugadores son emparejados entre sí
al azar. Los 2n−1 los ganadores son emparejados otra vez apagado aleatoriamente, y así sucesivamente, hasta
que un solo ganador permanezca. Considere dos concursantes especificados, Un Y B, y definir los eventos
Ai,me ... n,Y Por
1 2 2 1
PN = 2n + Pn−1
n−1 Ixi xn
i=1
Para otro enfoque para resolver este problema, tenga en cuenta que hay un total de 2 N − 1 juegos jugados.
(d) Explique por qué 2N − se juegan 1 juegos.
Número de estos juegos, y dejar que Bme denotar el evento que Un Y B jugar uno al otro en el juego i,me = 1..., a
2N − 1.
(e) Qué es P(Bi)?
(f) Utilice la parte (e) para encontrar P(E).
3.81. Un inversor posee acciones en un stock cuyo valor actual es 25. Ella ha decidido que debe vender su stock Si va o bien
hasta 10 o hasta 40. Si cada cambio de precio es cualquiera arriba 1 punto con probabilidad. 55 o abajo 1 punto con
probabilidad. 45, y los cambios sucesivos son independientes, ¿cuál es la probabilidad de que el inversor se jubile de
un ganador?
3.82. Un Y B voltear monedas. Un comienza y continúa volteando hasta que se produce una cola, en cuyo momento B
comienza a voltear y continúa hasta que haya una cola. Entonces Un Toma
más, y así sucesivamente. Dejar P1 ser la probabilidad del aterrizaje de la moneda en las cabezas cuando Un voltea y P2
Cuando B Voltea. El ganador del juego es el primero
para obtener
(a) 2 cabezas seguidas;
(b) un total de 2 cabezas;
(c) 3 cabezas seguidas;
(d) un total de 3 cabezas.
En cada caso, encontrar la probabilidad de que Un Gana.
3,83. Lla Un tiene 4 caras rojas y 2 blancas, mientras que mueren B tiene 2 caras rojas y 4 blancas. UNA moneda justa se voltea
una vez. Si aterriza en la cabeza, el juego continúa con Die A; Si aterriza en colas, entonces muere B se utilizará.
(a) Demostrar que la probabilidad de rojo en cualquier tiro es .
(b) Si los dos primeros tiros resultan en rojo, ¿cuál es la probabilidad de rojo en el tercer tiro?
(c) Si el rojo aparece en los dos primeros tiros, ¿cuál es la probabilidad de que se muera Un que se está utilizando?
3.84. Una urna contiene 12 bolas, de las cuales 4 son blancas. Tres jugadores:A, BY C— sucesivamente sacar de la urna, Un
primero, entonces BEntonces CEntonces A, y así sucesivamente. El ganador es el primero en dibujar una bola blanca.
Encontrar la probabilidad de ganar por cada jugador si un cada bola se substituye después de que se dibuje; b las bolas
que se retiran no se sustituyen.
3.85. Repita el problema 3,84 cuando cada uno de los 3 jugadores seleccione de su propia urna. Esto es, supongamos que hay
3 urnas diferentes de 12 bolas con 4 bolas blancas en cada urna.
3.86. Dejar S = {1, 2,...,n} y Supongamos que Un Y B son, independientemente, igualmente probable que sea cualquiera de
los 2N subconjuntos (incluido el conjunto nulo y S sí mismo) de S. un Demuestran que
3 n
P
Pista: Let N(B) indicar el número de elementos en B. Uso
n
Demuestran que P .
144
3.87. En el ejemplo 5e, ¿cuál es la probabilidad condicional de que el ila moneda fue seleccionada dado que la primera N
¿todos los juicios resultan en cabezas?
3.88. En la regla de la sucesión de Laplace (ejemplo 5e), ¿los resultados de las volteretas sucesivas son independientes?
Explicar.
3.89. UNA persona juzgada por un grupo de 3 jueces es declarada culpable si al menos 2 magistrados votan por los culpables.
Suponga que cuando el demandado es de hecho culpable, cada juez votará independientemente culpable con la
probabilidad .7, mientras que cuando el acusado es de hecho inocente, esta probabilidad cae a. 2. Si el 70 por ciento de
los acusados son culpables, calcule la probabilidad condicional de que el juez número 3 vote culpable dado que un los
jueces 1 y 2 votan culpable;
(b) los jueces 1 y 2 han emitido 1 culpable y 1 voto no culpable;
(c) los jueces 1 y 2 arrojan votos no culpables.
Dejar Ei,me = 1, 2, 3 denotan el acontecimiento que el juez me lanza un voto de culpabilidad. Son estos eventos
independientes. ¿Son condicionalmente independientes? Explicar.
3,90. Suponga que N ensayos independientes, cada uno de los cuales da como resultado cualquiera de los resultados 0, 1 o 2,
con las probabilidades respectivas p0,p1Y P 1, se realizan. Encontrar la probabilidad de que los resultados
1 y 2 se produzcan al menos una vez.
Para ello, multiplicar las sumas y mostrar que, para todos los pares i, j, el coeficiente del término ninJ es mayor en la
expresión de la izquierda que en la de la derecha.
3,4. UNA pelota está en cualquiera de N cajas y se encuentra en el icaja TH con probabilidad Pi. Si la bola está en la caja i,
una búsqueda de esa caja lo descubrirá con probabilidad α i. Mostrar que la probabilidad condicional de que la bola está
EJERCICIOS TEÓRICOs
3,1. Demostrar que si P(A) > 0, entonces 1. Elija uno de los M familias al azar y luego elegir al
P(Apagado|A) de la azar a un niño de esa familia.
k
P(Apagado|Un ∪ B)
2. Elija uno de losEnme niños al azar. 3,2.
simplemente como sea posible:
Mostrar que el método 1 es más probable que el
c c método 2 para dar lugar a la elección de un hijo
P(A|B), P(A|B ), P(B|A), P(B|A )
primogénito.
Pista: En la solución de este problema, usted tendrá
3,3. Considere una comunidad escolar de M familias, con ni que demostrar que
k
Dejar Un ( B. Exprese las probabilidades siguientes como
de ellos que tienen me Niños i. k k
k k
nj
Considere los siguientes dos métodos para elegir Efectos nj
(1 − Ai)Pi =
Si j me 1 − AiPi
3,5. Un evento F se dice que llevar información negativa sobre un evento E, y escribimos F R ESi
145
P(E|F) ... P(E)
P P(Ei)]
i=1
3,7. (a) Una urna contiene N blanco y M bolas negras. Las bolas se retiran una a la vez hasta que sólo las del mismo color se
quedan. Demostrar que, con probabilidad n/(N + m), son todos blancos.
Pista: Imagine que el experimento continúa hasta que se quiten todas las bolas, y considere la última bola retirada.
b UN estanque contiene 3 especies distintas de peces, que llamaremos el pescado rojo, azul y verde. Hay R Rojo B Azul,
y G Pescado verde. SuPongamos que los peces son removidos del estanque en orden aleatorio. (Es así, cada
selección es igualmente probable que sea cualquiera de los peces restantes.) ¿Cuál es la probabilidad de que el pez
rojo sea la primera especie en extinguirse en el estanque?
Pista: Escriba P{R} = P{Rbg} + P{Rgb}, y calcule las probabilidades a la derecha por el primer condicionamiento
en la última especie que se quitará.
Ejercicios teóricos
3,8. Dejar A,BY C ser eventos relacionados con el experimento de rodar un par de dados. un Si
o bien demostrar que P(A) > P(B) o dar un contraejemplo definiendo eventos A,BY C para lo cual esa relación no
es verdadera. b Si
o bien demostrar que P(Apagado|C) > P(Apagado|Cc) o dar un contraejemplo definiendo eventos A,BY C para lo
cual esa relación no es verdadera.
Pista: Let C ser el caso de que la suma de un par de dados sea 10; Dejar Un sea el acontecimiento que el primer dado
aterrice en 6; Dejar B sea el acontecimiento que el segundo dado aterrice en 6.
3,9. Considere dos tiros independientes de una moneda justa. Dejar Un ser el caso de que el primer lanzamiento de los
resultados en los jefes, que B ser el caso de que el segundo lanzamiento de los resultados en los jefes, y dejar que C sea
el acontecimiento que en ambos lance la moneda aterriza en el mismo lado. Mostrar que los eventos A, BY C son
Pairwise independientes, es decir, Un Y B son independientes, Un Y C son independientes, y B Y C son independientes,
pero no independientes.
3,10. Considere una colección de N Individuos. Asuma que el cumpleaños de cada persona es igualmente probable que sea
cualquiera de los 365 días del año y también que los cumpleaños son independientes. Dejar Ai,j, me Z j, denotan el
acontecimiento que las personas me Y J tienen el mismo cumpleaños. DeMuestre que estos eventos son Pairwise
independientes, pero no independientes. Esto es, mostrar que Ai,J Y Ar,s son independientes, pero la Eventos Ai,j,me
Z J no son independientes.
3,11. En cada uno de N lanzas independientes de una moneda, la moneda aterriza en cabezas con probabilidad p. Lo grande
que necesita N para que la probabilidad de obtener al menos una cabeza sea ?
3,12. Mostrar que 0 ... ame …1me = 1, 2,...Entonces
146
Q ⎡ i−1 ⎤q
a i) = 1
Pista: Suponga que un número infinito de monedas debe ser volteado. Dejar ame ser la probabilidad de que el ila moneda
aterriza en las cabezas, y considerar cuando la primera cabeza ocurre.
3,13. La probabilidad de tener una cabeza en un solo lanzamiento de una moneda es p. Suponga que Un comienza y sigue
dando la vuelta a la moneda hasta que aparece una cola, en cuyo momento
B empieza a voltear. Entonces B sigue girando hasta que una cola sube, en cuyo momento Un toma el recargo, y así
sucesivamente. Dejar Pn,M denota la probabilidad de que Un acumula un total de N cabezas antes B Acumula m.
Demuestran que
∗3,14. Suponga que usted está apostando contra un adversario infinitamente rico y en cada etapa usted gana o pierde 1 unidad
con probabilidades respectivas P y 1 − p. Demostrar que la probabilidad de que finalmente se quiebra es
1 Si P ...
(q/p)me Si P >
Donde Q = 1 − P y donde me es su fortuna inicial.
3,15. Ensayos independientes que dan lugar a un éxito con probabilidad P se realizan sucesivamente hasta un total de R se
obtienen éxitos. Demostrar que la probabilidad de que exactamente N se requieren ensayos
Utilice este resultado para resolver el problema de los puntos (ejemplo 4J).
Pista: Para que tome N ensayos para obtener R éxitos, cuántos éxitos deben ocurrir en la primera N − 1 ensayos?
3,16. Ensayos independientes que dan lugar a un éxito con probabilidad P y un fracaso con probabilidad 1 − P se llaman
Ensayos de Bernoulli. Dejar PN denota la probabilidad de que N Los ensayos de Bernoulli dan lugar a un número par de
éxitos (0 siendo considerados un número par). Demuestran que
1 + (1 − 2p)N PN = 2
3,17. Suponga que N se realizan ensayos independientes, con pruebas me ser un éxito con probabilidad 1/(2me + 1). Dejar PN
denota la probabilidad de que el número total de éxitos que resultan sea un número impar.
(a) Encontrar PN Para N = 1, 2, 3, 4, 5.
(b) Conjetura una fórmula general para Pn.
(c) Derivar una fórmula para PN en términos de Pn−1.
(d) Verifique que su conjetura en parte (b) satisfaga la fórmula recursiva en la parte (d). Debido a que la fórmula
recursiva tiene una solución única, esto demuestra entonces que su conjetura es correcta.
3.18. Dejar QN denota la probabilidad de que no se ejecuten 3 cabezas consecutivas en N tiros de una moneda justa.
Demuestran que
QN
Q0 = Q1 = Q2 = 1
147
Encontrar Q8.
Pista: Condición en la primera cola.
3.19. Considerar el problema de la ruina del jugador, con la excepción de que Un Y B aceptar no jugar más de N Juegos.
Dejar Pn,me denota la probabilidad de que Un termina con todo el dinero cuando Un comienza con me Y B comienza
con N − i. Derivar una ecuación para Pn,me en términos de Pn−1, i+1 Y Pn−1, i−1, y calcular P7, 3, N = 5.
3.20. Considere dos urnas, cada una de las cuales contiene bolas blancas y negras. Las probabilidades de dibujar bolas blancas
de la primera y segunda urnas son, respectivamente, P Y p. Las bolas se seleccionan secuencialmente con el reemplazo
como sigue: con probabilidad α, una bola se escoge inicialmente de la primera urna, y con la probabilidad 1 − A, se
escoge de la segunda urna. Las selecciones subsecuentes se hacen entonces según la regla que siempre que una bola
blanca sea dibujada (y substituida), la bola siguiente se dibuja de la misma urna, pero cuando se dibuja una bola negra,
la bola siguiente se toma de la otra urna. Dejar αN denota la probabilidad de que el nla bola del TH es elegida de la
primera urna.
Demuestran que
P N Efectos 1
y usar esta fórmula para probar que
Dejar PN denota la probabilidad de que el nla bola seleccionada es blanca. Encontrar Pn. También, Compute Limn→Q
αN y Limn→Q Pn.
3.21. El problema de las papeletas. En una elección, el candidato Un Recibe N votos y candidato B Recibe M votos, donde
N > m. Asumiendo que todos los (N + m)!/n! m! los pedidos de los votos son igualmente probables, que Pn,M denota la
probabilidad de que Un siempre está por delante en el conteo de los votos.
(a) Calcular P2, 1,P3, 1,P3, a 2,P4, 1,P4, a 2,P4, a 3.
(b) Encontrar Pn, 1,Pn, a 2.
(c) Sobre la base de sus resultados en las partes (a) y (b), conjeturar el valor de Pn,m.
(d) Derivar una recursividad para Pn,M en términos de Pn−1,M Y Pn,m−1 por condicionamiento en quién recibe la última
votación.
(e) Utilice la parte (d) para verificar su conjetura en parte (c) por una prueba de inducción en N + m.
3.22. Como un modelo simplificado para la previsión meteorológica, supongamos que el tiempo (ya sea mojado o seco)
mañana será el mismo que el tiempo hoy con probabilidad p. Muestran que el clima es seco el 1 de enero, entonces Pn,
la probabilidad de que se seque N días más tarde, satisface
P0 = 1
Demostrar que
n
Pn N Efectos 0
3.23. UNA bolsa contiene Un blanco y B bolas negras. Las bolas se eligen del bolso según el método siguiente:
1. UNA pelota es escogida al azar y es descartada.
2. Luego se escoge una segunda bola. Si su color isdifferent de la bola anterior, se sustituye en la bolsa y el proceso se
repite desde el principio. Si su color es el mismo, se descarta y comenzamos desde el paso 2.
En otras palabras, las bolas son muestreadas y descartadas hasta que se produce un cambio de color, momento en el que
la última bola es devuelta a la urna y el proceso comienza de nuevo. Dejar Pa,B denota la probabilidad de que
la última bola en la bolsa es blanca. Demostrar que
148
Pa,b
Pista: Utilice la inducción en K K Un + b.
∗3,24. UN torneo Round-Robin de N concursantes es un torneo en el que cada uno de los los pares de concursantes juegan
uno al otro exactamente una vez, con el resultado de cualquier juego siendo que uno de los concursantes gana y el otro
pierde. Para un entero fijo k, K < n, una cuestión de interés es si es posible que el resultado del torneo sea tal que, por
cada conjunto de K jugadores, hay un jugador que venció a cada miembro de ese conjunto. Demostrar que si
n−k
<1
ser ganado por cualquiera de los concursantes. Número de la conjuntos de K concursantes, y que Bme denotar el
evento de que ningún participante venció a todos los K jugadores en el iTH set. A continuación, utilice la desigualdad
de Boole para enlazar
P .
3,25. Demostrar directamente que
*1 N
1 − y) = +n!m!+ y ( m
Dy
0 (n m 1)!
m
C(n,m) = + C(N + 1M − 1) n 1
Comenzando por C(n, 0) = 1/(N + 1), demuestre la identidad por la inducción encendido m.
149
3,31. SuPongamos que una no matemática, pero filosófica mente, amigo suyo afirma que la regla de la sucesión de Laplace
debe ser incorrecta, ya que puede llevar a conclusiones ridículas. "Por ejemplo," dice, "la regla declara que si un niño
tiene 10 años, habiendo vivido 10 años, el niño tiene probabilidad de vivir otro año. Por otra parte, si el muchacho
tiene un abuelo de 80 años, entonces, por la regla de Laplace, el abuelo tiene probabilidad de sobrevivir otro año.
Sin embargo, esto es ridículo. Claramente, es más probable que el niño sobreviva un año más que el del abuelo ".
¿Cómo responde Rías a tu amigo?
PROBLEMAS de auto-prueba y ejercicios
3,1. En un juego de Bridge, West no tiene Ases. ¿Cuál es la probabilidad de que su compañero (a) no tenga ases? (b) ¿2 o más
ases? (c) ¿cuáles serían las probabilidades si West tuviera exactamente 1 ACE?
3,2. La probabilidad de que una batería de coche nueva funciona por más de 10.000 millas es .8, la probabilidad de que
funciona por más de 20.000 millas es .4, y la probabilidad de que funciona por más de 30.000 millas es. 1. Si una batería
de coche nueva sigue funcionando después de 10.000 millas, ¿cuál es la probabilidad de que un ¿su vida total excederá
20.000 millas?
b ¿su vida adicional excederá 20.000 millas?
3,3. ¿Cómo pueden 20 bolas, 10 blancas y 10 negras, ser puestas en dos urnas para maximizar la probabilidad de dibujar una
bola blanca si una urna es seleccionada al azar y una bola es dibujada al azar de ella?
3,4. Urna Un contiene 2 bolas blancas y 1 bola negra, mientras que la urna B contiene 1 bola blanca y 5 bolas negras. UNA
bola se dibuja al azar de la urna Un y se coloca en la urna B. UNA bola se extrae de la urna B. Resulta que es blanco.
¿Cuál es la probabilidad de que la bola transferida fuera blanca?
3,5. Una urna ha R rojo y En bolas blancas que se extraen aleatoriamente una a la vez. Dejar Rme sea el caso de que el ila bola
retirada es roja. Encontrar un P(Ri)
(b) P(R5|R3)
(c) P(R3|R5)
3.6. Una urna contiene B bolas negras y R bolas rojas. Una de las bolas se dibuja al azar, pero cuando se pone de nuevo en la
urna, C las bolas adicionales del mismo color se ponen adentro con él. Ahora, supongamos que dibujemos otra bola.
Muestran que la probabilidad de que la primera bola era de color negro, dado que la segunda bola dibujada era de color
rojo, es b/(B + R + c).
3.7. UN amigo escoge aleatoriamente dos cartas, sin reemplazo, de una baraja ordinaria de 52 cartas de juego. En cada una
de las siguientes situaciones, determine la probabilidad condicional de que ambas tarjetas sean ases.
(a) Le preguntas a tu amigo si una de las cartas es el as de espadas, y tu amigo responde afirmativamente.
(b) Le preguntas a tu amigo si la primera carta seleccionada es un as, y tu amigo responde afirmativamente.
(c) Le preguntas a tu amigo si la segunda carta seleccionada es un as, y tu amigo responde afirmativamente.
(d) Le preguntas a tu amigo si cualquiera de las cartas seleccionadas es un as, y tu amigo responde afirmativamente.
3.8. Demuestran que
hombre fuera. Si no hay un hombre extraño fuera, los jugadores voltear de nuevo y seguir haciéndolo hasta que
conseguir un hombre extraño. ¿Cuál es la probabilidad de que Un será el hombre impar?
3,20. Suponga que hay N posibles resultados de un ensayo, con resultados me resultando con probabilidad n
3.27. Una urna contiene inicialmente 1 bola roja y 1 azul. En cada etapa, una pelota es retirada aleatoriamente
y sustituida por otras dos bolas del mismo color. (Por ejemplo, si la bola roja se escoge inicialmente,
entonces habría 2 rojo y 1 bola azul en la urna cuando la selección siguiente ocurre.) Mostrar por inducción
matemática que la probabilidad de que hay exactamente me bolas rojas en la urna despuésme ... Nn+las
etapas se han completado IS1. n+11, 1 …
3.28. UN total de 2N las tarjetas, de las cuales 2 son ases, deben ser divididas aleatoriamente entre dos jugadores,
con cada jugador recibiendo N Tarjetas. Cada jugador debe declarar, en secuencia, si ha recibido ases.
¿Cuál es la probabilidad condicional de que el segundo jugador no tenga ases, dado que el primer jugador
declara afirmativamente, cuando
(a) N = 2? b N = 10? c N = 100? A lo que la probabilidad convergen como N va al infinito? ¿Porqué?
3,29. Hay N distintos tipos de cupones, y cada cupón obtenido es, independientemente de los tipos anteriores recogidos, de
tipo me con probabilidad pi, n
=
Sipin=los cupones se recogen, ¿cuál es el proba-1.
la nobleza que uno de cada tipo se obtiene?
(b) Ahora Supongamos que p1 = p2 = ··· = pN = 1/n.
Dejar Eme sea el caso de que no haya ningún tipo me Cupones entre los N Recogidos. Aplicar la identidad de
inclusión – exclusión para la probabilidad de la Unión de eventos a P(∪iEi) para demostrar la identidad
n
n! k
k)n
k=0
152
3,30. Mostrar que, para cualquier evento Y Y F, P(E|Y ∪ F) de la P(E|F)
CHAPTER4
Variables aleatorias
4,1 VARIABLES ALEATORIAS
4,2 VARIABLES ALEATORIAS DISCRETAS
4,3 VALOR ESPERADO
4,4 EXPECTATIVA DE UNA FUNCIÓN DE UNA VARIABLE ALEATORIA
4,5 Varianza
4,6 LAS VARIABLES ALEATORIAS DE BERNOULLI Y BINOMIAL
4,7 LA VARIABLE ALEATORIA DE POISSON 4,8 OTRAS DISTRIBUCIONES DE PROBABILIDAD
DISCRETAS 4,9 VALOR ESPERADO DE LAS SUMAS DE VARIABLES ALEATORIAS 4,10 PROPIEDADES DE
LA FUNCIÓN DE DISTRIBUCIÓN ACUMULATIVA
4,1VARIABLES ALEATORIAS
Con frecuencia, cuando se realiza un experimento, estamos interesados principalmente en
alguna función del resultado en contraposición al propio resultado real. Por ejemplo, en el
lanzamiento de dados, a menudo estamos interesados en la suma de los dos dados y no
estamos realmente preocupados por los valores separados de cada dado. Es decir, podemos
estar interesados en saber que la suma es 7 y no puede preocuparse de si el resultado real
fue (1, 6), (2, 5), (3, 4), (4, 3), (5, 2) o (6, 1). También, al voltear una moneda, podemos
estar interesados en el número total de cabezas que ocurren y no se preocupan en absoluto
acerca de la secuencia real de la cabeza-cola que resulta. Estas cantidades de interés, o, más
formalmente, estas funciones de valor real definidas en el espacio de muestra, se conocen
como variables aleatorias.
Dado que el valor de una variable aleatoria está determinado por el resultado del
experimento, podemos asignar probabilidades a los valores posibles de la variable aleatoria.
EJEMPLO 1A
153
Supongamos que nuestro experimento consiste en lanzar 3 monedas justas. Si dejamos que
Y indican el número de cabezas que aparecen, Y es una variable aleatoria que toma uno de
los valores
0, 1, 2 y 3 con las probabilidades respectivas
P{Y = 0} = P{(T,T,T)
P{Y = 1} = P{(T,T,H),(T,H,T),(H,T,T)
P{Y = 2} = P{(T,H,H),(H,T,H),(H,H,T)
P{Y = 3} = P{(H,H,H)
117
Desde Y debe asumir uno de los valores 0 a 3, debemos tener
EJEMPLO 1B
Tres bolas deben seleccionarse aleatoriamente sin reemplazo de una urna que contenga 20
bolas numeradas de 1 a 20. Si apostamos que al menos una de las pelotas que se dibujan
tiene un número tan grande como o mayor que 17, ¿cuál es la probabilidad de que ganemos
la apuesta?
Solución. Dejar X indican el número más grande seleccionado. Entonces X es una variable
aleatoria que toma uno de los valores 3, 4,...20. Además, si suponemos que cada uno de los
me − 1
P, 20
(1,1)
18
P
17
P
16
P
Sección 4,1
Variables aleatorias
Por lo tanto, desde el evento {X Efectos 17} es la Unión de los eventos desarticulan {X
= i}, me = 17, 18, 19, 20, se deduce que la probabilidad de ganar la apuesta es dada por
508
P{X Efectos 17Lla.105 + .119 + .134 + .150 = . .
EJEMPLO 1C
Ensayos independientes consistentes en la volteo de una moneda con probabilidad P de
subir cabezas se realizan continuamente hasta que se produce una cabeza o un total de N se
hacen los voltea. Si dejamos que X indican el número de veces que la moneda es volteada,
luego X es una variable aleatoria que toma uno de los valores 1, 2, 3,...,N con las
probabilidades respectivas
P{X = 1} = P{H} = p
#
#
#
P
p
n−2
155
P
n−1 n−1
P P{X = i}
n−1 p)n−1
i=1
=p
EJEMPLO 1D
Tres bolas se eligen aleatoriamente de una urna que contiene 3 bolas blancas, 3 rojas y 5
negras. Supongamos que ganamos $1 por cada bola blanca seleccionada y perdemos $1 por
cada bola roja seleccionada. Si dejamos que X que denotan nuestras ganancias totales del
experimento, X es una variable aleatoria que toma los valores posibles 0, ;1 ;2 ;3 con las
probabilidades respectivas
3
5
3
3
+
P
P
156
3
P
165
i=0 i=1
165 3 i=1 .
EJEMPLO 1E
Supongamos que hay N diferentes tipos de cupones y que cada vez que uno obtiene un
cupón, es, independientemente de las selecciones anteriores, igualmente probable que sea
cualquiera de los N Tipos. Una variable aleatoria de interés es T, el número de cupones que
necesita ser recogido hasta que se obtiene un conjunto completo de al menos uno de cada
tipo. En lugar de derivar P{T = n} directamente, comencemos considerando la probabilidad
de que T es mayor que n. Para ello, corrija N y definir los eventos A1,A2,...,AN de la siguiente
manera: AJ es el evento
Sección 4,1 Variables aleatorias
que ningún tipo J cupón se encuentra entre los primeros N Cupones recogidos, J = 1...,N. Ahí
N
P
j=1
−
j j1<j2
−
j1<j2<··· <jk
+ (−1)N+1P(A1A2 ···AN)
Nwo AJ ocurrirá si cada uno de los N los cupones recogidos no son de tipo j. Dado que cada
uno de los cupones no será de tipo J con probabilidad (N − 1)/N, tenemos, por la supuesta
independencia de los tipos de cupones sucesivos,
157
n
P(Aj)
=
Además, el evento Aj1Aj2 ocurrirá si ninguno de los primeros N los cupones recogidos es de
cualquier tipo j1 o escriba j2. Así, de nuevo utilizando la independencia, vemos que
N P(Aj1Aj2)
=
El mismo razonamiento da
n
P(Aj1Aj2 ···Ajk) =
n
P{T > n} = N− · · ·
n
+ (−1) N
−1
−1)me 1 (1,2)
(
N
o, de manera equivalente,
P{T = n} = P{T > N − 1} − P{T > n}
1 N
P(B − k i
(−1)i+1
i=1
Por último, ya que hay posibles opciones para el conjunto de K tipos, llegamos a
Observación. Puesto que uno debe recoger por lo menos N Cupones para obtener un
conjunto de competir, se deduce que P{T > n} = 1 si N < N. Por lo tanto, de la ecuación
(1,2), obtenemos la interesante identidad combinatoria que, para los enteros 1 ... N < N,
1 n
(−1)i+1 = 1
N
159
jn(−1)j−1 = 0 1 ... N < N j=1.
Sección 4,2 Variables aleatorias discretas
i=1
p p p
160
p (x)
1–
2
1–
4
x
0 1 2
FIGURA 4,1
p(x)
—6
36
—5
36
—4
36
—3
36
—2
36
—1
36
x
0 1 2 3 4 5 6 7 8 9 10 11 12
FIGURA 4,2
podemos representar esta función gráficamente como se muestra en la figura 4,1. Del mismo
modo, un gráfico de la función de masa de probabilidad de la variable aleatoria que
representa la suma cuando se enrollan dos dados se ve como figura 4,2.
EJEMPLO 2A
La función de masa de probabilidad de una variable aleatoria X es dada por p(i) = cλi/i!, me
Q λi
C
i!
i=0 q
EsteL = 1 O C = e−λ
161
Ahí
(a) P{X = 0} = e−λλ0/0! = e−λ
.
La función de distribución acumulativa F puede expresarse en términos de p(a) Por
F
Todos X ... a
Si X es una variable aleatoria discreta cuyos valores posibles son x1,x2,x3,...Donde x1 < x2
< x3 < ···, la función de distribución F De X es una función de paso. Es decir
Sección 4,3 Valor esperado
el valor de F es constante en los intervalos [xi−1,xi) y luego toma un paso (o salto) de tamaño
p(xi) En xi. Por ejemplo, si X tiene una función de masa de probabilidad dada por
p p p p
entonces su función de distribución acumulativa es
... Un < 2
F ... Un < 3
... Un < 4
... a
Esta función se representa gráficamente en la figura 4,3.
F ( a)
1
7–
8
3–
4
1–
4
a
1 2 3 4
FIGURA 4,3
Tenga en cuenta que el tamaño del paso en cualquiera de los valores 1, 2, 3 y 4 es igual a
la probabilidad de que X asume ese valor en particular.
162
4,3 VALOR ESPERADO
Uno de los conceptos más importantes en la teoría de la probabilidad es el de la expectativa
de una variable aleatoria. Si X es una variable aleatoria discreta que tiene una función de
masa de probabilidad p(x), entonces el Expectativa, o el valor esperadoDe X, denotado por
E[X], se define por
E
x:p(x)>0
p
Entonces
E
es sólo el promedio ordinario de los dos valores posibles, 0 y 1, que X puede asumir. Por otro
lado, si
p p
Entonces
es un promedio ponderado de los dos valores posibles 0 y 1, donde el valor 1 se da dos veces
más peso que el valor 0, ya que p(1) = 2p(0).
Otra motivación de la definición de la expectativa es proporcionada por la interpretación
de la frecuencia de probabilidades. Esta interpretación (parcialmente justificada por la fuerte
ley de grandes números, que se presentará en el capítulo 8) asume que si se realiza una
secuencia infinita de replicaciones independientes de un experimento, entonces, para
cualquier evento E, la proporción de tiempo que Y ocurre será P(E). Ahora, considere una
variable aleatoria X que debe asumir uno de los valores x1,x2,...xN con las probabilidades
respectivas p(x1),p(x2),...,p(xn), y pensar en X representando nuestras ganancias en un solo
juego de azar. Es decir, con probabilidad p(xi) ganaremos xme Unidades me = 1, 2,...,n. Por la
interpretación de frecuencias, si jugamos a este juego continuamente, entonces la proporción
de tiempo que ganamos xme será p(xi). Dado que esto es cierto para todos i,me = 1, 2,...,n, se
deduce que nuestras ganancias medias por partido serán
n
i=1
EJEMPLO 3A
Encontrar E[X], donde X es el resultado cuando rodamos un dado justo.
E
.
EJEMPLO 3B
Decimos que Me es una variable indicadora para el evento Un Si
1 si Un Ocurre
Me
=0 si AC
Ocurre
Encontrar E[I].
E[I] = P(A)
EJEMPLO 3C
Un concursante en una demostración del concurso se presenta con dos preguntas, las
preguntas 1 y 2, que él debe intentar contestar en un cierto orden él elige. Si decide intentar
la pregunta me primero, entonces se le permitirá ir a cuestionar j, J Z i, sólo si su respuesta
a la pregunta me es correcta. Si su respuesta inicial es incorrecta, no se le permite contestar
la otra pregunta. El concursante debe recibir Vme dólares si contesta pregunta me
Correctamente me = 1, 2. por ejemplo, recibirá V1 + V2 dólares si contesta las dos preguntas
correctamente. Si la probabilidad de que él conoce la respuesta a la pregunta me Es Pi,me =
1, 2, ¿qué pregunta debería intentar responder primero para maximizar sus ganancias
previstas? Supongamos que los eventos Ei,me = 1, 2, que él conoce la respuesta a la pregunta
me son eventos independientes.
Solución. Por un lado, si él intenta responder primero a la pregunta 1, entonces ganará
0 con probabilidad 1 − P1
V1 con probabilidad P1(1 − P2)
V1 + V2 con probabilidad P1P2
Por otro lado, si intenta responder a la pregunta 2 primero, sus ganancias previstas serán
V2P2(1 − P1) + (V1 + V2)P1P2
164
Por lo tanto, es mejor intentar primero la pregunta 1 si
o, de manera equivalente, si
V1P1 V2P2
Ú
1 − P1 1 − P2
Por ejemplo, si él es 60 por ciento seguro de responder a la pregunta 1, vale la pena $200,
correctamente y él es 80 por ciento seguro de responder a la pregunta 2, vale la pena $100,
correctamente, entonces él debe tratar de responder a la pregunta 2 primero porque
.
EJEMPLO 3D
Una clase de escuela de 120 estudiantes se conduce en 3 autobuses a una actuación
Sinfónica. Hay 36 estudiantes en uno de los autobuses, 40 en otro, y 44 en el tercer autobús.
Cuando llegan los autobuses, uno de los 120 estudiantes es elegido aleatoriamente. Dejar X
indican el número de estudiantes en el autobús de ese estudiante elegido al azar, y encontrar
E[X].
Solución. Dado que el estudiante elegido al azar es igualmente probable que sea cualquiera
de los 120 estudiantes, se deduce que
P
Ahí
E
Sin embargo, el número promedio de estudiantes en un autobús es de 120/3 = 40,
demostrando que el número esperado de estudiantes en el autobús de un estudiante elegido
aleatoriamente es mayor que el número promedio de estudiantes en un autobús. Este es un
fenómeno general, y se produce porque cuantos más estudiantes hay en un autobús, más
probable es que un estudiante elegido aleatoriamente hubiera estado en ese autobús. Como
resultado, los autobuses con muchos estudiantes reciben más peso que aquellos con menos
estudiantes. (Ver problema de autoprueba 4.) .
1
Para demostrarlo, debemos demostrar que la suma de los pares que tienden a dar vuelta al punto
alrededor E[X] es igual a 0. Es decir, debemos mostrar que 0 Y[X])p(xi), que es inmediata.
i
165
–1 0 ^1 2
^ = Centro de gravedad =. 9
FIGURA 4,4
EJEMPLO 4A
Dejar X denotan una variable aleatoria que asume cualquiera de los valores −1, 0 y 1 con las
probabilidades respectivas
Calcular E[X2].
Ahí
E[X2] = E[Y] = 1(.5) + 0(.5) = .5
Sección 4,4 Expectativa de una función de una variable aleatoria
E
i
166
Antes de probar esta proposición, comprobemos que está de acuerdo con los resultados de
Ejemplo 4A. Aplicarlo a ese ejemplo produce
i j i:g(xi)=yj
yjp(xi)
j i:g(xi)=yj
j i:g(xi)=yj
= E[g(X)]
EJEMPLO 4B
Un producto que se vende estacionalmente produce un beneficio neto de B dólares por cada
unidad vendida y una pérdida neta de dólares por cada unidad dejada sin vender cuando
termine la temporada. El número de unidades del producto que se ordenan en un almacén
por departamento específico durante cualquier temporada es una variable aleatoria que tiene
una función de masa de probabilidad p(i),me Efectos 0. Si la tienda debe almacenar este
producto por adelantado, determine el número de unidades que la tienda debe almacenar
para maximizar su beneficio esperado.
167 Capítulo 4 Variables aleatorias
P(s) = Bx −s − X) Si X ... s
= Sb Si X > s
E [Wld −s − i) Sbp(i)
i=s+1
= (B + )
s s
= (B + ) P(i) + Sb
s
s)p(i) i=0
Para determinar el valor óptimo de s, vamos a investigar lo que sucede con el beneficio
cuando aumentamos s por 1 unidad. Por sustitución, vemos que el beneficio esperado en
este caso es dado por
s+1
E (me − s − 1)p(i)
i=0
s
(me − s − 1)p(i)
i=0
Por lo tanto s
E[P(s + 1)]
Por lo tanto, la siembra s + 1 unidades será mejor que la siembra s unidades cada vez que
s
b
p(i) < (4,1)
b
i=0 +
168 Capítulo 4 Variables aleatorias
Debido a que la parte izquierda de la ecuación (4,1) está aumentando en s mientras que el
lado derecho es constante, la desigualdad será satisfecha para todos los valores de s ...
s∗Donde s∗ es el mayor valor de s satisfactoria de la ecuación (4,1). Desde
s s s
E[P(0)] < ··· < E[P( ∗)] < E[P( ∗ + 1)] > E[P( ∗ + 2)] > ··· sigue que la siembra s∗
EJEMPLO de utilidad 4C
Supongamos que debe elegir una de las dos acciones posibles, cada una de las cuales puede
resultar en cualquiera de N consecuencias, denotados como C1,...,Cn. Supongamos que si la
primera acción es
169
Sección 4,4 Expectativa de una función de una variable aleatoria
elegida, entonces consecuencia Cme resultará con probabilidad pi,me = 1...,n, mientras que
si se elige la segunda acción, la consecuencia Cme resultará con probabilidad qi, n n
qiu(Ci)
Desde C es preferible a c, se deduce que la primera acción es preferible a la segunda
n n
qiu(Ci)
i=1 i=1
170
En otras palabras, el valor de una acción puede medirse por la importancia esperada de la
utilidad de su consecuencia, y la acción con la mayor utilidad esperada es la más preferible.
.
Una simple consecuencia lógica de la Proposición 4,1 es corolario 4,1.
E[Ax + b] = Ae[X] + b
Prueba.
E
x:p(x)>0
x:p(x)>0 x:p(x)>0
= Ae[X] + b
E xnp(x)
x:p(x)>0
4,5 Varianza
Dada una variable aleatoria X junto con su función de distribución F, sería sumamente útil
si pudiéramos resumir las propiedades esenciales de F determinadas medidas debidamente
definidas. Una de esas medidas sería E[X], el valor esperado de X. Sin embargo, aunque
E[X] produce la media ponderada de los posibles valores de X, no nos dice nada acerca de
la variación, o propagación, de estos valores. Por ejemplo, aunque las variables aleatorias
W, YY Z funciones de masa de probabilidad determinadas por
En = 0 con probabilidad 1
1 con probabilidad +1
con probabilidad
Y=⎧−
Z
⎩ 100 con probabilidad
171
todos tienen la misma expectativa — es decir, 0 — hay una propagación mucho mayor en
los valores posibles de Y que en los de En (que es una constante) y en los posibles valores
de Z que en los de Y.
Porque esperamos X para asumir valores en torno a su media E[X], parecería que una
manera razonable de medir la posible variación de X sería mirar hasta qué distancia X sería
de su media, en el promedio. Una manera posible de medir esta variación sería considerar
la cantidad E[|X − m |], donde m = E[X]. Sin embargo, resulta ser matemáticamente
incómodo para lidiar con esta cantidad, por lo que una cantidad más manejable se considera
generalmente, a saber, la expectativa del cuadrado de la diferencia entre X y su media. Por
lo tanto, tenemos la siguiente definición.
Sección 4,5 Varianza
Definición
Fue(X) = E[X2]
−E[X])2
En palabras, la varianza de X
es igual al valor esperado de X2
menos el
x x x
cuadrado de su valor
= E[X2] − 2μ2 + M2 esperado. En la
práctica, esta fórmula
= E[X2] − m2 ofrece con frecuencia la
forma más fácil de
Es decir calcular var(X).
EJEMPLO 5A
Calcular var(X) Si X representa el resultado cuando se rueda un dado justo.
Ahí
.
172
Una identidad útil es que, para cualquier constante Un Y b,
Fue(Ax + b) = a2Fue(X)
Para demostrar esta igualdad, m = E[X] y nota de Corollary 4,1 que E[Ax + b] = aM + b.
Por lo tanto
= E[a2(X − m)2]
= a2E[(X − m)2]
= a2Fue(X)
Observaciones. (a) análogo a los medios que son el centro de gravedad de una
distribución de masa, la varianza representa, en la terminología de la mecánica, el momento
de inercia.
b) la raíz cuadrada del var(X) se denomina desviación estándar De X, y lo denotamos por
SD(X). Es decir
Sd(X) = .Fue(X)
Las variables aleatorias discretas a menudo se clasifican según sus funciones de masa de
probabilidad. En las próximas secciones, consideramos algunos de los tipos más comunes.
p(0) = P{X = 0} = 1 − p
(6,1)
p(1) = P{X = 1} = p
i
p me = 0, 1,...,n (6,2)
N − me Fallas. Esto tal vez se puede ver más fácilmente señalando que hay diferentes
opciones de la me los ensayos que resulten en éxitos. Por ejemplo, si N = 4me = 2, entonces
hay 6 maneras en que los cuatro ensayos pueden dar lugar a dos éxitos,
Sección 4,6 Las variables aleatorias de Bernoulli y binomial 174
a saber, cualquiera de los resultados (s, s, f, f), (s, f, s, f), (s, f, f, s), (f, s, s, f), (f, s, f, s) y (f,
f, s, s), donde el resultado (s, s, f, f) significa, por ejemplo, que los dos primeros ensayos
son éxitos y los dos últimos fallos. Dado que cada uno de estos resultados tiene
probabilidad p2(1 − p)2 de ocurrir, la probabilidad deseada de dos éxitos en los cuatro
ensayos es .
Observe que, por el teorema binomial, las probabilidades suman a 1; Es decir
q n
P)]N = 1
i=0 i=0
EJEMPLO 6A
Cinco monedas justas se voltean. Si los resultados se asumen independientes, encuentre la
función de masa de probabilidad del número de cabezas obtenidas.
Solución. Si dejamos que X igual al número de cabezas (éxitos) que aparecen, entonces X
P
.
EJEMPLO 6B
Se sabe que los tornillos producidos por una cierta compañía serán defectuosos con la
probabilidad .01, independientemente de uno a. La empresa vende los tornillos en envases
de 10 y ofrece una garantía de devolución de dinero que a lo más 1 de los 10 tornillos es
defectuoso. ¿Qué proporción de paquetes vendidos debe sustituir la empresa?
Solución. Si X es el número de tornillos defectuosos en un paquete, a continuación, X es
una variable aleatoria binomial con parámetros (10,. 01). Por lo tanto, la probabilidad de
que un paquete tendrá que ser reemplazado es
Sección 4,6 Las variables aleatorias de Bernoulli y binomial 175
L.004
Por lo tanto, sólo el 0,4 por ciento de los paquetes tendrá que ser reemplazado. .
EJEMPLO 6C
El siguiente juego de apuestas, conocido como la rueda de la fortuna (o Chuck-a-Luck), es
bastante popular en muchos carnavales y casinos de juego: un jugador apuesta en uno de los
números del 1 al 6. Tres dados son entonces laminados, y si la apuesta número por el jugador
aparece me Veces me = 1, 2, 3, entonces el jugador gana me unidades Si el número apostado
por el jugador no aparece en ninguno de los dados, entonces el jugador pierde 1 unidad.
¿Este juego es justo para el jugador? (En realidad, el juego se juega girando una rueda que
viene a descansar en una ranura etiquetada por tres de los números del 1 al 6, pero esta
variante es matemáticamente equivalente a la versión de dados.)
Solución. Si asumimos que los dados son justos y actúan independientemente unos de otros,
entonces el número de veces que aparece la apuesta numérica es una variable aleatoria
binomial con parámetros . Por lo tanto, dejar X denotan las ganancias del jugador en
el juego, tenemos
P
Con el fin de determinar si este es o no un juego justo para el jugador, vamos a calcular
E[X]. A partir de las probabilidades precedentes, obtenemos
E
Por lo tanto, a largo plazo, el jugador perderá 17 unidades por cada 216 juegos que juegue.
.
En el siguiente ejemplo, consideramos la forma más simple de la teoría de la herencia
desarrollada por Gregor Mendel (1822 – 1884).
EJEMPLO 6D
Supongamos que un rasgo particular (como el color de los ojos o la izquierda-mano de obra)
de una persona se clasifica en base a un par de genes, y Supongamos también que D
representa un gen dominante y R un gen recesivo. Por lo tanto, una persona con Dd genes
es puramente dominante, uno con Rr es puramente recesivo, y uno con Rd es híbrido. Los
individuos puramente dominantes y híbridos son parecidos en apariencia. Los niños reciben
1 gen de cada padre. Si, con respecto a un rasgo particular, 2 padres híbridos tienen un total
Sección 4,6 Las variables aleatorias de Bernoulli y binomial 176
de 4 niños, ¿cuál es la probabilidad de que 3 de los 4 niños tengan la apariencia externa del
gen dominante?
Solución. Si asumimos que cada niño tiene la misma probabilidad de heredar cualquiera de
los dos genes de cada progenitor, las probabilidades de que el niño de 2 padres híbridos
tendrán DD, RRY Rd pares de genes son, respectivamente, , Y . Por lo tanto, dado que
una descendencia tendrá la apariencia externa del gen dominante si su par gene es o bien
Dd O Rd, se deduce que el número de estos niños se distribuye binomialmente con
.
EJEMPLO 6E
Considere un juicio por jurado en el que se necesitan 8 de los 12 miembros del jurado para
condenar al acusado; es decir, para que el acusado sea condenado, al menos 8 de los
miembros del jurado deben votar culpable. Si asumimos que los miembros del jurado actúan
de forma independiente y que, independientemente de si el acusado es culpable, cada uno
toma la decisión correcta con probabilidad θ, ¿cuál es la probabilidad de que el jurado
represente una decisión correcta?
Me12−i
que, si es culpable, la probabilidad de una decisión correcta es
Por lo tanto, si Un representa la probabilidad de que el acusado sea culpable, entonces, por
condicionamiento de si es o no culpable, obtenemos la probabilidad de que el jurado
represente una decisión correcta:
i
.
i=8
EJEMPLO 6F
Un sistema de comunicación consta de N componentes, cada uno de los cuales funcionará,
independientemente, con la probabilidad p. El sistema total podrá funcionar eficazmente si
al menos la mitad de sus componentes funcionan.
Sección 4,6 Las variables aleatorias de Bernoulli y binomial 177
(a) ¿Para qué valores de P es un sistema de 5 componentes más probable que funcione
eficazmente que un sistema de 3 componentes?
(b) En general, ¿Cuándo se (2K + 1)-sistema de componentes mejor que un (2K −
1)sistema de componentes?
Solución. (a) debido a que el número de componentes funcionales es una variable aleatoria
binomial con parámetros (n, p), se deduce que la probabilidad de que un sistema de 5
componentes sea
que reduce a
P>
+ P{X = K − 1}p2
(i) X Efectos K + 1
(ii) X = K y al menos uno de los 2 componentes restantes funcionan; o (III) X = K
− 1 y ambos de los dos componentes siguientes funcionan.
Desde
Sección 4,6 Las variables aleatorias de Bernoulli y binomial 178
obtenemos
P2k+1(Eficaz) − P2k−1(Eficaz)
] desde
.
Pi(1 − p)n−i
i=1
Uso de la identidad
i
Da
E − pi−1(1 − p)n−i
i=1
1
= Eg − pj(1 − p)n−1−jdejandoJ = me − 1
j=0
= Npe[(Y + 1)k−1]
E[X] = Eg
E[X2] = Npe[Y + 1
= Eg[(N − 1)P + 1
= Eg(1 − p)
E[X] = Eg
Fue(X) = Eg(1 − p)
La siguiente proposición detalla cómo la función de masa de probabilidad binomial
primero aumenta y luego disminuye.
Propuesta 6,1. Si X es una variable aleatoria binomial con parámetros (n, p), donde 0 < P
< 1, entonces como K va de 0 a n,P{X = k} primero aumenta monótona y luego disminuye
monótona, alcanzando su mayor valor cuando K es el número entero más grande menor o
igual que (N + 1)p.
K ... (N + 1)p
y la proposición es probada. .
Como ilustración de la Proposición 6,1 considere la figura 4,5, el gráfico de la función
de masa de probabilidad de una variable aleatoria binomial con parámetros (10).
EJEMPLO 6G
En una elección presidencial de los Estados Unidos, el candidato que gane el número
máximo de votos en un estado recibe el número total de votos del colegio electoral asignados
a
1024 p(k )
252
210
120
45
10
1 k
0 1 2 3 4 5 6 7 8 9 10
k
k!k! 22k
k! ~ kk+1/2e−k√2π
~
donde decimos que aK bK Cuando la relación ak/bK enfoques 1 como K Enfoques q.
Por lo tanto, se deduce que
∼2k)2k+1/2e−2k 2π 1
k2k+1e−2k(2P22K = √kπ
Debido a que tal votante (si él o ella marca una diferencia) afectará Nc votación electoral,
el número esperado de votos electorales un votante en un estado de tamaño N afectará — o
el poder promedio del votante — es dada por
nP2
= c.2n/p
k
P{X = K + 1} = 1 −P P nK − + 1P{X = k} (6,3)
EJEMPLO 6H
P .
Un programa informático que utiliza la recursividad (6,3) para calcular el binomio
Nota histórica
Ensayos independientes que tienen una probabilidad común de éxito P fueron estudiados
por primera vez por el matemático suizo Jacques Bernoulli (1654 – 1705). En su libro ARS
conjectandi (el arte de conjeturar), publicado por su sobrino Nicolás ocho años después
de su muerte en 1713, Bernoulli demostró que si el número de tales ensayos eran grandes,
entonces la proporción de ellos que eran éxitos estaría cerca de P con una probabilidad
cerca de 1.
Jacques Bernoulli fue de la primera generación de la familia matemática más famosa
de todos los tiempos. En total, hubo entre 8 y 12 Bernoullis, repartidos en tres
generaciones, que hicieron contribuciones fundamentales a la probabilidad, las estadísticas
y las matemáticas. Una dificultad para saber su número exacto es el hecho de que varios
tenían el mismo nombre. (Por ejemplo, dos de los hijos del hermano de Jacques, Jean
Sección 4,7 La variable aleatoria de Poisson 184
fueron nombrados Jacques y Jean.) Otra dificultad es que varios de los Bernoullis eran
conocidos por diferentes nombres en diferentes lugares. Nuestro Jacques (a veces escrito
Jaques) era, por ejemplo, también conocido como Jakob (a veces escrito Jacob) y como
James Bernoulli. Pero sea cual sea su número, su influencia y su producción fueron
prodigiosas. Al igual que los Bachs de la música, el Bernoullis de las matemáticas eran una
familia para las edades!
EJEMPLO 6i
Si X es una variable aleatoria binomial con parámetros N = 100 y P = .75, encontrar P{X =
70} Y P{X ... 70}.
Distribución binomial
FIGURA 4,6
λ
q Q me = − leL = 1
y
el!
La distribución de probabilidad de Poisson fue introducida por Simeón Denis Poisson en un
libro que escribió sobre la aplicación de la teoría de probabilidades a juicios, juicios penales,
y similares. Este libro, publicado en 1837, se tituló La probabilite des de los jugements del
la del la del sur de Recherches en el criminelle del ere del "del en del Mati del en y el civile
Sección 4,7 La variable aleatoria de Poisson 185
{ =}= n! me
1 − p)n−i
PX i P(
(N − i)!i!
n! L iL n−i
n(N − 1)··· (N − me + 1) Lme (1 − L/n)n
i
P{X = i} L e
!
En otras palabras, si N ensayos independientes, cada uno de los cuales resulta en un éxito
con probabilidad p, se realizan, N es grande y P es lo suficientemente pequeño para hacer
Eg moderado, el número de éxitos que ocurren es aproximadamente una variable aleatoria
de Poisson con el parámetro L = Eg. Este valor L (que se demostrará más adelante para
igualar el número esperado de éxitos) se determinará generalmente empíricamente.
Algunos ejemplos de variables aleatorias que generalmente obedecen a la ley de
probabilidad de Poisson [es decir, obedecen a la ecuación (7,1)] son las siguientes:
1. El número de impresiones erróneas en una página (o un grupo de páginas) de un libro
2. El número de personas en una comunidad que sobreviven a la edad de 100
3. El número de números de teléfono incorrectos que se marcan en un día
4. El número de paquetes de galletas para perros vendidos en una tienda en particular cada
día
5. El número de clientes que ingresan a una oficina de correos en un día determinado
6. El número de vacantes que ocurren durante un año en el sistema judicial federal
7. El número de α-partículas descargadas en un período de tiempo fijo a partir de algún
material radiactivo
Cada una de las anteriores, y numerosas otras variables aleatorias, son aproximadamente
Poisson por la misma razón — es decir, debido a la aproximación de Poisson al binomio.
Sección 4,7 La variable aleatoria de Poisson 186
Por ejemplo, podemos suponer que hay una pequeña probabilidad P que cada letra escrita
en una página se imprimirá erróneamente. Por lo tanto, el número de impresiones erróneas
en una página será aproximadamente Poisson con L = EgDonde N es el número de Letras
de una página. Del mismo modo, podemos suponer que cada persona en una comunidad
tiene cierta probabilidad pequeña de alcanzar la edad 100. Además, cada persona que
ingresa a una tienda puede considerarse como tener alguna pequeña probabilidad de
comprar un paquete de galletas para perros, y así sucesivamente.
EJEMPLO 7A
Supongamos que el número de errores tipográficos en una sola página de este libro tiene
una distribución de Poisson con parámetro . Calcule la probabilidad de que haya al
menos un error en esta página.
Solución. Dejar X denotan el número de errores en esta página, tenemos
EJEMPLO 7B
Supongamos que la probabilidad de que un artículo producido por una máquina determinada
sea defectuosa es. 1. Encuentre la probabilidad de que una muestra de 10 elementos
contenga a lo más 1 artículo defectuoso.
EJEMPLO 7C
Considere un experimento que consiste en contar el número de Un partículas en un intervalo
de 1 segundo por 1 gramo de material radiactivo. Si sabemos por experiencia pasada que,
en promedio, 3,2 Un se dan las partículas, lo que es una buena aproximación a la
probabilidad de que no más de 2 Un partículas aparecerán?
P{X …
L.3799 .
Q Ie− lλme E
i!
i=0Q e− lλi−1
=
(me − 1)! λ
i=1 Q j
dejando
j! J = me − 1
j=0
Q λJ = L
Desde
j=0
Por lo tanto, el valor esperado de una variable aleatoria de Poisson X es de hecho igual a
su parámetro λ. Para determinar su varianza, primero computamos E[X2]:
Q 2e− lλme E
=L
dejando
! J = me − 1 q Q e−
lλJ
⎤ ⎥
donde la igualdad final sigue porque la primera suma es el valor esperado de una variable
aleatoria de Poisson con parámetro L y la segunda es la suma de las probabilidades de esta
variable aleatoria. Por lo tanto, ya que hemos demostrado que E[X] = L, obtenemos
Sección 4,7 La variable aleatoria de Poisson 188
Por lo tanto, el valor esperado y la varianza de una variable aleatoria de Poisson son ambos
iguales a su parámetro λ.
Hemos demostrado que la distribución de Poisson con parámetros Eg es una
aproximación muy buena a la distribución del número de éxitos en N pruebas independientes
cuando cada ensayo tiene probabilidad P de ser un éxito, siempre que N es grande y P
Pequeño. De hecho, sigue siendo una buena aproximación incluso cuando los juicios no son
independientes, siempre que su dependencia sea débil. Por ejemplo, recuerde el problema
de coincidencia (ejemplo 5m del capítulo 2) en el que N los hombres seleccionan al azar los
sombreros de un sistema que consiste en un sombrero de cada persona. Desde el punto de
vista del número de hombres que seleccionan su propio sombrero, podemos considerar la
selección aleatoria como el resultado de N ensayos en los que decimos que el juicio me es
un éxito si la persona me selecciona su propio sombrero, me = 1...,n.
Definición de los eventos Ei,me = 1...,nPor
la siguiente manera: Imagine que tenemos un juicio para cada uno de los pares de
individuos me Y j,me Z j, y decir que el juicio i, J es un éxito si las personas me Y J tienen
el mismo cumpleaños. Si dejamos que EIj denotan el evento que el juicio i, J es un éxito,
teórico 21). Desde P(EIj) = 1/365, es razonable suponer que el número de éxitos debe tener
Para determinar el número entero más pequeño N que esta probabilidad es menor que , tenga
en cuenta que
equivale a
Expn(N − 1)/UU 2
730
Tomando logaritmos de ambos lados, obtenemos
n(N − 1) el 730log2 L
505.997
que produce la solución N = 23, de acuerdo con el resultado del ejemplo 5i del capítulo 2.
Supongamos ahora que queríamos la probabilidad de que, entre los N personas, no 3 de
ellos tienen su cumpleaños en el mismo día. Mientras que esto ahora se convierte en un
problema combinatorio difícil, es una cuestión simple para obtener una buena aproximación.
Para empezar, Imagine que tenemos un juicio para cada uno de los Trillizos i, j, k,
donde 1 ... me < J < K ... n, y llame a la i, j, K juicio un éxito si las personas i, jY K todos
tienen su cumpleaños el mismo día. Como antes, podemos concluir que el número de éxitos
es aproximadamente una variable aleatoria de Poisson con parámetro
2
{i,j,K tienen el mismo cumpleaños} n= 1
3 365
= n(N − 1)(N − 2)
6 * (365)2
Ahí
que equivale a N Efectos 84. por lo tanto, la probabilidad aproximada de que al menos 3
personas en un grupo de tamaño 84 o más grande tendrá el mismo cumpleaños supera .
Para el número de eventos que se producen aproximadamente tienen una distribución de
Poisson, no es esencial que todos los eventos tengan la misma probabilidad de ocurrencia,
pero sólo que todas estas probabilidades sean pequeñas. A continuación se denomina el
Paradigma de Poisson.
me + K es una cola; también, deje En−k+1 ser el evento que se voltea N − K + 1...,N son todas
cabezas. Tenga en cuenta que
P(En−k+1) = pk
K
Por lo tanto, cuando p es pequeño, cada uno de los eventos Eme tiene una pequeña
probabilidad de ocurrir. Además, para me Z j, si los eventos Eme Y EJ se refieren a secuencias
no superpuestas de voltea- P(Ei|Ej) = P(Ei); Si se refieren a secuencias superpuestas, P(Ei|Ej)
= 0. por lo tanto, en ambos casos, el las probabilidades condicionales son cercanas a las
incondicionales, indicando que N, el número de eventos Eme que ocurren, deben tener una
distribución aproximada de Poisson con
E n−k+1(N − k)pk(1 − p) + pk
i=1
Ahora, supongamos que la moneda que se está volcando es justa; es decir, supongamos que
P = 1/2. entonces el precedente da
n k 2 n
P Ln k Exp Exp
2k 1 2k 1
k 2
k 1
donde la aproximación final supone que e2 L 1 (es decir, que 0). deje que J = Registro2
n, y asumir que J es un entero. Para K = J + i,
Por consiguiente
P{LN < J + i} L Exp−1/2)i+1}
L Exp−1/2)i+2} − Exp−1/2)i+1}
Por ejemplo,
Sección 4,7 La variable aleatoria de Poisson 192
Dejar Sme denotan el conjunto de números Flip a los que el evento Eme Se nombra. (Por
ejemplo, S1 = {1...,K + 1}.) Ahora, considere uno de los rprobabilidades de intersección que
no incluyen el evento En−k+1. Es decir, considere P(Ei1 ···EY) Donde i1 < ··· < iR < N − K +
1. por un lado, si hay alguna superposición en los conjuntos Si1,...,SY entonces esta
probabilidad es 0. Por otro lado, si no hay superposición, entonces los eventos Ei1,...,EY son
independientes. Por lo tanto
Ahora debemos determinar el número de diferentes opciones de i1 < ··· < iR < N − K + 1 para
el cual no hay superposición en los sets Si1,...,SY. Para ello, observe primero que cada uno
de los SIj, J = 1...,r, consulte K + 1 voltea, por lo que, sin ninguna superposición, que juntos
se refieren a r(K + 1) Voltea. Ahora considere cualquier permutación de R letras idénticas
Un (uno para cada uno de los sets Si1,...,SY−1) y de N − r(K + 1) letras idénticas B (uno para
cada uno de los ensayos que no forman parte de Si1,...,SY−1,Sn−k+1). Interpretar el número de
bes antes de la primera Un como el número de volteretas antes Si1, el número de bentre la
primera y la segunda Un como el número de saltos entre Si1 Y Si2, y así sucesivamente, con
el número de bes después de la final Un representando el número de volteretas después SY.
P P)r
i
P(Ei1 ···Eir−1En−k+1),
Donde i1 < ··· < ir−1 < N − K + 1. ahora, esta probabilidad será igual a 0 si hay alguna
superposición en Si1,...,SY−1,Sn−k; Si no hay superposición, entonces los eventos de la
intersección serán independientes, por lo que
Pp)r−1
i1<...<ir−1<n−k+1
P P(An|Fj)P(Fj) + P(An|H)P(H)
j=1
Ahora, dado que la primera cola aparece en el tirón jDonde J < k, se deduce que los J los
volteretas se desperdician hasta obtener una cadena de K cabezas seguidas; por lo tanto, la
probabilidad condicional de este evento es la probabilidad de que dicha cadena se produzca
entre los restantes N − J Voltea. Por lo tanto
P(An|Fj) = Pn−j
PN = P(An)
k
P) + pk
j=1
Comenzando con PJ = 0 J < kY PK = pk, podemos utilizar esta última fórmula para calcular
recursivamente Pk+1,Pk+2, y así sucesivamente, hasta Pn. Por ejemplo, supongamos que
queremos la probabilidad de que haya una ejecución de 2 cabezas consecutivas cuando una
moneda justa se volteado 4 veces. Entonces, con K = 2, tenemos P1 = 0 P2 = (1/2)2. Porque,
cuando P = 1/2, la recursividad se convierte en
k
Pn k
obtenemos
P3 = P2(1/2) + P1(1/2)2 + (1/2)2 = 3/8
Sección 4,7 La variable aleatoria de Poisson 195
Y
P4 = P3(1/2) + P2(1/2)2 + (1/2)2 = 1/2
que es claramente cierto porque hay 8 resultados que resultan en una cadena de 2 cabezas
consecutivas: Hhhh, el hhht, hhth, hthh, thhh, hhtt, thhtY tthh. Cada uno de estos resultados
se produce con la probabilidad 1/16. .
Otro uso de la distribución de probabilidad de Poisson surge en situaciones donde los
"eventos" ocurren en ciertos momentos en el tiempo. Un ejemplo es designar la ocurrencia
de un terremoto como un acontecimiento; otra posibilidad sería que los eventos
correspondieran a personas que ingresen a un establecimiento en particular (Banco, oficina
de correos, gasolinera, etc.); y una tercera posibilidad es que un evento ocurra cada vez que
se inicie una guerra. Supongamos que los acontecimientos ocurren de hecho en ciertos
puntos de tiempo (al azar), y Supongamos que, para algunas constantes positivas λ, las
siguientes suposiciones son verdaderas:
1. La probabilidad de que se produzca exactamente 1 evento en un intervalo de longitud
determinado H es igual a λH + o(h)Donde o(h) soportes para cualquier función f(h) para
que Lim→ f(h)/H = 0. h 0
2 o más eventos}
Sección 4,7 La variable aleatoria de Poisson 196
0
–T — 2Nt — 3Nt –T t = —Ntn n (n 1 n
FIGURA 4,7
en el lado derecho de la ecuación. Dejar Un Y B denotan los dos eventos mutuamente
excluyentes en el lado derecho de la ecuación (7,2),
eventos} ⎞ n ⎠
por
... P{iésimo subintervalo contiene 2 o más eventos}
Boole's
Desigualdad i=1
o por Asunción 2
i=1
t
= no
n
o t n
= t n
t
Ahora, además de cualquier t,t/n→0 como n→qAsí o(t/n)/(t/n)→0 como n→q, por el
definiciónción de o(h). Ahí
P(B)→0 Como n→q (7,3)
Sección 4,7 La variable aleatoria de Poisson 197
N − K contener 0 eventos}
n−k
n t Como n→q
sigue, por el mismo argumento que verificó la aproximación de Poisson al binomio, que
λT (lt)kComo
n→q (7,4)
P(A)→e− k!
(l t)k
P{N(t) = k} = e−λT K = 0, 1,... (7,5) k!
Por lo tanto, si se satisfacen las suposiciones 1, 2 y 3, entonces el número de eventos que
ocurren en cualquier intervalo fijo de longitud T es una variable aleatoria de Poisson con la
media λt, y decimos que los eventos ocurren de acuerdo con un proceso de Poisson que tiene
tasa λ. El valor λ, que puede mostrarse igual a la tasa por unidad de tiempo en el que ocurren
los eventos, es una constante que debe determinarse empíricamente.
La discusión anterior explica por qué una variable aleatoria de Poisson suele ser una buena
aproximación para fenómenos tan diversos como los siguientes:
1. El número de terremotos ocurridos durante un lapso de tiempo fijo
2. El número de guerras por año
3. El número de electrones emitidos por un cátodo calentado durante un período de tiempo
fijo
1
La suma de dos funciones, ambas o(h), también se o(h). Esto es así porque si Limh→0 f(h)/H = Limh→0
g(h)/H = 0, luego Limh→0[f(h) + g(h)]/H = 0.
Sección 4,7 La variable aleatoria de Poisson 198
EJEMPLO 7e
Supongamos que los terremotos ocurren en la parte occidental de los Estados Unidos de
acuerdo con los supuestos 1, 2 y 3, con L = 2 y con 1 semana como la unidad de Time. 2
(Es decir, los terremotos ocurren de acuerdo con las tres hipótesis a una tasa de por semana.)
(a) Encuentre la probabilidad de que al menos 3 terremotos ocurran durante las próximas
2 semanas.
(b) Encontrar la distribución de probabilidad del tiempo, empezando desde ahora, hasta el
nextearthquake.
(b) deje X denotan la cantidad de tiempo (en semanas) hasta el siguiente terremoto. Kuz
X será mayor que T Si no ocurren eventos en el siguiente T unidades de tiempo, tenemos,
de la ecuación (7,5),
= 1 − e−2t .
P{X = i}
Sección 4,8 Otras distribuciones de probabilidades discretas 199
Comenzando con P{X = 0} = e−λ, podemos utilizar (7,6) para computar sucesivamente
P{X = 1} = LP{X = 0}
P{X = me +
El sitio web incluye un programa que utiliza la ecuación (7,6) para calcular las
probabilidades de Poisson.
EJEMPLO 7F
(a) Determinar P{X ... 90} Cuando X es Poisson con la media de 100.
(b) Determinar P{Y ... 1075} Cuando Y es Poisson con la media de 1000.
La ecuación (8,1) sigue porque, con el fin de X a igual n, es necesario y suficiente que la
primera N − 1 los ensayos son fallos y el nel juicio es un éxito. La ecuación (8,1) sigue a
continuación, ya que se asume que los resultados de los ensayos sucesivos son
independientes. Desde
q q
− p)n−1 = − P −= 1
1 (1 p)
n=1 n=1
EJEMPLO 8A
Sección 4,8 Otras distribuciones de probabilidades discretas 200
Una urna contiene N blanco y M bolas negras. Las bolas se seleccionan aleatoriamente, una
a la vez, hasta que se obtiene una negra. Si asumimos que cada bola seleccionada se
sustituye antes de que se dibuja la siguiente, ¿cuál es la probabilidad de que
(a) exactamente N se necesitan los
sorteos? b) al menos K se necesitan los
sorteos?
Solución. Si dejamos que X indican el número de sorteos necesarios para seleccionar una
pelota negra,
X satisface la ecuación (8,1) con P = M/(M + N). Ahí
un
n−1
P{X = n} =
N)n
b
qn−1
P{X Efectos k}
=
M
n=k
k−1
EJEMPLO 8B
Encuentre el valor esperado de una variable aleatoria geométrica.
E Iqi−1p
i= q1
Sección 4,8 Otras distribuciones de probabilidades discretas 201
p
i= q1 q
Qi−1p
i= q1 i=1
JqjP + 1
j=0
q
Ahí
En[X] = 1
produciendo el resultado
1
E[X] = p
En otras palabras, si los ensayos independientes que tienen una probabilidad común P de
tener éxito se realizan hasta que se produzca el primer éxito, entonces el número esperado
de ensayos requeridos equivale a 1/p. Por ejemplo, el número esperado de rollos de un dado
justo que se tarda en obtener el valor 1 es 6. .
EJEMPLO 8C
Encuentra la varianza de una variable aleatoria geométrica.
E p
q
p
q q q
(me qi−1p
q q
JqjP + 1
= Qe[X2] + 2Qe[X] + 1
2Q
En[X2] = +1
p
Ahí
E[X2] = 2Q + P = Q + 1 p2
p2
dando el resultado
q 1 1 q 1 p
Fue(X) = + − = = −
p2 p2 p2 p2 .
r
P N = r,R + 1... (8,2)
La ecuación (8,2) sigue porque, en orden para el rque el éxito ocurra en el nel juicio, debe
haber R − 1 éxitos en la primera N − 1 ensayos y el nel juicio debe ser un éxito. La
probabilidad del primer evento es
r
y la probabilidad de la segunda es p; por lo tanto, por la independencia, se establece la
ecuación (8,2). Para verificar que un total de R los éxitos deben eventualmente ser
acumulados, o podemos probar analíticamente que
q q
variables aleatorias. Por lo tanto, cada uno es finito con la probabilidad 1, por lo Yme
también debe ser finito,
estableciendo la ecuación (8,3).
Cualquier variable aleatoria X cuya función de probabilidad de masa es dada por la
ecuación (8,2) se dice que es un binomio negativo variable aleatoria con parámetros (r, p).
Sección 4,8 Otras distribuciones de probabilidades discretas 203
Observe que una variable aleatoria geométrica es sólo un binomio negativo con el parámetro
(1, p).
En el siguiente ejemplo, usamos el binomio negativo para obtener otra solución del
problema de los puntos.
EJEMPLO 8D
Si los ensayos independientes, cada uno de los cuales resulta en un éxito con probabilidad
p, ¿cuál es la probabilidad de R éxitos que ocurren antes M ¿Fallas?
Solución. Se llega a la solución señalando que la R los éxitos se producirán
antes de M fallos Si y sólo si el rel éxito no se produce más tarde que el (R
1) el juicio. Esto sigue porque si el rel éxito se produce antes o en el (R 1)
TH juicio, entonces debe haber ocurrido antes de la mfracaso, y por el contrario. Por lo
tanto, de la ecuación (8,2), la probabilidad deseada es
P(E)
=
Puesto que hay una probabilidad igual de que es la caja de la izquierda que se descubre
primero para estar vacía y hay K las coincidencias en la caja derecha en ese momento, el
resultado deseado es
k
EJEMPLO 8F
Calcular el valor esperado y la varianza de una variable aleatoria binomial negativa con
parámetros R Y p.
Solución. Tenemos
Sección 4,8 Otras distribuciones de probabilidades discretas 204
=
r r
Desde n p
n
qestableciendo = R
(Mpr+1(1 − p)m−r+1) M = N + 1 P
m=r+1
= R E[(Y − 1)k−1] p
Donde Y es una variable aleatoria binomial negativa con parámetros R + 1p. Ajuste K = 1
en la ecuación anterior rinde
r
E[X] = p
Ajuste K = 2 en la ecuación para E[Xk] y el uso de la fórmula para el valor esperado de una
variable aleatoria binomial negativa da
r
E [X 2 ] E [Y 1
p
r r 1
1
p p
Por lo tanto
= r(1 − p) p2.
Así, del ejemplo 8F, si los ensayos independientes, cada uno de los cuales es un éxito
con probabilidad p, se realizan, a continuación, el valor esperado y la varianza del número
de ensayos que se necesita para amasar R éxitos es r/p Y r(1 − p)/p2Respectivamente.
Dado que una variable aleatoria geométrica es sólo un binomio negativo con parámetro
R = 1, se deduce del ejemplo anterior que la varianza de una variable aleatoria geométrica
con parámetro P es igual a (1 − p)/p2, que comprueba con el resultado del ejemplo 8C.
EJEMPLO 8g
Encontrar el valor esperado y la varianza del número de veces que uno debe lanzar un dado
hasta que el resultado 1 ha ocurrido 4 veces.
Solución. Dado que la variable aleatoria de interés es un binomio negativo con parámetros
R=4yp , se deduce que
Sección 4,8 Otras distribuciones de probabilidades discretas 205
E[X] = 24
P{X = i} = ,n (8,4)
Una variable aleatoria X cuya función de masa de probabilidad es dada por la ecuación (8,4)
para algunos valores de n, N, M se dice que es un Hipergeométrica variable aleatoria.
Observación. Aunque hemos escrito la función de masa de probabilidad
hipergeométrica con me pasando de 0 a n,P{X = i} en realidad será 0, a menos que me
satisface las desigualdades N −N − m) ... me ... Min(n,m). Sin embargo, la ecuación (8,4)
EJEMPLO 8H
Un número desconocido, digamos, N, de animales habitan en una determinada región. Para
obtener información sobre el tamaño de la población, los ecologistas suelen realizar el
siguiente experimento: primero capturan un número, digamos, m, de estos animales,
marcarlos de alguna manera, y liberarlos. Después de permitir que los animales marcados
tiempo para dispersarse en toda la región, una nueva captura de tamaño, digamos, n, se hace.
Dejar X denotan el número de animales marcados en esta segunda captura. Si suponemos
que la población de animales en la región permaneció fija entre el momento de las dos
capturas y que cada vez que un animal fue capturado era igualmente probable que fuese
cualquiera de los animales no capturados restantes, se deduce que X es una variable aleatoria
hipergeométrica tal que
P{X = i} = K Pi(N)
Supongamos ahora que X se observa que es igual a i. Entonces, desde Pi(N) representa la
probabilidad del suceso observado cuando en realidad hay N animales presentes en la
región, parecería que una estimación razonable de N sería el valor de N que maximiza Pi(N).
Tal estimación se denomina máxima verosimilitud Estimación. (Véase la
Sección 4,8 Otras distribuciones de probabilidades discretas 206
(N − m)(N − n) el N(N − M − N + i)
N ... Mn
i
Así Pi(N) primero aumenta y luego disminuye, y alcanza su valor máximo en el mayor valor
integral que no exceda MN/i. Este valor es la estimación de máxima verosimilitud de N. Por
ejemplo, supongamos que la captura inicial consistía en M = 50 animales, que están
marcados y luego liberados. Si una captura subsiguiente consiste en N = 40 animales de los
cuales me = 4 están marcados, entonces estimamos que hay unos 500 animales en la región.
(Observe que la estimación precedente también podría haberse obtenido asumiendo que la
proporción de animales marcados en la región, M/N, es aproximadamente igual a la
proporción de animales marcados en nuestra segunda captura, i/n.) .
EJEMPLO 8i
Un comprador de componentes eléctricos los compra en un montón de tamaño 10. Es su
política para inspeccionar 3 componentes aleatoriamente de un lote y para aceptar el lote
sólo si los 3 son no defectuosos. Si el 30 por ciento de los lotes tiene 4 componentes
defectuosos y 70 por ciento tiene sólo 1, ¿qué proporción de lotes rechaza el comprador?
P{X = i} =
= m! (N − m)! (N − n)! n!
EJEMPLO 8J
Determine el valor esperado y la varianza de X, una variable aleatoria hipergeométrica con
parámetros n, NY m.
Solución.
n
E
N ik
i Y n
obtenemos
Nm
E[Xk] = − −
−
N i 1 n i n 1 i=1
Sección 4,8 Otras distribuciones de probabilidades discretas 208
Nm
=N j N−1−j N−1
j=0
= Nm E[(Y + 1)k−1] N
Nm
E[X] = N
E [Y 1
Nm n 1 m 1
1
N N 1
E[X2] = NM N
donde la igualdad final utiliza nuestro resultado anterior para calcular el valor esperado de
la variable aleatoria hipergeométrica Y.
Kuz E[X] = Nm/N, podemos concluir que
−−p
p
N 1 N 1 N 1
muestra que
.
Sección 4,8 Otras distribuciones de probabilidades discretas 209
Fue(X) L Eg(1 − p)
En otras palabras, E[X] es el mismo que cuando la selección de las bolas se hace con el
reemplazo (de modo que el número de bolas blancas es binomial con los parámetros N Y
p), y si la colección total de bolas es grande, entonces var(X) es aproximadamente igual a
lo que sería si la selección se hizo con el reemplazo. Esto es, por supuesto, exactamente lo
que habríamos adivinado, dado nuestro resultado anterior que cuando el número de bolas
en la urna es grande, el número de bolas blancas elegidas aproximadamente tiene la función
de masa de una variable aleatoria binomial. .
por algún valor de " 0. como la suma de las probabilidades anteriores debe ser igual a 1, se
deduce que
C
La distribución Zeta debe su nombre al hecho de que la función
s
+ ···
para el resto de esta sección, supongamos que el espacio de muestra S es un conjunto finito
o infinito.
Para una variable aleatoria XDejar X(s) denotan el valor de X Cuando s ∈ S es el resultado
del experimento. Ahora, si X Y Y son ambas variables aleatorias, entonces también lo es su
suma. Es decir Z = X + Y también es una variable aleatoria. Además Z(s) = X(s) + Y(s).
EJEMPLO 9A
Supongamos que el experimento consiste en voltear una moneda 5 veces, siendo el resultado
la secuencia resultante de cabezas y colas. Supongo X es el número de cabezas en los
primeros 3 volteretas y Y es el número de cabezas en los 2 volteretas finales. Dejar Z = X +
Y. Entonces, por ejemplo, para el resultado s = (h,t,h,t,h),
X(s) = 2
Y(s) = 1
Z(s) = X(s) + Y(s) = 3
lo que significa que el resultado (h,t,h,t,h) da como resultado 2 cabezas en los primeros tres
volteretas, 1 cabeza en los dos últimos volteretas, y un total de 3 cabezas en los cinco
volteretas. .
Dejar p(s) = P({s}) ser la probabilidad de que s es el resultado del experimento. Porque
podemos escribir cualquier evento Un como la Unión finita o infinitamente infinita de los
eventos mutuamente excluyentes {s},s ∈ A, sigue por los axiomas de la probabilidad que
P
s∈A
s∈S
211
Sección 4,9 Valor esperado de sumas de variables aleatorias
Ahora, deja que X ser una variable aleatoria, y considerar E[X]. Kuz X(s) es el valor de X
Cuando s es el resultado del experimento, parece intuitivo que E[X] — la media ponderada
de los posibles valores de X, con cada valor ponderado por la probabilidad de que X asume
que el valor — debe ser igual a una media ponderada de los valores X(s),s ∈ SCon X(s)
ponderada por la probabilidad de que s es el resultado del experimento. Ahora demostramos
esta intuición.
Propuesta 9,1.
E
s∈S
Prueba. Supongamos que los valores distintos de X Son xi,me Efectos 1. Para cada iDejar
Sme ser el evento que X es igual a xi. Es decir Sme = {s : X(s) = xi}. Entonces
E
i
i s∈Si
i s∈Si
i s∈Si
s∈S
donde la igualdad final sigue porque S1,S2,... son eventos mutuamente excluyentes cuya
unión es S.
EJEMPLO 9B
Supongamos que dos volteretas independientes de una moneda que sube cabezas con
probabilidad P se hacen, y dejar X denotan el número de cabezas obtenidas. Kuz
P(X = 2) = P(h,h) = p2
Ahora demostramos el resultado importante y útil de que el valor esperado de una suma de
variables aleatorias es igual a la suma de sus expectativas.
Corolario 9,2. Para variables aleatorias X1,X2,...,Xn,
E
n
Prueba. Dejar Z i=1 Xi. Entonces, por la Proposición 9,1,
E
s∈S
s∈S
EJEMPLO 9c
Encuentre el valor esperado de la suma obtenida cuando N los dados justos se enrollan.
X Xi
Donde Xme es el valor hacia arriba en muere i. Kuz Xme es igualmente probable que sea
cualquiera de los valores de 1 a 6, se deduce que
E
i=1
E[X] = E⎤ n
EJEMPLO 9D
213
Encuentre el número total esperado de éxitos que resultan de N ensayos durante el juicio me
es un éxito con probabilidad pi, me = 1...,n.
Solución. Dejar
Xme
=%0 Si el juicio me es
un fracaso 1, Si el
juicio me es un éxito
Tenemos la representación
n
X Xi
Sección 4,9 Valor esperado de sumas de variables aleatorias
Por consiguiente
n n
E Pi
Tenga en cuenta que este resultado no requiere que los ensayos sean independientes. Incluye
como caso especial el valor esperado de una variable aleatoria binomial, que asume ensayos
independientes y todos los pme = py, por lo tanto, significa Eg. También da el valor esperado
de una variable aleatoria hipergeométrica que representa el número de bolas blancas
seleccionadas cuando N las bolas se seleccionan aleatoriamente, sin el reemplazo, de una
urna de N bolas de los cuales M son de color blanco. Podemos interpretar la hipergeométrica
como la representación del número de éxitos en N ensayos, donde el juicio me se dice que
es un éxito si el ila bola seleccionada es blanca. Debido a que el ila bola seleccionada es
igualmente probable que N bolas y por lo tanto tiene probabilidad m/N de ser blanco, se
deduce que la hipergeométrica es el número de éxitos en N ensayos en los que cada ensayo
es un éxito con probabilidad P = m/N. Por lo tanto, a pesar de que estos ensayos
hipergeométricos son dependientes, se deduce del resultado del ejemplo 9D que el valor
esperado de la hipergeométrica es Eg = Nm/N. .
EJEMPLO 9e
Derivar una expresión para la varianza del número de ensayos exitosos en el ejemplo 9d, y
aplicarlo para obtener la varianza de una variable aleatoria binomial con parámetros N Y p,
y de una variable aleatoria hipergeométrica igual al número de bolas blancas elegidas cuando
N las bolas se eligen aleatoriamente de una urna que contiene N bolas de los cuales M son
de color blanco.
E[X2] E
=E ⎛Xme X
jZi
= Y
XiXj⎤ n n
⎣i=1 i=1 jZi ⎦
n n
[XiXj] (9,1)
i i=1 jZi
donde la ecuación final utilizó que Xi2 = Xi. Sin embargo, debido a que los valores posibles
E[XiXj] = p2, me Z j
Junto con la ecuación (9,1), la ecuación anterior muestra que, para una variable aleatoria
binomial X,
E[X2] = Eg + n(N − 1)p2
implicando que
Por otro lado, si X es hipergeométrica, entonces, dado que una bola blanca es elegida en
el juicio i, cada uno de los otros N − 1 bolas, de las cuales M − 1 son blancos, es igualmente
probable que sea el jbola elegida, para J Z i. En consecuencia, para J Z i,
Mm 1
215
P{Xme = 1XJ = 1} = P{Xme = 1}P{XJ = 1|Xme = 1} = −−
NN 1
Usando pme = m/N, obtenemos ahora, de la ecuación (9,1),
Nm Mm 1
E[X2] = + n(N − 1) −−
N NN 1
Por consiguiente
Nm NN
Fue(X) = + n(N − 1)
− −N Mm
1 N
que, como se muestra en el ejemplo 8J, se puede simplificar para producir
Donde P = m/N. .
(Sección 2,6). Por ejemplo, para probar la propiedad 2, observamos que si bN aumenta a q,
los eventos {X ... bn},N Efectos 1, están aumentando los eventos cuya unión es el evento {X
< q}. Por lo tanto, por la propiedad de continuidad de las probabilidades,
n→Q {X ... bn} = P{X < q} = 1 Lim P
que prueba la propiedad 2.
La prueba de la propiedad 3 es similar y se deja como un ejercicio. Para probar la
propiedad 4, observamos que si bN disminuye a bEntonces {X ... bn},N Efectos 1, están
216
disminuyendo los eventos cuya intersección es {X ... b}. La propiedad de continuidad, a
continuación, produce
los eventsThis mutuamente excluyentes esta ecuación se puede ver mejor para sostener si escribimos el evento{X
... a} Y {Un < X {X ... b} como la Unión de
... b}. Es decir
Así
P{X ... b} = P{X ... a} + P{Un < X ... b}
=n X ... B
=n
Tenga en cuenta que P{X X< Igualesb} no es necesariamente igualb. F(b)Desde F(b)
también incluye la probabilidad de que
EJEMPLO 10A
La función de distribución de la variable aleatoria X es dada por
F ... X < 2
... X < 3
217
... x
F(x)
1
11
—
12
2–
3
1–
2
x
1 2 3
Un gráfico de F(x) se presenta en la figura 4,8. Calcular (a) P{X < 3}, (b) P{X = 1}, (c)
Solución. un
P{X < 3} = LimP n
b
P X…
De
P{2 < X …
Resumen
Una función de valor real definida en el resultado de un experimento de probabilidad se
denomina variable aleatoria.
Si X es una variable aleatoria, entonces la función F(x) definida por
218
F(x) = P{X ... x}
Una variable aleatoria cuyo conjunto de valores posibles es finito o infinitamente infinito
se denomina Discreta. Si X es una variable aleatoria discreta, entonces la función
p(x) = P{X = x}
E
x:p(x)>0
E
x:p(x)>0
Lla Varianza de una variable aleatoria X, denotado por var(X), se define por
p ,n
se dice que es una variable aleatoria binomial con parámetros N Y p. Tal variable aleatoria
puede interpretarse como el número de éxitos que ocurren cuando N ensayos independientes,
cada uno de los cuales resulta en un éxito con probabilidad p, se realizan. Su media y
varianza son dadas por
PE
r
p me Efectos r
se dice que es un binomio negativo variable aleatoria con parámetros R Y p. Esta variable
aleatoria representa el número de prueba del réxito cuando cada ensayo es
independientemente un éxito con probabilidad p. Su media y varianza son dadas por
p)
E
p ,m
Con P = m/N, su media y varianza son
E[X] = Eg P)
Una propiedad importante del valor esperado es que el valor esperado de una suma de
variables aleatorias es igual a la suma de sus valores esperados. Es decir
E ⎡ ⎤ E[Xi]
n n
220
Problemas
Si la persona con mejor clasificación es femenina). Donde Pme es el iTH-la prima más pequeña. (El número
1 no es primo.)
Buscar P{X = i}, me = 1, 2, 3,..., 8, 9, 10.
4,12. En el juego de Morra de dos dedos, 2 jugadores
4,5. Dejar X representan la diferencia entre el número de muestran 1 o 2 dedos y al mismo tiempo adivinar el
cabezas y el número de colas obtenidas cuando una número de dedos que su oponente mostrará. Si sólo
moneda es lanzada N Veces. ¿Cuáles son los valores uno de los jugadores adivina correctamente, gana una
posibles de X? cantidad
4,6. En el problema 5, para N = 3, si la moneda se asume (en dólares) igual a la suma de los dedos mostrados por
justa, ¿cuáles son las probabilidades asociadas a los él y su oponente. Si ambos jugadores conjeturan
correctamente o si ni conjeturas correctamente,
valores que X puede asumir? después no se intercambia ningún dinero. Considere
4,7. Supongamos que un dado se enrolla dos veces. ¿Cuáles un jugador especificado, y denotar por X la cantidad de
son los valores posibles que pueden asumir las dinero que gana en un solo juego de Morra de dos
siguientes variables aleatorias: dedos.
un el valor máximo que aparece en los dos rollos; b el (a) Si cada jugador actúa independientemente del
valor mínimo a aparecer en los dos rodillos; c la suma otro, y si cada jugador hace su elección del
de los dos rollos; número de dedos que va a sostener y el número
De el valor del primer rollo menos el valor del segundo que va a adivinar que su oponente se sosten de tal
rollo? manera que cada una de las 4 posibilidades es
4,8. Si el dado en el problema 7 se asume justo, calcule las igual de probable , ¿cuáles son los valores
probabilidades asociadas a las variables aleatorias en posibles de X y cuáles son sus probabilidades
las partes (a) a (d). asociadas?
4,9. Repita el ejemplo 1B cuando las bolas se seleccionan (b) Supongamos que cada jugador actúa
con el reemplazo. independientemente del otro. Si cada jugador
4,10. En el ejemplo 1D, calcule la probabilidad condicional decide sostener el mismo número de dedos que
de que ganamos me dólares, dado que ganamos algo; adivina que su oponente va a sostener, y si cada
calcularlo para me = 1, 2, 3. jugador es igualmente probable que sostenga 1 o
2 dedos, ¿cuáles son los valores posibles de X y
4,11. (a) Un entero N se seleccionará al azar de {1, sus probabilidades asociadas?
2,...,(10)3} en el sentido de que cada entero tiene
la misma probabilidad de ser seleccionado. ¿Cuál 4,13. Un vendedor ha programado dos citas para vender
es la probabilidad de que N será divisible por 3? enciclopedias. Su primera cita dará lugar a una venta
por 5? por 7? por 15? por 105 ¿Cómo cambiaría con probabilidad 3, y su segundo conducirá de forma
su respuesta si (10)3 se sustituye por (10)K Como independiente a una venta con probabilidad. 6.
K se hizo más grande y más grande? Cualquier venta realizada es igualmente probable que
b Una función importante en la teoría de números — sea para el modelo de lujo, que cuesta $1000, o el
una cuyas propiedades se pueden demostrar que modelo estándar, que cuesta $500. Determine la
están relacionadas con lo que probablemente es el función de masa de probabilidad de X, el valor total en
problema no resuelto más importante de las dólares de todas las ventas.
matemáticas, la hipótesis de Riemann — es la 4,14. Cinco números distintos se distribuyen aleatoriamente
función Mobius ̈ Mn), definida para todos los a los jugadores numerados del 1 al 5. Cada vez que dos
valores integrales positivos N como sigue: factor jugadores comparan sus números, el uno con el más
N en sus principales factores. Si hay un factor alto es declarado el ganador. Inicialmente, los
primo repetido, como en 12 = 2 · 2 · 3 o 49 = 7 · jugadores 1 y 2 comparan sus números; el ganador
7, entonces Mn) se define como igual a 0. Ahora entonces compara su número con el del jugador 3, y
vamos a N ser elegidos al azar de {1, 2,... así sucesivamente. Dejar X denotan el número de veces
(10)k}Donde K es grande. Determinar PMN) = 0} que el jugador 1 es un ganador. Encontrar P{X = i},me
Como k→q. = 0, 1, 2, 3, 4.
Pista: Para calcular PMN) de 0}, utilice la identidad q 4,15. La lotería del draft de la Asociación Nacional de
básquetbol (NBA) involucra a los 11 equipos que
tuvieron los peores récords
2
ganados-perdidos durante el año. Un total de 66 bolas
Problemas 222
se colocan en una urna. Cada una de estas bolas está (a) Encontrar P{X = i},me = 1, 2, 3.
inscrita con el nombre de un equipo: once tienen el
(b) Encontrar P .
nombre del equipo con el peor récord, 10 tienen el
4,18. Se hacen cuatro volteretas independientes de una
nombre del equipo con el segundo peor récord, 9
moneda justa. Dejar X denotan el número de cabezas
tienen el nombre del equipo con el récord de
obtenidas. Trazar la función de masa de probabilidad
thirdworst, y así sucesivamente (con 1 pelota con el
de la variable aleatoria
nombre de el equipo con el récord del undécimo peor).
Una pelota se elige al azar, y el equipo cuyo nombre X − 2.
está en la pelota se le da la primera selección en el 4,19. Si la función de distribución de X es dada por
borrador de jugadores a punto de entrar en la liga.
Luego se elige otra pelota, y si "pertenece" a un equipo <0
diferente del que recibió la primera selección de
borrador, entonces el equipo al que pertenece recibe el ... B < 1
segundo borrador de selección. (Si la pelota pertenece
al equipo que recibe la primera selección, entonces se ... B < 2
descarta y se elige otro; Esto continúa hasta que se F(b) =
elige la pelota de otro equipo.) Finalmente, se elige
otra pelota, y el equipo nombrado en el balón (siempre
que sea diferente de los dos equipos anteriores) recibe ... B < 3
el tercer borrador de selección. Las selecciones
restantes del draft 4 al 11 se otorgan a los 8 equipos
... B < 3.5
que no "ganaron la lotería", en orden inverso de sus
récords ganados-perdidos. Por ejemplo, si el equipo Efectos 3.5
con el peor récord no recibió ninguna de las 3
selecciones de lotería, entonces ese equipo recibiría la calcular la función de masa de probabilidad de X.
cuarta selección de reclutamiento. Dejar X denotan el 4,20. Un libro de apuestas recomienda la siguiente
borrador de selección del equipo con el peor récord. "estrategia ganadora" para el juego de la ruleta: Bet $1
Encuentre la función de masa de probabilidad de X. en tomar el beneficio $1 y dejar de fumar. Si el rojo no
4,16. En el problema 15, deje que el equipo número 1 sea el aparece Rojo. Si aparece el rojo que tiene probabilidad
equipo con el peor récord, deje que el equipo número Entonces
2 sea el equipo con el segundo peor récord, y así
sucesivamente. Dejar Yme denotan el equipo que y pierdes esta apuesta que tiene probabilidad de
obtiene el número de selección de borrador i. Así Y1 = ocurrir, haga $1 apuestas adicionales en rojo en cada
3 si la primera pelota elegida pertenece al equipo
número 3.) Encontrar la función de masa de uno de los dos giros siguientes de la rueda de la ruleta
probabilidad de (a) Y1, (b) Y2, y (c) Y3.
y luego deje de hacerlo. Dejar X Denle sus ganancias
4,17. Supongamos que la función de distribución de X es
dada por cuando renuncie. un Encontrar P{X > 0}.
(b) ¿Estarías dispuesto a pagar $1 millón por cada aquellos clientes cuyas demandas no puede cumplir.)
juego si pudieras jugar por el tiempo que te Calcule el beneficio esperado cuando las existencias
gustaba y sólo tenía que arreglar cuando dejaste de la tienda s unidades, y determinar el valor de s que
de jugar? maximice el beneficio esperado.
4,31. Cada noche, diferentes meteorólogos nos dan la 4,35. Una caja contiene 5 mármoles rojos y 5 azules. Dos
probabilidad de que llueva al día siguiente. Para juzgar mármoles se retiran aleatoriamente. Si son del mismo
lo bien que estas personas predicen, vamos a anotar color, entonces usted gana $1,10; Si son colores
cada uno de ellos de la siguiente manera: Si un diferentes, entonces usted gana −$1.00. (es decir,
meteorólogo dice que lloverá con probabilidad p, pierdes $1,00.)
entonces recibirá una puntuación de
Calcular
1 −1 − p)2
Si llueve un el valor esperado de la cantidad que ganes; b la
varianza de la cantidad que ganes.
1 − p2 Si no llueve 4,36. Considere el problema 22 con me = 2. encuentre la
varianza del número de partidas jugadas y demuestre
Luego haremos un seguimiento de las puntuaciones
durante un cierto lapso de tiempo y concluiremos que que este número se maximiza p .
el meteorólogo con la puntuación media más alta es el 4,37. Encontrar var(X) y var(Y) Para X Y Y como se da en el
mejor predictor del tiempo. Supongamos ahora que un problema 21.
meteorólogo dado es consciente de nuestro mecanismo 4,38. Si E[X] = 1 y var(X) = 5, encontrar
de puntuación y quiere maximizar su puntuación
esperada. Si esta persona realmente cree que va a un E[(2 + X)2]; b Fue(4
llover mañana con probabilidad p∗, ¿qué valor de P + 3X).
¿debe hacer valer para maximizar la puntuación
esperada? 4,39. Una bola se extrae de una urna que contiene 3 bolas
4,32. Para determinar si tienen una determinada enfermedad, blancas y 3 negras. Después de que se dibuja la pelota,
100 personas deben someterse a una prueba de sangre. se sustituye y se dibuja otra pelota. Este proceso
Sin embargo, en lugar de probar cada individuo por continúa Indefinidamente. ¿Cuál es la probabilidad de
separado, se ha decidido primero colocar a la gente en que, de las primeras 4 bolas dibujadas, exactamente 2
grupos de 10. Las muestras de sangre de las 10 son blancas?
personas de cada grupo se agruparán y analizarán 4,40. En un examen de opción múltiple con 3 posibles
juntas. Si la prueba es negativa, una prueba será respuestas para cada una de las 5 preguntas, ¿cuál es la
suficiente para las 10 personas, mientras que si la probabilidad de que un estudiante consiga 4 o más
prueba es positiva, cada una de las 10 personas respuestas correctas sólo adivinando?
también se probará individualmente y, en total, se 4,41. Un hombre dice tener percepción extrasensorial. Como
harán 11 pruebas en este grupo. Supongamos que la prueba, una moneda justa se volteó 10 veces y se le
probabilidad de que una persona tiene la enfermedad pide al hombre que prediga el resultado de antemano.
es de 0,1 para todas las personas, independientemente Él tiene 7 de 10 correctos. ¿Cuál es la probabilidad de
de la otra, y calcular el número esperado de pruebas que hubiera hecho por lo menos este pozo si no tenía
necesarias para cada grupo. (Observe que asumimos un ESP?
que la prueba agrupada será positiva si al menos una 4,42. Supongamos que, en vuelo, los motores de avión
persona en el grupo tiene la enfermedad.) fallarán con la probabilidad 1 − p, independientemente
4,33. Un vendedor compra papeles a 10 centavos y los vende del motor al motor. Si un avión necesita una mayoría
a 15 centavos. Sin embargo, no se le permite devolver de sus motores operativos para completar un vuelo
papeles no vendidos. Si su demanda diaria es una exitoso, para qué valores de P ¿es preferible un plano
de 5 motores a un avión de 3 motores?
variable aleatoria binomial con n ,
4,43. Un canal de comunicaciones transmite los dígitos 0 y
aproximadamente Cuántos documentos debe comprar
1. Sin embargo, debido a la estática, el dígito transmitido se
para maximizar su beneficio esperado?
recibe incorrectamente con probabilidad. 2. Supongamos
4,34. En el ejemplo 4B, supongamos que el almacén
que queremos transmitir un mensaje importante consistente
departamental incure en un costo adicional de C para
en un dígito binario. Para reducir la posibilidad de error,
cada unidad de demanda no satisfecha. (Este tipo de
transmitimos 00000 en lugar de 0 y 11111 en lugar de 1. Si
costo a menudo se conoce como un costo de buena
el receptor del mensaje utiliza la decodificación
voluntad porque la tienda pierde la buena voluntad de
Problemas 225
"mayoritaria", ¿cuál es la probabilidad de que el mensaje se más dos tales desafíos, ¿cuántos desafíos debe
equivoque cuando se decodifica? ¿Qué suposiciones de hacer el abogado defensor si él o ella es 60 por
independencia estás haciendo? 4,44. Un sistema satelital ciento seguro de que el cliente es culpable?
consiste en N componentes y funciones en un día 4,48. Se sabe que los disquetes producidos por una cierta
determinado si al menos K Dela N función de los compañía serán defectuosos con la probabilidad .01,
componentes en ese día. En un día lluvioso independientemente de uno a. La compañía vende los
cada uno de los componentes funciona de forma disquetes en paquetes de tamaño 10 y ofrece una
independiente con probabilidad p1, mientras que en un garantía de devolución de dinero que a lo más 1 de los
día seco cada uno funciona independientemente con la 10 disquetes en el paquete será defectuoso. La garantía
probabilidad p2. Si la probabilidad de lluvia mañana es es que el cliente puede devolver todo el paquete de
α, ¿cuál es la probabilidad de que el sistema de satélites disquetes si encuentra más
funcionará? de un disquete defectuoso. Si alguien compra 3
4,45. Un estudiante se está preparando para tomar un examen paquetes, ¿cuál es la probabilidad de que él o ella
oral importante y se preocupa por la posibilidad de devolverá exactamente 1 de ellos?
tener un día "ON" o un día "OFF". Él calcula que si
tiene un día, entonces cada uno de sus examinadores 4,49. Cuando la moneda 1 es volteada, aterriza en cabezas
lo pasará, independientemente el uno del otro, con con probabilidad .4 Cuando la moneda 2 se volteado,
probabilidad .8, mientras que si tiene un día libre, esta aterriza en cabezas con probabilidad .7. una de estas
probabilidad se reducirá a. 4. Supongamos que el monedas es elegida aleatoriamente y volteado 10
estudiante pasará el examen si la mayoría de los veces.
examinadores lo pasan. Si el estudiante siente que (a) ¿Cuál es la probabilidad de que la moneda caiga
tiene el doble de probabilidades de tener un día libre sobre cabezas en exactamente 7 de los 10 saltos?
que el de tener un día, ¿debería solicitar un examen con (b) Teniendo en cuenta que el primero de estos diez
3 examinadores o con 5 examinadores? saltos aterriza cabezas, ¿cuál es la probabilidad
condicional de que exactamente 7 de los 10 saltos
4,46. Supongamos que se necesitan al menos 9 votos de un
aterrizan en cabezas?
jurado de 12 miembros para condenar a un acusado.
Supongamos también que la probabilidad de que un 4,50. Supongamos que una moneda sesgada que aterriza en
miembro del jurado vote a un culpable inocente es 2, cabezas con probabilidad P se volteado 10 veces. Dado
mientras que la probabilidad de que el miembro del que un total de 6 cabezas resultados, encontrar la
jurado vote a una persona inocente es culpable. Si cada probabilidad condicional de que los primeros 3
miembro del jurado actúa de forma independiente y si resultados son
el 65 por ciento de los acusados es culpable, encuentre (a) h, t, T (lo que significa que la primera Flip
la probabilidad de que el jurado represente un decisión resultados en cabezas, el segundo en colas, y el
correcta. ¿Qué porcentaje de acusados es condenado? tercero en
4,47. En algunos tribunales militares, se nombra a 9 jueces. colas);
Sin embargo, tanto el fiscal como los abogados (b) t, h, t.
defensores tienen derecho a un desafío perentorio de 4,51. El número esperado de errores tipográficos en una
cualquier juez, en cuyo caso ese juez es retirado del página de una determinada revista es. 2. ¿Cuál es la
caso y no es reemplazado. Un acusado es declarado probabilidad de que la página siguiente que lees
culpable si la mayoría de los jueces emitir votos de contenga (a) 0 y (b) 2 o más errores tipográficos? ¡
culpabilidad, y él o ella es declarada inocente de lo Explique su razonamiento!
contrario. Supongamos que cuando el acusado es, de
hecho, culpable, cada juez (independientemente) 4,52. El número promedio mundial mensual de accidentes
votará culpable con probabilidad .7, mientras que aéreos de aerolíneas comerciales es de 3,5. ¿Cuál es la
cuando el acusado es, de hecho, inocente, esta probabilidad de que se un al menos 2 de estos
probabilidad cae a. 3. accidentes en el mes siguiente;
(a) ¿Cuál es la probabilidad de que un acusado b a lo más 1 accidente en el mes siguiente? ¡ Explique
culpable sea declarado culpable cuando hay (i) 9, su razonamiento!
(II) 8, y (III) 7 jueces? 4,53. Aproximadamente 80.000 matrimonios se llevaron a
(b) Repita la parte (a) para un acusado inocente. cabo en el estado de Nueva York el año pasado.
(c) Si el fiscal no ejerce el derecho a un desafío Estimar la probabilidad de que, para al menos una de
perentorio de un juez, y si la defensa se limita a lo estas parejas, un ambos socios nacieron el 30 de abril;
Problemas 226
b ambos socios celebraron su cumpleaños el mismo tiempo, ¿cuán probable es que la droga sea beneficiosa
día del año. Indique sus suposiciones. para él o ella?
4,54. Supongamos que el número promedio de coches 4,61. La probabilidad de ser tratada una casa llena en una
abandonados semanalmente en una determinada mano de póquer es aproximadamente. 0014. Encontrar
carretera es 2,2. Aproximan la probabilidad de que una aproximación para la probabilidad de que, en 1000
haya un no hay coches abandonados en la próxima manos de póquer, se le repartirá al menos 2 casas
semana; b al menos 2 coches abandonados en la completas.
próxima semana. 4,62. Considerar N ensayos independientes, cada uno de los
4,55. Una determinada Agencia de mecanografía emplea A cuales da como resultado uno de los resultados 1,...,K
2 mecanólogos. El número medio de errores por con las probabilidades respectivas p1,...,pk,
artículo es 3 cuando se escribe por el primer . Muestre que si todos los pme son
mecanógrafo y 4,2 cuando se escribe por el segundo. pequeñas, entonces la probabilidad de que ningún
Si su artículo es igualmente probable que sea escrito resultado del ensayo ocurra más de una vez es
por un mecanógrafo, aproxime la probabilidad de que aproximadamente igual a exp
no tendrá errores.
4,63. Las personas entran en un casino de apuestas a una tasa
4,56. ¿Cuántas personas son necesarias para que la de 1 cada 2 minutos.
probabilidad de que al menos uno de ellos tiene el (a) ¿Cuál es la probabilidad de que nadie entre 12:00
mismo cumpleaños que usted es mayor que ? y 12:05?
4,57. Supongamos que el número de accidentes que ocurren (b) ¿Cuál es la probabilidad de que al menos 4
en una carretera cada día es una variable aleatoria de personas entren al Casino durante ese tiempo?
Poisson con parámetro L = 3. 4,64. La tasa de suicidio en cierto estado es de 1 suicidio por
100.000 habitantes al mes.
(a) Encuentre la probabilidad de que ocurran 3 o más
(a) Encontrar la probabilidad de que, en una ciudad
accidentes en la actualidad.
de 400.000 habitantes dentro de este estado, habrá
(b) Repita la parte (a) suponiendo que se produzca al
8 o más suicidios en un mes dado.
menos 1 accidente hoy.
(b) ¿Cuál es la probabilidad de que habrá al menos 2
4,58. Compare la aproximación de Poisson con la meses durante el año que tendrá 8 o más
probabilidad binomial correcta para los siguientes suicidios?
casos: (c) Contando el mes presente como el mes número 1,
(a) P{X = 2} Cuando N = 8 P = .1 ¿cuál es la probabilidad de que el primer mes para
(b) P{X = 9} Cuando N = 10 P = .95; tener 8 o más suicidios será el número de mes i,me
Efectos 1?
(c) P{X = 0} Cuando N = 10 P = .1 De P{X = 4} ¿Qué suposiciones estás haciendo?
Cuando N = 9 P = .2. 4,65. Cada uno de 500 soldados en una compañía del ejército
tiene independientemente una cierta enfermedad con
4,59. Si usted compra un billete de lotería en 50 loterías, en
probabilidad 1/103. Esta enfermedad se mostrará en un
cada uno de los cuales su oportunidad de ganar un
análisis de sangre, y para facilitar los asuntos, muestras
premio es , ¿cuál es la probabilidad (aproximada) de sangre de todos los soldados 500 se agrupan y se
de que ganarás un premio un por lo menos una vez? b prueban.
exactamente una vez? (a) ¿Cuál es la probabilidad (aproximada) de que la
c al menos dos veces? prueba de sangre será positiva (es decir, al menos
4,60. El número de veces que una persona contrae un una persona tiene la enfermedad)? Supongamos
resfriado en un año dado es una variable aleatoria de ahora que la prueba de sangre produce un
Poisson con parámetro L = 5. Supongamos que se resultado positivo.
acaba de comercializar un nuevo fármaco de maravilla (b) ¿Cuál es la probabilidad, en esta circunstancia, de
(basado en grandes cantidades de vitamina C) que que más de una persona tenga la enfermedad?
reduce el parámetro de Poisson a L = 3 para 75 por Una de las 500 personas es Jones, quien sabe que tiene
ciento de la población. Para el otro 25 por ciento de la la enfermedad.
población, la droga no tiene ningún efecto apreciable (c) ¿Qué piensa Jones que es la probabilidad de que
en los resfriados. Si un individuo intenta el más de una persona tenga la enfermedad?
medicamento durante un año y tiene 2 resfriados en ese
Problemas 227
Debido a que la prueba agrupada fue positiva, las 4,71. Considere una rueda de la ruleta que consiste en 38
autoridades han decidido probar cada individuo por números del 1 al 36, 0, y el doble 0. Si Smith siempre
separado. La primera me − 1 de estas pruebas fueron apuesta que el resultado será uno de los números del 1
negativas, y el iuno — que estaba en Jones — fue al 12, ¿cuál es la probabilidad de que un Smith perderá
positivo. sus primeras 5 apuestas; b su primera victoria ocurrirá
(d) Dado el escenario precedente, ¿cuál es la en su cuarta apuesta?
probabilidad, en función de i, que cualquiera de 4,72. Dos equipos atléticos juegan una serie de juegos; el
las personas restantes tiene la enfermedad? primer equipo en ganar 4 partidos es declarado
4,66. Un total de 2N personas, consistentes en N parejas ganador general. Supongamos que uno de los equipos
casadas, se sientan al azar (todos los ordenamientos es más fuerte que el otro y gana cada juego con
posibles son igualmente probables) en una mesa probabilidad......, independientemente de los
redonda. Dejar Cme denotan el evento que los resultados de los otros juegos. Encuentre la
miembros de la pareja me están sentados uno al lado probabilidad, para me = 4, 5, 6, 7, que el equipo más
del otro, me = 1...,n. fuerte gana la serie en exactamente me Juegos.
Compare la probabilidad de que el equipo más fuerte
(a) Encontrar P(Ci). gane con la probabilidad de que gane una serie 2-out
(b) Para J Z iEncontrar P(Cj|Ci). of-3.
(c) Aproxime la probabilidad, para N grande, que no 4,73. Supongamos que en el problema 72 que los dos equipos
hay parejas casadas que están sentados uno al coinciden uniformemente y cada uno tiene
lado del otro. probabilidad de ganar cada juego. Encuentra el
4,67. Repita el problema anterior cuando el asiento es número esperado de juegos jugados.
aleatorio pero sujeto a la restricción que los hombres y 4,74. A un entrevistador se le da una lista de personas que
las mujeres alternan. puede entrevistar. Si el entrevistador necesita
entrevistar a 5 personas, y si cada persona
4,68. En respuesta a un ataque de 10 misiles, se lanzan 500
(independientemente) acepta ser entrevistada con
misiles antibalísticos. Los objetivos de misiles de los
misiles antibalísticos son independientes, y cada misil probabilidad , ¿cuál es la probabilidad de que su lista
antiballstic es igualmente probable que vaya hacia de personas le permita obtener su número necesario de
cualquiera de los misiles objetivo. Si cada misil entrevistas si la lista consiste en (a) 5 personas y (b) 8
antibalístico golpea su objetivo de forma personas? Para la parte (b), ¿cuál es la probabilidad de
independiente con probabilidad .1, utilice el que el entrevistador hable exactamente (c) 6 personas
paradigma de Poisson para aproximar la probabilidad y (d) 7 personas en la lista?
de que todos los misiles sean golpeados. 4,75. Una moneda justa es continuamente volteada hasta que
4,69. Una moneda justa se volteado 10 veces. Encontrar la las cabezas aparezcan por décima vez. Dejar X denotan
probabilidad de que haya una cadena de 4 cabezas el número de colas que ocurren. Calcule la función de
consecutivas por un utilizando la fórmula derivada en masa de probabilidad de X.
el texto; 4,76. Resuelva el problema de coincidencia de Banach
(b) utilizando las ecuaciones recursivas derivadas en (ejemplo 8E) cuando el Matchbox de la izquierda
el texto. contenía originalmente
(c) Compare su respuesta con la que da la
aproximación de Poisson.
4,70. En el momento 0, una moneda que sube cabezas con
probabilidad P se volteado y cae al suelo. Supongamos
que aterriza en la cabeza. A veces elegido de acuerdo
con un proceso de Poisson con tasa λ, la moneda es
recogido y volteado. (Entre estos tiempos la moneda
permanece en el suelo.) ¿Cuál es la probabilidad de
que la moneda está en su lado de la cabeza en el tiempo
t? Pista ¿Cuál sería la probabilidad condicional si no
hubiera volteretas adicionales por el tiempo t, y qué
sería si hubiera volteretas adicionales por el tiempo t?
228
EJERCICIOS TEÓRICOS
4,1. Hay N diferentes tipos de cupones, y cada vez que uno para obtener al menos uno de cada tipo. Calcular
se obtiene, independientemente de las opciones
pasadas, ser de tipo me con probabilidad Pi,me = 1...,N. PHint{T :=Utilice un argumento similar al que se
Dejar T denotan la necesidad número uno seleccione utiliza enn}.
Ejemplo 1E.
constantes, A Z 0?
4,4. Para una variable aleatoria no negativa con valores enteros N, muestran que q
E P{N Efectos i}
Qi
=1
q { } = i=1 k=i
q Q
4,7. Dejar X ser una variable aleatoria que tiene un valor esperado M y la varianza σ 2. Encuentre el valor esperado y la varianza
de
Y
4,8. Encontrar var(X) Si
P(X = a) = P = 1 − P(X = b)
i
P{X = i} = , me = 0...,n
(x xiyn−i
Cuando X Y y son no negativos. Pista: Dejar P = x+xy.
4,10. Dejar X ser una variable aleatoria binomial con parámetros N Y p. Mostrar que
p)n+1
E
p
4,11. Considerar N ensayos secuenciales independientes, cada uno de los cuales tiene éxito con la probabilidad p. Si hay un
total de K éxitos, demuestran que cada uno de los n!/[k!(N − k)!] posibles arreglos de la K éxitos y N − K las fallas es
igualmente probable.
4,12. Hay N componentes alineados en una disposición lineal. Supongamos que cada componente funciona de forma
independiente con la probabilidad p. ¿Cuál es la probabilidad de que no 2 componentes vecinos sean ambos no
funcionales?
Pista: Condicione el número de componentes defectuosos y utilice los resultados del ejemplo 4C del capítulo 1.
4,13. Dejar X ser una variable aleatoria binomial con parámetros (n, p). ¿Qué valor de P Maximiza P{X = k},K = 0, 1,...,n? Este
es un ejemplo de un método estadístico utilizado para estimar P Cuando un binomio (n, p) se observa una variable aleatoria
igual a k. Si asumimos que N se conoce, entonces estimamos P eligiendo ese valor de P que maximiza P{X = k}. Esto se
conoce como el método de estimación de máxima verosimilitud.
4,14. Una familia tiene N niños con probabilidad αpn,N Efectos 1, donde Un... (1 − p)/p.
(a) ¿Qué proporción de familias no tiene hijos?
(b) Si cada niño es igualmente probable que sea un niño o una niña (independientemente el uno del otro), ¿qué
proporción de familias consiste en K niños (y cualquier número de niñas)?
4,15. Supongamos que N Lanzamientos independientes de una moneda con probabilidad P de subir cabezas se hacen. Muestre
que la probabilidad de que un número par de cabezas resulte (Q − p)n], donde Q = 1 − p. De
Esto probando y luego utilizando la identidad
2P + q)N + (Q − p)n3
donden/2] es el número entero más grande menor o igual que n/2. Compare este ejercicio con el ejercicio teórico 3,5 del
capítulo 3.
4,16. Dejar X ser una variable aleatoria de Poisson con parámetro λ. Mostrar que P{X = i} aumenta monotónicamente y luego
disminuye monótona me aumenta, alcanzando su máximo cuando me es el número entero más grande que no excede λ.
Pista: Considere P{X = i}/P{X = me − 1}.
P{X es incluso} =
utilizando el resultado del ejercicio teórico 15 y la relación entre las variables aleatorias de Poisson y binomial.
(b) Verificar la fórmula en parte (a) directamente haciendo uso de la expansión de e−L + eλ.
4,18. Dejar X ser una variable aleatoria de Poisson con parámetro λ. ¿Qué valor de L Maximiza P{X = k},K Efectos 0?
4,19. Mostrar que X es una variable aleatoria de Poisson con parámetro λEntonces
(b) Porque el número total de cabezas que ocurren cuando todos N las monedas se enrollan es aproximadamente una
variable aleatoria de Poisson con parámetro λ, y porque sólo paramos cuando este número es
Positivo
λe− l
P{X = 1} L P{Y = 1|Y > 0} = 1 − e− l
(c) Porque al menos una moneda sube cabezas, X será igual a 1 si ninguno de los otros N − 1 monedas vienen cabezas.
Debido a que el número de cabezas resultantes de estos N − 1 monedas es aproximadamente Poisson con la media
(N − 1)P L l, P{X = 1} L P{Y = 0} = e−λ
4,21. De un conjunto de N personas elegidas al azar, que EIj denotan el evento de que las personas me Y J tienen el mismo
cumpleaños. Supongamos que cada persona es igualmente probable que tenga cualquiera de los 365 días del año como
su cumpleaños. Encontrar un P(E3, 4|E1, 2);
(b) P(E1, 3|E1, 2);
(c) P(E2, 3|E1, 2 ∩ E1, 3).
Ejercicios teóricos
¿Qué puede concluir de sus respuestas a las partes (a) – (c) sobre la independencia de la Eventos EIj?
4,22. Una urna contiene 2N bolas, de las cuales 2 están numeradas 1, 2 están numeradas 2,..., y 2 están numerados n. Las bolas
se retiran de forma sucesiva 2 a la vez sin reemplazo. Dejar T denotan la primera selección en la que las bolas retiradas
tienen el mismo número (y dejar que sea igual a infinito si ninguno de los pares retirados tiene el mismo número).
Queremos mostrar que, para 0 < Α < 1
e
LimP{T "Unn} = −Un2 n
Para comprobar la fórmula anterior, deje que MK denotan el número de pares retirados en el primer K Selecciones K =
1...,n.
(a) Argumentar que cuando N es grande, MK puede considerarse como el número de éxitos en k
(aproximadamente) ensayos independientes.
(b) Aproximado P{MK = 0} Cuando N es grande.
(c) Escribe el evento {T "Unn} en términos del valor de una de las variables Mk.
2. no hay una cadena de K cabezas consecutivas dentro de la primera N − K − 1 voltea, flip N − K es una cola, y
se voltea N − K + 1...,N son todas cabezas.
b Usando lo anterior, relacionar PN Para Pn−1. Comenzando con PK = pk, la recursividad se puede utilizar para obtener
Pk+1Entonces Pk+1, y así sucesivamente, hasta Pn.
4,25. Supongamos que el número de eventos que se producen en un tiempo especificado es una variable aleatoria de Poisson
con parámetro λ. Si cada evento es contado con probabilidad p, independientemente de cada otro evento, muestran que el
número de eventos que se cuentan es una variable aleatoria de Poisson con parámetro λp. También, dar un argumento
intuitivo en cuanto a por qué esto debería ser así. Como aplicación del resultado precedente, supongamos que el número
de depósitos de uranio distintos en un área determinada es una variable aleatoria de Poisson con parámetro L = 10. Si, en
un período de tiempo determinado, cada depósito se descubre de forma , encontrar la probabilidad de que (a)
exactamente 1, (b) al menos 1, y (c) a lo más 1 depósito se descubre durante ese tiempo.
4,26. Probar
N e− l me = 1 * Q xxnDx L e− i! n! L i=0
Usando la interpretación de una variable aleatoria geométrica, da un argumento verbal sobre por qué la ecuación
precedente es verdadera.
4,28. Dejar X ser una variable aleatoria binomial negativa con parámetros R Y p, y deje que Y ser una variable aleatoria binomial
con parámetros N Y p. Mostrar que
Pista: Cualquiera podría intentar una prueba analítica de la ecuación precedente, que es equivalente a probar la identidad
q
i= n+1
i
P{X = K + 1}/P{X = k}
4,30. Bolas numeradas 1 a N están en una urna. Supongamos que n,N ... N, de ellos se seleccionan aleatoriamente sin reemplazo.
Dejar Y indican el número más grande seleccionado.
(a) Encuentre la función de masa de probabilidad de Y.
(b) Derivar una expresión para E[Y] y luego utilizar la identidad combinatoria de Fermat (ver ejercicio teórico 11 del
capítulo 1) para simplificar la expresión.
4.31. Un frasco contiene M + N chips, numerados 1, 2,...,N + m. Un conjunto de tamaño N se dibuja. Si dejamos que X denotan
el número de chips dibujados con números que exceden cada uno de los números de los restantes, computan la función
de masa de probabilidad de X.
4.32. Un frasco contiene N Chips. Supongamos que un niño extrae sucesivamente un chip de la jarra, cada vez que se reemplaza
el dibujado antes de dibujar otro. El proceso continúa hasta que el niño dibuja un chip que
que ha dibujado anteriormente. Dejar X denotan el número de sorteos y computan su función de masa de probabilidad.
4.33. Demuestre que la ecuación (8,6) sigue de la ecuación
(8,5).
4,34. De un conjunto de N elementos, un subconjunto no vacío se elige aleatoriamente en el sentido de que todos los
subconjuntos no vacíos son igualmente propensos a seleccionarse. Dejar X indican el número de elementos en el
subconjunto elegido. Usando las identidades dadas en el ejercicio teórico 12 del capítulo 1, muestre que
n
E
= N · 22n−2 − n(N + 1)2n−2 Fue(X)
(2N − 1)2
P xi,Y = yj}
(i,j) ∈Ak
Y = yj}
Problemas y ejercicios de autoprueba
E xi,
i j
Y = yj}
P xi,Y = yj),
j
P xi,Y = yj}
i
4,1. Supongamos que la variable aleatoria X es igual a ella y luego apostar x, terminará ganando el número de Hits obtenidos
por una determinada base X − C O −X − C (es decir, perder X + C en el jugador de latball en sus próximos 3 en los
murciélagos. Si P{X = 1} = caso del ter). Además, ¿para qué valores de C ¿paga a .3P{X = 2} = .2, y P{X = 0} = 3P{X
= 3}, comprar la información?
Encontrar E[X].
4,7. Un filántropo escribe un número positivo X en un
4,2. Supongamos que X toma uno de los valores 0,1, pedazo de papel rojo, muestra el papel a un imparand 2. Si para alguna
me 1 ,me 1, 2, encontrar E[X].
constante c,P{X = i} = Cp{X = observador, y luego lo vuelve boca abajo en el − } = Mesa.
El observador entonces voltea una moneda justa. Si muestra
4,3. Una moneda que, al volteada, sube cabezas con cabezas, escribe el valor 2X y, si las colas, la probabilidad de valor P se
volteado hasta que las cabezas o las colas x/2, en un trozo de papel azul, que luego se gira ha ocurrido dos veces.
Voltea.
Encuentre el número esperado de cara abajo sobre la mesa. Sin saber tampoco el valor X o el resultado del tirón
de la moneda, usted tiene
4,4. Una cierta comunidad se compone de M Familias la opción de girar ya sea el rojo o el r
las familias se eligen al azar, dejei =1 =X indica el número escrito en ese papel, usted puede recibir como
recompensa, ya sea esa cantidad o la nme de los cuales han me Niños nme m. Si uno de papel azul. Después de hacerlo y
observando el número de niños en esa familia. Si una de las cantidades (desconocidas) escritas en la otra pieza de r
Enme que los niños sean elegidos al azar, Y denotar papel. Por ejemplo, si opta por dar la vuelta al número total de
papel azul y observe el valor 100, luego
niños de la familia de esei=1 puede optar por aceptar 100 como su
recompensa o hijo. Mostrar que E[Y] Efectos E[X]. para tomar la cantidad (ya sea 200 o 50) en el rojo
4,5. Supongamos que P{X = 0} = 1 − P{X = 1}. Si es papel. Supongamos que le gustaría que su E[X] = 3Var(X)Encontrar
P{X = 0}. recompensa a ser grande.
4,6. Hay 2 monedas en un recipiente. Cuando uno de ellos es un Argumentan que no hay razón para dar la vuelta a la
volteada, aterriza en cabezas con la probabilidad 6, y el papel rojo en primer lugar, porque si lo hace, entonces no
cuando el otro se volteó, aterriza en las cabezas con la materia qué valor usted observa, es siempre probabilidad. 3. Una
de estas monedas es ser mejor al azar para cambiar al papel azul.
elegida y luego volteada. Sin saber qué b Dejar y ser un valor no negativo fijo, y concoin se elige, se puede apostar
cualquier cantidad hasta 10 Sider la siguiente estrategia: dar la vuelta a los dólares, y entonces o bien ganar esa cantidad
si el papel azul, y si su valor es por lo menos y, entonces la moneda sube las cabezas o la pierde si sube las colas. aceptar
esa cantidad. Si es menor que y, entonces Supongamos, sin embargo, que un Insider está dispuesto a vender cambiar al
papel rojo. Dejar Ry(x) denotar el que, por una cantidad C, la información sobre qué recompensa obtenida si el filántropo
escribe moneda fue seleccionada. ¿Cuál es su pago esperado de la cantidad X y usted emplea esta estratif que usted
compra esta información? Tenga en cuenta que si usted compra EGY. Encontrar E[Ry(x)]. Tenga en cuenta que E[R0(x)]
es el
recompensa esperada si el filántropo escribe la cantidad X cuando empleas la estrategia de elegir siempre el papel
azul.
4.8. Dejar B(n, p) representan una variable aleatoria binomial con parámetros N Y p. Argumentar que
Pista: El número de éxitos menores o iguales a los me es equivalente a Qué afirmación sobre el número de fallas?
4.9. Si X es una variable aleatoria binomial con el valor esperado 6 y la varianza 2,4, encontrar P{X = 5}.
4.10. Una urna contiene N bolas numeradas 1 a n. Si retira M bolas aleatoriamente en secuencia, cada vez que se reemplaza la
pelota seleccionada previamente, encontrar P{X = k},K = 1...,mDonde X es el máximo de la M números elegidos. Pista:
Primer hallazgo P{X ... k}.
4.11. Equipos Un Y B jugar una serie de juegos, con el primer equipo para ganar 3 juegos siendo declarados el ganador de la
serie. Supongamos que el equipo Un independientemente gana cada juego con probabilidad p. Encuentre la probabilidad
condicional de que el equipo Un Gana
un la serie dado que gana el primer juego; b el primer juego dado que gana la serie.
4.12. Un equipo de fútbol local tiene 5 juegos más a la izquierda para jugar. Si gana su juego este fin de semana, entonces
jugará sus últimos 4 partidos en el soporte superior de su liga, y si pierde, entonces jugará sus juegos finales en el soporte
inferior. Si juega en el soporte superior, entonces ganará independientemente cada uno de sus juegos en este soporte con
probabilidad 4, y si juega en el soporte inferior, entonces ganará independientemente cada uno de sus juegos con
probabilidad. 7. Si la probabilidad de que el equipo gane su juego este fin de semana es 0.5, ¿cuál es la probabilidad de
que gane al menos 3 de sus últimos 4 partidos?
4.13. Cada uno de los miembros de un panel de 7 jueces de forma independiente toma una decisión correcta con probabilidad
.7. Si la decisión del grupo especial se toma por regla mayoritaria, ¿cuál es la probabilidad de que el grupo especial realice
la decisión correcta? Dado que 4 de los jueces estuvieron de acuerdo, ¿cuál es la probabilidad de que el grupo especial
haya tomado la decisión correcta?
4.14. En promedio, 5,2 huracanes golpearon una región determinada en un año. ¿Cuál es la probabilidad de que haya 3 o menos
huracanes que impacte este año?
4.15. El número de huevos que se colocan en una hoja de árbol por un insecto de cierto tipo es una variable aleatoria de Poisson
con parámetro λ. Sin embargo, tal variable aleatoria se puede observar sólo si es positivo, ya que si es 0 entonces no
podemos saber que tal insecto estaba en la hoja. Si dejamos que Y denotan el número observado de huevos, luego
P{Y = i} = P{X = i|X > 0}
P{X = a} = p,P{X = b} = 1 − p
(a) Mostrar eso es una variable aleatoria Bernoulli.
(b) Encontrar var(X).
4,22. Cada juego que juegas es una victoria con probabilidad p. Usted planea jugar 5 juegos, pero si usted gana el quinto juego,
entonces usted seguirá jugando hasta que pierda.
(a) Encuentra el número esperado de juegos que juegas.
(b) Encuentra el número esperado de juegos que pierdes.
4.23. Las bolas se retiran aleatoriamente, una a la vez sin reemplazo, de una urna que inicialmente tiene N blanco y M bolas
negras. Encuentre la probabilidad de que N bolas blancas se dibujan antes de M bolas negras, N ... N,M ... M.
4.24. Diez bolas se distribuirán entre 5 urnas, con cada pelota entrando en urna me con probabilidad pi, . Dejar Xme
denotan el número de Problemas y ejercicios de autoprueba
bolas que entran en la urna i. Supongamos que los eventos correspondientes a las ubicaciones de diferentes bolas son
independientes.
(a) ¿Qué tipo de variable aleatoria es Xi? Sea lo más específico posible.
(b) Para me Z j, ¿qué tipo de variable aleatoria es Xme + Xj?
(c) Encontrar P{X1 + X2 + X3 = 7}.
5,1 Introducción
En el capítulo 4, consideramos variables aleatorias discretas, es decir, variables aleatorias
cuyo conjunto de valores posibles es finito o infinitamente infinito. Sin embargo, también
existen variables aleatorias cuyo conjunto de valores posibles es incontable. Dos ejemplos
son el tiempo que un tren llega a una parada especificada y la duración de un transistor. Dejar
X ser una variable aleatoria. Decimos que X es un Continua1 variable aleatoria si existe una
función no negativa f, definida para todos los X ∈ (− q, q, teniendo la propiedad que, para
cualquier conjunto B de números reales,2
1
A veces se llama absolutamente continuo.
2
En realidad, por razones técnicas la ecuación (1,1) es verdadera sólo para el Mensurable Establece B,
que, afortunadamente, incluyen todos los conjuntos de interés práctico.
−q
Todas las declaraciones de probabilidad sobre X puede ser respondida en términos de f. Por
ejemplo, desde la ecuación (1,1), dejar B = [a,b], obtenemos
186
Sección 5,1 Introducción
f
x
a b
P(U X B) = área de la región sombreada
n
En palabras, esta ecuación indica que la probabilidad de que una variable aleatoria continua
asuma cualquier valor fijo es cero. Por lo tanto, para una variable aleatoria continua,
P{X < a} = P{X ... a} = F(a) = * Q f(x)Dx a
−
EJEMPLO 1A
Supongamos que X es una variable aleatoria continua cuya función de densidad de
probabilidad es dada por
C * (4X − 2x2)Dx = 1
0
C
O
C
Ahí
.
EJEMPLO 1B
La cantidad de tiempo en horas que un ordenador funciona antes de romperse es una variable
aleatoria continua con la función de densidad de probabilidad dada por
f(x) =x/100
Efectos
0X<0
Solución. a) desde
q
e−x/100 Dx
obtenemos
O
Por lo tanto, la probabilidad de que un ordenador funcionará entre 50 y 150 horas antes de
la ruptura se da por
150
150
P 50
(b) Semejantemente
P
En otras palabras, aproximadamente 63,3 por ciento del tiempo, un ordenador fallará antes
de registrar 100 horas de uso. .
EJEMPLO 1C
La duración en horas de un cierto tipo de tubo de radio es una variable aleatoria que tiene
una función de densidad de probabilidad dada por
⎧ ⎪ 0 X ... 100
P(Ei) = * f(x)Dx
0
Dx
Por lo tanto, de la independencia de los acontecimientos Ei, se deduce que la probabilidad
deseada es
.
La relación entre la distribución acumulada F y la densidad de probabilidad F se expresa
por
F(a) = P{X ∈ (− q,a]} = * f(x)Dx a
−q
Diferenciando ambos lados de la ecuación anterior rinde
d
F(a) f(a)
De =
Es decir, la densidad es la derivada de la función de distribución acumulativa. Una
interpretación algo más intuitiva de la función de la densidad se puede obtener de la ecuación
(1,2) como sigue:
EJEMPLO 1D
Si X es continua con la función de distribución FX y la función de la densidad fX, encuentre
la función de densidad de Y = 2X.
P{2X ... a}
= FX(a/2)
La diferenciación da
fY
Otra forma de determinar fY es notar que
X ... a
Un
... X ... +}
2 4
L fX(a/2)
2
Dividiendo por da el mismo resultado que antes. .
E
x
Si X es una variable aleatoria continua que tiene la función de densidad de probabilidad f(x),
entonces, porque
f(x)Dx L P{X ... X ... X + Dx} Para Dx Pequeño
E[X] = * Xf(x)Dx − q
EJEMPLO 2A
Encontrar E[X] cuando la función de densidad de X Es
2X Si 0 ... X ... 1
f(x) = %
0 Lo contrario
Solución.
E[X] = * Xf(x)Dx
Dx
EJEMPLO 2B
La función de densidad de X es dada por
1 Si 0 ... X ... 1
f(x) = %
0 de lo contrario
Encontrar E[eX].
Sección 5,2 Expectativa y varianza de variables aleatorias continuas
P{eX ... x}
= P{X ... Registro(x)}
Registro(x)
= *0 f(y)Dy
= Registro(x)
Ahí
q
= *1 Dx
=Y−1 .
=Y−1
0 0 y
donde hemos utilizado el hecho de que P{Y > y} = -yQ fY(x)Dx. Intercambie el orden de
FY(x)Dx
q
= *0 XfY(x)Dx
= E[Y] .
Prueba de la Proposición 2,1. Desde Lemma 2,1, para cualquier función G para
= *0 *x:g(x)>y f(x)DXDY
g(x)
= *x:g(x)>0 *0 m f(x)Dx
= *x:g(x)>0 g(x)f(x)Dx
EJEMPLO 2C
Un palo de longitud 1 se divide en un punto U que se distribuye uniformemente sobre (0,1).
Determine la longitud esperada de la pieza que contiene el punto p, 0 ... P ... 1.
Solución. Dejar Lp(U) denotan la longitud del substick que contiene el punto p, y observe
que
E[Lp(U)] = *0 Lp(u)De
= *0 (1 − u)De + *P Niebla p
1
1–U
un
U p 1 0
U
b
0 p U 1
Desde p(1 − p) está maximizada cuando p , es interesante notar que la longitud esperada
de la subvarilla que contiene el punto P está maximizada cuando P es el punto medio del
palo original. .
EJEMPLO 2D
Supongamos que si usted está s minutos antes de una cita, entonces usted incurre en el costo
Cs, y si está s minutos tarde, entonces usted incurre en el costo Ks. Supongamos también
que el tiempo de viaje desde donde usted está actualmente a la ubicación de su cita es una
variable aleatoria continua que tiene la función de densidad de probabilidad f. Determine la
hora a la que debe salir si desea minimizar el costo esperado.
Solución. Dejar X denotan el tiempo de viaje. Si te vas T minutos antes de su cita, entonces
su costo — llámeme Ct(X)— está dada por
Ct(X) = % k(X− − t) SiX Efectos t
c(t X) SiX ... t
Por lo tanto
q
E[Ct(X)]* Ct(x)f(x)Dx
0
t q
0 0 t t
El valor de T que minimiza la E[Ct(X)] ahora puede obtenerse por cálculo. Rendimientos de
diferenciación
d
E[Ct(X)] CT f(t) Cf(t) CT f(t) k f(t) k f(t) k[1 F(t)]
Alemán = + − − + − −
= (K + c)F(t) − k
Igualar el lado derecho a cero muestra que el costo mínimo esperado se obtiene cuando usted
deja t∗ minutos antes de su cita, donde t∗ Satisface
K
F(t∗) = k + c .
Al igual que en el capítulo 4, podemos usar la Proposición 2,1 para mostrar lo siguiente.
Corolario 2,1. Si Un Y B son constantes, entonces
E[Ax + b] = Ae[X] + b
La prueba de Corollary 2,1 para una variable aleatoria continua X es el mismo que el que
se da para una variable aleatoria discreta. La única modificación es que la suma es
reemplazada por una integral y la función de masa de probabilidad por una función de
densidad de probabilidad.
La varianza de una variable aleatoria continua se define exactamente como es para una
variable aleatoria discreta, es decir, si X es una variable aleatoria con valor esperado μ,
entonces la varianza de X se define (para cualquier tipo de variable aleatoria)
La fórmula alternativa,
EJEMPLO 2E
Encontrar var(X) Para X como se da en el ejemplo 2A.
Solución. Primero computamos E[X2].
q
E[X2] = * x2f(x)Dx − q
Dx
.
Se puede demostrar que, para las constantes Un Y b,
Fue(Ax + b) = a2Fue(X)
f (3,1)
-un valor en el intervalo (0, 1). Además, desde f(x) es constante para∈ X ∈ (0, 1), X es tan
probable que-=
Sección 5,3 La variable aleatoria uniforme
f ( a) F ( a)
1
1
——–
–
a a
(a) (b )
FIGURA 5,3: Gráfico de (a) f(a) y b) F(a) para una variable aleatoria uniforme (α, β).
estar cerca de cualquier valor en (0, 1), ya que es estar cerca de cualquier otro valor. Para
comprobar esta instrucción, tenga en cuenta que, para cualquier 0 < Un < B < 1
b
Si A < X < b
f(3,2)
0 Lo contrario
Desde F(a) = -−aQ f(x)Dx, se deduce de la ecuación (3,2) que la función de distribución(A,B
F
La figura 5,3 presenta un gráfico de f(a) Y F(a).
EJEMPLO 3A
Dejar X distribuirse uniformemente sobre (A,B. Buscar (a) E[X] y (b) var(X).
Solución. un
q
E[X] = * Xf(x)Dx
− BQ x
* Dx
α
En palabras, el valor esperado de una variable aleatoria que se
distribuye uniformemente en algún intervalo es igual al punto medio
de ese intervalo. (b) para encontrar var(X), primero calculamos
E[X2].
E Dx
Ahí
EJEMPLO 3B
Si X se distribuye uniformemente sobre (0, 10), calcule la probabilidad de que (a) X < 3, (b)
X > 6, y (c) 3 < X < 8.
Solución.
.
EJEMPLO 3C
Los autobuses llegan a una parada especificada a intervalos de 15 minutos a partir de las 7
A.M. Es decir, llegan a 7, 7:15, 7:30, 7:45, y así sucesivamente. Si un pasajero llega a la
parada en un momento que se distribuye uniformemente entre 7 y 7:30, encontrar la
probabilidad de que espera
(a) menos de 5 minutos para un
autobús; (b) más de 10 minutos para un
autobús.
Solución. Dejar X indican el número de minutos pasados 7 que el pasajero llega a la parada.
Desde X es una variable aleatoria uniforme a lo largo del intervalo (0, 30), se deduce que el
pasajero tendrá que esperar menos de 5 minutos si (y sólo si) llega entre
7:10 y 7:15 o entre 7:25 y 7:30. Por lo tanto, la probabilidad deseada para la parte (a) es
P
Del mismo modo, tendría que esperar más de 10 minutos si llega entre 7 y 7:05 o entre 7:15
y 7:20, por lo que la probabilidad de la parte (b) es
.
P
Sección 5,3 La
variable aleatoria uniforme
El siguiente ejemplo fue considerado por primera vez por el matemático francés Joseph l.
f. Bertrand en 1889 y a menudo se le denomina La paradoja de Bertrand. Representa nuestra
introducción inicial a un tema comúnmente referido como probabilidad geométrica.
EJEMPLO 3D
Considere un acorde aleatorio de un círculo. ¿Cuál es la probabilidad de que la longitud del
acorde será mayor que el lado del triángulo equilátero inscrito en ese círculo?
Solución. Como se indicó, el problema es incapaz de solución porque no está claro lo que
se entiende por un acorde aleatorio. Para dar sentido a esta frase, reformularemos el problema
de dos maneras distintas.
La primera formulación es la siguiente: la posición del acorde se puede determinar por su
distancia desde el centro del círculo. Esta distancia puede variar entre 0 y r, el radio del
círculo. Ahora, la longitud del acorde será mayor que el lado del triángulo equilátero inscrito
en el círculo si la distancia desde el acorde al centro del círculo es menor que r/2. Por lo
tanto, suponiendo que un acorde aleatorio es un acorde cuya distancia D del centro del
círculo se distribuye uniformemente entre 0 y r, vemos que la probabilidad de que la longitud
del acorde sea mayor que el lado de un triángulo equilátero inscrito es
P
Para nuestra segunda formulación del problema, considere un acorde arbitrario del
círculo; a través de un extremo del acorde, dibuja una tangente. El ángulo Me entre el acorde
y la tangente, que puede variar de 0◦ a 180◦, determina la posición del acorde. (Consulte la
figura 5,4.) Además, la longitud del acorde será mayor que el lado del triángulo equilátero
inscrito si el ángulo Me está entre 60◦ y 120◦. Por lo tanto, suponiendo que un acorde aleatorio
es un acorde cuyo ángulo Me se distribuye uniformemente entre 0◦ y 180◦, vemos que la
respuesta deseada en esta formulación es
Tenga en cuenta que los experimentos aleatorios podrían realizarse de tal manera que O
sería la probabilidad correcta. Por ejemplo, si un disco circular de radio R se lanza sobre una
mesa gobernada con líneas paralelas a una distancia 2R Aparte, entonces una y sólo una de
estas líneas cruzaría el disco y formarían un acorde. Todas las distancias desde este acorde
al centro del disco serían igualmente probables, de modo que la probabilidad deseada de que
la longitud del acorde sea mayor que el lado de un triángulo equilátero inscrito es . En
cambio, si el
experimento consistía en girar una aguja libremente sobre un punto Un en el borde (ver
Figura 5,4) del círculo, la respuesta deseada sería . .
f −q<X<q
Esta función de densidad es una curva en forma de campana que es simétrica sobre μ.
(Consulte la figura 5,5.)
.399
–3 –2 –1 0 1 2 3
(a)
.399
——–
– +
–2 +2
( b)
1 * Q e−x− m)2/2σ2 Dx = 1
2
−q
†
La otra es la fuerte ley de los grandes números.
Hacer la sustitución y = (X − m)/s, vemos que
2Cp −q 2π −q
* Q e−y2/2 Dy = √2π
−q
=
Hacia este extremo, deje que Me -−qQ e−y2/2 Dy. Entonces2
2q q
Q 2π 2
=
I2 *0 *0 e−R /2RdMe Dr
q 2
6
= −2πe−R /2 6q0
= 2π
Por lo tanto, un hecho importante sobre las variables aleatorias normales es que siMe = √2π, y se prueba el
resultado. X normalmente se dis-
parameterstributed con parámetrosaM + B Y a2CwF2YY. Para probar esta afirmación,
supongamos que denotan la función de distribución acumulativa deσ2Entonces Y = Ax + B
normalmente se distribuye conUn > 0. (la pruebaY. Luego, cuando Un < 0 es similar.) Dejar
= P{Ax + B ... x}
= P{X ... X −a b}
= FX(X −a b)
fY(x) = a1fX(X −a b)
UnM2/2(aP2}
EJEMPLO 4A
Encontrar E[X] y var(X) Cuando X es una variable aleatoria normal con parámetros M Y σ2.
Solución. Comencemos encontrando la media y la varianza de la variable aleatoria normal
estándar Z = (X − m)/s. Tenemos
q
E[Z] = *XfZ(x)Dx
q 2
=√ * Coche−X /2 Dx 2P
−q
Así
Fue(Z) = E[Z2]
= √1 * Q x2e−x2/2 Dx
2π −q
1 q
2π − −q
= 1 *Q
2
1
e−x2/2 Dx q
E[X] = m + SE[Z] = M
Y
Fue(X) = S2Fue(Z) = S2 .
(x) = √ * e−y2/2 Dy
2π −q
Los valores de (x) para no negativos X se dan en la tabla 5,1. Para los valores negativos de
x, (x) puede obtenerse de la relación
( −q<X<q (4,1)
TABLA 5,1: ZONAx) BAJO LA CURVA NORMAL ESTÁNDAR A LA IZQUIERDA DE X
X .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
.7 .7580 .7611 .7642 .7673 .7704 .7734 .7764 .7794 .7823 .7852
.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
.9 .8159 .8186 .8212 .8238 .8264 .8289 .8315 .8340 .8365 .8389
1,0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
1,1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
1,2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1,3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
1,4 .9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
1,5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9429 .9441
1,6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1,7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
1,8 .9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9699 .9706
1,9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767
2,0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2,1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2,2 .9861 .9864 .9868 .9871 .9875 .9878 .9881 .9884 .9887 .9890
2,3 .9893 .9896 .9898 .9901 .9904 .9906 .9909 .9911 .9913 .9916
2,4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
2,5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2,6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2,7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2,8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2,9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3,0 .9987 .9987 .9987 .9988 .9988 .9989 .9989 .9989 .9990 .9990
3,1 .9990 .9991 .9991 .9991 .9992 .9992 .9992 .9992 .9993 .9993
3,2 .9993 .9993 .9994 .9994 .9994 .9994 .9994 .9995 .9995 .9995
3,3 .9995 .9995 .9995 .9996 .9996 .9996 .9996 .9996 .9996 .9997
3,4 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9998
La prueba de la ecuación (4,1), que sigue de la simetría de la densidad normal estándar, se
deja como ejercicio. Esta ecuación indica que si Z es una variable aleatoria normal estándar,
Desde Z = (X − m)/s es una variable aleatoria normal estándar cada vez que X normalmente
se distribuye con parámetros M Y σ2, se deduce que la función de distribución de X puede
expresarse como
μ
a
FX(a) = P{X ... a} =...
EJEMPLO 4B
SiX X<es una variable aleatoria normal con parameters5}; b P{X > 0}; c P{|X − 3| > 6}. m = 3 y σ2 = 9,
encontrar (a) P{2 <
Solución. un
3 0 3
P{X > 0} = P%X 3− > −3 / = P{Z > −1}
J h8413
2)]
L.0456
.
EJEMPLO 4C
Un examen se considera con frecuencia como bueno (en el sentido de determinar una
extensión válida del grado para los que lo toman) si las puntuaciones de la prueba de ésos
que toman el examen se pueden aproximar por una función normal de la densidad. (En otras
palabras, un gráfico de la frecuencia de las puntuaciones de grado debe tener
aproximadamente la forma en forma de campana de la densidad normal.) El instructor utiliza
a menudo las puntuaciones de las pruebas para estimar los parámetros normales M Y σ2 y
luego asigna el grado de letra A a aquellos cuya puntuación de prueba
es X
P X P 1 1 1 1587
mayor
X
que M P X P 0 1 1 0 3413
+ S, B a X
P X P 1 0
1 3413
aquellos cuya puntuación es entreM − s Y μ, D a aquellos cuya puntuación es entreM − 2σ.
a los que están obteniendo una puntuación a continuación se denomina calificación "en la
curva"). Desde
M
P{m − 2s < X < m − s} = P −2 < X σ− < −1/
(1Lla.1359 P
EJEMPLO 4D
Un testigo experto en un traje de paternidad testifica que la longitud (en días) de la gestación
humana se distribuye aproximadamente normalmente con parámetros m = 270 y σ2 = 100.
el acusado en la demanda es capaz de demostrar que estaba fuera del país durante un período
que comenzó 290 días antes del nacimiento del niño y terminó 240 días antes del nacimiento.
Si el acusado era, de hecho, el padre del niño, ¿cuál es la probabilidad de que la madre
pudiera haber tenido la gestación muy larga o muy corta indicada por el testimonio?
P{X > 290orX < 240} = P{X > 290} + P{X < 240}
= P%X −10270 > 2/ + P%X −10270 < −3/
(3Lla.0241
.
EJEMPLO 4E
Supongamos que un mensaje binario, ya sea 0 o 1, debe transmitirse por cable desde la
ubicación Un a la ubicación B. Sin embargo, los datos enviados a través del cable están
sujetos a una perturbación de ruido de canal, por lo que, para reducir la posibilidad de error,
el valor 2 se envía a través del cable cuando el mensaje es 1 y el valor −2 se envía cuando el
mensaje es 0. SiB, es dada porx,X = ;2, es el valor enviado en la ubicación AEntonces R, el
valor recibido en la ubicación
en la ubicaciónR = X + Nb, donde, el receptor lo decodifica de acuerdo con la siguiente
regla:N es la perturbación del ruido del canal. Cuando se recibe el mensaje
Sn Eg
P a b b a
Eg 1 p
Con .
m
Debido a que el teorema precedente es sólo un caso especial del teorema del límite central,
que se presenta en el capítulo 8, no presentaremos una prueba.
Tenga en cuenta que ahora tenemos dos posibles aproximaciones a las probabilidades
binomiales: la aproximación de Poisson, que es buena cuando N es grande y P es pequeño,
y la aproximación normal, que se puede demostrar para ser bastante bueno whenFigure 5,6.)
[La aproximación normal será, en general, bastante buena para los valores deEg(1 − p) es
grande. (Véase elN Satisfactorio Eg(1 − p) el 10.
EJEMPLO 4F
Dejar X ser el número de veces que una moneda justa que se volteado 40 veces aterriza en
las cabezas. con la solución exacta. Encuentre la probabilidad de que X = 20. Utilice la
aproximación normal y, a continuación, compare
(10 , 0,7) (20 , 0,7)
0,30 0,20
0,25
0,15
0,20
0,15 0,10
0,10
0,05
0,05
0,0 0,0
0 2 4 6 8 10 0 5 10 15 20
x x
(30 , 0,7) (50 , 0,7)
0,16 0,14
0,14 0,12
0,12 0,10
0,10
0,08
0,08
0,06
0,06
0,04 0,04
0,02 0,02
0,0 0,0
0 5 10 15 20 25 30 0 10 20 30 40 50
x x
FIGURA 5,6: La función de masa de probabilidad de un binomio (n, p) la variable aleatoria se vuelve cada vez más
"normal" N se vuelve más grande y más grande.
Solución. Para emplear la aproximación normal, tenga en cuenta que debido a que el
binomio es una variable aleatoria discreta con valores enteros, mientras que la normal es una
variable aleatoria continua, es mejor escribir P{X = i} Como P{me − 1/2 < X < me + 1/2}
antes de aplicar la aproximación normal (esto se denomina corrección de continuidad). Si lo
hace, le
19 5 20 X 20 20 5 20
10 10 10
=P
LP
L (.
El resultado exacto es
P .
EJEMPLO 4G
El tamaño ideal de una clase de primer año en una Universidad en particular es de 150
estudiantes. La Universidad, sabiendo de la experiencia pasada que, en la media, solamente
el 30 por ciento de ésos aceptados para la admisión asistirá realmente, utiliza una política de
aprobar las aplicaciones de 450 estudiantes. Calcule la probabilidad de que más de 150
estudiantes de primer año asistan a esta Universidad.
P{X Ú
L 1 −1.59)
L.0559
Por lo tanto, menos del 6 por ciento del tiempo hacen más de 150 de los primeros 450
aceptados realmente asisten. (¿Qué suposiciones de independencia hemos hecho?) .
EJEMPLO 4H
Para determinar la efectividad de una cierta dieta en la reducción de la cantidad de colesterol
en el torrente sanguíneo, 100 personas se ponen en la dieta. Después de haber estado en la
dieta durante un tiempo suficiente, se tomará su recuento de colesterol. El nutricionista que
ejecuta este experimento ha decidido respaldar la dieta si al menos 65 por ciento de las
personas tienen un colesterol más bajo cuenta después de ir a la dieta. ¿Cuál es la
probabilidad de que el nutricionista apruebe la nueva dieta si, de hecho, no tiene ningún
efecto en el nivel de colesterol?
Solución. Supongamos que si la dieta no tiene ningún efecto en el recuento de colesterol,
entonces, estrictamente por casualidad, el recuento de cada persona será menor de lo que era
antes de la dieta con probabilidad . Por lo tanto, si X es el número de personas cuyo recuento
se reduce, entonces la probabilidad de que el nutricionista respalde la dieta cuando en
realidad no tiene ningún efecto sobre el recuento de colesterol es
{X Efectos 64.5}
i=65
L 1 −2.9)
L.0019 .
EJEMPLO 4i
52 por ciento de los residentes de la ciudad de Nueva York están a favor de la prohibición
de fumar cigarrillos en las áreas de propiedad pública. Aproxime la probabilidad de que más
del 50 por ciento de una muestra aleatoria de N la gente de Nueva York están a favor de esta
prohibición cuando
¿Cuán grande sería N tiene que ser para hacer que esta probabilidad exceda. 95?
Solución. Dejar N denotan el número de residentes de la ciudad de Nueva York. Para
responder a la pregunta precedente, primero debemos entender que una muestra aleatoria de
tamaño N es una muestra tal que el N personas fueron elegidos de tal manera que cada uno
L (.04√n)
Así
5528,Si N = 11
P{SN > .5n} L (.4020) = .6562,Si N = 101
8973, si N = 1001
Para que esta probabilidad sea al menos. 95, necesitarían (.04√n) > .95. porque
(x) es una función creciente y (1.645) = .95, esto significa que
se dice que es un Exponencial variable aleatoria (o, más sencillamente, se dice que se
distribuye exponencialmente) con el parámetro λ. La función de distribución acumulativa
F(a) de una variable aleatoria exponencial es dada por
=
* λe−λX Dx
a
Un Efectos 0
X
Tenga en cuenta que F Dx = 1, como, por supuesto, debe. El parámetro L
ahora se mostrará que es igual al recíproco del valor esperado.
EJEMPLO 5A
Dejar X ser una variable aleatoria exponencial con parámetros λ. Calcular (a) E[X] y (b)
var(X).
Solución. (a) dado que la función de densidad se
f(x) =% le−λX X Efectos
0
0 X<0
E[Xn]* xnλe−λX Dx
N * Q λe− lxxn−1 Dx
Hacer[Xn−1]
Dejar N = 1 y luego N = 2 da
E
b) por lo tanto,
EJEMPLO 5B
Supongamos que la duración de una llamada telefónica en minutos es una variable aleatoria
exponencial con parámetro . Si alguien llega inmediatamente delante de usted en
una cabina de teléfono público, encontrar la probabilidad de que usted tendrá que esperar
(a) más de 10 minutos; (b) entre 10
y 20 minutos.
Solución. Dejar X indican la duración de la llamada realizada por la persona en la cabina.
Entonces las probabilidades deseadas son
un
P{X > 10} = 1 − F(10)
= e−1 L.368
b
P{10 < X < 20} = F(20) − F(10)
P{X > s + T | X > t} = P{X > s} para todos s,T Efectos 0 (5,1)
Si pensamos en X como la vida útil de algún instrumento, la ecuación (5,1) establece que la
probabilidad de que el instrumento sobrevive por lo menos s+T horas, dado que ha
sobrevivido T horas, es lo mismo que la probabilidad inicial de que sobrevive por lo menos
s Horas. En otras palabras, si el instrumento está vivo a la edad t, la distribución de la
cantidad restante de tiempo que sobrevive es la misma que la distribución original de por
vida. (Es decir, es como si el instrumento no "recuerda" que ya ha estado en uso durante un
tiempo t.)
La ecuación (5,1) equivale a
EJEMPLO 5C
Considere una oficina de correos que está atendida por dos empleados. Supongamos que
cuando el Sr. Smith entra en el sistema, descubre que la Sra. Jones está siendo servida por
uno de los empleados y el Sr. Brown por el otro. Supongamos también que el Sr. Smith se
le dice que su servicio comenzará tan pronto como se vaya la Sra. Jones o el Sr. Brown. Si
la cantidad de tiempo que un empleado pasa con un cliente se distribuye exponencialmente
con el parámetro λ, ¿cuál es la probabilidad de que, de los tres clientes, el Sr. Smith es el
último en abandonar la oficina de correos?
Solución. La respuesta se obtiene por razonamiento de la siguiente manera: considere el
momento en el que el Sr. Smith primero encuentra un empleado libre. En este punto, ya sea
la Sra. Jones o el Sr. Brown sólo habría izquierda, y el otro seguiría estando en servicio. Sin
embargo, debido a que el exponencial es memoryless, se deduce que la cantidad adicional
de tiempo que esta otra persona (ya sea ms. Jones o Mr. Brown) todavía tendría que gastar
en la oficina de correos se distribuye exponencialmente con el parámetro λ. Es decir, es lo
mismo que si el servicio para esa persona estuviera empezando en este momento. Por lo
tanto, por la simetría, la probabilidad de que la persona restante termine antes de que las
hojas de Smith deben igual . .
Resulta que no sólo es la distribución exponencial sin memoria, pero también es la
distribución única que posee esta propiedad. Para ver esto, supongamos que X es MEM-
oryless y dejar F(x) = P{X > x}. Entonces, por la ecuación (5,2),
F(s + t) = F(s)F(t)
g(s + t) = g(s)g(t)
Sin embargo, resulta que la única solución continua correcta de esta ecuación funcional es†
g(x) = e−λx (5,3)
y, puesto que una función de la distribución es siempre correcta continua, debemos tener
EJEMPLO 5D
Supongamos que el número de millas que un coche puede correr antes de que su batería se
desgasta se distribuye exponencialmente con un valor promedio de 10.000 millas. Si una
persona desea tomar un viaje de 5000 millas, ¿cuál es la probabilidad de que él o ella será
capaz de completar el viaje sin tener que reemplazar la batería del coche? ¿Qué se puede
decir cuando la distribución no es exponencial?
Solución. Sigue por la propiedad sin memoria de la distribución exponencial que la vida
restante (en miles de millas) de la batería es exponencial con el parámetro . Por lo
tanto, la probabilidad deseada es
†
Se puede probar la ecuación (5,3) como sigue: Si g(s + t) = g(s)g(t)Entonces
m
y repitiendo este rendimiento g(m/n) = g (1/n). También
g(1)
/N
OG nnnnn
m/n x
Ahí g(m/n) = (g(1)) , que, desde G continua, implica que la g(x) = (g(1)) .
λx
Kuz g 0, obtenemos g(x) = e− Donde L = −Registro(g(1)).
‡
También se llama a veces la variable aleatoria doble exponencial.
Su función de distribución está dada por
x
q
Fx
eλX Dx + Le−λX Dx X>0
−q
1eλx X<0=
x
⎨
X>02
EJEMPLO 5e
Considere de nuevo el ejemplo 4E, que supone que un mensaje binario debe transmitirse
desde Un Para B, con el valor 2 que se envía cuando el mensaje es 1 y −2 cuando es 0. Sin
embargo, Supongamos ahora que, en lugar de ser una variable aleatoria normal estándar, el
ruido del canal N es una variable aleatoria Laplaciana con parámetro L = 1. Supongamos de
nuevo que si R es el valor recibido en la ubicación B, el mensaje se descodificó de la
siguiente manera:
Si R Efectos.5, entonces se concluye 1.
Si R < .5, luego se concluye 0.
En este caso, donde el ruido es laplaciano con parámetro L = 1, los dos tipos de errores
tendrán probabilidades dadas por
L.1116
P{Error|se envía el mensaje 0} = P{N Efectos 2.5}
L.041
Al comparar esto con los resultados del ejemplo 4E, vemos que las probabilidades de error
son mayores cuando el ruido es laplaciano con L = 1 que cuando se trata de una variable
normal estándar.
f(t)
Lt) = , Donde F = 1 − F
F(t)
Así Lt) representa la intensidad de probabilidad condicional que un t-unidad-el artículo viejo
fallará.
Supongamos ahora que la distribución de por vida es exponencial. Luego, por la
propiedad sin memoria, se deduce que la distribución de la vida restante para un t-año-viejo
artículo es el mismo que para un nuevo artículo. Ahí Lt) debe ser constante. De hecho, esto
se verifica, ya que
f(tLt) =
F(t)
λe− lt
= e− lt
=L
Lt) = Un + Bt
F(t) = 1 − e−En−Bt2/2
EJEMPLO 5F
A menudo se oye que la tasa de mortalidad de una persona que fuma es, a cada edad, el
doble que la de un no fumador. ¿Qué significa esto? ¿Significa que un no fumador tiene el
doble de probabilidades de sobrevivir un número dado de años como lo hace un fumador de
la misma edad?
λs(t) = 2λn(t)
La probabilidad de que un Aaños de edad, no fumador sobrevivirá hasta la edad B, Un < BEs
De (5.4)
En otras palabras, para dos personas de la misma edad, uno de los cuales es un fumador
y el otro un no fumador, la probabilidad de que el fumador sobrevive a cualquier edad dada
es el Cuadrado (no una mitad) de la probabilidad correspondiente para un no fumador. Por
ejemplo, si , 50 ... T ... 60, entonces la probabilidad de que un no fumador de 50
años alcance la edad 60 es e−1/3 L.7165, mientras que la probabilidad correspondiente para
un fumador es e−2/3 L.5134. .
Sección 5,6 Otras distribuciones continuas
λe−λx(lx)α−1
⎧ f X Efectos 0
⎪⎩0 X<0
Dy (6,1)
Para valores integrales de αDecir A = n, obtenemos, aplicando la ecuación (6,1)
repetidamente,
(n)
!
j=n
donde la identidad final sigue porque el número de eventos en [0, t] tiene una distribución
de Poisson con parámetros λt. La diferenciación de lo anterior ahora produce la función de
densidad de Tn:
Q e− ltj(lt)j−1λ Q
λe− lt(lt)j
f
! ! j=n j=n
q q − lt(lt)j
λe
= (J − 1)! − j! j=n
j=n
Ahí TN tiene la distribución gamma con parámetros (n,L. (Esta distribución se refiere a
menudo en la literatura como el distribución de n-Erlang.) Tenga en cuenta que cuando N
= 1, esta distribución reduce a la distribución exponencial.
EJEMPLO 6A
Dejar X ser una variable aleatoria gamma con parámetros Un Y λ. Calcular (a) E[X] y (b)
var(X).
Solución. un
Q
λe−λx(lx)Un Dx
L (a)
objeto que consta de muchas partes, y Supongamos que el objeto experimenta la muerte
(fracaso) cuando cualquiera de sus partes fallan. Se ha demostrado (tanto teórica como
empíricamente) que bajo estas condiciones una distribución de Weibull proporciona una
aproximación cercana a la distribución de la vida útil del artículo.
La función de distribución de Weibull tiene la forma
X ... N
F(6,2) X "N
Se dice que una variable aleatoria cuya función de distribución acumulativa está dada por
la ecuación (6,2) Variable aleatoria de Weibull con parámetros ν,αY β. La diferenciación
produce la densidad:
X ... N
f
X "N
f q<X<q
EJEMPLO 6B
Supongamos que una linterna de haz estrecho se gira alrededor de su centro, que se
encuentra a una distancia de la unidad de la xeje. (Consulte la figura 5,7.) Considere el punto
X en el que el haz intersecta el x-eje cuando la linterna ha dejado de girar. (Si la viga no
apunta hacia el x-eje, repita el experimento.)
1
0 X x -Eje
FIGURA 5,7
Como se indica en la figura 5,7, el punto X se determina por el ángulo Me entre la linterna
y el y-eje, que, a partir de la situación física, parece estar distribuido uniformemente entre
− p/2 y P2. la función de distribución de X se da así por
= P{tan... x}
= P{TH... tan−1 x}
X
donde la última igualdad sigue desde θ, siendo uniforme sobre (− p/2P2)Hsa
Distribución
P
Por lo tanto, la función de densidad de X es dada por
d 1
f(x) = F(x) = + 2
) −q<X
< q Dx P1 x
1
=⎪⎨ xa−1(1 − x)b−1 0 <
Donde
B Dx
La distribución beta se puede utilizar para modelar un fenómeno aleatorio cuyo conjunto
de valores posibles es algún intervalo finito [c, d] — que, dejando C denotan el origen y la
toma D − C como medida de la unidad, se puede transformar en el intervalo [0, 1].
Cuando Un = b, la densidad beta es simétrica sobre , dando más y más peso a las
regiones como el valor común Un Aumenta. (Consulte la figura 5,8.) Cuando B > a, la
densidad se asimetría a la izquierda (en el sentido de que los valores más pequeños se
vuelven más probables);
y está sesgada a la derecha cuando Un > b. (Consulte la figura 5,9.)
La relación
(a)(b)
B(a,b) = + (6,3) (a b)
puede demostrarse que existe entre
B Dx
y la función gamma.
† D 1 2 1
Que 1 (tan− x) = 1/(1 + x ) puede verse de la siguiente manera: Si y = tan− x, luego bronceadoy =
xAsí
d d Dy DDY
1 = Dx (tany) = Dy(tany)Dx = Dy Dx
O
2
Dy Cuerpo y 1 1
1 2 2 2 2
= sin y + Cuerpo y = tan y + 1 = x + 1
Sección 5,7 La distribución de una función de una variable aleatoria
f (x)
U= 10
n
1–
U= 3
U= 4 n
n
U= 1
n
x
0 1– 1
2
U= 6
n
3–
U= 2
n
x
FIGURA 5,9: Densidades beta con parámetros (a, b) cuando a/(Un + b) = 1/20.
Al usar la ecuación (6,1) junto con la identidad (6,3), es una cuestión fácil mostrar que si X
es una variable aleatoria beta con parámetros Un Y bEntonces
A E[X] =
a b
Ap
ag
Fue(X) = + + +
(a b)2(a b 1)
FY(y) = P{Yn......y}y}
= P{X
= P{X ... y1/n}
= FX(y1/n)
= y1/n
EJEMPLO 7B
Si X es una variable aleatoria continua con densidad de probabilidad fX, entonces la
distribución de Y = X2 se obtiene de la siguiente manera: para y Efectos 0
√y)
Rendimientos de diferenciación
fY .
EJEMPLO 7C
Si X tiene una densidad de probabilidad fXEntonces Y = |X| tiene una función de densidad
que se obtiene de la siguiente manera: para y Efectos 0
Teorema 7,1. Permitir que X sea una variable aleatoria continua con función de densidad
de probabilidad fX. Supongamos que g(x) es una función estrictamente monotónica
(creciente o decreciente), diferenciable (y por lo tanto continua) de x. A continuación, la
variable aleatoria Y definida por
Y = g(X) tiene una función de densidad de probabilidad dada por
fY(y)Dy
0 Si y Z g(x) para todos x
Donde g−1(y) se define para igualar ese valor de X tal que g(x) = y.
Demostraremos el teorema 7,1 cuando g(x) es una función creciente.
= FX(g−1(y))
La diferenciación da
D
fY(y) = fX(g−1(y)) g−1(y) . Dy
que coincide con el teorema 7,1, ya que g−1(y) es no decreciente, por lo que su derivado es
no negativo.
Cuando y Z g(x) para cualquier xEntonces FY(y) es 0 o 1, y en cualquier caso fY(y) = 0.
EJEMPLO 7D
Dejar X ser una variable aleatoria no negativa continua con la función de la densidad f, y
deje que Y = Xn. Encontrar fY, la función de densidad de probabilidad de Y.
Y
D {g−1(y)} = 1y1/n−1
Dy n
Por lo tanto, desde el teorema 7,1, obtenemos
=1
1/n−1f(y1/n) fY(y) y
n
Para N = 2, esto da
fY
que (desde X Efectos 0) está de acuerdo con el resultado del ejemplo 7b. .
Resumen
Una variable aleatoria X Es Continua Si hay una función no negativa f, llamado función de
densidad de probabilidad De X, de manera que, para cualquier conjunto B,
P{X ∈ B} = * f(x)Dx
B
E[X] = * Xf(x)Dx
−q
E[g(X)] = * g(x)f(x)Dx
−q
Una variable aleatoria X se dice que es Uniforme durante el intervalo (a, b) si su función de
densidad de probabilidad es dada por
Un ... X ... b
f(x) = B−
Lo
⎪ contrario
Su valor esperado y su varianza son ⎩0
a)2
E
f q
Se puede demostrar que
m = E[X] σ2 = Fue(X)
Una propiedad clave poseída sólo por variables aleatorias exponenciales es que son sin
memoria, en el sentido de que, para s Y t,
Si X representa la vida de un elemento, entonces la propiedad sin memoria indica que, para
cualquier t, la vida restante de un t-Year-Old artículo tiene la misma distribución de
probabilidad que la vida de un nuevo elemento. Por lo tanto, no es necesario recordar la
edad de un elemento para conocer su distribución de la vida restante.
Dejar X ser una variable aleatoria continua no negativa con función de distribución F y
la función de la densidad f. La función
f(t)
Lt) = −T Efectos 0
1 F(t)
Lt) = L T Efectos 0
Además, la exponencial es la distribución única que tiene una tasa de fallas constante.
Se dice que una variable aleatoria tiene un Gamma distribución con parámetros Un Y L
Si su función de densidad de probabilidad es igual a
λe−λx(lx)α−1
f X Efectos 0
E
Se dice que una variable aleatoria tiene un Beta distribución con parámetros (a, b) si su
función de densidad de probabilidad es igual a
= 1 a 1
− (1 − x)b−1 0 ... X ... 1
f(x) x
B(a,b)
y es igual a 0 en caso contrario. La constante B(a, b) está dada por
1
=
B(a,b) * xa−1(1 − x)b−1 Dx
0
Problemas
P
Pista: Mostrar que Pista: Deje que X ser uniforme sobre (0,1) y definir
q 0 cada EUn en términos de X.
5,7. La desviación estándar de XDenota Sd(X), es dada por
*0 P{Y < −y}Dy = − *−Q XfY(x)Dx q
Sd(X) = .Fue(X)
0 Cx4 0<X<2
10 20 30 40
f(x) =
Encuentra la probabilidad de que el jugador juegue 0 Lo contrario
(a) más de 15 minutos;
(b) entre 20 y 35 minutos; 5,5. Buscar (a) E[X] y (b) var(X). La variable aleatoria X tiene la
función de densidad de probabilidad
(c) menos de 30 minutos; De más de 36 minutos.
5,2. Para algunas constantes c, la variable aleatoria X Hsa
la función de densidad de probabilidad 0 Ax + Bx2 0<X<1
f(x) = (a) ¿Cuál es la probabilidad de que este neumático
0 Lo contrario dure más de 40.000 millas?
(b) ¿Cuál es la probabilidad de que dure entre 30.000
Si E[X] = .6, encontrar (a) y (b) var(X). y 35.000 millas?
(c) Dado que ha sobrevivido 30.000 millas, ¿cuál es
La variable aleatoria X se dice que es una variable aleatoria
la probabilidad condicional de que el neumático
uniforme discreta en los enteros 1, 2,...,N Si
sobrevive a otras 10.000 millas?
1 5,11. La precipitación anual en Cleveland, Ohio es
P{X = i} = me = 1, 2,...,n n aproximadamente una variable aleatoria normal con
media 40,2 pulgadas y desviación estándar 8,4
Para cualquier número real no negativo x, Let int(x) (a veces pulgadas. ¿Cuál es la probabilidad de que
escrito como [x]) ser el número entero más grande que sea menor (a) precipitación del próximo año excederá de 44
o igual que x. Mostrar que U es una variable aleatoria uniforme pulgadas?
en (0, 1), Fain X = Int(Nwo) + 1 es una variable aleatoria (b) las precipitaciones anuales en exactamente 3 de
uniforme discreta en 1,...,n. los próximos 7 años excederá 44 pulgadas?
5,6. Su empresa debe hacer una licitación sellada para un Supongamos que si Ame es el caso de que la
proyecto de construcción. Si tiene éxito en ganar el precipitación excede 44 pulgadas en el año me (a
contrato (por tener la oferta más baja), entonces planea partir de ahora), entonces los eventos Ai,me Efectos 1,
pagar otra empresa 100.000 dólares para hacer el trabajo. son independientes.
Si usted cree que la puja mínima (en miles de dólares) de
5,12. La siguiente tabla utiliza 1992 datos relativos a los
las otras empresas participantes puede ser modelada como
porcentajes de trabajadores a tiempo completo
el valor de una variable aleatoria que se distribuye
masculinos y femeninos cuyos salarios anuales caen
uniformemente en (70, 140), ¿cuánto debe usted hacer una
en diferentes rangos:
oferta para maximizar su beneficio esperado?
Rango de Porcentaje Porcentaje
5,7. Para ser un ganador en un determinado juego, usted debe
ganancias
tener éxito en tres rondas sucesivas. El juego depende del
de las de los
valor de U, una variable aleatoria uniforme en (0, 1). Si U
hembras machos
> .1, entonces usted es acertado en la Ronda 1; Si U > .2,
entonces usted es acertado en la vuelta 2; y si U > .3, …9999 8,6 4,4
entonces usted es acertado en la ronda 3. 10000 – 19999 38,0 21,1
(a) Encuentre la probabilidad de que tenga éxito en la 20000 – 24999 19,4 15,8
Ronda 1. 25000 – 49999 29,2 41,5
(b) Encuentre la probabilidad condicional de que tenga Ú50.000 4,8 17,2
éxito en la Ronda 2 dado que tuvo éxito en la Ronda
Supongamos que se eligen muestras aleatorias de 200
1.
hombres y mujeres trabajadoras a tiempo completo de
(c) Encuentra la probabilidad condicional de que tengas
200. Aproxime la probabilidad de que
éxito en la ronda 3 dado que tuviste éxito en las
(a) al menos 70 de las mujeres ganan $25.000 o más;
rondas 1 y 2.
(b) a lo más 60 por ciento de los hombres ganan
(d) Encuentra la probabilidad de que seas un ganador.
$25.000 o más;
5.8. Un candidato de prueba de IQ elegido aleatoriamente
(c) por lo menos tres cuartas partes de los hombres y
obtiene una puntuación que es aproximadamente una
al menos la mitad de las mujeres ganan $20.000
variable aleatoria normal con la media de 100 y la
o más.
desviación estándar 15. ¿Cuál es la probabilidad de que
la puntuación de dicha persona sea (a) superior a 125; (b) 5.13. En un banco determinado, la cantidad de tiempo que
entre 90 y 110? un cliente gasta siendo servida por un cajero es una
variable aleatoria exponencial con media de 5
5.9. Supongamos que el tiempo de viaje desde su casa a su
minutos. Si hay un cliente en servicio al entrar en el
oficina se distribuye normalmente con media 40 minutos
Banco, ¿cuál es la probabilidad de que él o ella seguirá
y la desviación estándar de 7 minutos. Si desea estar 95
estando con el cajero después de un adicional de 4
por ciento seguro de que no va a llegar tarde para una cita
minutos?
de la oficina en 1 P.M., ¿cuál es la última vez que debes
irte de casa? 5.14. Supongamos que la función de distribución
acumulativa de la variable aleatoria X es dada por
5.10. La vida de un cierto tipo de neumático del automóvil se
distribuye normalmente con la media 34.000 millas y la
desviación estándar 4000 millas. F(x) = 1 − e−x2 X>0
Evaluar (a) P{X > 2}; b P{1 < X < 3}; c) la función de tasa Variable X cuya media M depende de si el acusado es
de riesgo de F; De E[X]; (e) se(X). Pista: Para las partes culpable. Si es inocente, m = 1 Si es culpable, m = 2.
(d) y (e), es posible que desee hacer uso de los resultados
el juez de decisión gobernará al acusado culpable si X
del ejercicio teórico 5.
5.15. El número de años que una lavadora funciona es una > C para un valor convenientemente elegido de c.
variable aleatoria cuya función de tasa de riesgo es dada (a) Si el juez quiere estar 95 por ciento seguro de
por que un hombre inocente no será condenado,
¿cuál debe ser el valor de c?
.2 0<T< (b) Usando el valor de c que se encuentra en la
2 parte (a), ¿cuál es la probabilidad de que un
⎧ Lt) =.2 + .3(T − 2)2 ... T < 5 acusado culpable sea condenado?
⎩ 1.1 T>5 5,20. Para cualquier número real yDefinir y+ Por
E (c))
f q<X<q
Mostrar que X es una variable aleatoria estándar de Cuando Z es una variable aleatoria normal estándar.
Cauchy, luego 1/X es también una variable aleatoria b Encontrar E[(X − c)+] cuando X es normal con la
estándar de Cauchy.
5,17. Una rueda de ruleta tiene 38 ranuras, numeradas 0, 00 y 1 media M y la varianza σ2.
a 36. Si usted apuesta 1 en un número especificado
entonces usted o gana 35 si la bola de la ruleta aterriza en
ese número o pierde 1 si no lo hace. Si realiza estas
apuestas continuamente,
la probabilidad de que
un Usted está ganando después de 34 apuestas; b Usted
está ganando después de 1000 apuestas; c Usted está
ganando después de 100.000 apuestas. Supongamos que
cada rollo de la pelota de la ruleta es igualmente probable
que aterriza en cualquiera de los números 38.
5,18. Hay dos tipos de baterías en un recipiente. Cuando esté en
uso, escriba me las baterías duran (en horas) un tiempo
exponencialmente distribuido con la tarifa λi,me = 1, 2. una
batería que se elige aleatoriamente del compartimiento
= bLim→qF(a,b)
K F(a, q
Tenga en cuenta que, en el conjunto anterior de ecualidades, hemos vuelto a hacer uso del
hecho de que la probabilidad es una función de conjunto continuo (es decir, evento). Del
mismo modo, la función de distribución acumulativa de Y es dada por
FY(b) = P{Y ... b}
= aLim→qF(a,b)
K F(q,b)
232
Las funciones de distribución FX Y FY a veces se denominan Marginal distribuciones de X Y
Y.
Todas las declaraciones de probabilidad conjunta sobre X Y Y puede, en teoría, ser
contestada en términos de su función de distribución conjunta. Por ejemplo, supongamos
que queríamos calcular la probabilidad conjunta de que X es mayor que Un Y Y es mayor
que b. Esto podría hacerse de la siguiente manera:
− (1,1)
La ecuación (1,1) es un caso especial de la siguiente ecuación, cuya verificación se deja como
un ejercicio:
pX
y:p(x,y)>0
Semejantemente
pY
x:p(x,y)>0
EJEMPLO 1A
Supongamos que 3 bolas son seleccionadas aleatoriamente de una urna que contiene 3 bolas
rojas, 4 blancas y 5 azules. Si dejamos que X Y Y denotan, respectivamente, el número de
bolas rojas y blancas elegidas, luego la función de masa de probabilidad conjunta de X Y
Y,p(i,j) = P{X = i,Y = j}, es dada por
P P
P P
P P
Estas probabilidades se pueden expresar más fácilmente en forma tabular, como en la tabla
6,1. El lector debe notar que la función de masa de probabilidad de X se obtiene calculando
las sumas de la fila, mientras que la función de masa de probabilidad de Y se obtiene
calculando las sumas de la columna. Porque las funciones individuales de la masa de la
probabilidad de X Y Y
por lo tanto, aparecen en el margen de dicha tabla, a menudo se denominan funciones de
masa de probabilidad marginal De X Y YRespectivamente. .
j
i 0 1 2 3 Rowsum P X i
3
Suma de columnas = P{Y = j}
EJEMPLO 1B
Supongamos que el 15 por ciento de las familias de una determinada comunidad no tienen
hijos, el 20 por ciento tiene 1 hijo, el 35 por ciento tiene 2 hijos y el 30 por ciento tiene 3.
Supongamos además que en cada familia cada niño es igual de probable
(independientemente) de ser un niño o una niña. Si una familia es elegida al azar de esta
comunidad, entonces B, el número de niños y G, el número de niñas, en esta familia tendrá
la función de masa de probabilidad conjunta mostrada en la tabla 6,2.
TABLA 6,2: P{B = i,G = j}
j
i 0 1 2 3 Rowsum P B i
2=
P{2 niños y niñas}P{2 niñas y niños|2 niños y niñas} =
(x,y)∈C
La función f(x,y) se denomina función de densidad de probabilidad conjunta De X Y Y. Si
Un Y B son cualquier conjunto de números reales, entonces, definiendo C = {(x,y) : X ∈ A,y
∈ B}, vemos en la ecuación (1,3) que
Kuz
f
∂Un ∂b
donde se definan los derivados parciales. Otra interpretación de la función de densidad
articular, obtenida de la ecuación (1,4), es
d+Db a+De
L f(a,b)dadb
Cuando De Y Db son pequeñas y f(x,y) es continua en a, b. Ahí f(a,b) es una medida de cuán
probable es que el vector aleatorio (X, Y) estará cerca (a, b).
Si X Y Y son conjuntamente continuos, son individualmente continuos, y sus funciones de
la densidad de la probabilidad se pueden obtener como sigue:
= *Un *− q f(x,y)dydx =
*Un fX(x)Dx
Donde
q
EJEMPLO 1C
La función de densidad conjunta de X Y Y es dada por
f(x,y)
= 002e−xe−2y otherwise0 < X < q, 0 < y < q
Calcular (a) P{X > 1Y < 1}, (b) P{X < Y}, y (c) P{X < a}.
Solución. un
1q
}=
P{X > 1Y < 1 *0 *1 2e−xe−2y DXDY
Dy
1
= e−1 *0 2e−2y Dy
b = e−1(1 − e−2)
(x,y):x<y Q
y
=
*0 *0 2e−xe−2y DXDY
q
=
* 2e−2y(1 − e−y)Dy
0
q q
2e−3yDy
c
Un q
}=
Px < a * * 2e−2ye−X dydx
0 0
= X
* e− Dx a
0
= 1 − e−a .
EJEMPLO 1D
Considere un círculo de radio R, y Supongamos que un punto dentro del círculo se elige
aleatoriamente de tal manera que todas las regiones dentro del círculo de la misma área son
igualmente propensos a contener el punto. (En otras palabras, el punto se distribuye
uniformemente dentro del círculo.) Si dejamos que el centro del círculo denotar el origen y
definimos X Y Y para ser las coordenadas del punto elegido (Figura 6,1), entonces, ya que
(X, Y) es igualmente probable que esté cerca de cada punto del círculo, se deduce que la
función de densidad X Y Y es dada por
... R2
f
0 six2 + 2>
R2
R
(X , Y )
x
(0 , 0
* * f(x,y)dydx = 1
−q−q
se deduce que
C 2 **2 dydx = 1
X +y …R2
c
b
q
fX(x) = * f(x,y)Dy
−q
*
Dy
y es igual a 0 cuando x2 > R2. Por simetría, la densidad marginal de Y es dada por
fY y2 y2 ... R2
=0 y2 > R2
FD
= 2 **2 f(x,y)dydx
X +y …a2
dydx
x2+y2…a2
a2
=R 2
donde hemos utilizado el hecho de que --x2+y2…a2 dydx es el área de un círculo de radio
E[D] = * a
R2 0.
EJEMPLO 1E
La densidad articular de X Y Y es dada por
f Q, 0 < y < q
FX/Y(a) = P X ... a/
Y
= ** e−x+y) DXDY
x/y…a
Q Es
=* * e−x+y) DXDY
= (1 −
e−Es)e−yDy
q
Además, el N se dice que las variables aleatorias son conjuntamente continuos Si existe una
función f(x1,x2,...,xn), llamado función de densidad de probabilidad conjunta, de manera
que, para cualquier conjunto C En nespacio
} = ** ···
P{(X1,X2,...,Xn) ∈ C 1 N * f(x1,...,xn)Dx1Dx2 ···Dxn
(X ,...,X )∈C
En particular, para cualquier N conjuntos de números reales A1,A2,...,An,
= ···
* N* N1 * f(x1,...,xn)Dx1Dx2 ···Dxn
A A A
− 1
R Cuando
. i=1
La ecuación (1,5) se verifica señalando que cualquier secuencia de resultados para el N
experimentos que conducen al resultado me Ocurriendo nme veces para me =21, 2,...R ,R
voluntad, por la supuesta independencia de los experimentos, tienen probabilidad pn11pn2
...pnR de ocurrir. Porque hay n!/(n1!n2!...nr!) tales secuencias de resultados (hay n!/n1!...nr!
diferentes permutaciones de N cosas de Que n1 son iguales, n2 son iguales, ...,nR son iguales),
se establece la ecuación (1,5). La distribución conjunta cuya función de masa de
probabilidad conjunta es especificada por la ecuación (1,5) se denomina Distribución
multinomial. Tenga en cuenta que cuando R = 2, el multinomial reduce a la distribución
binomial.
Tenga en cuenta también que cualquier suma de un conjunto fijo de la Xis tendrá una
distribución binomial. Es decir, si N ( {1, 2,...,r}Entonces N Xme será una variable
i∈N
aleatoria binomial con parámetros N Y P = . Esto sigue porque Xme
representa el número de N experimentos cuyo resultado es N, y cada experimento tendrá un
resultado de forma independiente con probabilidad .
Como una aplicación de la distribución multinomial, supongamos que un dado justo se
rodó 9 veces. La probabilidad de que 1 aparezca tres veces, 2 y 3 dos veces cada uno, 4 y 5
una vez cada uno, y 6 no es en absoluto
En otras palabras, X Y Y son independientes si, para todos Un Y B, los eventos EUn = {X ∈
A} Y FB = {Y ∈ B} son independientes.
Se puede demostrar mediante el uso de los tres axiomas de probabilidad de que la
ecuación (2,1) seguirá si y sólo si, para todos los a, b,
P{X ∈ A,Y
y∈B x∈A
y∈B x∈A
y∈B x∈A
= P{Y ∈ B}P{X ∈ A}
EJEMPLO 2A
Supongamos que N + M ensayos independientes que tienen una probabilidad común de éxito
P se realizan. Si X es el número de éxitos en el primer N ensayos, y Y es el número de éxitos
en la final M pruebas, entonces X Y Y son independientes, ya que conocer el número de
éxitos en el primer N los ensayos no afecta a la distribución del número de éxitos en la última
M pruebas (por la asunción de ensayos independientes). De hecho, para X Y y,
P{X = x,Y = y} = − −
y 0 ... X ... n, x y
0 ... y ... m
= P{X = x}P{Y = y}
Desde
−λ λi+j (2,4)
P{X + Y = me + j} = e (me + j)!
Además, dado que me + J personas entran en la oficina de correos, ya que cada personap, se
deduce que la probabilidad de que la entrada sea exacta será masculina con probabilidad
me de ellos será varón (y por lo tanto J de ellos hembra) es sólo la probabilidad binomial
j
P{X = i,Y = j (2,5)
Ahí
P{X = i} = e− lP (l
p)me i! j! i! j
.
Las ecuaciones (2,6), (2,7) y (2,8) establecen el resultado deseado.
P (l p)i (2,7)
EJEMPLO 2C
Un hombre y una mujer deciden reunirse en un lugar determinado. Si cada uno de ellos llega
de forma independiente a la vez distribuido uniformemente entre las 12 horas y 1 P.M.,
encuentre la probabilidad de que el primero en llegar tenga que esperar más de 10 minutos.
hombre y la mujer llegan, entonces X Y Y son variables aleatorias independientes, cada una
de las cuales se distribuye uniformemente sobre (0, 60). La probabilidad deseada, P{X + 10
< Y} + P{Y + 10 < X}, que, por simetría, es igual a 2P{X + 10 < Y}, se obtiene de la siguiente
x+10<y
=2** fX(x)fY(y)DXDY
x+10<y
DXDY
Dy
.
Nuestro siguiente ejemplo presenta el problema más antiguo que se ocupa de las
probabilidades geométricas. Fue considerado y resuelto por primera vez por Buffon, un
naturalista francés del siglo XVIII, y suele denominarse Problema con la aguja de Buffon.
Como X varía entre 0 y D/2 y Me entre 0 y P2, es razonable asumir que son variables
aleatorias independientes, uniformemente distribuidas sobre estas gamas respectivas. Ahí
P fX(x)fθ(y)DXDY
x<L/2cosy = * *
DXDY
4 P2 L/2cosy
πD 0 0
4 P2 L
CuerpoEs
= πD *0 2
2L
< qD .
Dejar X Y Y denotan las distancias de Miss horizontales y verticales cuando se dispara una
bala en un objetivo, y asumir que
1. X Y Y son variables aleatorias continuas independientes que tienen funciones de
densidad diferenciables.
2. La densidad de la articulación f(x,y) = fX(x)fY(y) De X Y Y depende de (x, y) sólo a
través de x1 + y2.
fX (2,10)
fX
fX(x) g(x2 + y2)
O
fX G (2,11)
2XfX(x) g(x2 + y2)
Dado que el valor de la parte izquierda de la ecuación (2,11) depende x, mientras que el
valor de la parte derecha depende de x2 + y2, se deduce que el
lado izquierdo debe ser el mismo para todos x. Para ver esto, considere cualquier x1,x2 y dejar
que y1,y2 ser tal que x . A continuación, desde la ecuación (2,11),
obtenemos
f
Ahí
1
2x1fX(x1) g g
fX (x) D
=c O (RegistrofX(x)) = Cx
XfX(x) Dx
que implica, tras la integración de ambas partes, que
C = −1-/s2. Así 2
Es decir X es una variable aleatoria normal con parámetros m = 0 y σ2. Se puede aplicar un
argumento similar a fY(y) para mostrar que
fY y2/2σ2
Prueba. Dénos la prueba en el caso continuo. En primer lugar, tenga en cuenta que la
independencia implica que la densidad de la articulación es el producto de las densidades
marginales de X Y Y, por lo que la factorización anterior se celebrará cuando las variables
aleatorias son independientes. Ahora, supongamos que
fX,Y(x,y) = h(x)g(y)
Entonces
Q
1=* * fX,Y(x,y)DXDY
−qq − q q
=* h(x)Dx* g(y)Dy
−q −q
= C1C2
fX,Y(x,y) = fX(x)fY(y)
EJEMPLO 2F
Si la función de densidad de la articulación X Y Y Es
y es igual a 0 fuera de esta región, ¿son las variables aleatorias independientes? ¿Qué pasa
si la función de densidad articular es
y es igual a 0 de lo contrario?
a1,a2,...,aN i=1
Por último, decimos que una colección infinita de variables aleatorias es independiente si
cada subcolección finita de ellos es independiente.
Supongamos que estamos interesados en que la computadora seleccione k,K ... n, de los
k
=
I1 ⎨ 1 si U1 < N
⎪ ⎩ 0 de lo
contrario
⎩ ⎪ 0 Lo contrario
k
P{I1 = 1} = n
i
K Ij
La prueba de que la fórmula anterior da como resultado todos los subconjuntos de tamaño
K es igualmente probable que se elija es por inducción en K + n. Es inmediato cuando K +
N = 2 (es decir, cuando K = 1l,+N =1, y considere cualquier subconjunto de size1), así que
asuma que es verdad siempre quekdecirK y+1 …n i…2 …l. Ahora, supongamos··· ... ik— y
que K + N = considerar los dos casos siguientes.
Caso 1: i1 = 1
P{I1 = Ii2 = ··· = IMe = 1IJ = 0 de lo contrario}
= P{I1 = 1}P{Ii2 = ··· = IMe = 1IJ = 0 de lo contrario|I1 = 1}
Ahora, dado que I1 = 1, los elementos restantes del subconjunto se eligen como si un
subconjunto de tamaño K − 1 iban a ser elegidos de la N − 1 elementos 2, 3,...,n. Por lo tanto,
por la hipótesis de la inducción, la probabilidad condicional que esto dará lugar a un dado
Caso 2: i1 Z 1
EJEMPLO 2H
Dejar X, Y, Z ser independientes y distribuidos uniformemente sobre (0,1). Calcular P{X
Efectos Yz}.
Solución. Desde
=
xÚYz *0 *0 *Yz
dxdydz
1 1 1
* * (1 − Yz)dydz 1
1
0 0
Coll
[Tenga en cuenta que N(h) = N(0)/2.] dado que lo anterior implica que, para cualquier s Y t,
N(T + s) = 2−(s+t)/hN(0) = 2−t/hN(s)
P{L < t} =
se puede ver que L de hecho tiene una distribución exponencial con mediana h.)
Tenga en cuenta que, bajo la interpretación probabilística de la vida media acaba de dar,
si uno comienza con N(0) núcleos en el momento 0, a continuación, N(t), el número de
núcleos que permanecen en el tiempo t, tendrá una distribución binomial con parámetros N
= N(0) Y P = 2−t/h. Los resultados del capítulo 8 demostrarán que esta interpretación de la
vida media es consistente con el modelo determinista cuando se considera la proporción de
un gran número de núcleos que decaen en un determinado período de tiempo. Sin embargo,
la diferencia entre la interpretación determinista y probabilística se hace evidente cuando se
considera el número real de núcleos decaído. Ahora lo indicaremos con respecto a la cuestión
de si los protones decaen.
Hay cierta controversia sobre si los protones decaen o no. De hecho, una teoría predice
que los protones deben decaer con una vida media de alrededor de H = 1030 Años. Para
comprobar esta predicción empíricamente, se ha sugerido que se siga un gran número de
protones para, digamos, uno o dos años y determinar si alguno de ellos decae dentro de ese
período. (Evidentemente, no sea factible seguir una masa de protones durante 1030 años para
ver si la mitad de la misma decae.) Supongamos que somos capaces de realizar un
seguimiento de N(0) = 1030 protones para C Años. El número de decesos pronosticados por
el modelo determinista sería entonces dado por
= 1 − 2−c/h
1/h
1 − 2−Cx1
Lim Desde = 10 0
−30 L
x→0 x h
Por la regla del
= Lim (c2−Cx LOG2)
Hopital ˆ
L x→0
= cLOG2 L.6931c
Por ejemplo, el modelo determinista predice que en 2 años debe haber 1,3863 decae, y por
lo tanto parecería ser un golpe serio a la hipótesis de que los protones decaen con una vida
media de 1030 años si no se observan decesos durante esos 2 años.
Ahora Contrastemos las conclusiones que acabamos de extraer con las obtenidas del
modelo probabilístico. Una vez más, consideremos la hipótesis de que la vida media de los
protones es H = 1030 años, y Supongamos que seguimos H protones para C Años. Dado que
hay un gran número de protones independientes, cada uno de los cuales tendrá una
probabilidad muy pequeña de descomposición dentro de este período de tiempo, se deduce
que el número de protones que se decae tendrá (a una aproximación muy fuerte) una
distribución de Poisson con parámetro igual a h(1 − 2−c/h) L cLOG2. Así
e−Registro(2c) = 2
1c
y, en general,
2−c[cLOG2n
P{N Decae} = N Efectos 0
n!
Así vemos que a pesar de que el número promedio de decesos durante 2 años es (según lo
pronosticado por el modelo determinista) 1,3863, hay 1 oportunidad en 4 que no habrá
ningún decae, lo que indica que tal resultado de ninguna manera invalida la hipótesis original
de proto n decadencia. .
EJEMPLO 2J
Si el lanzamiento inicial de los dados en el juego de dados da como resultado la suma de los
dados equivalentes a 4, entonces el jugador continuará arrojando los dados hasta que la suma
sea 4 o 7. Si esta suma es 4, entonces el jugador gana, y si es 7, entonces el jugador pierde.
Dejar N indican el número de tiros necesarios hasta que 4 o 7 aparece, y dejar que X denotan
el valor (ya sea 4 o 7) del lanzamiento final. Es N independiente de X? Es decir, ¿saber cuál
de los 4 o 7 ocurre primero afecta a la distribución del número de tiros necesarios hasta que
aparezca ese número? La mayoría de la gente no encuentra la respuesta a esta pregunta para
ser intuitivamente obvio. Sin embargo, supongamos que lo damos vuelta y preguntarnos si
X es independiente de N. Es decir, ¿saber cuántos tiros se tarda en obtener una suma de 4 o
7 afecta a la probabilidad de que esa suma sea igual a 4? Por ejemplo, supongamos que
sabemos que se necesita N tiros de los dados para obtener una suma de 4 o 7. ¿Afecta esto a
la distribución de probabilidad de la suma final? Claramente no, ya que todo lo que es
importante es que su valor es 4 o 7, y el hecho de que ninguno de los primeros N − 1 tiros
eran 4 o 7 no cambia las probabilidades para el nTH tiro. Por lo tanto, podemos concluir que
X es independiente de N, o equivalentemente, que N es independiente de X.
Como otro ejemplo, deje que X1,X2,... ser una secuencia de variables aleatorias continuas
independientes y distribuidas idénticamente, y Supongamos que observamos estas variables
aleatorias en secuencia. Si XN > Xme para cada me = 1...,N − 1, entonces decimos que XN es
un valor de registro. Es decir, cada variable aleatoria que es mayor que todos los anteriores
se denomina un valor de registro. Dejar AN denotan el evento que XN es un valor récord. Es
An+1 independiente de An? Es decir, ¿sabe que el nla variable aleatoria es la mayor de las
primeras N cambiar la probabilidad de que el (N + 1)la variable aleatoria St es la más grande
de la primera N + 1? Si bien es cierto que An+1 es independiente de An, esto puede no ser
intuitivamente obvio. Sin embargo, si damos la vuelta a la pregunta y preguntamos si AN es
independiente de An+1, entonces el resultado se entiende más fácilmente. Por saber que el (N
+ 1)valor de St es mayor que X1,...,XN claramente no nos da ninguna información sobre el
tamaño relativo de XN entre los primeros N variables aleatorias. De hecho, por simetría, está
claro que cada uno de estos N las variables aleatorias es igual de probable que sea la más
grande de este conjunto, eventos soindependent.P(An|An+1) = P(An) = 1/n. Por lo tanto,
podemos concluir que AN Y An+1 Son.
= P{X1 ... a1}P{X2 ... a2|X1 ... a1}···P{XN ... an|X1 ... a1,...,Xn−1 ... an−1}
X2 es independiente de X1 X3 es
independiente de X1,X2
X4 es independiente de X1,X2,X3
#
#
#
XN es independiente de X1,...,Xn−1
6,3SUMAS DE VARIABLES ALEATORIAS INDEPENDIENTES
A menudo es importante ser capaz de calcular la distribución de X + Y de las distribuciones
de X Y Y Cuando X Y Y son independientes. Supongamos que X Y Y son variables aleatorias
continuas independientes que tienen funciones de densidad de probabilidad fX Y fY. La
función de distribución acumulativa de X + Y se obtiene de la siguiente manera:
= ** fX(x)fY(y)DXDY
x+y…a
Q a−y
=*
*
fX(x)fY(y)DXDY (3,1)
−y
=fX(x)DxfY(y)Dy
−qq − q
=* FX(Un − y)fY(y)Dy
−q
d q
Qd
−
Qq De = * fX(Un −
y)fY(y)Dy
−q
=
fX+Y(a) *0 fX(Un − y)Dy
=
fX+Y(a) *0 Dy = a
f(x)
x
0 1 2
fX Un
Ahí
fX+Y(a) = ⎧ 2 − a 1 < Un < 2 a
0 ... Un ... 1
⎩ 0 Lo contrario
Ahora, supongamos que X1,X2,...,XN son uniformes independientes (0, 1) variables aleatorias,
y dejar que
Fn(x) = P{X1 + ... + XN ... x}
Considerando que una fórmula general para Fn(x) es desordenado, tiene una forma
particularmente agradable cuando X ... 1. De hecho, ahora usamos la inducción matemática
para demostrar que
Ahora, escribiendo
n n−1
Xn
i=1 i=1
y utilizando el hecho de que el Xme son todos no negativos, vemos en la ecuación 3,1 que, para
0 ... X ... 1
1
=
Fn(x) * Fn−1(X − y)fXn(y)Dy
x
(X − y)n−1 Dy por la hipótesis de inducción
(
= X /n!
Observando que N es mayor que N > 0 si y sólo si X1 + ... + XN ... 1, vemos que
(n 2)!
n=2 −
=e
Es decir, el número medio de uniformes independientes (0, 1) las variables aleatorias que se
deben sumar para que la suma supere 1 es igual a e.
λe−λy(ly)t−1
f(y) = 0<y<q
(t)
Una propiedad importante de esta familia de distribuciones es que, por un valor fijo de λ, se
cierra bajo convoluciones.
Propuesta 3,1. Si X Y Y son variables aleatorias gamma independientes con parámetros
respectivos (s,L Y (t,LEntonces X + Y es una variable aleatoria gamma con parámetros (s +
t,L.
= y
λaas+t−1 * 1(1 − x) −1 = Mié− s xt−1 Dx dejando x
0 a
= Este− laas+t−1
Donde C es una constante que no depende de a. Pero, como el precedente es una función
de densidad y por lo tanto debe integrarse a 1, el valor de C se determina, y tenemos
λe− la(la)s+t−1
fX+Y(a) = (s + t)
fZ
[Un subproducto de este análisis es que .] Pero como cada Zi2 es gamma
la libertad es sólo la distribución gamma con parámetros y por lo tanto tiene una
función de densidad de probabilidad dada por
n/2−1
f y>0
e−y/2yn/2−1
= y>0
Cuando N es un entero par, (n/2) = [(n/2) − 1]!, mientras que cuando N es extraño, (n/2) puede
obtenerse de iterar la relación y luego
usando
n n
distribuido con parámetros μme Y σi2.
i =1 i =1
Prueba de la Proposición 3,2: Para comenzar, deje que X Y Y ser variables aleatorias
normales independientes con X que tiene la media 0 y la varianza σ2 Y Y que tiene la media
0 y la varianza 1. Determinaremos la función de densidad de X + Y mediante la utilización
de la ecuación (3,2). Ahora, con
c
Tenemos
fX(Un
1 a2 a2
Dy
−
1 a
= Exp0 − +2 7q
{−Cx2}Dx
exp
2Cp 2(1 σ2) −q
=C
Donde C no depende de a. Pero esto implica que X + Y es normal con la media 0 y la varianza
1 + S2.
Ahora, supongamos que X1 Y X2 son variables aleatorias normales independientes con Xme
tener la media μme y la varianza σi2,me = 1, 2. entonces
X
σ 2/s
Pero desde (X1 − m1)/S2 es normal con la media 0 y la varianza 1 2
2Y (X2 − m2)/S2 es
normal con la media 0 y la varianza 1, se deduce de nuestro resultado anterior que (X1 −
n n−1
Xn
N σi2.
EJEMPLO 3C
Un equipo de baloncesto jugará una temporada de 44 juegos. Veintiséis de estos juegos
están contra equipos de la clase a y 18 están contra los equipos de la clase B. Supongamos
que el equipo ganará cada partido contra un equipo de clase A con probabilidad 4 y ganará
cada partido contra un equipo de clase B con probabilidad. 7. Supongamos también que los
resultados de los diferentes juegos son independientes. Aproxime la probabilidad de que
(a) el equipo gana 25 juegos o más;
(b) el equipo gana más partidos contra los equipos de la clase A que contra la clase Bteams.
Solución. (a) deje XUn Y XB respectivamente, denotan el número de partidas que gana el
equipo contra la clase A y contra los equipos de la clase B. Tenga en cuenta que XUn Y XB son
independientes
variables aleatorias binomiales y
XA XB 23 24 5 23
10 02 10 02
=P
LP
L 1 − P{Z < .4739}
L.3178
b) observamos que XUn − XB tendrá aproximadamente una distribución normal con la media
−2,2 y varianza 10,02. Ahí
=P L
P0Z Efectos
L.1968
Por lo tanto, hay aproximadamente un 31,78 por ciento de probabilidades de que el equipo
gane al menos 25 partidos y aproximadamente un 19,68 por ciento de probabilidades de que
ganará más partidos contra los equipos de la clase A que contra los equipos de la clase B. .
Y = eX
a) el precio de los aumentos de seguridad durante cada una de las dos próximas
semanas? b) el precio al final de dos semanas es mayor que el actual?
Solución. Dejar Z ser una variable aleatoria normal estándar. Para resolver la parte (a), usamos
el hecho de que el registro(x) aumentos en X para concluir que X > 1 si y sólo si el registro(x)
> Registro(1) = 0.
Como resultado, hemos
= .5894
En otras palabras, la probabilidad de que el precio se levanta después de una semana es.
5894. Dado que las proporciones de precios sucesivas son independientes, la probabilidad
de que el precio aumente en cada una de las próximas dos semanas es (.5894)2 = .3474. para
resolver la parte (b), razonamos como sigue:
=P
= .6254 .
6.3.4 Variables aleatorias de Poisson y binomial
En lugar de intentar derivar una expresión general para la distribución de X + Y en el caso
discreto, consideraremos algunos ejemplos.
Solución. Debido a que el evento {X + Y = n} puede ser escrito como la Unión de los eventos
disconjuntos {X = k,Y = N − k}, 0 ... K ... nTenemos
n
P N − k}
k=0
N N
− k}
k=0
N e− l1 k 2 λn2−k
λ1 e− l k! (N − k)!
k=0
n λkλn−k
=
Y−
!
k=0
n! k!(Nn−!
k)!λk1λn2−K a=0
e− (l1+ L2) n
= (l1 + L2)
n!
Así X1 + X2 tiene una distribución de Poisson con parámetros λ1 + L2. .
me}
i=0
Pk−iqm−k+i
n
P
i=0
n
P{SN = k} = , K Efectos n
Como preludio para determinar la función de masa de probabilidad de SN Cuando el pme son
todos distintos, consideremos primero el caso N = 2. Dejar qJ = 1 − pj, J = 1, 2, obtenemos
P P{X1 = j,X2 = K − j}
j=1
k−1 k−1
P J,X3 = K j=1
j=1
y luego sustituir la fórmula derivada para la función de masa de S2, nos gustaría
obtener, después de algunos cálculos,
+p 1 p1 p2
p1 − p3 p2 − p3
p2qk2−1 p 1 p−1 p2
p3 p−3 p2
Las funciones masivas de S2 Y S3 que conducen a la siguiente conjetura para la función de
masa de Sn.
Propuesta 3,3. Dejar X1,...,XN ser variables aleatorias geométricas independientes, con Xme
teniendo parámetro pme Para me = 1...,n. Si todos los pme son distintos, entonces, para K
Efectos n,
n
pj
P{SN = k} = −
pj pi
condicionamos si XN = 1.
Esto da
P{SN = k} = P{SN = k|XN = 1}P{XN = 1} + P{SN = k|XN > 1}P{XN > 1}
= P{SN = k|XN = 1}pN + P{SN = k|XN > 1}qn
Nwo
n−1 pj
(por la hipótesis de inducción)
p
J pi
i=1 iZj…n−1 −
pj
J pi
i=1 iZj…N p −
pj n pj
P{SN = k} = pn
i=1 iZj…n−1 pJ − pEn pJ − pi
n−1 pj n−1 pj
= pn − −
i=1 iZj…n−1 pj pEn pj pi
kpj
+ qnpnqn −
pj pN J<n
n−1 qn pj
kpj
) pnqn
i=1 pN − pi iZj…n−1 pJ − pi j<N pJ − pn
Sección 6,4 Distribuciones condicionales: caso discreto
{ =} = n−1 pj +
k−1 − pj
P Sn Kpnqn
J pi
i=1 iZj…N p − j<N pj pn
n
pj
i=1 jZi J− i
pX|Y(x
P x,Y y
= { P={Y = y=} }
pY(y)
para todos los valores de y tal que pY(y) > 0. de forma similar, la función de distribución de
probabilidad condicional de X Dado que Y = y se define, para todos y tal que pY(y) > 0, por
En otras palabras, las definiciones son exactamente las mismas que en el caso incondicional,
excepto que todo está ahora condicionado al evento que Y = y. Si X es independiente de Y,
la función de masa condicional y la función de distribución son las mismos que los
respectivos incondicionales. Esto sigue porque si X es independiente de YEntonces
= P{X = x}
EJEMPLO 4A
Supongamos que p(x,y), la función de masa de probabilidad conjunta de X Y Y, es dada por
pY
x
Ahí
p(0, 1) 2
pX|Y(0|1) = pY(1) = 5
Y
p(1, 1) 3 pX|Y(1|1) = pY(1) = 5 .
EJEMPLO 4B
Si X Y Y son variables aleatorias de Poisson independientes con parámetros respectivos λ1
Y λ2, calcule la distribución condicional de X Dado que X + Y = n.
P
= {XP{=Xk+,YY==N n− k}
P
= {XP={Xk}P+{YY==nn} − k}
P{X = k|X + Y = n} = k!
! k
EJEMPLO 4C
Considerar la distribución multinomial con función de masa de probabilidad conjunta
k
n1 Nk
n!
}=
P{Xme = ni,me = 1...,k n 1!···nk!p1 ···pK , nme Efectos 0 nme = n
i=1
Esta función masiva resulta cuando N se realizan ensayos independientes, con cada ensayo
que resulte en me con probabilidad pi, 1. las variables aleatorias Xi, me = 1...,k,
representan, respectivamente, el número de ensayos que dan como resultado i, me = 1...,k.
Supongamos que se nos da que nJ de los ensayos resultó en un resultado jPara J = R +
1...,kDonde M ... n. Entonces, porque cada uno de los otros N − M los ensayos
deben haber dado lugar a uno de los ensayos 1,...,r, parecería que la distribución condicional
de X1,...,XR es la distribución multinomial en N − M ensayos con las probabilidades de
resultados del ensayo respectivas
pi
P{Resultado i|resultado no es ninguno de R + 1...,k} = , me = 1...,r Fr
r
where1,...,r.FR i=1 pme es la probabilidad de que un ensayo resulte en uno de los
resultados
Solución. Para verificar esta intuición, deje que n1,...,nr, sea tal que M.
Entonces
P{X1 = n1,...,XR = nr|Xr+1 = nr+1,...XK = nk}
= P{X1 = n1,...,XK = nk}
pk k
donde se obtuvo la probabilidad en el denominador con respecto a los resultados 1,...,R como
un único resultado con probabilidad Fr, demostrando así que la probabilidad es una
probabilidad multinomial en N ensayos con probabilidades de resultado Fr,pr+1,...,pk. Kuz
M, el precedente puede escribirse como
P{X1 = n1,...,XR = nr|Xr+1 = nr+1,...XK = nk}
= (N − m)! p1 n1 pR N n1!···nr!
FR ··· Fr
( ) ( )r
EJEMPLO 4D
Considerar N ensayos independientes, siendo cada ensayo un éxito con probabilidad p.
Dado un total de K éxitos, demuestran que todos los posibles ordenamientos K éxitos y N −
K los fallos son igualmente probables.
Solución. Queremos mostrar que, dado un total de K éxitos, cada uno de los posibles
ordenamientos de K éxitos y N − K las fallas es igualmente probable. Dejar X denotan el
número de éxitos, y considerar cualquier orden de K éxitos y N − K fallas, digamos, Lla =
(s,s,f,f,...,f). Entonces
P(o,X k) P(X
k)
P(o|X = k) = ==
P o
P(X = k) pk(1 −
n p)n−k
k n
k p 1 p
1 k
n
k
Para motivar esta definición, multiplique la parte izquierda Dx y el lado derecho por
(DXDY)/Dy para obtener
f(x,y)DXDY
fX|Y(x|y)Dx = fY(y)Dy
L P{X ... X ... X + Dx,y ... Y ... y + Dy} P{y ... Y
... y + Dy}
EJEMPLO 5A
La densidad articular de X Y Y es dada por
qQ f(x−,y)Dx− −
x(2 x y)
=- − − y)DX
x(2 x y)
y/2
= 6x(2 − X − y)
4 − 3y .
EJEMPLO 5B
Supongamos que la densidad de la articulación de X Y Y es dada por
f(x,y)
fX Y xy
fY y
x y
e e y y
e y 0 1 y e
1 xy
e
y
x/y Dx
Ahí
1 y
q
e
=− 6
= e−1/y .
P{N = n} Dx
y dejando Dx enfoque 0 da
Px<X<x DX N
Lim { + |f(x)
Dx
→0 Dx P{N = n}
PN NX x
fX|N(x|n) = { P={N =| n=} }f(x)
EJEMPLO 5C la distribución normal bivariate
Una de las distribuciones conjuntas más importantes es la distribución normal bivariada.
Decimos que las variables aleatorias X,Y tienen una distribución normal bivariada si, para
las constantes μx,μy,σX > 0 σy > 0 −1 < R < 1, su función de la densidad común se da, para
todos − q < x,y < qPor
f
Ahora determinamos la densidad condicional de X Dado que Y = y. Al hacerlo,
f(x,y) fX|Y(x|y) =
fY(y)
Reconociendo la ecuación precedente como una densidad normal, podemos concluir que,
dado Y = y, la variable aleatoria X normalmente se distribuye con la media
y la varianza σx2(1 − r2). También, porque la densidad de la articulación
de Y,X es exactamente el mismo que el de X,Y, excepto que μx,σX se intercambien con μy,σy,
de igual manera sigue que
Sección 6,5 Distribuciones condicionales: caso continuo
fX(x) = * f(x,y)Dy
−q
=C ⎧
Dy Realizar
fX(x) = Cσy
Dw
= Cσy
Dw
Kuz
. Dw = 1
vemos que
fX
√2Cpx
Es decir X es normal con la media μX y la varianza σx2. Semejantemente Y es normal con la
media μy y la varianza σy2. .
EJEMPLO 5D
Considerar N + M probabilidades comunes de éxito. Supongamos, sin embargo, que esta
probabilidad de éxito no se fija por adelantado, sino que se elige a partir de una población
uniforme (0,1). ¿Cuál es la distribución condicional de la probabilidad de éxito dado que el
N + M los ensayos resultan en N ¿Éxitos?
Solución. Si dejamos que X denotan la probabilidad de que un ensayo dado sea un éxito, X
es una variable aleatoria uniforme (0,1). Además, dado que X = xLla N + M los ensayos son
independientes con la probabilidad común de éxito xAsí N, el número de éxitos, es una
variable aleatoria binomial con parámetros (N + m,x). Por lo tanto, la densidad condicional
de X Dado que N = N Es
fX|N(x
m
= { =}0<X<1
PN n
= Cxn(1 − x)m
∗6,6ESTADÍSTICAS DE PEDIDOS
Dejar X1,X2,...,XN Ser N variables aleatorias continuas independientes y distribuidas
idénticamente con una densidad común F y la función de distribución F. Definir
#
#
#
X(j) = jTH más pequeño de X1, X2, ..., Xn
#
#
#
X(n) = más grande de X1, X2, ..., Xn
...
Los valores ordenados X(1) ... X(2) ··· ... X(n) se conocen como el estadísticas de pedidos
correspondientes a las variables aleatorias X1,X2,...,Xn. En otras palabras, X(1),...,X(n) son los
valores ordenados de X1,...,Xn.
La función de densidad conjunta de las estadísticas de orden se obtiene señalando que las
...
estadísticas de orden X(1),...,X(n) tomará en los valores x1 ... x2 ··· ... xN Si y sólo si, para
alguna permutación (i1,i2,...,in) De (1, 2,...,n),
P ,xEn XN
L EnfX1,··· ,Xn(xi1,...,xin)
= Enf(xi1)···f(xEn)
= Enf(x1)···f(xn)
P ,xN
L n! εnf(x1)···f(xn)
La ecuación (6,1) se explica más sencillamente argumentando que, para que el vector
a igual , es necesario y suficiente para Para
igual a uno de los n! permutaciones de . Dado que la probabilidad (densidad) que
es igual a cualquier permutación dada de es sólo f(x1)···f(xn)Justo
ción (6,1).
EJEMPLO 6A
A lo largo de una carretera de 1 milla de largo son 3 personas "distribuidos al azar."
Encontrar la probabilidad de que no 2 personas son menos de una distancia de D millas de
distancia cuando D ... .
Solución. Supongamos que "distribuidos al azar" significa que las posiciones de las 3
personas son independientes y distribuidas uniformemente por el camino. Si Xme indica la
posición de la ipersona, entonces la probabilidad deseada es P{X(i) > X(i−1) + d,me =
2, 3}. Kuz
se deduce que
}=
P{X(i) > X(i−1) + d,me = 2, 3 * * *xi>xj−1+D fX(1),X(2),X(3)(x1,x2,x3)Dx1 Dx2 Dx3
1
= 3!Dx3 Dx2 Dx1
D
= 6* * y2 Dy2 Dx1
0 0
donde hemos hecho el cambio de variables y2 = 1 − D − x2. Continuando con la cadena
de ecualidades produce
=
3* 1−2d(1 − 2D − x1)2 Dx1
0
1−2d
= 3* y
0
= (1 − 2d)3
Por lo tanto, la probabilidad deseada de que no 2 personas están a una distancia D el uno
del otro cuando 3 personas se distribuyen uniformemente e independientemente en un
intervalo de tamaño 1 es (1 − 2d)3 Cuando D ... . De hecho, el mismo método se puede
utilizar para demostrar que cuando N la gente se distribuye al azar sobre el intervalo de la
unidad, la probabilidad deseada es
[1 −N − 1)d]n Cuando
D …
1
− n
[F(x)]j−1[1 − F(x)]n−jf(x)
!
J − 1)!
=
(j) − n! − [1
j 1
− F(x)]n−jf(x) (6,2) fX (x)
[F(x)]
(n j)!(J − 1)!
EJEMPLO 6B
Cuando una muestra de 2N + 1 variables aleatorias (es decir, cuando 2N + se observan 1
variables aleatorias independientes e idénticamente distribuidas), (N + 1)St más pequeño se
llama el mediana de la muestra. Si se observa una muestra de tamaño 3 de una distribución
uniforme sobre (0,1), encontrar la probabilidad de que la mediana de la muestra esté entre
Y .
fX 0<X<1
Sección 6,6 Estadísticas de pedidos
Ahí
P X(1 − x)Dx
x=1/4 .
= n!
FX(j)(y) * y [F(x)]j−1[1 − F(x)]n−jf(x)Dx (6,3) (N − j)!(J −
1)! − q
Sin embargo FX(j)(y) también podrían haberse derivado directamente señalando que el
jestadístico de orden es menor o igual que y Si y sólo si hay J o más de la Xison menores o
iguales que y. Por lo tanto, porque el número de Xison menores o iguales que y es una
variable aleatoria binomial con parámetros n,P = F(y), se deduce que
Si, en ecuaciones (6,3) y (6,4), tomamos F ser la distribución uniforme (0,1) [es decir,
f(x) = 1, 0 < X < 1], obtenemos la interesante identidad analítica
!
x − (1 − x)n−J Dx
y j 1
0 ... y ... 1 (6,5)
kj
=
()() − − n! i−1 (6,6) fX me ,X J (xi,xj)
[F(xi)]
(i 1)!(j me − 1)!(N − j)!
=
* * fX(1),X(n)(x1,xn)Dx1 Dxn xn−X
…a
f(x1)f(xn)DxN Dx1
Hacer el cambio de variable y = F(xn) − F(x1),Dy = f(xn)DxN Rendimientos
Así q
P{R ... a} = n* [F(x1 + a) − F(x1)]n−1f(x1)Dx1 (6,7) − q
La ecuación (6,7) se puede evaluar explícitamente sólo en algunos casos especiales. Uno de
estos casos es cuando el Xiestán distribuidos uniformemente en (0,1). En este caso
obtenemos, de
Ecuación (6,7), que para 0 < Un < 1
1
1
= n( − a)an−1 + an
fR(a) = 0 − −
0 Lo contrario
6
1 2 6
En estas dos condiciones, se puede demostrar que las variables aleatorias Y1 Y Y2 son
conjuntamente continuos con la función de la densidad común dada por
(x1,x2) :
)
g1(x1,x2 ... y1
)
g2(x1,x2 ... y2
EJEMPLO 7A
Dejar X1 Y X2 ser conjuntamente variables aleatorias continuas con la función de densidad
de probabilidad fX1,X2. Dejar Y1 = X1 + X2,Y2 = X1 − X2. Encuentre la función de densidad
conjunta de Y1 Y Y2 en términos de fX1,X2.
J6 6
Además, ya que las ecuaciones y1 = x1 + x2 Y y2 = x1 − x2 Hve x1 = (y1 + y2)/2 x2 =
(y1 − y2)/2 como su solución, se deduce de la ecuación (7,1) que la densidad deseada es
fY
R Y
fY1,Y2
Por lo tanto, no sólo obtenemos (de acuerdo con la Proposición 3,2) que X1 + X2 Y X1 − X2
son normales con la media 0 y la varianza 2, pero también concluimos que estos dos
aleatorios las variables son independientes. (De hecho, se puede demostrar que si X1 Y X2
son variables aleatorias independientes que tienen una función de distribución común
FEntonces X1 + X2 será independiente de X1 − X2 Si y sólo si F es una función de distribución
normal.) .
EJEMPLO 7B
VamosX, Y) denotan un punto aleatorio en el plano y asumen que las coordenadas
rectangulares X Y Y son variables aleatorias normales estándar independientes. Estamos
interesados en la distribución conjunta de R, Θ, la representación de coordenadas polares de
(x, y). (Consulte la figura 6,4.)
Supongamos primero que X Y Y son ambos positivos. Para X Y y positivo, dejando R =
y
+ y2
Ahí
x y 1 2
x, y 2
x2 y2 3 2 x2 y2 3 2 x2 y2 r
1
f q
Del mismo modo, podemos demostrar que
f r2/2
, P2 < Θ < PI, 0 < R < q f
Q f
Ahora, estos factores de densidad conjunta en las densidades marginales para R Y ΘAsí R
Y Me son variables aleatorias independientes, con Me uniformemente distribuidos sobre (0,
2P Y R con la distribución de Rayleigh con densidad
(Por ejemplo, cuando uno apunta a un objetivo en el plano, si las distancias de falta
horizontales y verticales son normales estándar independientes, entonces el valor absoluto
del error tiene la distribución anterior de Rayleigh).
Este resultado es bastante interesante, pues ciertamente no es evidente a priori que un
vector aleatorio cuyas coordenadas son variables aleatorias normales estándar
independientes tendrá un ángulo de orientación que no sólo se distribuye uniformemente,
sino que también es independiente de la distancia del vector del origen.
Si quisiéramos la distribución conjunta de R2 Y Θ, entonces, desde la transformación D
= g1(x,y) = x2 + y2 Y i = g2(x,y) = tan−1 y/X tiene el Jacobio
J
se deduce que 66 66
f q, 0 < Θ < 2π
Por lo tanto R2 Y Me son independientes, con R2 con una distribución exponencial con
parámetros . Pero porque R2 = X2 + Y2, se deduce por definición que R2 tiene una
distribución de Chi-cuadrada con 2 grados de libertad. Por lo tanto, tenemos una verificación
del resultado que la distribución exponencial con parámetro es la misma que la
distribución de Chi-cuadrada con 2 grados de libertad.
El resultado anterior se puede utilizar para simular (o generar) variables aleatorias
normales haciendo una transformación adecuada en variables aleatorias uniformes. Dejar
U1 Y U2 ser variables aleatorias independientes, distribuidas uniformemente sobre (0,1).
Transformaremos U1,U2 en dos variables aleatorias normales de unidad independiente X1 Y
X2 en primer lugar teniendo en cuenta la representación de coordenadas polares (R,Me del
vector aleatorio (X1,X2). De lo anterior, R2 Y Me será independiente y, además,
tendrá una distribución exponencial con parámetros . Pero
−2EntrarU1 tiene tal distribución, ya que, para X > 0
P
= P{U1 > e−x/2}
= 1 − e−x/2
También, porque 2πU2 es un uniforme (0, 2P variable aleatoria, podemos usarla para generar
Θ.
Es decir, si dejamos
R2 = −2EntrarU1
i = 2πU2
X1 =. − −2EntrarU1 Cuerpo(2πU2)
X2 = . 2EntrarU1 sin(2πU2)
EJEMPLO 7C
Si X Y Y son variables aleatorias gamma independientes con parámetros (A,L Y (b),L,
respectivamente, computa la densidad de la articulación de U = X + Y Y V = X/(X + Y).
Solución. La densidad articular de X Y Y es dada por
λe−λx(lx)α−1 λe−λy(ly)β−1
fX,Y
Finalmente, como las ecuaciones U = xmás de 6 y,V = x/(X + y) tienen como sus soluciones6
X = Uv,y = u(1 − v), vemos que
(A
Ahí X + Y Y X/(X + Y) son independientes, con X + Y tener una distribución gamma con
parámetros (A + b,L Y X/(X + Y) tener una distribución beta con parámetros (A,B. El
razonamiento precedente también muestra que B(A,B, el factor normalizador en la densidad
beta, es tal que
B Fr
Todo este resultado es bastante interesante. Para suponer que hay N + M trabajos a realizar,
cada uno (independientemente) tomando una cantidad exponencial de tiempo con la tasa L
que se completen y Supongamos que tenemos dos trabajadores para realizar estos trabajos.
Trabajador voy a hacer trabajos 1, 2,...,n, y el trabajador II hará el resto M Trabajos. Si
dejamos que X Y Y indican el tiempo total de trabajo de los trabajadores I y II,
respectivamente, entonces (ya sea del resultado anterior o del ejemplo 3B) X Y Y serán
variables aleatorias gamma independientes con parámetros (n,L Y (m,LRespectivamente. A
continuación, se deduce que, independientemente del tiempo de trabajo necesario para
completar todos los N + M empleos (es decir, de X + Y), la proporción de este trabajo que
realizará el trabajador I tiene una distribución beta con parámetros (n, m). .
∂gn
6
6 ∂xn
EJEMPLO 7D
Dejar X1,X2Y X3 ser variables aleatorias normales estándar independientes. Si Y1 = X1 + X2
+
X3,Y2 = X1 − X2Y Y3 = X1 − X3, calcule la función de densidad conjunta de Y1,Y2,Y3.
Solución. Dejar Y1 = X1 + X2 + X3,Y2 = X1 − X2,Y3 = X1 − X3, el Jacobio
de estas transformaciones es dada por
1 1 1
J = 666661 −1 −0 666666 =3
1 0 1
A medida que las transformaciones precedentes producen
X 1 = Y1 + Y2 + Y3 X2 = Y1 − 2Y2 + Y3 X3 = Y1 + Y2 − 2Y3
3 3 3
vemos en la ecuación (7,3) que
fX
fX1,X2,X3 X2me /2
vemos que
fY1,Y2,Y3 Q(y1,y2,y3)/2
Donde
EJEMPLO 7e
Dejar X1,X2,...,XN ser independientes y distribuidas idénticamente variables aleatorias
exponenciales con tasa λ. Dejar
Dado que sólo el primer término del determinante será distinto de cero, J = 1. ahora,
la función de densidad conjunta de X1,...,XN es dada por
n
fX1,...,Xn q, me = 1...,n
=
Lne−λyn 0 <
y1, 0 < yme −
yi−1,me =
2...,n
Continuando, obtenemos
y3
= LN y 2 yn
fY4,...,Yn(y4,...,yn) = LN yn
< yN (n 1)!
que, de acuerdo con el resultado obtenido en el ejemplo 3B, muestra que X1 + ··· + XN
es una variable aleatoria gamma con parámetros N Y λ. .
P{Xi1 ... x1,Xi2 ... x2,...,XEn ... xn} = P{X1 ... x1,X2 ... x2,...,XN ... xn}
para todas las permutaciones i1,...,in, y todos los valores x1,...,xn. Esto equivale a afirmar que
p(x1,x2,...,xn) = P{X1 = x1,...,XN = xn} es una función simétrica del vector (x1,...,xn), lo que
significa que su valor no cambia cuando se permutan los valores del vector.
EJEMPLO 8A
Supongamos que las bolas se retiran una a la vez y sin reemplazo de una urna que
inicialmente contiene N bolas, de los cuales K se consideran especiales, de tal manera que
cada retirada es igualmente probable que sea cualquiera de las bolas que permanecen en la
urna en el momento. Dejar Xme = 1 si el iTH pelota retirada es especial y dejar Xme = 0 en
caso contrario. Demostraremos que las variables aleatorias X1,...,XN son intercambiables.
Para ello, deje que (x1,...,xn) ser un vector que consiste en K unos y N − K Ceros. Sin
embargo, antes de considerar la función de masa conjunta evaluada en (x1,...,xn), intentemos
obtener alguna
Sección 6,8 Variables aleatorias intercambiables
considerando un vector fijo de este tipo, por ejemplo, considere el vector (1, 1, 0, 1, 0,..., 0, 1),
que se asume que K unos y N − K Ceros. Entonces
Ka 1n Ka 2n k 1 11
p(1, 1, 0, 1, 0,..., 0, 1) = −− −− −− −−− ···
nn 1n 2n 3 n 4 21
que sigue porque la probabilidad de que la primera pelota es especial es k/n, la probabilidad
condicional de que el siguiente sea especial es (K − 1)/(N − 1), la probabilidad condicional
de que el siguiente no sea especial es (N − k)/(N − 2), y así sucesivamente. Por el mismo
argumento, se deduce que p(x1,...,xn) puede expresarse como el producto de N Fracciones.
Los términos sucesivos del denominador de estas fracciones van de N hasta 1. El término
del numerador en la ubicación donde el vector (x1,...,xn) es 1 para el itiempo es K −me − 1),
y donde es 0 para el iTH tiempo es N − K −me − 1). Por lo tanto, ya que el vector (x1,...,xn)
consiste en K unos y N − K ceros, obtenemos
n
k!(n k)!
p(x1,...,xn) = − xik
n!
i=1 Dado que se trata de una
función simétrica de (x1,...,xn), se deduce que las variables aleatorias son intercambiables.
.
Observación. Otra forma de obtener la fórmula precedente para la función de masa de
probabilidad conjunta es considerar N bolas como distinguibles entre sí. Entonces, ya que
el resultado del experimento es una ordenación de estas bolas, se deduce que hay n!
resultados igualmente probables. Finalmente, porque el número de resultados que tienen
bolas especiales y no especiales en lugares especificados es igual al número de maneras de
permutando las bolas especiales y no especiales entre sí, a saber k!(N − k)!, obtenemos la
función de densidad precedente. .
Se ve fácilmente que si X1,X2,...,XN son intercambiables, entonces cada Xme tiene la misma
distribución de probabilidad. Por ejemplo, si X Y Y son variables aleatorias discretas
intercambiables,
Por ejemplo, del ejemplo 8A se desprende que el iTH pelota retirada será especial con
probabilidad k/n, que es intuitivamente claro, ya que cada uno de los N bolas es igualmente
probable que sea el iuno seleccionado.
EJEMPLO 8B
En el ejemplo 8A, deje Yme indican el número de selección de la primera bola especial
retirada, deje Y2 indican el número adicional de bolas que luego se retiran hasta que aparece
la segunda bola especial, y, en general, deje que Yme indican el número adicional de bolas
retiradas después de la (me − 1)bola especial de la St se selecciona hasta iTH está
seleccionado, me = 1...,k. Por ejemplo, si N = 4K = 2 Y X1 = 1X2 = 0X3 = 0X4 = 1, entonces
Y1 = 1Y2 = 3. ahora, Y1 = i1,Y2 = i2,...,YK = iK 3 Xi1 = Xi1+i2 = ··· =
Xi1+··· +iK = 1XJ = 0, de lo contrario; por lo tanto, de la función de masa conjunta de la Xi,
obtenemos
EJEMPLO 8C
Lo siguiente se conoce como modelo de urna de Polya: Supongamos que una urna contiene
inicialmente N rojo y M bolas azules. En cada etapa, una pelota es elegida aleatoriamente,
su color es observado, y luego se reemplaza junto con otra bola del mismo color. Letselected
es rojo y lo deja igual a 0 si el ila bola es azul, me Efectos 1. para obtener una sensación
deXme = 1 si el ilas probabilidades conjuntas de estas Xi, tenga en cuenta los siguientes casos
especiales:
= N +N m N +N m+ 1+ 1 N + mM + 2 N +N m+ 2+ 3 N +M m+ +1 4
n n 1 n 2m m 1
==
n(n+m+Mm)(Nn++Mnm++n1(n1n)(+n+m1+)(m+Nm+1++222)Nm)(+n(Nm+m++
m1+1)+3 n3)(+s m++ 2+M 4+ 4)
Por el mismo razonamiento, para cualquier secuencia x1,...,xK que contiene R unos y K − R ceros,
tenemos
Por lo tanto, para cualquier valor de k, las variables aleatorias X1,...,XK son intercambiables.
Un interesante corolario de la intercambiabilidad en este modelo es que la probabilidad
de que el ila bola seleccionada es roja es la misma que la probabilidad de que la primera
bola seleccionada sea roja, es decir, n+nm. (Para un argumento intuitivo para este resultado
inicialmente no intuitivo, Imagine que todos los N + M las bolas inicialmente en la urna son
de diferentes tipos. Es decir, uno..., uno es un tipo de bola roja de n, una es una bola roja de
tipo 1, una es una bola roja de tipo 2, una bola azul de tipo 1, y así sucesivamente, hasta la
bola azul de tipo m. Supongamos que cuando se selecciona una pelota se reemplaza junto
con otra de su tipo. Entonces, por simetría, el de estosila bola seleccionada es igualmente
probable queN + M los tipos son rojos, la probabilidad es n+nmn.) + M tipos distintos. Kuz .n
Nuestro ejemplo final se ocupa de variables aleatorias continuas que son intercambiables.
EJEMPLO 8D
Dejar X1,X2,...,XN independientes (0,1) variables aleatorias, y denotan sus estadísticas de orden
por X(1),...,X(n). Es decir X(j) es el jTH más pequeño de X1,X2,...,Xn.
Resumen
Y1 = X(1),
Yme = X(i) − X(i−1), me = 2...n
Rendimiento
xme = y1 + ··· + yi me = 1...,n
Como es fácil ver que el jacobiano de las transformaciones precedentes es igual a 1, por lo tanto,
de la ecuación (7,3), obtenemos
o, de manera equivalente,
fY1,...,Yn(y1,y2,...,yn) = n! 0 < yme < 1 me = 1...,n, y1 + ··· + yN < 1
Debido a que la densidad de la articulación precedente es una función simétrica de y1,...,yn,
vemos que las variables aleatorias Y1,...,YN son intercambiables. .
Resumen
Lla función de distribución de probabilidad acumulada conjunta del par de variables
aleatorias X Y Y se define por
Todas las probabilidades con respecto a la pareja se pueden obtener de F. Para encontrar las
funciones de distribución de probabilidad individuales de X Y YUso
Las variables aleatorias X Y Y se dice que son conjuntamente continuos Si hay una función
f(x, y), llamado función de densidad de probabilidad conjunta, de modo que para cualquier
conjunto bidimensional C,
P{(X,Y) ∈ C} = * * f(x,y)DXDY
C
De la fórmula precedente se desprende que
Las variables aleatorias X Y Y Son Independiente Si, para todos los conjuntos Un Y B,
=
FX+Y(a) *−Q FX(Un − y)fY(y)Dy
p(x,y)
P{X = x|Y = y} =
pY(y)
Donde P es su función de masa de probabilidad conjunta. Además, si X Y Y son
conjuntamente continuos con la función de la densidad común f, entonces el función de
densidad de probabilidad condicional De X Dado que Y = y es dada por
f(x,y) fX|Y(x|y) =
fY(y)
...
Los valores ordenados X(1) ... X(2) ··· ... X(n) de un conjunto de variables aleatorias
independientes y distribuidas idénticamente se denominan estadísticas de pedidos de ese
conjunto. Si las variables aleatorias son continuas y tienen la función de densidad f, entonces
la función de la densidad común de las estadísticas de la orden es
Problemas
Dejar P1,...,PN denotan la N Puntos. Dejar Un denotan x y 0 < X < 1, 0 < y < 1
el evento que todos los puntos están contenidos en f(x,y) = % +
algún semicírcito, y dejar Ame ser el caso de que todos
los puntos se encuentran en el semicirculo 0 Lo contrario
comenzando en el punto Pme y va en sentido horario
para 180◦,me = 1...,n. (a) Son X Y Y ¿Independiente?
(b) Encuentre la función de densidad de X.
(a) Express Un en términos de la Ai.
(c) Encontrar P{X + Y < 1}.
6,23. Las variables aleatorias X Y Y tienen la función de la independientes y el servicio comienza a la llegada
densidad común del automóvil.)
(b) Si ambos coches se traen en el tiempo 0, con el
f(x,y) = 12Xy(1 − x) 0 < X < 1, 0 < y < 1 trabajo que comienza en el coche de m. j.
solamente cuando el coche de a. j. ha sido
e igual a 0 en caso contrario. completamente reparado, ¿cuál es la probabilidad
(a) Son X Y Y ¿Independiente? de que el coche de m. j. esté listo antes del tiempo
(b) Encontrar E[X]. c Encontrar 2?
E[Y]. 6,29. Las ventas semanales brutas en un determinado
De Encontrar var(X). restaurante es una variable aleatoria normal con la
Y Encontrar var(Y). media $2200 y la desviación estándar $230. ¿Cuál es
6,24. Considerar ensayos independientes, cada uno de los la probabilidad de que
cuales da como resultado i,me = 0, 1,...,k, con (a) las ventas brutas totales durante las próximas 2
semanas superan los $5000;
probabilidad k
(b) las ventas semanales superan los $2000 en al
menos 2 de las próximas 3 semanas?
pi, pme = 1. deje que N denotan el número de ensayos ¿Qué suposiciones de independencia has hecho?
necesarios para obtener un resultado que no es igual a
0, y que X ser ese resultado. un Encontrar P{N = n},N 6,30. Las puntuaciones de los bolos de Jill se distribuyen
Efectos 1. aproximadamente normalmente con la media 170 y la
desviación estándar 20, mientras que las puntuaciones
(b) Encontrar P{X = j},J = 1...,k. de Jack se distribuyen aproximadamente normalmente
(c) Mostrar que P{N = n,X = j} = P{N = n}P{X = j}. con la media 160 y la desviación estándar 15. Si Jack
y Jill cada tazón de un juego, a continuación,
(d) ¿Es intuitivo para usted que N es independiente
suponiendo que sus puntuaciones son variables
de X?
aleatorias independientes, aproximan la probabilidad
(e) ¿Es intuitivo para usted que X es independiente de
de que un La puntuación de Jack es más alta;
N?
b el total de sus puntuaciones es superior a 350.
6.25. Supongamos que 106 las personas llegan a una estación
de servicio a veces que son variables aleatorias 6,31. Según el Centro Nacional de estadísticas sanitarias de
independientes, los Estados Unidos, el 25,2 por ciento de los varones y
cada uno de los cuales se distribuye uniformemente el 23,6 por ciento de las hembras nunca comen
sobre (0, 106). Dejar N denotan el número que llega en desayuno. Supongamos que se eligen muestras
la primera hora. Encuentre una aproximación para P{N aleatorias de 200 hombres y 200 mujeres. Aproxime la
= i}. probabilidad de que
(a) al menos 110 de estas 400 personas nunca
6.26. Supongamos que A, B, C, son variables aleatorias desayunan;
independientes, cada una distribuida uniformemente (b) el número de las mujeres que nunca comen el
sobre (0,1). desayuno es por lo menos tan grande como el
(a) ¿Cuál es la función de distribución acumulada número de los hombres que nunca comen el
conjunta de A, B, C? desayuno.
(b) ¿Cuál es la probabilidad de que todas las raíces de Problemas
la ecuación Ax2 + Bx + C = 0 son reales?
6.32. El número esperado de errores tipográficos en una
6.27. Si X1 Y X2 son variables aleatorias exponenciales página de una determinada revista es. 2. ¿Cuál es la
independientes con parámetros respectivos λ1 Y λ2, probabilidad de que un artículo de 10 páginas contenga
(a) 0 y (b) 2 o más errores tipográficos? ¡ Explique su
encontrar la distribución de Z = X1/X2. También
razonamiento!
computar P{X1 < X2}.
6.33. El número promedio mundial mensual de accidentes
6.28. El tiempo que se tarda en el servicio de un coche es aéreos de aerolíneas comerciales es de 2,2. ¿Cuál es la
una variable aleatoria exponencial con la tasa 1. probabilidad de que se
(a) Si a. j. trae su coche en el momento 0 y m. j. trae (a) más de 2 de estos accidentes en el próximo mes?
su coche en el momento t, ¿cuál es la probabilidad (b) más de 4 de estos accidentes en los próximos 2
de que el coche de m. j. esté listo antes del coche meses?
de a. j.? (Suponga que los tiempos de servicio son
(c) más de 5 de estos accidentes en los próximos 3 6,41. La función de densidad conjunta de X Y Y es dada por
meses?
¡ Explique su razonamiento! f(x,y) = Coche−x(y+1) X > 0 y > 0
6.34. Jay tiene dos trabajos que hacer, uno tras otro. Cada
intento de trabajo me tarda una hora y tiene éxito con
la probabilidad pi. Si p1 = .3 y p2 = .4, ¿cuál es la (a) Encuentre la densidad condicional de XDado Y
probabilidad de que se lleve a Jay más de 12 horas para
=y, y la de YDado X = x.
tener éxito en ambos trabajos?
6.35. En el problema 4, calcule la función de masa de (b) Encuentre la función de densidad de Z = Xy.
probabilidad condicional de X1 Dado que
6.42. La densidad articular de X Y Y Es
un X2 = 1 b X2 =
0. f(x,y) = c(x2 − y2)e−x 0 ... X < q, −X ... y ... x
6,36. En el problema 3, calcule la función de masa de
probabilidad condicional de Y1 Dado que Encuentre la distribución condicional de YDado X = x.
un Y2 = 1 b Y2 = 6.43. Una compañía de seguros supone que cada persona
0. tiene un parámetro de accidente y que el número anual
de accidentes de alguien cuyo parámetro de accidente
6,37. En el problema 5, calcule la función de masa de
es L es Poisson distribuido con media λ. También
probabilidad condicional de Y1 Dado que
suponen que se puede suponer que el valor de
(a) Y2 = 1 b Y2 = 0.
parámetro de una persona recién asegurada es el valor
6,38. Elija un número X al azar del conjunto de números {1, de una variable aleatoria gamma con parámetros s Y
2, 3, 4, 5}. Ahora elija un número al azar del α. Si una persona recién asegurada ha N accidentes en
su primer año, encontrar la densidad condicional de su
subconjunto no mayor que X, es decir, de {1...,X}. parámetro de accidente. Además, determine el número
Llame a este segundo número Y. un Encontrar la esperado de accidentes que tendrá en el año siguiente.
función de masa conjunta de X Y Y. 6.44. Si X1,X2,X3 son variables aleatorias independientes que
(b) Encuentre la función de masa se distribuyen uniformemente sobre (0,1), calculan la
probabilidad de que el mayor de los tres sea mayor que
condicional de X Dado que Y = i. la suma de los otros dos.
Hazlo por me = 1, 2, 3, 4, 5. c Son 6.45. Una máquina compleja es capaz de funcionar
X Y Y ¿Independiente? ¿Porqué? eficazmente siempre y cuando al menos 3 de sus 5
6.39. Dos dados están enrollados. Dejar X Y Y denotan, motores funcionen. Si cada motor funciona de forma
respectivamente, los valores más grandes y más independiente durante una cantidad aleatoria de
pequeños obtenidos. Calcule la función de masa tiempo con la función de densidad f(x) = Coche−x,X >
condicional de Y Dado X = iPara me = 1, 2,...6. Son X 0, calcule la función de densidad de la longitud del
Y Y ¿Independiente? ¿Porqué? tiempo que funciona la máquina.
6.46. Si 3 camiones se descomponen en puntos distribuidos
6.40. La función de masa de probabilidad conjunta de X Y Y
aleatoriamente en un camino de longitud L, encontrar
es dada por
la probabilidad de que no 2 de los camiones están a
una distancia D el uno del otro cuando D ... L/2.
p P 6.47. Considere una muestra de tamaño 5 de una
distribución uniforme sobre (0,1). Calcule la
p p probabilidad de que la mediana esté en el intervalo
.
6.48. Si X1,X2,X3,X4,X5 son variables aleatorias
(a) Calcule la función de masa condicional de X exponenciales independientes y distribuidas
Dado Y = i,me = 1, 2. idénticamente con el parámetro λCalcular un
(b) Son X Y Y ¿Independiente? P{Min(X ,...,X ) ...
(c) Calcular P{Xy ... 3},P{X + Y > 2}, P{X/Y > 1}. a};
b.
6.49. Dejar X(1),X(2),...,X(n) ser las estadísticas de orden de un 6,56. Si X Y Y son variables aleatorias uniformes
conjunto de N uniforme independiente (0, 1) variables independientes y distribuidas idénticamente en (0,1),
aleatorias. Encuentre la distribución condicional de calcular la densidad articular de
X(n) Dado que X(1) = s1,X(2) = s2,...,X(n−1) = sn−1. (a) U = X + Y,V = X/Y;
6.50. Dejar Z1 Y Z2 ser variables aleatorias normales (b) U = X,V = X/Y; c U = X + Y,V = X/(X +
estándar independientes. Mostrar que X,Y tiene una
distribución normal bivariada cuando X = Z1, Y = Z1 + Y).
Z2.
6.57. Repita el problema 6,56 cuando X Y Y son variables
6.51. Derivar la distribución del rango de una muestra de aleatorias exponenciales independientes, cada una con
tamaño 2 de una distribución que tiene la función de parámetros L = 1.
densidad f(x) = 2x, 0 < X < 1.
6.58. Si X1 Y X2 son variables aleatorias exponenciales
6.52. Dejar X Y Y denotan las coordenadas de un punto independientes, cada una con parámetros λ, encuentre
elegido uniformemente en el círculo de radio 1 la función de densidad conjunta de Y1 = X1 + X2 Y Y2 =
centrado en el origen. Es decir, su densidad articular es eX1.
tan−1 Y/X. =. + =
X = √ √2ZCuerpoU
Y = 2ZsinU
f(x,y) X
Efectos 1 y Efectos 1 x
y
EJERCICIOS TEÓRICOS
6.1. Verifique la ecuación (1,2). 6.7. un Si X tiene una distribución gamma con parámetros
6.2. Supongamos que el número de eventos que ocurren en (t,L, ¿cuál es la distribución de Cx,C > 0?
un período de tiempo dado es una variable aleatoria de (b) Mostrar que
Poisson con parámetro λ. Si cada evento se clasifica 1
como un tipo me evento con probabilidad pi, me = 2 Ex22n
1, independientemente de otros
eventos, demuestran que los números de tipo me tiene una distribución gamma con parámetros n,L
eventos que ocurren, me = 1...,n, son variables Cuando N es un entero positivo y χ22N es una
aleatorias de Poisson independientes con parámetros variable aleatoria de Chi-cuadrada con 2N grados
respectivos λpi, me = 1...,n. de libertad.
6.3. Sugiera un procedimiento para usar el problema de la 6,8. Dejar X Y Y ser variables aleatorias continuas
aguja de Buffon para estimar π. Sorprendentemente, independientes con las respectivas funciones de tasa
esto fue una vez un método común para evaluar π. de riesgo λX(t) Y λY(t)y establezca En = Min(X,Y).
6.4. Resuelva el problema de la aguja de Buffon cuando L (a) Determine la función de distribución de En en
> D. términos de los de X Y Y.
2L (b) Mostrar que λW(t), la función de tasa de riesgo de
Respuesta: (1 − sini) + 2T/P, donde cosi = PD
W, es dada por λW(t) = LX(t) + λY(t)
D/L.
6.5. Si X Y Y son variables aleatorias positivas continuas
independientes, expresan la función de densidad de 6.9. Dejar X1,...,XN ser variables aleatorias exponenciales
(a) Z = X/Y y b) Z = Xy en términos de las funciones independientes que tengan un parámetro común λ.
de densidad de X Y Y. Evalúe las funciones de Determine la distribución de min(X1,...,Xn).
densidad en el caso especial donde X Y Y son 6.10. Los tiempos de vida de las baterías son variables
ambas variables aleatorias exponenciales. aleatorias exponenciales independientes, cada una con
parámetros λ. Una linterna necesita 2 baterías para
6.6. Si X Y Y son conjuntamente continuos con la función
trabajar. Si uno tiene una linterna y una reserva de N
de la densidad común fX,Y(x,y), muestran que X + Y es baterías, ¿cuál es la distribución del tiempo que la
continuo con la función de la densidad linterna puede operar?
q
6.11. Dejar X1, X2, X3, X4, X5 ser variables aleatorias
continuas independientes que tienen una función de
=
fX+Y(t) *−Q fX,Y(x,T − x)Dx distribución común F y la función de la densidad fy
establezca
Me = P{X1 < X2 < X3 < X4 < X5} Dejar X denotan el número de cabezas en el primer N
voltea y Y el número en el segundo N Voltea.
(a) Mostrar que Me no depende de F. Argumentan que dado un total de M cabezas, el
Pista: Escribir Me como una integral de cinco número de cabezas en el primer N voltea tiene la
dimensiones y hacer el cambio de variables ume = misma distribución que el número de bolas blancas
F(xi),me = seleccionadas cuando una muestra de tamaño M se
elige de N blanco y N bolas negras.
1...5. 6,17. Supongamos que Xi,me = 1, 2, 3 son variables aleatorias
(b) Evaluar I.
(c) Dé una explicación intuitiva para su respuesta a de Poisson independientes con los medios respectivos
(b). λi,me =
6.12. Mostrar que las variables aleatorias (discretas)
1, 2, 3. deje que X = X1 + X2 Y Y = X2 + X3.
conjuntas continuas X1,...,XN son independientes si y
sólo si su función de densidad de probabilidad El vector aleatorio X,Y se dice que tiene una
conjunta (masa) f(x1,...,xn) puede escribirse como distribución bivariada de Poisson. Encuentra su
función de masa de probabilidad conjunta. Es decir,
n
encontrar P{X = n, Y = m}.
f
i=1 6,18. Supongo X Y Y son variables aleatorias con valores
enteros. Dejar
para funciones no negativas gi(x),me = 1...,n.
p(i|j) = P(X = i|Y = j)
6.13. En el ejemplo 5C computamos la densidad condicional
de una probabilidad de éxito para una secuencia de Y q(j|i) = P(Y = j|X = i)
ensayos cuando el primer N + M los ensayos resultaron
en N Éxitos. ¿Cambiaría la densidad condicional si Mostrar que
especificamos qué N de estos ensayos resultó en )
éxitos? p ij
P(X = i,Y = j) p ij
6.14. Supongamos que X Y Y son variables aleatorias
y q(j|i)
geométricas independientes con el mismo parámetro
p.
un Sin ningún cálculo, ¿Cuál crees que es el valor de 6,19. Dejar X1,X2,X3 ser variables aleatorias continuas
independientes y
P{X = i|X + Y = n}? distribuidas
idénticamente.
Pista: Imagine que usted continuamente voltear una Calcular
moneda con probabilidad P de subir cabezas. Si la ;
segunda cabeza se nTH Flip, ¿cuál es la función de ;
masa de probabilidad de la época de la primera c P{X1 > X2|X2 > X3}; De P{X1 >
cabeza? b Verifique su conjetura en parte (a).
6,15. Considere una secuencia de ensayos independientes, X2|X2 < X3}.
siendo cada ensayo un éxito con probabilidad p. Dado 6,20. Dejar U denotan una variable aleatoria distribuida
que el kTH éxito se produce en el juicio n, demuestran uniformemente sobre (0,1). Calcule la distribución
condicional de U Dado que
que todos los posibles resultados de la primera N − 1
un U > a; b U < a;
ensayos que consisten en K − 1 éxitos y N − K los fallos donde 0 < Un < 1.
son igualmente probables. 6,21. Supongamos que W, la cantidad de humedad en el aire
6,16. Si X Y Y son variables aleatorias binomiales en un día determinado, es una variable aleatoria
independientes con parámetros idénticos N Y p, gamma con parámetros (t,B. Es decir, su densidad es f
muestran analíticamente que la distribución 0. Supongamos
condicional de X Dado que X + Y = M es la distribución también que dado que En = w, el número de accidentes
hipergeométrica. Además, dé un segundo argumento durante ese día — llámeme N: tiene una distribución
que produzca el mismo resultado sin ningún cálculo. de Poisson con w. Mostrar que la distribución
Pista: Supongamos que 2N las monedas son Volteado.
condicional de En Dado que N = N es la distribución más grande menor o igual que x. ¿Puede concluir que
gamma con parámetros (T + n,G N 1). [X] y X − [X] son independientes?
6,22. Dejar En ser una variable aleatoria gamma con
6,25. Supongamos que F(x) es una función de distribución
parámetros (t,B, y suponga que condicional en En =
acumulativa. Muestre que (a) Fn(x) y b) 1 − [1 − F(x)]N
w,X1,X2,...,XN son variables aleatorias exponenciales
también son funciones de distribución acumulativas N
independientes con Tasa w. Mostrar que la
es un entero positivo.
distribución condicional de En Dado que X1 = x1,X2 =
Pista: Deje que X1,...,XN ser variables aleatorias
x2,...,XN = xN es gamma con Parame- independientes que tengan la función de distribución
común F. Definir variables aleatorias Y Y Z en
términos de la Xme Para P{Y ... x} = Fn(x) Y P{Z ... x}
Inversa . = 1 − [1 − F(x)]n.
6,23. Una matriz rectangular de Mn números dispuestos en
N filas, cada una de las cuales consiste M columnas, se 6,26. Muestre que si N las personas se distribuyen al azar a
dice que contiene un saddlepoint Si hay un número que lo largo de una carretera L millas de largo, entonces la
es tanto el mínimo de su fila y el máximo de su probabilidad de que no 2 personas son menos de una
columna. Por ejemplo, en la matriz distancia D millas de distancia es cuando D ... L/(N −
1), [1 −N − 1)D/L]n. Y si D > L/(N − 1)?
1 3 2
6,27. Establezca la ecuación (6,2) diferenciando la ecuación
0 −2 6
(6,4).
.5 12 3 6,28. Mostrar que la mediana de una muestra de tamaño 2N
el número 1 en la primera fila, la primera columna es + 1 de una distribución uniforme en (0, 1) tiene una
un punto de saddlepoint. La existencia de un punto de distribución beta con parámetros (N + 1 N + 1).
saddlepoint es de importancia en la teoría de los
6,29. Verifique la ecuación (6,6), que da la densidad de la
juegos. Considere una matriz rectangular de números
articulación de X(i) Y X(j).
como se describió anteriormente y suponga que hay
6,30. Calcule la densidad del rango de una muestra de
dos individuos, Un Y B— que están reproduciendo el
tamaño N de una distribución continua con función de
siguiente juego: Un es elegir uno de los números 1,
densidad f.
2,...,N Y B uno de los números 1, 2,...,m. Estas
opciones se anuncian simultáneamente, y si Un Eligió ...
6,31. Dejar X(1) ... X(2) ··· ... X(n) ser los valores ordenados
me Y B Eligió jEntonces Un gana de B la cantidad
especificada por el número en el iésima fila, jcolumna de N variables aleatorias uniformes independientes
de la matriz. Ahora Supongamos que la matriz
contiene un punto de saddlepoint, digamos el número (0,1).
de la fila R y la columna k— Llame a este número xRk. Problemas y ejercicios de autoprueba
Ahora, si el jugador Un elige fila r, entonces ese
jugador puede garantizarse una victoria de al menos Pruebe que durante 1 ... K ... N + 1
xRk (ya que xRk es el número mínimo en la fila r). Por
otro lado, si el jugador B elige la columna k, entonces
él puede garantizar que perderá no más de xRk (ya que P{X(k) − X(k−1) > t} = (1 − t)n
xRk es el número máximo en la columna k). Por lo tanto,
como Un tiene una forma de jugar que le garantiza una Donde X(0) K 0X(n+1) K t.
victoria de xRk y como B tiene una forma de jugar que
6,32. Dejar X1,...,XN ser un conjunto de variables aleatorias
garantiza que perderá no más de xRk, parece razonable
tomar estas dos estrategias como óptimas y declarar continuas independientes y distribuidas idénticamente
que el valor del juego al jugador Un Es xRk. que tienen función de distribución F, y deje que X(i),me
Si el Nm los números en la matriz rectangular = 1...,N denotan sus valores ordenados. Si X,
descrita se eligen independientemente de una independiente del Xi,me = 1...,n, también tiene
distribución continua arbitraria, ¿cuál es la
distribución FDeterminar
probabilidad de que la matriz resultante contenga un
punto de sillín? un P{X > X(n)};
6,24. Si X es exponencial con la tasa λEncontrar P{[X] = n,X { }
− [X] ... x}dondex] se define como el número entero , 1 ... me < J ... n.
6,33. Dejar X1,...,XN ser independientes y distribuidas
idénticamente variables aleatorias con función de
distribución F y la densidad f. La cantidad M K [X(1) +
X(n)]/2, definida como el promedio de los valores más
pequeños y X1,...,Xn, se denomina Medios de la
secuencia. Mostrar que su función de distribución es
m
Y
A continuación, utilice el resultado para mostrar que
X/Y tiene un
Distribución Cauchy.
ri−1+ri
Yi XJ , me ... k
Es decir Y1 es la suma de la primera r1 Dela X es la suma de la siguiente r2, y así sucesivamente.
6,5. Supongamos que X, YY Z son variables aleatorias independientes que tienen igual probabilidad de ser 1 o 2. Encontrar
la función de masa de probabilidad de (a)
Xyz, (b) Xy + Xz + Yz, y (c) X2 + Yz.
6,6. Dejar X Y Y ser variables aleatorias continuas con la función de densidad de la articulación x
= + Cy 0 < X < 1, 1 < y < 5
f(x,y)5
⎩0 Lo contrario
N = Min{N : XN > c}
Es N independiente de XN? Es decir, ¿sabe el valor de la primera variable aleatoria que es mayor que C afectar a la
distribución de probabilidad cuando se produce esta variable aleatoria? Dé una explicación intuitiva para su respuesta.
6,12. El Diana que acompaña es un cuadrado cuyos lados son de la longitud 6:
Sección 7,2 Expectativa de sumas de RVariables de Andom 379
10
20
30
Los tres círculos están centrados en el centro del tablero y son de radios 1, 2 y 3, respectivamente. Dardos aterrizaje
dentro del círculo de radio 1 puntuación 30 puntos, los que aterrizan fuera de este círculo, pero dentro del círculo de
radio 2, valen 20 puntos, y aquellos que aterrizan fuera del círculo de radio 2, pero dentro del círculo de radio 3, valen
10 puntos. Los dardos que no aterrizan dentro del círculo de radio 3 no puntuan ningún punto. Suponiendo que cada
dardo que lanzas, independientemente de lo ocurrido en tus lanzamientos anteriores, aterriza en un punto
uniformemente distribuido en la Plaza, encuentra las probabilidades de los eventos acompañantes:
(a) Usted tiene 20 en un tiro del dardo.
(b) Usted anotar al menos 20 en un tiro del dardo.
(c) Usted puntuación 0 en un tiro del dardo.
(d) El valor esperado de su puntuación en un tiro del dardo.
(e) Los dos primeros tiros tienen una puntuación de al menos 10. f Su puntuación total después de dos tiros es de 30.
6,13. Un modelo propuesto para el baloncesto de la NBA supone que cuando dos equipos con aproximadamente el mismo
récord juegan entre sí, el número de puntos marcados en un trimestre por el equipo local menos el número Problemas
y ejercicios de autoprueba
marcados por el equipo visitante es aproximadamente una variable aleatoria normal con la media 1,5 y la varianza 6.
Además, el modelo supone que los diferenciales de puntos para los cuatro trimestres son independientes. Suponga que
este modelo es correcto.
(a) ¿Cuál es la probabilidad de que el equipo local gane?
(b) ¿Cuál es la probabilidad condicional de que el equipo local gane, dado que está detrás de 5 puntos en el medio
tiempo?
(c) ¿Cuál es la probabilidad condicional de que el equipo local gane, dado que está adelantado por 5 puntos al final del
primer trimestre?
6,14. Dejar N ser una variable aleatoria geométrica con parámetro p. Supongamos que la distribución condicional de X Dado
que N = N es la distribución gamma con parámetros N Y λ. Encuentre la función de masa de probabilidad condicional
de N Dado que
X = x.
6,18. Dejar X1,...,XN Y Y1,...,YN ser vectores aleatorios independientes, con cada vector siendo un orden aleatorio de K unos y N
− K Ceros. Es decir, sus funciones de masa de probabilidad conjunta son
, ij iJ = k
Dejar
n
N
denotan el número de coordenadas en las que los dos vectores tienen valores diferentes. Además, deje que M denotan
el número de valores de me para los que Xme = 1Yme = 0.
(a) Relacionar N Para M.
(b) ¿Cuál es la distribución de M?
(c) Encontrar E[N].
(d) Encontrar var(N).
∗6,19. Dejar Z1,Z2,...,ZN ser variables aleatorias normales estándar independientes, y dejar que
Sj ZEn=1
(a) ¿Cuál es la distribución condicional de SN Dado que SK = yPara K = 1...,n?
(b) Muestre que, por 1 ... K ... n, la distribución condicional de SK Dado que SN = X es normal con la media Xk/N y la
varianza k(N −
k)/n.
6,20. Dejar X1,X2,... ser una secuencia de variables aleatorias continuas independientes y distribuidas idénticamente. Encontrar
(a) P{X6 > X1|X1 = Max(X1,...,X5)}
(b) P{X6 > X2|X1 = Max(X1,...,X5)}
CHAPTER7
Propiedades de la expectativa
7,1 INTRODUCCIÓN 7,2 EXPECTATIVA DE SUMAS DE VARIABLES ALEATORIAS 7,3
MOMENTOS DEL NÚMERO DE EVENTOS QUE OCURREN 7,4 COVARIANZA, VARIANZA DE SUMAS Y
CORRELACIONES 7,5 EXPECTATIVA CONDICIONAL 7,6 EXPECTATIVA CONDICIONAL Y
PREDICCIÓN 7,7 FUNCIONES DE GENERACIÓN DE MOMENTOS 7,8 PROPIEDADES
ADICIONALES DE LAS VARIABLES ALEATORIAS NORMALES 7,9 DEFINICIÓN GENERAL DE
EXPECTATIVA
7,1 Introducción
Sección 7,2 Expectativa de sumas de RVariables de Andom 381
En este capítulo, desarrollamos y explotamos propiedades adicionales de los valores
esperados. Para comenzar, recuerde que el valor esperado de la variable aleatoria X se define
por
E
x
Donde X es una variable aleatoria discreta con función de masa de probabilidad p (x), y
por q
E[X] = * Xf(x)Dx
−q
Cuando X es una variable aleatoria continua con función de densidad de probabilidad f (x).
Desde y [X] es un promedio ponderado de los posibles valores de X, se deduce que si X
debe mentir entre Un Y b, entonces también debe su valor esperado. Es decir, si
Entonces
Un ... E[X] ... b
Para comprobar la instrucción anterior, suponga que X es una variable aleatoria discreta
para la que P{Un ... X ... b} = 1. dado que esto implica que p(x) = 0 para todos X fuera del
intervalo [a, b], se deduce que
E
x:p(x)>0
Ú
x:p(x)>0
297
x:p(x)>0
=a
De la misma manera, se puede demostrar que E[X] ... b, por lo que el resultado sigue para
las variables aleatorias discretas. Como la prueba en el caso continuo es similar, el resultado
sigue.
E[g(X,Y)
y x
E[g(X,Y)] = * * g(x,y)f(x,y)DXDY
−q−q
Dénos una prueba de la Proposición 2,1 cuando las variables aleatorias X Y Y son
conjuntamente continuos con la función de la densidad común f(x,y) y cuando g(X,Y) es una
variable aleatoria no negativa. Kuz g(X,Y) el 0, tenemos, por Lemma 2,1 del capítulo 5, que
q
Escritura
muestra que
q
E[g(X,Y)]* ** f(x,y)dydxdt
0 (x,y):g(x,y)>t
= * * g(x,y)f(x,y)dydx
x y
Por lo tanto, el resultado se prueba cuando g(X,Y) es una variable aleatoria no negativa. El
caso general entonces sigue como en el caso unidimensional. (Véanse los ejercicios teóricos
2 y 3 del capítulo 5.)
EJEMPLO 2A
Un accidente ocurre en un punto X que se distribuye uniformemente en un camino de
longitud L. En el momento del accidente, una ambulancia está en un lugar Y que también se
Sección 7,2 Expectativa de sumas de RVariables de Andom 383
distribuye uniformemente en la carretera. Suponiendo que X Y Y son independientes,
encuentran la distancia esperada entre la ambulancia y el punto del accidente.
Solución. Necesitamos calcular E[|X − Y|]. Dado que la función de densidad conjunta de X
Y
Y Es
1
f(x,y) = L 2, 0 < X < L, 0<y<L
Nwo
L x L
=2 +x − Xl
Por lo tanto
E[|X − Y|] Dx
L
.
Para una aplicación importante de la Proposición 2,1, supongamos que E[X] y E[Y] son
finitos y dejan g(X,Y) = X + Y. Entonces, en el caso continuo,
Q
= +
*−qq*− q Xf(x,y)dydxQ *− q*− q Yf(x,y)DXDY
= *−Q YfY(y)Dy
Sección 7,2 Expectativa de sumas de RVariables de Andom 384
El mismo resultado se sostiene en general; así, siempre que E[X] y E[Y] son finitos,
E[X + Y] = E[X] + E[Y] (2,1)
EJEMPLO 2B
Supongamos que, para las variables aleatorias X Y Y,
X Efectos Y
Es decir, para cualquier resultado del experimento de probabilidad, el valor de la variable
aleatoria X es mayor o igual que el valor de la variable aleatoria Y. Desde X Efectos y es
equivalente a la desigualdad X − Y Efectos 0, se deduce que E[X − Y] Efectos 0, o,
equivalentemente,
La ecuación (2,2) es una fórmula extremadamente útil cuya utilidad se ilustrará ahora
mediante una serie de ejemplos.
Solución.
E[X] = E
=n
i
⎣i=1 ⎦
n
1
Sección 7,2 Expectativa de sumas de RVariables de Andom 385
=n
=M Desde E[Xi] K m
X Xi
Así X indica el número de eventos Ame que ocurren. Por último, deje que
Si X
Y Efectos
1
Lo
contrario
Así Y es igual a 1 si al menos uno de los Ame se produce y es 0 en caso contrario. Ahora, es
inmediato que
X Efectos Y
Así
E[X] Efectos E[Y]
Pero desde
n n
E
Y
X = X1 + X2 + ··· + Xn
Donde
1 Si el iel juicio es un éxito
Xme
= %0 Si el iel juicio es un fracaso
Ahí Xme es una variable aleatoria de Bernoulli que tiene expectativa E[Xi] = 1(p) + 0(1 − p).
Así
E[X] = E[X1] + E[X2] + ··· + E[Xn] = Eg .
X = X1 + X2 + ··· + Xr
r
E[X] = E[X1] + ··· + E[Xr] = .
p
Donde
1 Si el ibola blanca seleccionada
Xme
= %0 Lo contrario
Nwo
E[Xi] = P{Xme = 1}
= P{ibola blanca seleccionada}
n
=N
Ahí
Mn
E[X] = E[X1] + ··· + E[Xm] =
N
También podríamos haber obtenido el resultado anterior mediante el uso de la
representación alternativa
X = Y1 + ··· + Yn
Donde
1 Si el ila bola seleccionada es blanca
Yme
= %0 Lo contrario
Dado que el ila bola seleccionada es igualmente probable que N bolas, se deduce que
m
E[Yi] =
N
Así
Nm
E[X] = E[Y1] + ··· + E[Yn] = .
N
EJEMPLO 2H número esperado de coincidencias
Supongamos que N la gente tira sus sombreros en el centro de una habitación. Los
sombreros se mezclan, y cada persona selecciona aleatoriamente uno. Encuentra el número
esperado de personas que seleccionan su propio sombrero.
Solución. Dejar X denotan el número de coincidencias, podemos computar E[X] más
fácilmente escribiendo
X = X1 + X2 + ··· + XN
Donde
1Si el ila persona selecciona su propio sombrero
Xme
= %0 Lo contrario
Sección 7,2 Expectativa de sumas de RVariables de Andom 388
Puesto que, por cada iLla ipersona es igualmente probable que seleccione N Sombreros
1
E[Xi] = P{Xme = 1} =
N
Así
Cuando me tipos distintos de cupones ya se han recogido, un nuevo cupón obtenido será de
un tipo distinto con probabilidad (N − i)/N. Por lo tanto
Nk−1
P{Xme = k} = K Efectos 1
o, en otras palabras, Xme es una variable aleatoria geométrica con parámetro (N − i)/N.
Ahí
N
E[Xi] = −
N i
implicando que
N N N
E[X] = 1 + − + N
1 N
=N .
EJEMPLO 2J
Diez cazadores están esperando a que los patos vuelen. Cuando una bandada de patos vuela
por encima, los cazadores disparan al mismo tiempo, pero cada uno elige su objetivo al azar,
independientemente de la Otros. Si cada cazador de forma independiente golpea a su
Sección 7,2 Expectativa de sumas de RVariables de Andom 389
objetivo con probabilidad p, calcule el número esperado de patos que escapan sin daño
cuando una bandada de tamaño 10 vuela sobre la cabeza.
Solución. Dejar Xme igual a 1 si el iel pato se escapa sin herir y 0 de lo contrario, por me =
1
2...10. El número esperado de patos para escapar se puede expresar como
Para calcular E[Xi] = P{Xme = 1}, observamos que cada uno de los cazadores,
independientemente, golpear el iTH pato con probabilidad p/10, por lo que
10
P
Ahí
E .
R Mei
i=1
y sigue que
n+m
E Y[Ii]
Nwo
=N+m
y por 1 < me ... N + m,
=N+Mn+M−1
Ahí
n Nm
E[R(1)] = + + (N + M − 1) ++ −
n m (n m)(n m 1)
Semejantemente E[R(0)], el número esperado de corridas de 0 ' s, es
m Nm
E[R(0)] = + + +
n m n m
y el número esperado de ejecuciones de cualquier tipo es
2nm E[R(1)
.
+ R(0)] = 1 + n +m
EJEMPLO 2L una caminata aleatoria en el avión
Considere una partícula inicialmente ubicada en un punto dado en el plano, y suponga que
sufre una secuencia de pasos de longitud fija, pero en una dirección completamente
aleatoria. En concreto, supongamos que la nueva posición después de cada paso es una
unidad de distancia desde la posición anterior y en un ángulo de orientación desde la
posición anterior que se distribuye uniformemente sobre (0,2π). (Consulte la figura 7,1.)
Calcule el cuadrado esperado de la distancia desde el origen después N Pasos.
2
1
2
1
1
0
0 = posición inicial
1 = posición después del primer
paso
2 = posición después del segundo paso
Sección 7,2 Expectativa de sumas de RVariables de Andom 391
Solución. Dejar queXi,Yi) denotan el cambio de posición en el ipaso, me = 1...,n, en
coordenadas rectangulares, tenemos
Xme = Cuerpoθi
Yme = sinθi
Donde θi,me = 1...,n, son, por supuesto, uniforme independiente (0,2π) variables aleatorias.
D= Xi Yi
i=1 ⎠ ⎝i=1 ⎠
n
YiYj)
i=1 iZj
iZj
donde cos2 θme + sin2 θme = 1. tomar las expectativas y utilizar la independencia de θme Y θJ
Cuando me Z J y el hecho de que
2π
llegamos a
E[D2] = n .
Empezamos eligiendo uno de ellos al azar (es decir, cada valor tiene probabilidad de ser
elegida). Supongamos, por ejemplo, que se elige el valor 10. A continuación, comparamos
cada uno de los otros con este valor, poniendo en un corchete a la izquierda de 10 todos esos
valores más pequeños que 10 y a la derecha todos los más grandes. Esto da
Ahora nos enfocamos en un conjunto entre corchetes que contiene más de un valor único
— digamos el que está a la izquierda de lo anterior — y elegimos aleatoriamente uno de sus
valores — digamos que se elige 6. Comparando cada uno de los valores en el soporte con 6
y colocando los más pequeños en un nuevo soporte a la izquierda de 6 y los más grandes en
un soporte a la derecha de 6 da
{5, 3, 4}6{9, 8}10{11, 14, 17}
Esto continúa hasta que no hay ningún conjunto entre corchetes que contenga más de un
valor único.
Si dejamos que X denotan el número de comparaciones que toma el algoritmo de
ordenación rápida para ordenar N números distintos, entonces E[X] es una medida de la
efectividad de este algoritmo. Para calcular E[X], primero expresaremos X como una suma
de otras variables aleatorias de la siguiente manera. Para comenzar, dé los nombres
siguientes a los valores que se ordenarán: Deje 1 soporte para el más pequeño, deje 2 para
el siguiente más pequeño, y así sucesivamente. Entonces, por 1 ... me < J ... nDejar I(i,j)
igual a 1 si me Y J se comparan siempre directamente, y lo dejaron igual 0 de otra manera.
Con esta definición, se deduce que
X Me(i,j)
i=1 j=i+1
implicando que
⎡n−1 n ⎤
n−1 n
Sección 7,2 Expectativa de sumas de RVariables de Andom 393
Para determinar la probabilidad de que me Y J se comparan, observe que los valores i,me +
1...,J − 1J inicialmente estará en el mismo soporte (ya que todos los valores están
inicialmente en el mismo soporte) y permanecerá en el mismo soporte si el número elegido
para la primera comparación no está entre me Y j. Por ejemplo, si el número de comparación
es mayor que j, entonces todos los valores i,me + 1...,J − 1J irá en un corchete a la izquierda
del número de comparación, y si es más pequeño que i, a continuación, todos van en un
soporte a la derecha. Así todos los valores i,me + 1...,J − 1J permanecerá en el mismo
soporte hasta la primera vez que uno de ellos se elija como valor de comparación. En ese
momento, todos los demás valores entre me Y J se comparará con este valor de
comparación. Ahora, si este valor de comparación no es ni me Ni j, a continuación, en
comparación con él, me va a entrar en un corchete izquierdo y J en un soporte derecho, y
por lo tanto me Y J estarán en diferentes soportes y así nunca se compararán. Por otro lado,
si el valor de comparación del conjunto i,me + 1...,J − 1J es o bien me O j, entonces habrá
una comparación directa entre me Y j. Ahora, dado que el valor de comparación es uno de
los valores entre me Y j, se deduce que es igualmente probable que J − me + 1 valores, y
por lo tanto la probabilidad de que sea me O J es 2/(J − me + 1). por lo tanto, podemos
concluir que
2
P{me Y J se comparan nunca} = − +
j i 1
Y
n−1 n 2
n
22
Dx
J − Ii + 1
=
L Así
n−1
Sección 7,2 Expectativa de sumas de RVariables de Andom 394
E (N − me + 1)
L Dx
n
= 2* Registro(y)Dy
Xi)
= %10ifotherwise∪ Ame Ocurre
Ahí
Y
Expandir el lado izquierdo de la fórmula anterior produce
P ⎞ ⎡ Xme
XiXjXK N n
i<j i<j<k
Así
E[Xi1 ···Xik] = P(Ai1 ···Aik)
Así, la ecuación (2,3) es apenas una declaración de la fórmula bien conocida para la Unión
de acontecimientos:
P (AiAjAk)
i i<j i<j<k
− · · · + (−1)n+1P(A1 ···An) .
Cuando se trata de una colección infinita de variables aleatorias Xi,me Efectos 1, cada
uno con una expectativa finita, no es necesariamente cierto que
q q
E ⎡⎤
] (2,4)
q n
Para determinar cuándo (2,4) es válido, observamos que Xi. Así
n
i=1 →Q i=1
E⎡ ⎤
⎡⎤q n
?
= Lim E
n→q
=E[Xi] N q
i=1
q
] (2,5)
i=1
Por lo tanto, la ecuación (2,4) es válida siempre que estemos justificados en intercambiar la
expectativa y limitar las operaciones en la ecuación (2,5). Aunque, en general, este
intercambio es No justificado, puede demostrarse que es válido en dos casos especiales
importantes:
Sección 7,2 Expectativa de sumas de RVariables de Andom 396
1. Lla Xme son todas las variables aleatorias no negativas. (Es decir, P{Xme Efectos 0} =
1 para todos i.) q
2. E[|Xi|] = P.
EJEMPLO 2o
Considere cualquier variable aleatoria no negativa, con valores enteros X. Si, por cada me
Efectos 1, definimos
Xme = %0 si X < me 1
si X Efectos i
Entonces
q X q
Xi
X q
i=1 i=X+1
=X
obtenemos
q
E
q
útil. .
EJEMPLO 2P
Supongamos que N elementos — llámeme 1, 2, ..., n: debe almacenarse en un equipo en
forma de lista ordenada. Cada unidad de tiempo, se realizará una solicitud para uno de estos
elementos,me ser solicitado, independientemente del pasado, con probabilidad P(i), me
Efectos 1 1. suponiendo que se conocen estas probabilidades, lo que ordena
minimiza
me la posición media en la línea del elemento solicitado?
Solución. Supongamos que los elementos están numerados para que P(1) el P(2) Ú · · Que
P(n). Para mostrar que 1, 2, ..., N es el orden óptimo, deje X indican la posición del elemento
solicitado. Ahora, bajo cualquier orden, digamos, Lla = i1,i2,...,in,
n
PO{X Efectos k} =
j=k
Sección 7,2 Expectativa de sumas de RVariables de Andom 397
n
Efectos
j=k
mostrando así que ordenar los elementos en orden decreciente de la probabilidad de que se
soliciten minimiza la posición esperada del elemento solicitado. . ∗7.2.1 Obtención
de límites a partir de las expectativas mediante el método probabilístico
El método probabilístico es una técnica para analizar las propiedades de los elementos de
un conjunto introduciendo probabilidades en el conjunto y luego estudiando un elemento
elegido de acuerdo con esas probabilidades. La técnica se vio anteriormente en el ejemplo
4L del capítulo 3, donde se utilizó para mostrar que un conjunto contenía un elemento que
satisfizo una determinada propiedad. En esta subsección, mostramos cómo se puede
utilizar a veces para enlazar funciones complicadas.
Dejar F ser una función en los elementos de un conjunto finito S, y Supongamos que
estamos interesados en
M = MaxS f(s)
s∈
Un límite inferior útil para M a menudo se puede obtener dejando S ser un elemento aleatorio
de S para los que el valor esperado de f(S) es computable y, a continuación, señalando que
M Efectos f(S) implica que
M Efectos E[f(S)]
con una desigualdad estricta si f(S) no es una variable aleatoria constante. Es decir E[f(S)]
es un límite inferior en el valor máximo.
resultado de cada uno de los juegos jugados, y dejar que S denotan el conjunto de los
2 posibles resultados del torneo. Entonces, con f(s) definido como el número de caminos
hamiltonianos que resultan cuando el resultado es s ∈ S, se nos pide que muestren que
n!
Efectos
Maxs f(s)
2 n−1
Para mostrar esto, considere el resultado elegido aleatoriamente S que se obtiene cuando los
se deduce que
E
i
Por lo tanto
E[f(S)] = n!(1/2)n−1
Desde f(S) no es una variable aleatoria constante, la ecuación anterior implica que hay un
resultado del torneo que tiene más de n!/2n−1 Caminos hamiltonianos. .
EJEMPLO 2R
Una arboleda de 52 árboles se arregla de manera circular. Si 15 ardillas viven en estos
árboles, muestran que hay un grupo de 7 árboles consecutivos que juntos casa por lo menos
3 ardillas.
Solución. Deje que el barrio de un árbol se compondrá de ese árbol junto con los próximos
seis árboles visitados moviéndose en el sentido de las agujas del reloj. Queremos mostrar
que, para cualquier elección de alojamiento de las 15 ardillas, hay un árbol que tiene al
Sección 7,2 Expectativa de sumas de RVariables de Andom 399
menos 3 ardillas que viven en su vecindario. Para mostrar esto, elija un árbol al azar y deje
que X denotan el número de ardillas que viven en su vecindario. Para determinar la
E[X], arbitrariamente numeran las 15 ardillas y para me = 1..., 15, deje
Kuz
X Xi
obtenemos que
E
Sin embargo, debido a que Xme será igual a 1 si el árbol elegido aleatoriamente es cualquiera
de los 7 árboles que consisten en el árbol en el que ardilla me vive junto con sus 6 árboles
vecinos cuando se mueven en la dirección contraria a las agujas del reloj,
E
Por consiguiente
E
mostrando que existe un árbol con más de 2 ardillas viviendo en su vecindario. .
∗7.2.2 La identidad máxima – Minimums
Comenzamos con una identidad que relaciona el máximo de un conjunto de números con
los mínimos de los subconjuntos de estos números.
Propuesta 2,2. Para números arbitrarios xi,me = 1...,n,
xi (xi,xj,xk)
i
i i<j i<j<k
=
∪iAme %En < Maxxi/
i
Por lo tanto
Sección 7,2 Expectativa de sumas de RVariables de Andom 400
P(∪iAi) = P%En < Maxxi/ = Maxxi
i i
También
P(Ai) = P=1En < xi>R = xi
Además, debido a que todos los eventos Ame ,...,Ame ocurrirá si En es menor que todos los
valores xi1,...,xY, vemos que la intersección de estos eventos es
Ai
implicando que
P (AiAjAk)
i i<j i<j<k
Cuando el xme son no negativos, pero no se limitan al intervalo de la unidad, deje C ser
tal que todos los xme son menores que c. A continuación, la identidad se mantiene para
los valores yme = xi/c, y el resultado deseado se sigue multiplicando por c. Cuando el xme
puede ser negativo, deje B ser tal que xme + B > 0 para todos i. Por lo tanto, por el
precedente,
B,xJ + b)
i i<j
Maxxme + B = M + b
i
Sección 7,2 Expectativa de sumas de RVariables de Andom 401
Pero
Maxxme = M i
El tomar las expectativas de ambos lados de esta igualdad produce la relación siguiente
entre el valor esperado del máximo y los de los mínimos parciales:
EE[mín.(Xi,Xj)]
i
i i<j
Solución. Si dejamos que Xme denotan el número de cupones que uno necesita cobrar para
obtener un tipo i, entonces podemos expresar X Como
X = Max Xi
i=1...,n
Porque cada nuevo cupón obtenido es un tipo me con probabilidad pi, Xme es una variable
aleatoria geométrica con parámetro pi. También, porque el mínimo de Xme Y XJ es el número
de cupones necesarios para obtener un tipo me o un tipo j, se deduce que, para me Z
jminXi,Xj) es una variable aleatoria geométrica con parámetro pme + pj. Del mismo modo,
min (Xi,Xj,Xk), el número necesario para obtener cualquiera de los tipos i, jY k, es una
geometría
Sección 7,3 Momentos del número de eventos que ocurren 402
variable aleatoria con parámetro pme + pJ + pk, y así sucesivamente. Por lo tanto, la identidad
(2,7) produce
1
E[X] = +
+ +
pi pj pk
i i<j i<j<k
0 p
y usando la identidad
N
x
i=1 i i<j
EE−pix) ⎞
Dx ⎠
Kuz
n
X Mei
i=1
Sección 7,3 Momentos del número de eventos que ocurren 403
obtuvimos el resultado
E[X] = Y (3,1)
IiIj i<j
donde hay términos de la suma. Tomar expectativas rinde
E P(AiAj) (3,2)
O
Ep(AiAj)
i<j
dando que
E[X2] − E (AiAj) (3,3)
i<j
Ep(Ai1Ai2 ···AMe)
(3,4)
ik
E
O
E[X(X − 1)] = n(N − 1)p2
O
E[X2] − E[X] = n(N − 1)p2
E pK pk
ik
o, de manera equivalente,
O
E[X3 − 3X2 + 2X] = n(N − 1)(N − 2)p3
Mm 1
obtenemos, de la ecuación (3.2)Que
E
O
E
mostrando que
E
Esta fórmula produce la varianza de la hipergeométrica, es decir,
m m 1 Nm n 2m 2
n n 1
N N 1 N2
Mn n 1 m 1 Mn
1
N N 1 N
N
que coincide con el resultado obtenido en el ejemplo 8J del capítulo 4.
Los momentos más altos de X se obtienen mediante la ecuación (3,4). Kuz
P
La ecuación (3,4) rinde
E
O
= n(N .
otros N − 1 sombreros, de los cuales uno es suyo. En consecuencia, con X igual al número
de personas que seleccionan su propio sombrero, se deduce de la ecuación (3,2) que
1
E
(N − 1)
Por lo tanto, tanto la media como la varianza del número de coincidencias es 1. Para los
momentos más altos,
usamos la ecuación (3,4), junto con el hecho de que
P, para obtener
E
O
E[X(X − 1)··· (X − K + 1)] = 1 .
P(Ai) = (1 − pi)n
n
Ahí E , de la que se deduce que
N
E[Y] = N Pi)n
Del mismo modo, debido a que cada N los cupones recogidos no es ni un tipo me ni un tipo
J cupón, con probabilidad 1 − pme − pjTenemos
Sección 7,3 Momentos del número de eventos que ocurren 407
Así
E[X(X Pj)n
i<j i<j
O
E Pj)N + E[X]
i<j
Fue(Y) = Fue(X)
= E[X2] −E[X])2
2
N N
⎛ pi)n⎞
< =1 i=1 ⎠
E[Y] = N
n
.
Por consiguiente
1
P− +
k−1
Y=R+X
mostrando que
m E
Para determinar la P(Ai), considere la N + 1 bolas que consisten en ome junto con el N bolas
especiales. De estos N + 1 bolas, ome es igualmente probable que sea la primera retirada, o
la segunda retirada, ..., o la última retirada. Por lo tanto, la probabilidad de que sea uno de
los primeros R de estos para ser seleccionados (y así se retira antes de un total o R se han
retirado las bolas especiales) n+R 1. Por consiguiente
r
P(Ai) = +
n 1
Y
E[Y] = R + m += + + + r r(n
m 1)
n 1 n 1
Así, por ejemplo, el número esperado de cartas de un mazo bien-barajan que necesitaría ser
dado vuelta encima hasta que aparezca una pala es 1 786, y el número esperado
de cartas que tendrían que ser volteadas hasta que aparezca un as
E[X(X (AiAj)
i<j
Sección 7,3 Momentos del número de eventos que ocurren 409
Nwo P(AiAj) es la probabilidad de que ambos ome Y oJ se retiran antes de que haya habido
un total de R bolas especiales removido. Así que considere la N + 2 bolas que consisten en
oi,oj, y el N bolas especiales. Debido a que todos los pedidos de retirada de estas bolas son
igualmente probables, la probabilidad de que ome Y oJ están entre los primeros R + 1 de ellos
para ser removido (y así se eliminan antes de R se han retirado las bolas especiales)
P(AiAj)
Por consiguiente
)
E
+ 2)
Así
r(R 1 )
E[X2] = m(M − 1) + + + + E[X]
(n 1)(n 2)
Kuz E[X] = mn+R 1, esto produce
.
EJEMPLO 3F singletons en el problema de coleccionista de cupones
Supongamos que hay N tipos distintos de cupones y que, independientemente de los tipos
anteriores recogidos, cada uno nuevo obtenido es igualmente probable que sea cualquiera
de los N Tipos. Supongamos también que uno continúa recopilando cupones hasta que se
haya obtenido un conjunto completo de al menos uno de cada tipo. Busque el valor esperado
y la varianza del número de tipos para los que se recopila exactamente un cupón de ese tipo.
Solución. Dejar X igual al número de tipos para los que se recopila exactamente uno de ese
tipo. Además, deje que Tme denotan la itipo de cupón a recoger, y dejar que Ame ser el caso
de que sólo hay un solo tipo Tme cupón en el conjunto completo. Kuz X es igual al número
de eventos A1,...,AN que ocurren, tenemos
n
E
Ahora, en el momento en que el primer tipo Tme se recoge el cupón, permanece N − me tipos
que deben recopilarse para tener un conjunto completo. Porque, comenzando en este
momento, cada uno de estos N − me + 1 tipos (el N − me todavía no recogido y tipo Ti) es
igualmente probable que sea el último de estos tipos que se recogen, se deduce que el tipo
Sección 7,3 Momentos del número de eventos que ocurren 410
Tme será el último de estos tipos (y así será un singleton) con probabilidad n . Por
consiguiente
P Rendimiento
n n
1
E
i
Para determinar la varianza del número de singletons, deje que Si,jPara me < j, sea el evento
que el primer tipo Tme cupón que se recogerá sigue siendo el único de su tipo que se han
recogido en el momento en que el primer tipo TJ se ha recogido el cupón. Entonces
P(AiAj) = P(AiAj|Si,j)P(Si,j)
Nwo P(Si,j) es la probabilidad de que cuando un tipo Tme acaba de ser recogido, de la N −
me + 1 tipos que consisten en tipo Tme y el N − me como tipos aún no recogidos, un tipo Tme
no es uno de los primeros J − me de estos tipos que se recopilen. Porque el tipo Tme es
igualmente probable que sea el primero, o segundo, o ...,N − me + 1 de estos tipos que se
recogen, tenemos
P(Si,j) = 1 − − − + = + + − − j i n 1 j n i 1 N
1i
Ahora, condicional en el evento Si,jAmbos Ame Y AJ se producirá si, en el momento en que
el primer tipo TJ se recoge el cupón, de la N − J + 2 tipos que consisten en tipos Ti,Tj, y el N
− J tipos aún no recogidos, Tme Y TJ se recogen después de la otra N − j. Pero esto implica
que
P(AiAj
Por lo tanto
P(AiAj) , me < j
Rendimiento
E[X(X
j)
.
i
Sección 7,3 Momentos del número de eventos que ocurren 411
E[g(X)h(Y)] = E[g(X)]E[h(Y)]
Prueba. Supongamos que X Y Y son conjuntamente continuos con la densidad de la articulación f(x,y). Entonces
Q
E[g(X)h(Y)] = * * g(x)h(y)f(x,y)DXDY
−qq −qq
=* * g(x)h(y)fX(x)fY(y)DXDY
−qq − q q
=* h(y)fY(y)Dy* g(x)fX(x)Dx
Al igual que el valor esperado y la varianza de una única variable aleatoria nos dan
información sobre esa variable aleatoria, también la covarianza entre dos variables
aleatorias nos da información sobre la relación entre las variables aleatorias.
Definición
= E[Xy] − E[X]E[Y]
P
y definir
0 Si X Z 0
Y = %1 Si X = 0
⎛n m ⎞ n m
IV) COV(Xi,Yj)
Prueba de la Proposición 4,2: Las partes (i) y (II) siguen inmediatamente de la definición
de covarianza, y la parte (III) se deja como un ejercicio para el lector. Para probar la parte
(IV), que indica que la operación de covarianza es aditiva (como es la operación de tomar
expectativas), deje μme = E[Xi] y vJ = E[Yj]. Entonces
⎡m ⎤
m
Ei, Casaj
Sección 7,4 Covarianza, varianza de sumas y Correlaciones 413
⎛n
m
⎞
⎡
⎛n n ⎞⎛m m ⎞⎤
⎡n m
⎤
=E
=
Vj)]
i=1 j=1
donde la última igualdad sigue porque el valor esperado de una suma de variables aleatorias
es igual a la suma de los valores esperados.
Se desprende de las partes II) y IV) de la Proposición 4,2, al tomar YJ = Xj,J = 1...,nQue
⎛n n
⎞
i=1 j=1 ⎟
n n
(Xi,Xj)
i=1 iZj
Dado que cada par de índices i,j,me Z j, aparece dos veces en el doble Summation, la fórmula
precedente equivale a
n n
Fue Xi Fue X i 2 Cov X i , X j
i 1 i 1 i j
(4,1)
Si X1,...,XN son en pares independientes, en que Xme Y XJ son independientes para me Z j,
la ecuación (4,1) se reduce a
Sección 7,4 Covarianza, varianza de sumas y Correlaciones 414
EJEMPLO 4A
Dejar X1,...,XN ser independientes y distribuidas idénticamente variables aleatorias
n
valor esperado M y la varianza σ2, y como en el ejemplo 2C, deje X Xi/N ser el SAM-
medio. Las cantidades Xme − X,me = 1...,n, se denominan Desviaciones, ya que equivalen a
las diferencias entre los datos individuales y la media de la muestra. La variable aleatoria
N (Xme −
X)2
S2
i=1 −
1 2
por la independencia
n
(b) empezamos con la siguiente identidad algebraica:
n
(N X)2
n n n
(Xme
i=1 i=1
n
(N
i=1
donde la igualdad final hizo uso de la parte (a) de este ejemplo y la anterior
hizo uso del resultado del ejemplo 2C, a saber, que E[X] = M. Dividiendo por N − 1 muestra
que el valor esperado de la varianza de la muestra es la desviación de distribución σ2.
.
Nuestro siguiente ejemplo presenta otro método para obtener la varianza de una variable
aleatoria binomial.
Pero
= P − p2
Así
Fue(X) = Eg(1 − p) .
sentimiento" de la persona sobre el tema. Dejar vme representan la fuerza del sentimiento de
la persona i, me = 1...N.
Supongamos que las cantidades vi,me = 1...,N, se desconoce y, para recopilar
información, un grupo de N Dela N la gente es "elegida al azar" en el sentido de que todos
Solución. Para cada persona i,me = 1...,N, defina una variable de indicador Ime para indicar
si esa persona está incluida en la muestra. Es decir
Ii Si la persona me está en la
muestra aleatoria de lo contrario
N
Nwo S puede expresarse
S viII en=1
Así
N
E viE[Ii]
i=1
N
Cov(viIi,vjIj)
i=1 i<j
vivjCov(Ii,Ij)
i=1 i<j
Kuz
N,
y[Ii] =
N
nn 1
E[IiIj] = −−
Mm 1
se deduce que
Sección 7,4 Covarianza, varianza de sumas y Correlaciones 417
n(n
Cov(Ii,Ij) =
N(N
Ahí
N
vi
E [S ] n nv
i 1
N
N
n n 2n N n N
Fue S v 2i 2
vivj
N N i 1 i j N (N
1)
Consideremos ahora el caso especial en el que Eg Dela vson iguales a 1 y el resto igual a
0. Entonces, en este caso, S es una variable aleatoria hipergeométrica y tiene la media y la
varianza dadas, respectivamente, por
Eg
E[S] = Nv = Eg Desde V
=
=pN
Y
(
p)
La cantidad S/n, igual a la proporción de los muestreados que tienen valores iguales a 1, es
tal que
E P
P) .
Sección 7,4 Covarianza, varianza de sumas y Correlaciones 418
Para probar la ecuación (4,2), supongamos que X Y Y tienen varianzas dadas por σx2 Y
σy2Respectivamente. Entonces, por un lado,
0 ... Fue
σ
σx2 y2 σxσ
implicando que
−1 ... RX,Y)
0 ... Fue
Fue(X) FueY 2Cov(X,Y)
= σx2 + (−y)2 − σxσy
= 2 [1 − P (X,Y)]
EJEMPLO 4D
Dejar IUn Y IB ser variables de indicador para los eventos Un Y B. Es decir
1 Si Un Ocurre
IUn
=0 Lo contrario
%
1 Si B Ocurre
IB
= %0 Lo contrario
Entonces
E[IA] = P(A)
E[IB] = P(B)
E[IAIB] =
P(Apagado)
Así
Cov(IA,IB)
Por lo tanto, obtenemos el resultado bastante intuitivo que las variables del indicador para
Un Y B están bien correlacionadas, no correlacionadas o correlacionadas negativamente,
dependiendo de si P(A|B) es, respectivamente, mayor que, igual o menor que P(A). .
EJEMPLO 4E
Dejar X1,...,XN ser independientes y distribuidas idénticamente variables aleatorias que
tienen varianza σ2. Mostrar que
Cov(Xme − X,X) = 0
Solución. Tenemos
)−n N j=1
0
N−N=
donde la igualdad de la siguiente a la última utiliza el resultado del ejemplo 4A y la igualdad
final sigue porque
0 Si J Z me por la independencia
0 Cov(Xi,Xj) = P2 Si J = me desde var(Xi) = P2
PLE media X y la varianza de la muestra S2 son independientes, con (N − 1)S2En2 con una
distribución de Chi-cuadrada con N − 1 grados de libertad. (Véase el ejemplo 4A para la
definición de S2.) .
EJEMPLO 4F
Considerar M ensayos independientes, cada uno de los cuales da R posibles resultados r
con probabilidades P1,P2,...,Pr,Pme = 1. Si dejamos Ni,me = 1...,r,
denotan la
1
de la M los ensayos que resulten en resultados iEntonces N1,N2,...,NR tienen la distribución
multinomial
r
n1 n2 No
{ = = = }= m! ··· nme =
m
P N1 n1,N2 n2,...,Nr nr N !N ! P1 P2 PR
Sección 7,4 Covarianza, varianza de sumas y Correlaciones 421
1 2 ...nr! i=1
Para me Z j, parece probable que cuando Nme es grande, NJ tienden a ser pequeñas; por lo
tanto, es intuitivo que deben estar correlacionados negativamente. Calculemos su
covarianza utilizando la Proposición 4.2 (IV) y la representación
m m
Ni Y NJ k=1
k=1
Donde
1 Si el juicio K resultados en el
I (k)
resultado me i =0 Lo contrario
1 Si el juicio K resultados en el
resultado j
Ij(k) = %0 Lo contrario
Cov(Ni,Nj)
Cov
Sección 7,5 Expectativa condicional 422
desde el resultado de la prueba K es independiente del resultado del juicio. Por otro lado
Cov
= 0 − PiPJ = −PiPj
donde la ecuación utiliza el hecho de que Ime 0, desde el juicio no puede resultar
en ambos resultados me y el resultado j. Por lo tanto, obtenemos
Cov(Ni,Nj) = −MpiPj
que está de acuerdo con nuestra intuición que Nme Y NJ están negativamente correlacionados. .
Por lo tanto, es natural definir, en este caso, la expectativa condicional de X Dado que Y = y,
para todos los valores de y tal que pY(y) > 0, por
E
x
EJEMPLO 5A
Si X Y Y son variables aleatorias binomiales independientes con parámetros idénticos N Y
p, calcule el valor esperado condicional de X Dado que X + Y = m.
= P{XP{=Xk+,YY==mm− k}
P X k P Y
M − k}
n P{X n
p k 1 + Yp=nm}
k
pm k
1 p n
k m k
2n m 2n
p 1 p
m
n n
Sección 7,5 Expectativa condicional 423
m+k
= m
donde hemos utilizado el hecho (véase el ejemplo 3F del capítulo 6) que X + Y es una
variable aleatoria binomial con parámetros 2N Y p. Por lo tanto, la distribución condicional
de X, dado que X + Y = m, es la distribución hipergeométrica, y del ejemplo 2G, obtenemos
m
E[X|X + Y = m] = .
2
Del mismo modo, recordemos que si X Y Y son conjuntamente continuos con una función
de densidad de probabilidad conjunta f(x,y), entonces la densidad de probabilidad
condicional de X, dado que Y = y, se define, para todos los valores de y tal que fY(y) > 0, por
f(x,y) fX|Y(x|y) =
fY(y)
E[X|Y = y] = * XfX|Y(x|y)Dx −q
EJEMPLO 5B
Supongamos que la densidad de la articulación de X Y Y es dada por
e−x/ye−y
f(x,y) = 0 < X < q, 0 < y < q
y
f(x,y)
Y
fX|Y(x|y) = f x, y F (y)
= q
* f(x,y)Dx
Sección 7,5 Expectativa condicional 424
− q y)e−x/ye−y
(1/
= q
* (1/y)e−x/ye−y Dx
0
(1/y)e−x/y
= q
* (1/y)e−x/y Dx
1
= e−x/y y
Por lo tanto, la distribución condicional de X, dado que Y = y, es sólo la distribución
exponencial con la media y. Así
E[X Y y] * Q X −x/y Dx y
.
e
| = =0 y =
| en el caso discreto
x
E[g(X) Y = y] =q
Q g(x)fX|Y(x|y)Dx en el caso
continuo
−
Y
n n
E
⎡ ⎤
siguen siendo válidos. Como cuestión de hecho, la expectativa condicional dado que Y = y
puede considerarse como una expectativa ordinaria en un espacio de muestra reducido que
consiste sólo en resultados Y = y. .
Sección 7,5 Expectativa condicional 425
E[X|Y = y]. Tenga en cuenta que E[X|Y] es una variable aleatoria. Una propiedad
extremadamente importante de las expectativas condicionales es dada por la siguiente
proposición.
Propuesta 5,1.
E[X] = E[E[X|Y]] (5,1)
E (5.1 a)
y
mientras que si Y es continua con densidad fY(y), entonces la ecuación (5,1) Estados
q
−q
Ahora damos una prueba de la ecuación (5,1) en el caso en que X Y Y son variables aleatorias
discretas.
E (5,2)
y
Ahora, la parte derecha de la ecuación (5,2) puede escribirse como
y y x
yX xP{Xp={Yx=,Yy=} y}P{Y = y}
y x
X,Y = y}
x y
= E[X]
y se prueba el resultado.
Sección 7,5 Expectativa condicional 426
EJEMPLO 5C
Un minero está atrapado en una mina que contiene 3 puertas. La primera puerta conduce a
un túnel que lo llevará a la seguridad después de 3 horas de viaje. La segunda puerta conduce
a un túnel que lo devolverá a la mina después de 5 horas de viaje. La tercera puerta conduce
a un túnel que lo devolverá a la mina después de 7 horas. Si asumimos que el minero es en
todo momento igualmente probable que elija cualquiera de las puertas, ¿cuál es el período
de tiempo esperado hasta que llegue a la seguridad?
Solución. Dejar X indican la cantidad de tiempo (en horas) hasta que el minero llega a la
seguridad, y dejar Y denotan la puerta que inicialmente escoge. Nwo
E
Sin embargo
E[X|Y = 1 = 3
E[X|Y = 2 = 5 + E[X] (5,3)
E[X|Y = 3 = 7 + E[X]
Para entender por qué la ecuación (5,3) es correcta, considere, por ejemplo, E[X|Y = 2] y
razonar como sigue: Si el minero escoge la segunda puerta, pasa 5 horas en el túnel y luego
regresa a su celda. Pero una vez que regresa a su celda, el problema es como antes; por lo
tanto su tiempo adicional esperado hasta que la seguridad es sólo E[X]. Ahí Ees similar. Por
lo tanto, [X|Y = 2 = 5 + E[X]. El argumento detrás de los otros igualdades en la ecuación (5,3)
E
O
E[X] = 15 .
gastado por un cliente también es independiente del número total de clientes que entran en
la tienda. ¿Cuál es la cantidad esperada de dinero gastado en la tienda en un día determinado?
Solución. Si dejamos que N indican el número de clientes que entran en la tienda y Xme la
cantidad gastada por el ital cliente, entonces la cantidad total de dinero gastado puede ser
N
E⎡ ⎤ ⎡⎡ ⎤⎤
N N
Pero E ⎡
⎤ ⎡ ⎤
N n
E
⎡ ⎤
Así
EJEMPLO 5e
El juego de dados se comienza rodando un par ordinario de dado. Si la suma de los dados es
2, 3 o 12, el jugador pierde. Si es 7 o 11, el jugador gana. Si es cualquier otro número i, el
jugador continúa rodando los dados hasta que la suma sea 7 o i. Si es 7, el jugador pierde; Si
es i, el jugador gana. Dejar R denotan el número de rollos de los dados en un juego de dados.
Encontrar
Sección 7,5 Expectativa condicional 428
(a) E[R];
(b) E[R|jugador gana]; c E[R|jugador pierda].
Solución. Si dejamos que Pme denotan la probabilidad de que la suma de los dados
sea iEntonces Pme = P14−me = −36 , me =
2..., 7 i 1
Para calcular E[R], condicionamos en S, la suma inicial, dando
E Pi
Sin embargo
1 Si me = 2, 3, 7, 11, 12
E[R|S = i] =1
⎧
⎩1 + + , Lo contrario
Pi P7
La ecuación anterior sigue porque si la suma es un valor me que no termine el juego, entonces
los dados continuarán rodando hasta que la suma sea me o 7, y el número de rollos hasta que
esto ocurra es una variable aleatoria geométrica con parámetro Pme + P7. Por lo tanto
Pi
E
i=4 Pme + P7 i=8 Pme
+ P7
p Pme
i=2
PiPi
= P7 + P Pi Pi
i=4 Pme + P7 i=8 Pme + P7
= 0.493
Sección 7,5 Expectativa condicional 429
donde el precedente utiliza el hecho de que la probabilidad de obtener una suma de me antes
de que uno de los 7 sea Pi/(Pme + P7). Ahora, determinemos la función de masa de
probabilidad condicional de S, dado que el jugador gana. Dejar Qme = P{S =
i|Ganar}Tenemos
P S iGanar
Qme = { ={ } }
P Ganar
= PiP{Ganar|S = i}
p
Pi2
= p(Pme + P7)
Sin embargo, como se indicó en el ejemplo 2J del capítulo 6, dado que la suma inicial es i,
el número de rollos adicionales necesarios y el resultado (ya sea una victoria o una pérdida)
son independientes. (Esto se ve fácilmente señalando primero que, condicionado a una suma
inicial de i, el resultado es independiente del número de rollos de dados adicionales
necesarios y, a continuación, utilizando la propiedad de simetría de la independencia, que
indica que si el evento Un es independiente del evento B, a continuación, evento B es
independiente del evento A.) Por lo tanto
E[R S = i]Qi
i
Qi
Qi
implicando que
1 p
EJEMPLO 5F
Como se define en el ejemplo 5C del capítulo 6, la función de densidad de articulación
normal bivariable de las variables aleatorias X Y Y Es
f
Ahora demostraremos que R es la correlación entre X Y Y. Como se muestra en el ejemplo
5C, μX = E[X], σx2 = Fue(X)Y μy = E[Y], σy2 = Fue(Y). Por consiguiente
Cov(X,Y) Corr(X,Y) =
σxσy
= E[Xy] − mxμy
σxσy
Para determinar la E[Xy], condicionamos en Y. Es decir, usamos la identidad
E[Xy] = E2E[Xy|Y]3 =
=y
Por consiguiente
E
Sección 7,5 Expectativa condicional 431
implicando que
E[Xy] = E
σx
= Mxμy + R Fue(Y)
σy
= Mxμy + PPxσy
Por lo tanto
Rfxσy
Corr(X,Y) = = R . Pxσy
Algunas veces E[X] es fácil de calcular y usamos la identidad de acondicionamiento para
calcular un valor esperado condicional. Este enfoque se ilustra en nuestro siguiente ejemplo.
EJEMPLO 5g
Considerar N ensayos independientes, cada uno de los cuales da como resultado uno de los
resultados 1,...,k, con las respectivas probabilidades p1, 1. deje que Nme
denotan el número de ensayos que resultan en el resultado i, me = 1...,k. Para me Z
jEncontrar
me
Me = % 0 Si N = 0
1 Si Nme > 0
Entonces
E[Nj] = E[Nj|Me = 0P{Me = 0} + E[Nj|Me = 1P{Me = 1}
o, de manera equivalente,
N jpme . (Para obtener un argumento más detallado para esta conclusión, véase el
ejemplo 4C del capítulo 6). Kuz P{Nme = 0} = (1 − pi)n, la ecuación anterior produce
pj
EgJ = n − ( − )N + E[Nj|Nme > 0(1
−1 − pi)n
1 pme
1 pi
dando el resultado
1 (1
pi)n−1
E[Nj|Nme > 0 = Egj
0 Si Nme = 0
⎧ J =1 Si Nme = 1
⎩2 Si Nme > 1
Entonces
o, de manera equivalente,
dando el resultado
E[N2] = E[E[N2|Y]]
Sin embargo
E[N2|Y = 1 = 1
Estas dos ecuaciones siguen porque, por un lado, si el primer ensayo da como resultado
un éxito, entonces, claramente, N = 1 Así N2 = 1. por otra parte, si el primer ensayo da lugar
a un fracaso, entonces el número total de ensayos necesarios para el primer éxito tendrá la
misma distribución que 1 (el primer ensayo que se traduce en fracaso) más el número
necesario de ensayos adicionales. Dado que la última cantidad tiene la misma distribución
que N, obtenemos
E[N2|Y = 0 = E[(1 + N)2]. Ahí
= P + (1 − p)E[(1 + N)2]
= 1 + (1 − p)E[2N + N2]
Sin embargo, como se mostró en el ejemplo 8B del capítulo 4, E[N] = 1/p; por lo tanto
2(1 p)
E[N2] = 1 + − + (1 − p)E[N2] p
O
E[N2] = 2 − p
p2
Por consiguiente
Sección 7,5 Expectativa condicional 434
=1−p
2 .
p
EJEMPLO 5i
Considere una situación de juego en la que hay R jugadores, con jugador me inicialmente
teniendo nme Unidades nme > 0 me = 1,..., der. En cada etapa, dos de los jugadores son elegidos
para jugar un juego, con el ganador del juego recibiendo 1 unidad del perdedor. Cualquier
jugador cuya fortuna caiga a 0 se elimina, y esto continúa hasta que un solo jugador tiene
=
todo N K nme unidades, con ese jugador designado como el vencedor. Suponiendo que
los resultados de los juegos sucesivos son independientes y que cada juego es igualmente
probable que sea ganado por cualquiera de sus dos jugadores, encontrar el número promedio
de etapas hasta que uno de los jugadores tiene todo N Unidades.
Solución. Para encontrar el número esperado de etapas jugadas, supongamos primero que
hay sólo 2 jugadores, con los jugadores 1 y 2 inicialmente teniendo J Y N − J unidades,
respectivamente. Dejar XJ indican el número de etapas que se reproducirán, y dejar que mJ =
E[Xj]. Entonces, para J = 1,..., deN − 1
XJ = 1 + Aj
Donde AJ es el número adicional de etapas necesarias más allá de la primera etapa. Tomar
las expectativas da
mJ = 1 + E[Aj]
E[Aj|1 gana la primera etapa] 1/2 + E[Aj|2 victorias primera etapa] 1/2
Ahora, si el jugador 1 gana en la primera etapa, entonces la situación a partir de ese momento
es exactamente la misma que en un problema que supone que el jugador 1 comienza con J +
1 y jugador 2 Con N −J + 1) Unidades. Por consiguiente
y, anásamente,
E[Aj|2 victorias primera etapa] = mj−1
Así
mj
o, de manera equivalente,
Sección 7,5 Expectativa condicional 435
sugiriendo que
mme = i(m1 − me + 1), me = 1...,n (5,5)
Para probar la igualdad precedente, usamos la inducción matemática. Ya que ya hemos
mostrado que la ecuación es verdadera para me = 1, 2, tomamos como hipótesis de inducción
que es verdad siempre que me ... J < n. Ahora debemos demostrar que es cierto para J + 1.
uso de
Ecuación (5.4) Rendimientos
= (J + 1)m1 − 2j2 + 2J + j2 − 3J + 2 − 2
= (J + 1)m1 − j2 − j
= (J + 1)(m1 − j)
que completa la prueba de inducción de (5.5). Dejar me = N En (5.5), y usando ese mN = 0,
ahora produce que
m1 = N − 1
Por lo tanto, el número medio de juegos jugados cuando sólo hay 2 jugadores con montos
iniciales me Y N − me es el producto de sus importes iniciales. Debido a que ambos jugadores
juegan todas las etapas, este es también el número medio de etapas que involucran al jugador
1.
Volvamos ahora al problema que implica R jugadores con montos iniciales ni,me = 1,...,
der, . Dejar X denotan el número de etapas necesarias para obtener un vencedor,
y dejar Xi=indican el número de etapas que involucran al jugador i. Ahora, desde el punto de
vista del jugador i, empezando por ni, seguirá desempeñando etapas, independientemente de
que sea igualmente probable que gane o pierda cada uno, hasta que su fortuna sea N o 0. Por
lo tanto, el número de etapas que juega es exactamente el mismo que cuando tiene un solo
oponente con una fortuna inicial de N − ni. Por consiguiente, por el resultado precedente se
deduce que
Sección 7,5 Expectativa condicional 436
Así
Y n2i
X Xi
i=1 La
toma de expectativas ahora produce
E[X] = 2 1 ⎛n2 − ni
⎝ i=1 ⎠
Es interesante notar que si bien nuestro argumento muestra que el número medio de etapas
no depende de la forma en que los equipos se seleccionan en cada etapa, lo mismo no es
cierto para la distribución del número de etapas. Para ver esto, supongamos R = 3 n1 = n2 =
1, y n3 = 2. Si los jugadores 1 Y 2 se eligen en la primera etapa, entonces tomará por lo menos
tres etapas para determinar un ganador, mientras que si el jugador 3 está en la primera etapa,
entonces es posible que haya sólo dos etapas. .
En nuestro siguiente ejemplo, usamos acondicionamiento para verificar un resultado
previamente observado en la sección 6.3.1: que el número esperado de uniformes (0, 1) las
variables aleatorias que deben añadirse para que su suma supere 1 es igual a e.
EJEMPLO 5J
Dejar U1,U2,... ser una secuencia de variables aleatorias uniformes independientes (0,1).
Encontrar
E[N] cuando
N
Solución. Vamos a encontrar E [N] obteniendo un resultado más general. Para X ∈ [0, 1],
deje ⎧ n ⎫
N
⎭
Es decir N(x) es el número de variables aleatorias uniformes (0,1) que debemos sumar hasta
que su suma supere xY m(x) es su valor esperado. Ahora derivaremos una ecuación para m(x)
por condicionamiento en U1. Esto da, de la ecuación (5.1 b),
Nwo
1 Si y > x
E[N(x)|U1 = y] = % (5,7)
1 + m(X − y) Si y ... x
dejando
= 1 +m(u)De = − u x y
Diferenciando los rendimientos de la ecuación precedente
m
o, de manera equivalente,
m
m(x)
La integración de esta ecuación da
registrom(x)] = X + c
O m(x) = Miéx
Sección 7,5 Expectativa condicional 438
m(x) = ex
Por lo tanto m(1), el número esperado de variables aleatorias uniformes (0,1) que deben
añadirse hasta que su suma sea superior a 1, es igual a e. .
7.5.3Probabilidades de computación por acondicionamiento
No sólo podemos obtener expectativas por el primer acondicionamiento en una variable
aleatoria apropiada, pero también podemos utilizar este enfoque para calcular las
probabilidades. Para ver esto, deje Y denotan un evento arbitrario, y definir la variable
aleatoria del indicador X Por
1 Si Y Ocurre
X=%
0 Si Y no se produce
E[X] = P(E)
P Si Y es discreto
y
q (5,8)
Tenga en cuenta que si Y es una variable aleatoria discreta que toma uno de los valores
y1,...,yn, entonces, definiendo los eventos Fi,me = 1...,nPor Fme = {Y = yi}, La ecuación (5,8)
se reduce a la ecuación familiar
n
Donde F1,...,FN son eventos mutuamente excluyentes cuya unión es el espacio de muestra.
cuatro premios que ya hemos visto. Supongo que una vez que un premio es rechazado, se
pierde, y que nuestro objetivo es maximizar la probabilidad de obtener el mejor premio.
Suponiendo que todos los n! los pedidos de los premios son igualmente probables, ¿qué tan
bien podemos hacer?
Solución. Más bien sorprendentemente, podemos hacerlo muy bien. Para ver esto, corrija
un valor k, 0 ... K < n, y considerar la estrategia que rechaza la primera K premios y luego
acepta el primero que es mejor que todos los primeros k. Dejar Pk(Mejor) denotan la
probabilidad de que se seleccione el mejor premio cuando se emplea esta estrategia. Para
calcular esta probabilidad, la condición en X, la posición del mejor premio. Esto da
N Pk
1
Pk(Mejor X i)
= n| =
Ahora, por un lado, si el mejor premio en general es uno de los primeros k, no se seleccionará
ningún premio en la estrategia considerada. Es decir
Pk(Mejor|X = i) = 0 Si me ... k
Por otro lado, si el mejor premio está en posición iDonde me > k, se seleccionará el mejor
premio si el mejor de los primeros me − 1 premios es uno de los primeros K (para entonces
ninguno de los premios en posiciones K + 1K + 2...,me − 1 se seleccionaría). Pero,
condicionada al mejor premio en posición i, es fácil verificar que todos los posibles
ordenamientos de los otros premios sigan siendo igualmente probables, lo que implica que
cada uno de los primeros me − 1 premios es igualmente probable que sea el mejor de ese
lote. Por lo tanto, tenemos
= − Si
me > K y 1
De lo anterior, obtenemos
n
Sección 7,5 Expectativa condicional 440
n i 1
k i k 1
n
Pk(Mejor) = k 1
Dx
k 1
n 1
Reg
n X−1 n k
istr
k n
k Reg
n k
istr
Por lo tanto, desde Pk(Mejor) L g(k), vemos que la mejor estrategia del tipo considerado es
dejar que la primera N/E Premios pasan y luego aceptar el primero en aparecer que es mejor
que todos los. Además, desde g(n/e) = 1/e, la probabilidad de que esta estrategia Seleccione
el mejor premio es de aproximadamente 1/Y L.36788.
EJEMPLO 5L
Sección 7,5 Expectativa condicional 441
Dejar En ser una variable aleatoria uniforme en (0,1), y Supongamos que la distribución
condicional de X, dado que En = p, es binomial con parámetros N Y p. Encuentre la función
de masa de probabilidad de X.
Solución. Condicionamiento sobre el valor de En Da P{X = i} = *
Dp
= ! *
!
Por lo tanto, obtenemos
P X=i 0...,n
EJEMPLO 5m
Supongamos que X Y Y son variables aleatorias continuas independientes que tienen
densidades fX Y fYRespectivamente. Calcular P{X < Y}.
Sección 7,5 Expectativa condicional 442
= *−Q FX(y)fY(y)Dy
Donde
FX(y) = *−Q fX(x)Dx .y
EJEMPLO 5N
Supongamos que X Y Y son variables aleatorias continuas independientes. Encuentre la
distribución de X + Y.
* Q FX(Un − y)fY(y)Dy .
Sección 7,5 Expectativa condicional 443
Hay una relación muy útil entre var(X), la varianza incondicional de Xy var(X|Y), la
varianza condicional de X Dado Y, que a menudo se puede aplicar para calcular var(X). Para
obtener esta relación, observe primero que, por el mismo razonamiento que produce var(X)
= E[X2] −E[X])2Tenemos
Así
EJEMPLO 5o
Supongamos que en cualquier momento T el número de personas que han llegado a un
depósito de tren es una variable aleatoria de Poisson con la media λt. Si el tren inicial llega
al depósito a la vez (independiente de cuándo llegan los pasajeros) que se distribuye
uniformemente sobre (0, T), ¿cuál es la media y la varianza del número de pasajeros que
entran en el tren?
Solución. Para cada T Efectos 0, deje N(t) denotan el número de llegadas por t, y deje que Y
denotan la hora a la que llega el tren. La variable aleatoria de interés es entonces N(Y).
Acondicionamiento en Y Da
Sección 7,5 Expectativa condicional 444
E[N(Y)|Y = t] = E[N(t)|Y = t]
Ahí
E[N(Y)|Y] = LY
Fue(N(Y)|Y = t) = Fue(N(t)|Y = t)
= Lt
Así
Fue(N(Y)|Y) = LY
E[N(Y)|Y] = LY
E
⎡ ⎤
Propuesta 6,1.
E[(Y − g(X))2] Efectos E[(Y − E[Y|X])2]
Prueba.
= E[(Y − E[Y|X])2|X]
+ E[(E[Y|X] − g(X))2|X]
Sin embargo, dado X,E[Y|X] − g(X), siendo una función de X, se puede tratar como una
constante. Así
0 (6,2)
Por lo tanto, de ecuaciones (6,1) y (6,2), obtenemos
Observación. Un segundo argumento más intuitivo, aunque menos riguroso, que verifica
la Proposición 6,1 es la siguiente. Es sencillo verificar que E[(Y − c)2] se minimiza en C =
E[Y]. (Ver ejercicio teórico 1.) Por lo tanto, si queremos predecir el valor de Y cuando no
hay datos disponibles para su uso, la mejor predicción posible, en el sentido de minimizar
el error cuadrado medio, es predecir que Y equivaldría a su media. Sin embargo, si el valor
de la variable aleatoria X se observa que es x, entonces el problema de predicción sigue
siendo exactamente igual que en el caso anterior (sin datos), con la excepción de que todas
las probabilidades y expectativas están ahora condicionadas en el caso de que X = x. Por lo
tanto, la mejor predicción en esta situación es predecir que Y será igual a su valor esperado
condicional dado que X = x, estableciendo así la Proposición 6,1. .
EJEMPLO 6A
Supongamos que el hijo de un hombre de altura X (en pulgadas) alcanza una altura que
normalmente se distribuye con la media X + 1 y varianza 4. ¿Cuál es la mejor predicción
de la altura a pleno crecimiento del hijo de un hombre que mide 6 pies de altura?
Y=X+1+e
E
Sección 7,6 Expectativa condicional y predicción 447
= 73 .
EJEMPLO 6B
Supongamos que si un valor de señal s se envía desde la ubicación A, entonces el valor de
la señal recibida en la ubicación B normalmente se distribuye con parámetros (s, 1). Si S, el
valor de la señal enviada al A, normalmente se distribuye con parámetros (μ,σ2), ¿cuál es la
mejor estimación de la señal enviada si R, el valor recibido en B, es igual a r?
fS,R(s,r) fS|R(s|r) =
fR(r)
= fS(s)fR|S(r|s) fR(r)
= Mié−s− m)2/2σ2e−r−s)2/2
Donde K no depende de s. Nwo
(s
C1 C1
C2
fS
E
Sección 7,6 Expectativa condicional y predicción 448
E r
Escribir la media condicional como lo hicimos anteriormente es informativo, ya que muestra
que equivale a un promedio ponderado de μ, el valor esperado a priori de la señal, y r, el
valor recibido. Las ponderaciones relativas dadas a M Y R están en la misma proporción
entre sí como 1 (la varianza condicional de la señal recibida cuando s se envía) es σ2
(la varianza de la señal que se enviará). .
EJEMPLO 6C
En el procesamiento de señales digitales, los datos analógicos continuos crudos X deben ser
cuantificados, o discretizados, con el fin de obtener una representación digital. Para
cuantizar los datos brutos X, un conjunto creciente de números ai,me = 0 ;1 ;2..., de modo
que →Lim ame = q y Lim ame = − q se fija, y los datos crudos entonces se cuantizan según el
intervalome +q
i→− q
(ai,ai+1] en el que X Mentiras. Vamos a denotar por yme el valor discretizado cuando X
∈ai,ai+1], y deje que Y denotan el valor discretizado observado, es decir,
Supongamos ahora que queremos elegir los valores yi,me = 0 ;1 ;2... para minimizar E[(X
− Y)2], la diferencia cuadrada media esperada entre los datos brutos y su versión
cuantificada.
(a) Encuentre los valores óptimos yi,me = 0 ;1....
Ahora, si dejamos
Sección 7,6 Expectativa condicional y predicción 449
Entonces
E[(X − yi)2|ame < X ... ai+1] = E[(X − yi)2|Me = i]
yme = E[X|Me = i]
Ahora, puesto que el cuantificador óptimo es dado por Y = E[X|I], se deduce que
b E[Y] = E[X]
c
Fue(X) = E[Fue(X|I)] + Fue(E[X|I])
+ 2Abe[X] + b2E[X2]
Tomando derivados parciales, obtenemos
(6,3)
Sección 7,6 Expectativa condicional y predicción 450
B= −− = =R
Donde R = Correlación(X,Y),σy2 = Fue(Y)Y σx2 = Fue(X). Es fácil verificar que los valores
de Un Y B de la ecuación (6,4) minimizar E[(Y − Un − Bx)2]; por lo tanto, el mejor (en el
sentido de error cuadrado medio) predictor lineal Y con respecto a X Es
Rfy
μy + (X − mx)
σx
=E
= Py (1 − p2) (6,5)
Observamos de la ecuación (6,5) que si R está cerca +1 o −1, entonces el error cuadrado
medio del mejor predictor linear está cerca de cero. .
EJEMPLO 6D
Un ejemplo en el que la expectativa condicional de Y Dado X es lineal en X, y por lo tanto
en el que el mejor predictor lineal de Y con respecto a X es el mejor predictor general, es
cuando X Y Y tienen una distribución normal bivariada. Para, como se muestra en el ejemplo
5C del capítulo 6, en ese caso,
Sección 7,6 Expectativa condicional y predicción 451
E
μx) .
x
7,7FUNCIONES DE GENERACIÓN DE MOMENTOS
La función de generación de momento M(t) de la variable aleatoria X se define para todos
los valores reales de T Por
M(t) = E[eTx]
Tx
d ]
ME[e
Alemán
=E (7,1)
= E[CocheTx]
d
⎣x
Alemán
en el caso discreto y
D
DX DT
en el caso continuo. Esta suposición casi siempre puede justificarse y, de hecho, es válida
para todas las distribuciones consideradas en este libro. Por lo tanto, de la ecuación (7,1),
evaluada en T = 0, obtenemos
M
Semejantemente
Sección 7,6 Expectativa condicional y predicción 452
M (t) =M (t)
Alemán
d Tx
= ]
E[Coch
e DT
=E
= E[X2eTx]
Así
M
453
Sección 7,7 Funciones de generación de momentos
implicando que
Mn(0) = E[Xn] N Efectos 1
M(t) = E[eTx]
n
P)n−K =
(kEn=0T + 1 − p)n
M Ent
Así E Eg
Diferenciando una segunda vez rinde
M Ent
Así
E Eg
La varianza de X es dada por
= Eg(1 − p)
verificando el resultado obtenido anteriormente. .
EJEMPLO 7B distribución de Poisson con media λ
Si X es una variable aleatoria de Poisson con parámetro λEntonces
454
M(t) = E[eTx] Q eTne−
lλn
n=0 Q (let)N = e
n=0
= e− leλet
= ExpLeT − 1)}
Rendimientos de diferenciación
M eT − 1)}
M
Así
E
E
Fue(X) = E[X2] −E[X])2
=L
Por lo tanto, tanto la media como la varianza de la variable aleatoria de Poisson equivalen
a λ. .
=* eTxλe− lX Dx
0
q
=L* e− (l −t)X Dx
0L
Para T < λ
t
Observamos de esta derivación que, para la distribución exponencial, M(t) se define sólo
para los valores de T menos de λ. Diferenciación de M(t) Rendimientos
M
Ahí
455
E
La varianza de X es dada por
MZ(t) = E[eTz]
= √1 * Q eTxe−x2/2 Dx
2π −q
DX DX
−
= et2/2 √1 * Q e−x−t)2/2 Dx
2π −q
= et2/2
Por lo tanto, el momento que genera la función de la variable aleatoria normal de la unidad
Z es dada por MZ(t) = et2/2. Para obtener el momento de generar la función de una variable
aleatoria normal arbitraria, recordamos (ver sección 5,4) que X = m + SZ tendrá una
distribución normal con parámetros M Y σ2 Cuando Z es una variable aleatoria normal de
la unidad.
Por lo tanto, el momento de generar la función de una variable aleatoria es dada por
MX(t) = E[eTx]
456
= E[et(M + SZ)]
= E[etμetσZ]
= etμE[etσZ]
= etμMZ(tP
= etμe(tP2/2
Al diferenciarse, obtenemos
MX
MX
Así
E
E
implicando que
C.2 .
Las tablas 7,1 y 7,2 dan el momento de generar funciones para algunas distribuciones
comunes discretas y continuas.
Una propiedad importante de las funciones de generación de momentos es que el
momento de generar la función de la suma de variables aleatorias independientes es igual al
producto del momento individual generando funciones. Para probarlo, supongamos que X
Y Y Son
TABLA 7,1:DISTRIBUCIÓN DE PROBABILIDADES DISCRETAS
Momento
MX+Y(t) = E[et(X+Y)]
= E[eTxeEmpresa]
E[eTx]E[eEmpresa]
= MX(t)MY(t)
MX ,
458
entonces se deduce de la tabla 7,1 que X es una variable aleatoria binomial con parámetros
10 y .
EJEMPLO 7e
Supongamos que el momento que genera la función de una variable aleatoria X es dada por
M(t) = e3(Y−1). Qué es P{X = 0}?
TABLA 7,2:DISTRIBUCIÓN DE PROBABILIDAD CONTINUA
Momento
Generar
Función de la masa de la probabilidad, f(x) Función M(t) Decir Varianza
1
a x b eTb eH
ge
a b b a 2
λ
Exponencial con f
Parámetro Soy yo. 0L − t
X Efectos 0s s s
Gamma con parámetros f )
1
= (EnT + − p)m+n
Sin embargo (EnT + 1 − p)m+N es el momento que genera la función de una variable aleatoria
binomial que tiene parámetros M + N Y p. Por lo tanto, esta debe ser la distribución de X +
Y. .
Solución.
MX+Y(t) = MX(t)MY(t)
EJEMPLO 7i
Calcule el momento que genera la función de una variable aleatoria Chi-cuadrada con N
grados de libertad.
Solución. Podemos representar una variable aleatoria como
Z
Donde Z1,...,ZN son variables aleatorias normales estándar independientes. Dejar M(t) ser su
función de generación de momento. Entonces, por lo anterior,
M(t) = (E[eTz2])n
σ2 = (1 − 2t)−1 q
= (1 − 2t)−1/2
donde la igualdad de la siguiente a la última utiliza el hecho de que la densidad normal con
la media 0 y la varianza σ2 se integra a 1. Por lo tanto
M(t) = (1 − 2t)−n/2 .
Y = Xi
i=1
(En el ejemplo 5D, Y se interpretó como la cantidad de dinero gastado en una tienda en un
día determinado cuando tanto la cantidad gastada por un cliente como el número de clientes
son variables aleatorias).
Para calcular el momento que genera la función de Y, nosotros primera condición en N
de la siguiente
N
manera: ⎡ ⎧ ⎫
66 ⎤ ⎡ ⎧
n
Donde
MX(t) = E[eTxi]
Ahí
E[eEmpresa|N] = (MX(t))N
Así
MY(t) = E[(MX(t))N]
M
Así
E[Y] = MY (0)
= E[Nex] (7,2)
464
= E[N]E[X]
verificando el resultado del ejemplo 5D. (En este último conjunto de ecualidades, hemos
utilizado el hecho de que MX(0) = E[e0X] = 1.
También
M X
X
Así
E[Y2] = MY (0)
Nwo Y es uniforme en (0, 1), por lo que, al tomar las expectativas, obtenemos
EN Dp
465
=
et 1 1
1 et n 1
1
t
1 1
1 et e2t eNt
* n 1
N+1 Y−1
= E[et1X1 ···etnXn]
= MX1(t1)···MXn(tn)
466
Para la prueba en la otra dirección, si la ecuación (7,4) se satisface, después la función de
generación del momento común M(t1,...,tn) es lo mismo que la función de generación de
momento común de N variables aleatorias independientes, el ide los cuales tiene la misma
distribución que Xi. Dado que la función de generación de momentos conjuntos determina
de forma única la distribución conjunta, debe ser la distribución conjunta; por lo tanto, las
variables aleatorias son independientes.
EJEMPLO 7L
Dejar X Y Y ser variables aleatorias normales independientes, cada una con M y la varianza
σ2. En el ejemplo 7A del capítulo 6, mostramos que X + Y Y X − Y son independientes.
Ahora establezcamos este resultado calculando su función de generación de momentos
conjuntos:
]
E[et(X+Y)+s(X−Y) = E[e(t+s)X+(t−s)Y]
= E[e(t+s)X]E[e(t−s)Y]
= e2μt+ P2t2eσ2s2
EJEMPLO 7m
Supongamos que el número de eventos que ocurren es una variable aleatoria de Poisson con
la media L y que cada evento es contado independientemente con probabilidad p. Mostrar
que el número de eventos contados y el número de eventos no contados son variables
aleatorias de Poisson independientes con los medios respectivos λP Y L1 − p).
Solución. Dejar X denotan el número total de eventos, y dejar que XC denotan el número de
ellos que se cuentan. Para calcular la función de generación de momentos conjuntos de Xc,
el número de eventos que se cuentan y X − Xc, el número que no se contabiliza, comienza
por condicionamiento en X para obtener
E[eSxc+t(X−Xc)|X = n] = eTnE[e(s−t)Xc|X = n]
= eTn(Ens−T + 1 − p)N =
(Ens + (1 − p)et)n
467
que sigue porque, condicionado a X = n,XC es una variable aleatoria binomial con
parámetros N Y p. Ahí
Ahora, desde X es Poisson con la media λ, se deduce que E[eTx] = eLY−1). Por lo tanto, para
cualquier valor positivo Un vemos (dejando Un = et) que E[aX] = eLa−1). Así
]
E[eSxc+t(X−Xc) = eLEns+(1−p)et−1)
= eλp(es−1)eL1−p)(et−1)
Sección 7,8 Propiedades adicionales de las variables aleatorias normales
Como el precedente es el momento común que genera la función de las variables aleatorias
de Poisson independientes con los medios respectivos λP Y L1 − p), se ha comprobado el
resultado. .
X nZN + M2
Xi UnEnZN + Mi
entonces las variables aleatorias X1,...,XM se dice que tienen una distribución normal
multivariada.
Por el hecho de que la suma de las variables aleatorias normales independientes es en sí
misma una variable aleatoria normal, se deduce que cada Xme es una variable aleatoria
normal con media y varianza dada, respectivamente, por
E[Xi] = Mi
468
n
a2j=1
la función de generación del momento común de X1,...,Xm. Lo primero que hay que tener en
cuenta es que m
Ables Zi =11,...,Zn, también se distribuye normalmente. Su media y varianza son desde tiXme
es una combinación lineal de la variable aleatoria normal independiente
E
⎡⎤
yM m
Y
m⎛
m m
⎛ ⎞
i=1 j=1 ⎟ Cov
m m
titjCov(Xi,Xj)
Ahora, si Y es una variable aleatoria normal con M y la varianza σ2Entonces
Así M ⎧ titjCov(Xi,Xj) ⎪ ⎬ 1 ⎫
m
m
m
EJEMPLO 8A
Encontrar P(X < Y) para variables aleatorias normales bivariadas X Y Y tener parámetros
Corr(X,Y)
469
Solución. Kuz X − Y es normal con la media
E[X − Y] = MX − my
y la varianza
Fue(X − Y) = Fue(X) + Fue(−Y) + 2Cov(X,−Y)
y
obtenemos
P{X < Y} = P{X − Y < 0}
y x
2 2 2
x y x y
= .
EJEMPLO 8B
supongamos queX, dado que es una variable aleatoria normal = I, es normal con con media
R = Corr(X,)
= Corr(Z + ,)
,)
Kuz X, tiene una distribución normal bivariada, la distribución condicional de, dado que X
= x, es normal con la media
E
y la varianza
las variables aleatorias normales es también una variable aleatoria normal, sigue que X es
una variable aleatoria normal con (de los ejemplos 2C y 4a) el valor esperado M y la
varianza σ2/n.
Ahora, recordemos del ejemplo 4E que
Además, tenga en cuenta que desde X,X1 − X,X2 − X,...,XN − X son todas las combinaciones
lineales
de las normales estándar independientes (Xme − m)/s,me = 1...,n, se deduce que X,Xme −
X,me = 1...,N tiene una distribución conjunta que es normal multivariada. Si dejamos que Y
ser una variable aleatoria normal, con la media M y la varianza σ2/n, que es independiente
471
de la Xi,me = 1...,nEntonces Y,Xme − X,me = 1...,N también tiene una distribución normal
multivariada y, de hecho, debido a la ecuación (8,1), tiene los mismos valores esperados y
las covarianzas como las variables aleatorias X,Xme − X,me = 1...,n. Pero puesto que una
distribución normal multivariada es determinada completamente por sus valores y
covarianzas esperados,
se deduce que Y,Xme − X,me = 1...,N Y X,Xme − X,me = 1...,N tienen la misma distribución
conjunta, lo que demuestra que X es independiente de la secuencia de desviaciones
Ya que ya sabemos que X es normal con la media M y la varianza σ2/n, sigue siendo sólo
para determinar la distribución de S2. Para lograrlo, recordemos, del ejemplo 4A, la
identidad algebraica
n
(N X)2
i=1
n
(8,2)
Nwo
es el cuadrado de una variable normal estándar, es una variable aleatoria Chi-cuadrada con
1 grado de libertad, y por lo tanto tiene función de generación de momento (1 − 2t)−1/2.
472
Ahora, hemos visto anteriormente que las dos variables aleatorias en el lado izquierdo de la
ecuación (8,2) son independientes. Por lo tanto, como el momento de generar la función de
la suma de variables aleatorias independientes es igual al producto de su momento
individual generando funciones, tenemos
O
] 1
E[et(n−1)S2En2 = ( − 2t)−n−1)/2
Pero como (1 − 2t)−(n−1)/2 es el momento de generar la función de una variable aleatoria Chi-
cuadrada con N − 1 grados de libertad, podemos concluir, ya que la función de generación
de momento determina de forma única la distribución de la variable aleatoria, se deduce que
esa es la distribución de (N − 1)S2En2.
Resumiendo, hemos mostrado lo siguiente.
Sección 7,9 Definición general de expectativa
X Si X 1
En = % =
Y Si X Z 1
* Gg(xi)(xme − xi−1)
a
donde se toma el límite Un = x0 < x1 < x2 ··· < xN = B Como n→Q y donde
* Gg(xi)[F(xi) − F(xi−1)]
a
donde, como antes, el límite se toma en todos los Un = x0 < x1 < ··· < xN = B Como n→Q y
donde Max (xme − xi−1)→0. Además, definimos la integral de Stieltjes en toda la i=1...,n
línea real por
q Lim * g(x)
Df(x) b
* g(x) Df(x) =Tres→ − qQ a
→+
−q
Por último, si G no es una función no
negativa, definimos g+ Y g− Por
definir
q q q
−q −q −q
Si X es una variable aleatoria arbitraria que tiene una distribución acumulativa F, definimos
el valor esperado de X Por
q
−q
Se puede demostrar que si X es una variable aleatoria discreta con función de masa
p(x)Entonces q
* xdF Xp(x)
−q x:p(x)>0
* xdF(x) = * Xf(x)Dx
−q −q
El lector debe notar que la ecuación (9,1) produce una definición intuitiva de E[X];
considerar la suma aproximada
n
F(xi−1)]
De E[X]. Kuz F(xi) − F(xi−1) es sólo la probabilidad de que X estará en el intervalo (xi−1,xi],
la suma aproximativa multiplica el valor aproximado de X cuando está en el intervalo
475
(xi−1,xi] por la probabilidad de que será en ese intervalo y luego sumas sobre todos los
intervalos. Claramente, a medida que estos intervalos se cada vez más pequeños y más
pequeños, obtenemos el "valor esperado" de X.
Las integrales de Stieltjes son principalmente de interés teórico porque producen una
forma compacta de definir y lidiar con las propiedades de la expectativa. Por ejemplo, el
uso de las integrales de Stieltjes evita la necesidad de tener que dar declaraciones separadas
y pruebas de teoremas para los casos continuos y discretos. Sin embargo, sus propiedades
son muy iguales a las de las integrales ordinarias, y todas las pruebas presentadas en este
capítulo pueden traducirse fácilmente en pruebas en el caso general.
Resumen
Si X Y Y tienen una función de masa de probabilidad conjunta p(x, y) y, a continuación,
E[g(X,Y)
y x
E[g(X,Y)] = * * g(x,y)f(x,y)DXDY
−q−q
que generaliza a
E
Lla Covarianza entre variables aleatorias X Y Y es dada por
Cov(X,Y) = E[(X − E[X])(Y − E[Y])] = E[Xy] − E[X]E[Y]
⎛n m ⎞
n m
Cov(Xi,Yj)
Cov(Xi,Yj)
i=1 i=1 <
476
La correlación entre X Y Y, denotado por RX,Y), se define por
Cov(X,Y)
RX,Y) = √
Fue(X)Fue(Y)
Si X Y Y son variables aleatorias discretas conjuntamente, entonces el valor esperado
condicional de X, dado que Y = y, se define por
E
x
E[X|Y = y] = * XfX|Y(x|y) −q
Donde
f(x,y) fX|Y(x|y) =
fY(y)
E
y
y, en el caso continuo,
q
Las ecuaciones precedentes a menudo se pueden aplicar para obtener E[X] por el primer
"condicionamiento" en el valor de alguna otra variable aleatoria Y. Además, ya que, para
cualquier evento A, P(A) = E[IA], donde IUn es 1 si Un se produce y es 0 de lo contrario,
podemos utilizar las mismas ecuaciones para calcular las probabilidades.
La varianza condicional de X, dado que Y = y, se define por
Supongamos que la variable aleatoria X debe observarse y, sobre la base de su valor, hay
que predecir el valor de la variable aleatoria Y. En tal situación, resulta que, entre todos los
predictores, E[Y|X] tiene la menor expectativa de la Plaza de la diferencia entre ella y Y.
Lla función de generación de momento de la variable aleatoria X se define por
M(t) = E[eTx]
Alemánn
t=0
Dos resultados útiles en relación con las funciones de generación de momentos son, en
primer lugar, que la función de generación de momento determina de forma única la función
de distribución de la variable aleatoria y, en segundo lugar, que el momento de generar la
función de la suma de aleatorio independiente variables es igual al producto de su momento
generando funciones. Estos resultados conducen a pruebas sencillas de que la suma de
variables aleatorias normales independientes (Poisson, gamma) sigue siendo una variable
aleatoria normal (Poisson, gamma).
Si X1,...,XM son todas las combinaciones lineales de un conjunto finito de variables
aleatorias normales estándar independientes, entonces se dice que tienen un distribución
normal multivariada. Su distribución conjunta se especifica por los valores de E[Xi],
COV(Xi,Xj),i,J = 1...,m.
Si X1,...,XN son variables aleatorias normales independientes y distribuidas
idénticamente, media de la muestra
n
Xi
X
N i=1
Problemas
7,1. Un jugador lanza un dado justo y simultáneamente encontrar la distancia de viaje esperada de la
voltea una moneda justa. Si la moneda aterriza ambulancia.
cabezas, entonces ella gana dos veces, y si las colas, 7.6. Un muerto justo se rodó 10 veces. Calcule la suma
entonces la mitad del valor que aparece en el dado. esperada de los 10 rollos.
Determine sus ganancias esperadas. 7.7. Supongamos que Un Y B cada uno escoge
7,2. El juego de clue involucra a 6 sospechosos, 6 armas y aleatoriamente e independientemente 3 de 10 objetos.
9 habitaciones. Uno de cada uno es elegido Buscar el número esperado de objetos
aleatoriamente y el objeto del juego es adivinar los un elegidos por ambos Un Y B; b
tres elegidos. no elegido por cualquiera Un O B;
(a) ¿Cuántas soluciones son posibles? c elegido por exactamente uno de Un Y B.
En una versión del juego, la selección se hace y 7,8. N la gente llega por separado a una cena profesional. A
luego cada uno de los jugadores se le da su llegada, cada persona mira para ver si él o ella tiene
aleatoriamente tres de las cartas restantes. Dejar algún amigo entre los presentes. Esa persona entonces
S, WY R ser, respectivamente, el número de se sienta en la mesa de un amigo o en una mesa
sospechosos, armas y habitaciones en el conjunto desocupada si ninguno de los presentes es un amigo.
de tres cartas dadas a un jugador especificado.
Además, deje que X denotan el número de Suponiendo que cada uno de los pares de
soluciones que son posibles después de que el personas es, independientemente, un par de amigos con
jugador observa sus tres cartas. probabilidad p, encuentre el número esperado de mesas
(b) Express X en términos de S, WY R. c ocupadas.
Encontrar E[X]. Pista: Deje que Xme igual a 1 o 0, dependiendo de si el
7,3. Las apuestas son independientes, y cada una de ellas ila llegada se sienta en una mesa previamente
da como resultado que el jugador tenga la misma desocupada.
probabilidad de ganar o perder 1 unidad. Dejar En
7,9. Un total de N bolas, numeradas 1 a n, se ponen en N las
denotan las ganancias netas de un jugador cuya
urnas, también numeradas 1 a N de tal manera que la
estrategia es dejar de apostar inmediatamente después
pelota me es igualmente probable que se vaya a
de su
cualquiera de las urnas 1, 2,...,i. Encontrar
primera victoria. Encontrar
(a) el número esperado de urnas vacías;
(a) P{En > 0}
(b) la probabilidad de que ninguna de las urnas esté
(b) P{En < 0} vacía.
(c) E[W] 7,10. Considere 3 ensayos, cada uno con la misma
probabilidad de éxito. Dejar X denotan el número total
7,4. Si X Y Y tienen la función de la densidad común
de éxitos en estos ensayos. Si E[X] = 1.8, ¿qué es
1/y, Si 0 < y < 1, 0 < X < y (a) el mayor valor posible de P{X = 3}?
(b) el menor valor posible de P{X = 3}?
fX,Y(x,y) = % 0 Lo contrario
En ambos casos, construya un escenario de
probabilidad que resulte en P{X = 3} con el valor
Encontrar indicado.
(a) E[Xy]
(b) E[X] Pista: Para la parte (b), puede empezar En ser una
variable aleatoria uniforme en (0,1) y luego definir los
(c) E[Y]
ensayos en términos del valor de U.
7.5. El hospital del condado está situado en el centro de
una plaza cuyos lados son de 3 millas de ancho. Si un 7.11. Considerar N volteretas independientes de una moneda
accidente ocurre dentro de esta plaza, entonces el que tiene probabilidad P de aterrizar en la cabeza.
hospital envía una ambulancia. La red de carreteras es Supongamos que se produce un cambio cada vez que
rectangular, por lo que la distancia de viaje desde el un resultado difiere de aquél que lo precede. Por
hospital, cuyas coordenadas son (0,0), hasta el punto ejemplo, si N = 5 y el resultado es HHTHT, entonces
(x, y) es |x| + |y|. Si un accidente ocurre en un punto hay 3 cambios. Encuentre el número esperado de
que se distribuye uniformemente en la Plaza, cambios.
Problemas 480
Pista: Exprese el número de cambios como la suma de 7.16. Dejar Z ser una variable aleatoria normal estándar y,
N − 1 variables aleatorias de Bernoulli. para un xEstablecer
X = % Z Si Z > x
7.12. Un grupo de N hombres y N las mujeres están alineadas
0 Lo contrario
al azar.
(a) Encuentra el número esperado de hombres que
tienen una mujer junto a ellos.
Mostrar que E .
(b) Repita la parte (a), pero ahora asumiendo que el
7,17. Una baraja de N tarjetas numeradas 1 a N se barajan a
grupo está sentado aleatoriamente en una mesa
fondo para que todos los posibles n! se puede suponer
redonda.
que los ordenamientos son igualmente probables.
7.13. Un conjunto de 1000 tarjetas numeradas de 1 a 1000 Supongamos que usted debe hacer N las conjetanzas
se distribuye aleatoriamente entre 1000 personas con secuencialmente, donde el iTH uno es una suposición
cada una de las cuales recibe una tarjeta. Calcule el de la tarjeta en posición i. Dejar N denotan el número
número esperado de tarjetas que se dan a las personas de conjetanzas correctas.
cuya edad coincide con el número de la tarjeta.
(a) Si no se le da ninguna información sobre sus
7.14. Una urna ha M bolas negras. En cada etapa, se retira conjetanzas anteriores, demuestre que, para
una pelota negra y una nueva pelota que es negra con cualquier estrategia, E[N] = 1.
probabilidad P y blanco con probabilidad 1 − P se
pone en su lugar. Encuentre el número esperado de (b) Supongamos que después de cada conjetura se le
etapas necesarias hasta que no haya más bolas negras muestra la tarjeta que estaba en la posición en
en la urna. cuestión. ¿Cuál crees que es la mejor estrategia?
Nota: Lo anterior tiene posibles aplicaciones para Mostrar
comprender la enfermedad del SIDA. Parte del que, en virtud de esta estrategia,
sistema inmunitario del cuerpo consiste en una cierta 1 1
clase de células conocidas como células T. Hay 2 E[N] = + − + ··· + 1
tipos de Tcells, llamados CD4 y CD8. Ahora, n n 1
mientras que el número total de células T en enfermos
JL 1 Dx =
de SIDA es (al menos en las primeras etapas de la
RegistroN n
enfermedad) el mismo que en individuos sanos, se ha
1 x
descubierto recientemente que la mezcla de células T
CD4 y CD8 es diferente. Aproximadamente 60 por (c) Supongamos que se le dice después de cada
ciento de las células T de una persona sana son del conjetura si usted es correcto o incorrecto. En
tipo CD4, mientras que el porcentaje de las células T este caso, se puede demostrar que la estrategia
que son de tipo CD4 parece disminuir continuamente que maximiza E[N] es uno que sigue adivinando
en los enfermos de SIDA. Un modelo reciente la misma tarjeta hasta que se le dice que es
propone que el virus del VIH (el virus que causa el correcto y luego cambia a una nueva tarjeta. Para
SIDA) ataca a las células CD4 y que el mecanismo del esta estrategia, muestre que
cuerpo para reemplazar las células T muertas no
distingue entre si la célula T muerta fue CD4 o CD8.
En su lugar, sólo produce una nueva célula T que es
CD4 con probabilidad 6 y CD8 con probabilidad. 4. E
Sin embargo, aunque esto parece ser una manera muy !
eficiente de reemplazar las células T muertas cuando LY−1
cada uno de ellos es igualmente probable que sea
cualquiera de las células T del cuerpo (y por lo tanto Pista: Para todas las partes, exprese N como la suma de
tiene la probabilidad de que......), tiene consecuencias las variables aleatorias del indicador (es decir,
peligrosas cuando se enfrenta a un virus que sólo Bernoulli).
apunta las células T CD4. 7.18. Las cartas de una baraja ordinaria de 52 cartas de juego
se dan la cara una a la vez. Si la primera carta es un as,
7.15. En el ejemplo 2H, digamos que me Y j, me Z j, forme
o el 2º a Deuce, o el 3er a 3, o ..., o el decimotercero un
un par coincidente si me elige el sombrero
rey, o el 14 un as, y así sucesivamente, decimos que se
perteneciente a J Y J elige el sombrero perteneciente a
produce un partido. Tenga en cuenta que no requerimos
i. Encuentre el número esperado de pares emparejados.
que el (13N + 1) la tarjeta TH ser cualquier as en
Problemas 481
particular para un partido que se produzca, pero sólo 7.24. Una botella contiene inicialmente M pastillas grandes
que sea un as. Calcule el número esperado de y N pastillas pequeñas. Cada día, un paciente escoge
coincidencias que se producen. aleatoriamente una de las píldoras. Si se elige una
7.19. Una determinada región está habitada por R tipos pastilla pequeña, se come esa píldora. Si se elige una
distintos de una determinada especie de insecto. Cada píldora grande, entonces la píldora se rompe en dos;
insecto capturado, independientemente de los tipos de una parte se devuelve a la botella (y ahora se considera
las capturas anteriores, será de tipo me con una pequeña píldora) y la otra parte se come.
probabilidad (a) Dejar X denotan el número de pastillas
r pequeñas en la botella después de que la última
píldora grande ha sido elegida y su medio más
Pi,i pequeño regresó. Encontrar E[X].
(a) Calcule el número medio de insectos que se Pista: Definir N + M variables del indicador, una para
capturan antes de la primera captura de tipo 1. cada una de las pequeñas pastillas inicialmente
(b) Calcule el número medio de tipos de insectos que presentes y una para cada uno de los M pequeñas
se capturan antes de la primera captura de tipo 1. píldoras creadas cuando una grande se divide en dos.
7.20. En una urna que contiene N bolas, el iTH Ball tiene Ahora utilice el argumento del ejemplo 2m.
peso W(i),me = 1...,n. Las bolas se quitan sin el (b) Dejar Y denotan el día en que se elige la última
reemplazo, una a la vez, según los siguientes regla: en píldora grande. Encontrar E[Y].
cada selección, la probabilidad de que una bola dada en Pista: ¿Cuál es la relación entre X Y Y?
la urna sea elegida es igual a su peso dividido por la 7.25. Dejar X1,X2,... ser una secuencia de variables
suma de los pesos restantes en la urna. Por ejemplo, si aleatorias continuas independientes y distribuidas
en algún momento i1,...,iR es el conjunto de bolas idénticamente. Dejar N Efectos 2 sea tal que
restantes en la urna, entonces la siguiente selección será
Efectos
X1 Efectos X2 ··· Efectos XN−1 < XN
iJ con probabilidad W En(ik), J = 1...,r. Calcular
el número esperado de bolas que se retirank=1 antes de Es decir N es el punto en el que la secuencia deja de
disminuir. Mostrar que E[N] = e. Pista: Primer
que se quite la pelota número 1.
hallazgo P{N Efectos n}.
7.21. Para un grupo de 100 personas, computar
(a) el número esperado de días del año que son 7.26. Si X1,X2,...,XN son variables aleatorias independientes
cumpleaños de exactamente 3 personas: y distribuidas idénticamente que tienen distribuciones
uniformes sobre (0,1), encuentran un
(b) el número esperado de cumpleaños distintos.
E[Máx.(X1,...,Xn)]; b E[mín.(X1,...,Xn)].
7.22. ¿Cuántas veces esperarías rodar un muerto justo antes
de que los 6 lados aparecieran al menos una vez? ∗7,27. Si 101 artículos se distribuyen entre 10 cajas, entonces
7.23. La urna 1 contiene 5 bolas blancas y 6 negras, al menos uno de los cuadros debe contener más de 10
mientras que la urna 2 contiene 8 bolas blancas y 10 elementos. Utilice el método probabilístico para
negras. Dos bolas se seleccionan aleatoriamente de la probar este resultado.
urna 1 y se colocan en la urna 2. Si se seleccionan ∗7,28. Lla kder-fuera deN sistema de confiabilidad circular, K
aleatoriamente 3 bolas de la urna 2, calcule el número ... R ... n, consta de N componentes que se organizan
esperado de bolas blancas en el trío. de manera circular. Cada componente es funcional o
Pista: Deje que Xme = 1 si el ibola blanca en primer fallido, y el sistema funciona si no hay ningún bloque
de R componentes consecutivos de los cuales
lugar en la urna 1 es uno de los tres seleccionados, y
al menos K se han fallado. Demuestre que no hay
dejar Xme = 0 en caso contrario. Del mismo modo, deje manera de arreglar 47 componentes, 8 de los cuales se
Yme = 1 si el ibola blanca de la urna 2 es uno de los tres han fallado, para hacer un sistema circular funcional
3-de-12-out-of-47.
seleccionados, y dejar Yme = 0 en caso contrario. El
∗7,29. Hay 4 tipos diferentes de cupones, los primeros 2 de
número de bolas blancas en el trío ahora se puede
los cuales componen un grupo y el segundo 2 otro
grupo. Cada nuevo cupón obtenido es de tipo me con
escribir como .
probabilidad piDonde p1 = p2 = 1/8p3 = p4 = 3/8.
encontrar el número esperado de cupones que uno
Problemas 482
(y x/y)
debe obtener para tener al menos uno de un los 4 =1 + , X>
tipos; 0y > 0
f(x,y) e− y
(b) todos los tipos del primer grupo;
(c) todos los tipos del segundo grupo; De todos Encontrar E[X], E[Y], y demostrar que COV(X,Y) = 1.
los tipos de cualquiera de los grupos.
7.41. Un estanque contiene 100 peces, de los cuales 30 son
7.30. Si X Y Y son independientes y se distribuyen
carpas. Si se capturan 20 peces, ¿cuál es la media y la
idénticamente con M y la varianza σ2Encontrar
varianza del número de carpas entre los 20? ¿Qué
suposiciones estás haciendo?
E[(X − Y)2]
7.42. Un grupo de 20 personas que consta de 10 hombres y
10 mujeres se organizan aleatoriamente en 10 pares de
7.31. En el problema 6, calcule la varianza de la suma de 2 cada uno. Calcule la expectativa y la varianza del
los rollos. número de pares que consisten en un hombre y una
7.32. En el problema 9, calcule la varianza del número de mujer. Ahora Supongamos que las 20 personas
urnas vacías. consisten en 10 parejas casadas. Calcule la media y la
varianza del número de parejas casadas que se
7.33. Si E[X] = 1 y var(X) = 5, encontrar
emparejan entre sí.
(a) E[(2 + 7.43. Dejar X1,X2,...,XN ser variables aleatorias
2 independientes que tengan una función de
X) ]; b Fue(4 + 3X).
distribución continua desconocida F, y deje que
7.34. Si 10 parejas casadas se sientan aleatoriamente en una Y1,Y2,...,YM ser variables aleatorias independientes que
mesa redonda, calcule (a) el número esperado y (b) el tengan una función de distribución continua
variación del número de esposas que están sentados desconocida G. Ahora ordene esos N + M variables, y
junto a sus maridos. dejar que
7.35. Las cartas de una baraja ordinaria se dan la cara una a 1 Si el iel más
la vez. Calcule el número esperado de tarjetas que pequeño de los N + m
necesitan ser giradas cara arriba para obtener un 2 ⎧
ases; Ime =variables es de la X Muestra ⎩0
(b) 5 picas; de lo contrario
c los 13 corazones.
7.36. Dejar X ser el número de 1 y Y el número de 2 que
ocurren en N rollos de un dado justo. Computar COV n+M La variable aleatoria
(X, Y).
R Iime es la suma de las filas de la X muestra y es
7.37. Un dado se rueda dos veces. Dejar X igual a la suma
la base de un procedimiento estadístico estándar
de los resultados, y dejar Y igual al primer resultado
(llamado prueba de Wilcoxon SUM-ofranks) para
menos el segundo. Computar COV (X, Y).
comprobar si F Y G son distribuciones idénticas. Esta
7.38. Las variables aleatorias X Y Y tienen una función de prueba acepta la hipótesis de que F = G Cuando R no
densidad conjunta dada por es ni demasiado grande ni demasiado pequeño.
Suponiendo que la hipótesis de igualdad sea de hecho
correcta, calcule la media y la varianza de R.
f(x,y) = 02e−2x/x 0 ... X C., 0 ... y ... x
Pista: Utilice los resultados del ejemplo 3e.
0 Lo contrario 7,44. Entre dos métodos distintos para fabricar ciertas
mercancías, la calidad de las mercancías producidas
por el método me es una variable aleatoria continua
Computar COV (X, Y).
que
7.39. Dejar X1,...ser independiente con la media común M y Distribución Fi,me = 1,2. Supongamos que N las
varianza común σ2y establezca YN = XN + Xn+1 + Xn+2. mercancías son producidas por el método 1 y M por
Para J Efectos 0, encontrar COV(Yn,Yn+j). el método 2. Clasifique el N + M mercancías según
7.40. La función de densidad conjunta de X Y Y es dada por calidad, y deje
Problemas 483
1 Si el jel mejor 7,49. Hay dos monedas deforme en una caja; sus
fue producido de probabilidades de aterrizar en la cabeza cuando se
⎧ XJ =método 1 voltean son, respectivamente, .4 y .7. una de las
⎩2 Lo contrario monedas es ser elegida aleatoriamente y volteada 10
veces. Dado que dos de los primeros tres volteretas
aterrizaron en cabezas, ¿cuál es el número esperado
condicional de cabezas en los 10 saltos?
Para el vector X1,X2,...,Xn+m, que consiste en N 1 y M 7,50. La densidad articular de X Y Y es dada por
2, deje R denotan el número de corridas de 1. Por e−x/ye−y
ejemplo, si N = 5M = 2, y X = 1, 2, 1, 1, 1, 1, 2, f(x,y) = , 0 < X C., 0 < y C.
entonces R = 2. Si F1 = F2 (es decir, si los dos métodos y
producen mercancías distribuidas idénticamente), Calcular E[X2|Y = y].
¿cuál es la media y la varianza de R? 7,51. La densidad articular de X Y Y es dada por e−y
7,45. Si X1,X2,X3Y X4 son variables aleatorias no
f(x,y) = , 0 < X < y, 0<y=Py
correlacionadas (en pares), cada una de las cuales tiene
3
la media 0 y la varianza 1, computan las correlaciones Calcular E[X |Y = y].
de
7,52. Una población está formada por R subgrupos
un X1 + X2 Y X2 + X3; b X1 + X2 Y X3
desarticulan. Dejar pme denotan la proporción de la
+ X4. población que está en el subgrupo i,me = 1...,r. Si el
7,46. Considera el siguiente juego de dados, como se juega peso medio de los miembros del subgrupo me Es wi,me
en un determinado Casino de juego: los jugadores 1 y = 1...,r, ¿cuál es el peso promedio de los miembros de
2 rodar un par de dados a su vez. A continuación, el
la población?
Banco enrolla los dados para determinar el resultado de
acuerdo con la siguiente regla: jugador i,me = 1, 2, gana 7,53. Un prisionero está atrapado en una celda que contiene
si su rollo es estrictamente mayor que el del Banco. 3 puertas. La primera puerta conduce a un túnel que
Para me = 1, 2, deje lo devuelve a su celda después de 2 días de viaje. El
Ime segundo conduce a un túnel que lo devuelve a su celda
= %0 de lo después de 4 días de viaje. La tercera puerta conduce
contrario 1 si a la libertad después de 1 día de viaje. Si se asume que
me Gana el preso siempre seleccionará las puertas 1, 2 y 3 con
y mostrar que I1 Y I2 están positivamente las probabilidades respectivas. 5,. 3, y. 2, ¿Cuál es el
correlacionados. Explique por qué se esperaba este número esperado de días hasta que el prisionero llegue
resultado. a la libertad?
7,47. Considerar a Gráfico Tener n Vértices 7,54. Considera el siguiente juego de dados: se rodó un par
Etiquetado de dados. Si la suma es 7, entonces el juego termina y
usted gana 0. Si la suma no es 7, entonces tienes la
1, 2,...,n, y Supongamos que, entre cada uno de los opción de detener el juego y recibir una cantidad igual
pares de vértices distintos, un borde se presenta de a esa suma o empezar de nuevo. Para cada valor de
forma independiente con probabilidad p. El grado de i,me = 2..., 12, encontrar su retorno esperado si emplea
vértice i, designado como Di, es el número de aristas la estrategia de detener la primera vez que un valor
que tienen el vértice me como uno de sus vértices. por lo menos tan grande como me Aparece. ¿Qué
(a) ¿Cuál es la distribución de Di? valor de me conduce a la mayor rentabilidad
(b) Encontrar RDi,Dj), la correlación entre Dme Y Dj. esperada?
7,48. Un dado justo es rodado sucesivamente. Dejar X Y Y Pista: Deje que Xme denotan la devolución cuando se
denotan, respectivamente, el número de rollos utiliza el valor crítico i. Para calcular E[Xi], condición
necesarios en la suma inicial.
para obtener un 6 y un 5. 7,55. Diez cazadores están esperando a que los patos vuelen.
Encontrar un E[X]; Cuando una bandada de patos vuela sobre la cabeza,
b E[X|Y = 1]; c los cazadores disparan al mismo tiempo, pero cada
uno escoge su blanco al azar, independientemente de
E[X|Y = 5].
Problemas 484
los otros. Si cada cazador golpea su objetivo de forma Cuando B es una variable aleatoria binomial con
independiente con la probabilidad......, calcule el parámetros N Y p.
número esperado de patos que se golpean. 7,60. Cada uno de los M + 2 jugadores pagan 1 unidad a un
Supongamos que el número de patos en un rebaño es gatito con el fin de jugar el siguiente juego: una
una variable aleatoria de Poisson con la media 6. moneda justa es ser volteado sucesivamente N veces,
7,56. El número de personas que entran en un elevador en la donde N es un número impar, y se observan los
planta baja es una variable aleatoria de Poisson con resultados sucesivos. Antes de la N voltea, cada
media 10. Si hay N pisos por encima de la planta baja, jugador anota una predicción de los resultados. Por
y si cada persona es igualmente probable que bajar en ejemplo, si N = 3, entonces un jugador podría anotar
cualquier uno de los N pisos, independientemente de (H,H,T), lo que significa que él o ella predice que el
donde los demás bajar, calcular el número esperado primer tirón aterriza en cabezas, el segundo en cabezas,
de paradas que el ascensor hará antes de descargar y el tercero en las colas. Después de que las monedas
todos sus pasajeros. se voltean, los jugadores cuentan su número total de
7,57. Supongamos que el número esperado de accidentes por predicciones correctas. Por lo tanto, si los resultados
semana en una planta industrial es de 5. Supongamos reales son todos cabezas, entonces el jugador que
también que el número de trabajadores heridos en escribió (H, H, T) tendría 2 predicciones correctas. El
cada accidente son variables aleatorias independientes gatito total de M + 2 entonces se divide uniformemente
con una media común de 2,5. Si el número de entre los jugadores que tienen el mayor número de
trabajadores lesionados en cada accidente es predicciones correctas.
independiente del número de accidentes que ocurren, Puesto que cada uno de los saltos de la moneda es
calcule el número esperado de trabajadores heridos en igualmente probable que aterriza en las cabezas o las
una semana. colas, M de los jugadores han decidido hacer sus
7,58. Una moneda con probabilidad P de subir cabezas es predicciones de una manera totalmente aleatoria.
continuamente volteada hasta que las dos cabezas y Específicamente, cada uno de ellos volará una de sus
las colas han aparecido. Encontrar un el número propias monedas justas N veces y luego usar el
esperado de volteretas; resultado como su predicción. Sin embargo, la final 2
b la probabilidad de que el último tirón aterriza en de los jugadores han formado un sindicato y utilizará la
cabezas. siguiente estrategia: uno de ellos hará predicciones de
7,59. Hay N + 1 participantes en un juego. Cada persona la misma manera aleatoria que el otro M jugadores,
independientemente es un ganador con probabilidad pero el otro predicará exactamente lo contrario de la
primera. Es decir, cuando el miembro randomizante del
p. Los ganadores comparten un premio total de 1
sindicato predice un H, el otro miembro predice un T.
unidad. Por ejemplo, si el miembro aleatorización del sindicato
(Por ejemplo, si 4 personas ganan, entonces cada uno predice (H, H, T), entonces el otro predice (T, T, H).
de ellos recibe , mientras que si no hay ganadores, (a) Argumentan que exactamente uno de los
ninguno de los participantes recibe nada.) Dejar Un miembros del Sindicato tendrá más de n/2
denotan un especificado de los jugadores, y dejar X predicciones correctas. Recordar N es extraño.)
denotan la cantidad recibida por A. (b) Dejar X denotan el número de M jugadores no
(a) Calcule el premio total esperado compartido por sindicadores que tienen más de n/2 predicciones
los jugadores. correctas. ¿Cuál es la distribución de X?
(c) Con X como se define en la parte b), argumentan
= 1 −1 − p)n+1
que
(b) Argumentar que E[X] . N + 1
(c) Calcular E[X] por condicionamiento de si Un es
un ganador, y concluyen que
E[pago al sindicato]
(d) Utilice la parte (c) del problema 59 para concluir
E[(1 + B)−1] = 1 −1+ − p)n+1
se deduce que la estrategia del sindicato siempre Xi,YJ tal que X Xi,Y Yj
le da un beneficio esperado positivo.
7,61. Dejar X1,... ser variables aleatorias independientes con (b) por acondicionamiento (ya sea en X O Y) para
la función de distribución común F, y Supongamos determinar E[Xy].
que son independientes de N, una variable aleatoria 7.64. Tipo me función de las bombillas para una cantidad
geométrica con parámetro p. Dejar M = aleatoria de tiempo μme y desviación estándar σi,me = 1,
Max(X1,...,XN). 2. una bombilla elegida aleatoriamente de un recipiente
(a) Encontrar P{M ... x} por condicionamiento en N. de bulbos es una bombilla de tipo 1 con probabilidad P
y un bulbo de tipo 2 con probabilidad 1 − p. Dejar X
(b) Encontrar P{M ... x|N = 1}. Denotar
(c) Encontrar P{M ... x|N > 1}. la vida útil de esta bombilla.
(d) Use (b) y (c) para rederivar la probabilidad que Encontrar un E[X]; b Fue(X).
encontró en (a). 7.65. El número de tormentas invernales en un buen año es
una variable aleatoria de Poisson con la media 3,
7,62. Dejar U1,U2,... ser una secuencia de variables
mientras que el número en un año malo es una variable
aleatorias uniformes independientes (0,1). En el
aleatoria de Poisson con la media 5. Si el próximo año
ejemplo 5i mostramos que, para 0 ... X ... 1E[N(x)] =
va a ser un buen año con probabilidad... o un mal año
exDonde
con probabilidad......, encontrar el valor esperado y la
varianza del número de tormentas que se producirán.
⎧ 7.66. En el ejemplo 5C, calcule la varianza de la longitud de
n
tiempo hasta que el minero alcance la seguridad.
⎫ 7.67. Considere a un jugador que, en cada apuesta, gane o
pierda su apuesta con las probabilidades respectivas P
N
y 1 − p. Un popular sistema de juego conocido como la
estrategia de Kelley es apostar siempre la fracción 2P
Este problema da otro enfoque para establecer ese − 1 de tu fortuna actual cuando P > . Calcule la fortuna
resultado. esperada después N juega de un jugador que comienza
un Mostrar por inducción en N que, para 0 < X ... 1 y con X unidades y emplea la estrategia de Kelley.
todos N Efectos 0 7.68. El número de accidentes que una persona tiene en un
año dado es una variable aleatoria de Poisson con λ. Sin
xn embargo, supongamos que el valor de L cambia de
P{N(x) el N + 1} = persona a persona, siendo igual a 2 por 60 por ciento de
n! la población y 3 por el otro 40 por ciento. Si una
persona es elegida al azar, ¿cuál es la probabilidad de
Pista: Primera condición en U1 y luego usar la
que tendrá (a) 0 accidentes y (b) exactamente 3
hipótesis de inducción.
accidentes en un año determinado? ¿Cuál es la
Utilice la parte (a) para concluir que
probabilidad condicional de que tendrá 3 accidentes en
E[N(x)] = ex un año dado, dado que no tuvo accidentes el año
anterior?
Problemas 486
el rendimiento esperado bajo esta estrategia es Pista: Deje que X denotan el número de Ame que
mayor que (Un + B)/2. ocurren. Mostrar que ambos lados de la ecuación
anterior son iguales a E[X].
7,79. Las sucesivas ventas semanales, en unidades de 1000
dólares, tienen una distribución normal bivariada con 7,6. En el texto, señalamos que
una media común de 40, desviación estándar común 6,
y correlación .6.
(a) Encuentre la probabilidad de que el total de las
Y E[Xi]
próximas 2 semanas de ventas supere los 90.
(b) Si la correlación se .2 en lugar de .6, ¿crees que Cuando el Xme son todas las variables aleatorias no
esto aumentaría o disminuiría la respuesta a (a)? negativas. Dado que una integral es un límite de
Explícale tu razonamiento. c Repetir (a) cuando la sumas, se podría esperar que
correlación es .2.
EJERCICIOS TEÓRICOS
ser una función dos veces diferenciable. Mostrar que Diez X ÚSt Y, si, para todos t.
Pista: Expandir g(·) en una serie de Taylor sobre μ. Muestre que si X ÚSt YEntonces E[X] Efectos E[Y]
cuando
Utilice los tres primeros términos e ignore el resto.
un X Y Y son variables aleatorias no negativas; b X Y
7.5. Dejar A1,A2,...,AN ser eventos arbitrarios y definir CK = Y son variables aleatorias arbitrarias. Pista: Escribir X
{al menos K Dela Ame Ocurrir}. Mostrar que Como
n N X = X+ − X−
P(Ak)
k=1 k=1 Donde
Problemas 488
X+ = %X Si X Efectos 0 , X− =% − 0 Si X Efectos 0
0 Si X < 0 X Si X < 0
E
7,11. Considerar N ensayos independientes, cada uno de los
cuales da R posibles resultados con probabilidades
P1,P2,...,Pr. Dejar X denotan el número de resultados
que nunca ocurren en ninguno de los ensayos.
Encontrar
489
E[X] y mostrar que, entre todos los vectores de
probabilidad P1,...,Pr,E[X] se minimiza cuando Pme = de estos subconjuntos tienen todos sus
1/r,me = elementos del mismo color (donde |A| indica el número
1...,r. de elementos en el conjunto A).
7,12. Dejar X1,X2,... ser una secuencia de variables aleatorias 7.17. Supongamos que X1 Y X2 son variables aleatorias
independientes que tengan la función de masa de independientes que tienen una media común μ.
probabilidad Supongamos también que var y var
P{XN = 0} = P{XN = 2} = 1/2 N Efectos 1 . El valor de M se desconoce, y se propone
que M ser estimados por un promedio ponderado de X1
n 1 Y X2. Es decir λX1 + (1 − l)X2 se utilizará como una
La variable aleatoria X q = Xn/3N se dice que
estimación de M para un valor apropiado de λ. ¿Qué
tiene la Distribución de cantor. Encontrar E[X] y valor de L la estimación que tiene la menor posible
var(X). Ejercicios teóricos
7,13. Dejar X1,...,XN ser variables aleatorias continuas
independientes y distribuidas idénticamente. Decimos ¿Varianza? Explique por qué es deseable utilizar este
que un valor récord se produce en el momento j,J ... valor de λ.
nSi XJ Efectos Xme para todos los 1 ... me ... j. Mostrar 7.18. En el ejemplo 4F, mostramos que la covarianza de las
que variables aleatorias multinomial Nme Y NJ es igual a
n
−MpiPJ expresando Nme Y NJ como la suma de las
variables del indicador. También podríamos haber
(a) E[número de valores de registro] /j;
n obtenido ese resultado mediante el uso de la fórmula
(b) Fue(número de valores de registro) var(Nme + Nj)=Fue(Ni) + Fue(Nj) + 2 COV(Ni,Nj)
.
(a) ¿Cuál es la distribución de Nme + Nj?
7,14. Por ejemplo 2i, demuestre que la varianza del número
de cupones necesarios para amasar un conjunto (b) Utilice la identidad precedente para mostrar que
completo es igual a COV(Ni,Nj) = −MpiPj.
En 7.19. Mostrar que X Y Y se distribuyen idénticamente y no
(N − i)2 i=1 son necesariamente independientes,
7.24. Demostrar la desigualdad Cauchy-Schwarz, a saber, 7.32. Para un evento ADejar IUn igual a 1 si Un se produce y
dejar que sea igual a 0 si Un no se produce. Para una
(E[Xy])2 ... E[X2]E[Y2] variable aleatoria X, muestran que
si se sigue que, para todos los t, 7.33. Una moneda que aterriza en cabezas con probabilidad
P está continuamente volteada. Calcule el número
0 < E[(Tx + Y)2] = E[X2]t2 + 2E[Xy]T + E[Y2] esperado de saltos que se realizan hasta que una
cadena de R se obtienen cabezas en una fila.
Por lo tanto, las raíces de la ecuación cuadrática Pista: Condición en el momento de la primera aparición
de colas para obtener la ecuación
E[X2]t2 + 2E[Xy]T + E[Y2] = 0 r
E pi−1(me + E[X])
debe ser imaginario, lo que implica que el i=1
discriminante de esta ecuación cuadrática debe ser q
negativo.
7,25. Muestre que si X Y Y son independientes, r
E[X|Y = y] = E[X] para todos y Simplifique y solucione para E[X].
7,34. Para otro enfoque del ejercicio teórico 33, deje que TR
(a) en el caso discreto; denotan el número de giros requeridos para obtener una
(b) en el caso continuo. R cabezas consecutivas.
7.26. Demuestre que E[g(X)Y|X] = g(X)E[Y|X]. (a) Determinar E[Tr|Tr−1].
7.27. Demuestre que si E[Y|X = x] = E[Y] para todos (b) Determinar E[Tr] en términos de E[Tr−1].
xEntonces X Y Y no están correlacionados; dar un (c) Qué es E[T1]? De Qué es E[Tr]?
contraejemplo para demostrar que el inverso no es
491
7.35. La función de generación de probabilidad de la variable 7.40. Utilice la fórmula de desviación condicional para
aleatoria de valor entero no negativo discreto X tener determinar la varianza de una variable aleatoria
función de masa de probabilidad pj, J Efectos 0, se geométrica X teniendo parámetro p.
define por 7.41. Dejar X ser una variable aleatoria normal con
q parámetros m = 0 y σ2 = 1, y deje I, independiente de
pjsJ J=0 X, sea tal que P . Ahora
defina
Dejar Y ser una variable aleatoria geométrica con Y Por
Y =% −X Si Me
parámetro P = 1 − s, donde 0 < s < 1. Supongamos que == 10 X
Y es independiente de X, y mostrar que Si I
7.36. Una bola a la vez se selecciona aleatoriamente de una (a) Son X Y Y ¿Independiente?
urna que contiene Un blanco y B bolas negras hasta que (b) Son Me Y Y ¿Independiente?
todas las bolas restantes son del mismo color. Dejar (c) Mostrar que Y es normal con la media 0 y la
Ma,B denotan el número esperado de bolas que quedan varianza 1.
en la urna cuando finaliza el experimento. Calcule una (d) Demuestre que COV(X,Y) = 0.
fórmula recursiva para Ma,B y resolver cuando Un = 3 y
7.42. Se desprende de la Proposición 6,1 y el hecho de que
B = 5.
el mejor predictor lineal de Y con respecto a X Es
7.37. Una urna contiene Un blanco y B bolas negras. Después que si
de que una pelota es dibujada, es devuelta a la urna si
es blanca; pero si es negro, es reemplazado por una bola E[Y|X] = Un + Bx
blanca de otra urna. Dejar MN indican el número
esperado de bolas blancas en la urna después de que la Entonces
operación anterior se ha repetido N Veces. un Derivar σy σy B = R
la ecuación recursiva Un = My − p μx
σx σx
Mn (¿Por qué?) Verifíquelo directamente.
7.43. Mostrar que, para las variables aleatorias X Y Z,
(b) Utilice la parte (a) para demostrar que
n E[(X − Y)2] = E[X2] − E[Y2]
MN = Un + B − b
Donde
(c) ¿Cuál es la probabilidad de que el (N + 1)St Ball Y = E[X|Z]
dibujado es blanco?
7,44. Considerar una población formada por individuos
7.38. El mejor predictor lineal de Y con respecto a X1 Y X2 capaces de producir crías del mismo tipo.
es igual a Un + Bx1 + Cx2Donde a,bY C se eligen para Supongamos que, al final de su vida, cada individuo
habrá producido J nueva descendencia con
minimizar
probabilidad Pj, J Efectos 0, independientemente del
número producido por cualquier otro individuo. El
E[(Y −Un + Bx1 + Cx2))2]
número de individuos presentes inicialmente,
denotados por X0, se denomina el tamaño de la
Determinar a,bY c. generación cero. Todos los descendientes de la
7.39. El mejor predictor cuadrático de Y con respecto a X Es generación cero constituyen la primera generación,
Un + Bx + Cx2Donde a,bY C se eligen para minimizar Ejercicios teóricos
E[(Y −Un + Bx + Cx2))2]. Determinar a,bY c. y su número es denotado por X1. En general, deje XN
denotan el tamaño de la ngeneración. Dejar q q
492
JpJ Y σ2 = m)2PJ denotar,j=0 0 Cuando N es
extraño
la media y la varianza del número de crías producidas ⎧
por un solo individuo. Supongamos que X0 = 1 — es
decir, inicialmente hay un solo individuo en la
población. un Mostrar que Cuando N = 2j
Pista: Empiece ampliando la función de generación de
E[Xn] = ME[Xn−1] b Z en una serie de Taylor sobre 0 para obtener
E[eTz] = et2/2
Utilice la parte (a) para concluir que
q
E[Xn] = Mn
j
(c) Mostrar que 7.47. Dejar X ser una variable aleatoria normal con la media
M y la varianza σ2. Utilice los resultados de la
Fue(Xn) = P2μn−1 + M2Fue(Xn−1) Haga ejercicio 46 para mostrar que
j
j=0
7.51. Utilice la tabla 7,2 para determinar la distribución de n
Pista: Condición en el número de descendientes Xi Cuando X1,...,Xn Son Independiente Y
del miembro inicial de la población. variables aleatorias exponenciales idénticas
7.45. Compruebe la fórmula para la función de generación de distribuidas, cada una de las cuales tiene media 1/λ.
momento de una variable aleatoria uniforme que se da 7.52. Mostrar cómo calcular COV (X,Y) a partir de la función
en la tabla 7,7. También, diferencie para verificar las de generación de X Y Y.
fórmulas para la media y la varianza.
7.53. Supongamos que X1,...,XN tienen una distribución
7.46. Para una variable aleatoria normal estándar ZDejar μN normal multivariada. Mostrar que X1,...,XN son
variables aleatorias independientes si y sólo si
= E[Zn]. Mostrar que
Cov(Xi,Xj) = 0 Cuando me Z j
493
7.54. Si Z es una variable aleatoria normal estándar, lo que es
COV (Z,Z2)?
7.55. Supongamos que Y es una variable aleatoria normal con
M y la varianza σ2, y Supongamos también que la
distribución condicional de X, dado que Y = y, es
normal con la media y y la varianza 1.
(a) Argumentan que la distribución conjunta de X,Y es
el mismo que el de Y + Z,Y Cuando Z es una
variable aleatoria normal estándar que es
independiente de Y.
(b) Utilice el resultado de la parte (a) para argumentar
que X,Y tiene una distribución normal bivariada.
(c) Encontrar E[X], fue(X), y Corr(X,Y). De Encontrar
E[Y|X = x].
Y ¿Cuál es la distribución condicional de Y Dado que X
= x?
P(A1 ···An) el
i=1
Fue(√XLla.25
7,11. Supongamos que en el problema de auto-prueba 3 que las 20 personas deben sentarse en siete mesas, tres de los cuales
tienen 4 asientos y cuatro de los cuales tienen 2 asientos. Si la gente está sentada al azar, encontrar el valor esperado
del número de parejas casadas que están sentados en la misma mesa.
7,12. Individuos 1 a través n,N > 1, deben ser reclutados en una firma de la siguiente manera: individual 1 inicia la firma y
recluta individual 2. Los individuos 1 y 2 competirán para reclutar a un individuo 3. Una vez que el individuo 3 es
reclutado, los individuos 1, 2, y 3 competirán para reclutar el individuo 4, y así sucesivamente. Supongamos que cuando
los individuos 1, 2,...,me competir para reclutar individuos me + 1, cada uno de ellos es igualmente probable que sea el
reclutador acertado.
(a) Encontrar el número esperado de los individuos 1,...,N que no reclutan a nadie más.
(b) Derivar una expresión para la varianza del número de individuos que no reclutan a nadie más, y evaluarlo para N
= 5.
7.13. Los nueve jugadores en un equipo de baloncesto consisten en 2 centros, 3 delanteros, y 4 jugadores de pista trasera. Si
los jugadores son emparejados al azar en tres grupos de tamaño 3 cada uno, encontrar (a) el valor esperado y (b) la
varianza del número de trillizos que consiste en uno de cada tipo de jugador.
7.14. Una baraja de 52 cartas se barajan y una mano de puente de 13 cartas es reparada. Dejar X Y Y denotan, respectivamente,
el número de Ases y el número de picas en la mano.
Problemas y ejercicios de autoprueba
E[Xn]* xn−1F(x)Dx
Xnn* xn−1 Dx
0
q
= n* xn−1IX(x)Dx
Donde
1 Si X < X
Ix(x) = %0 Lo contrario
Pista: Utilice el método probabilístico. (Es interesante que no sea necesario que exista una permutación cuya suma de
productos de pares sucesivos sea positiva. Por ejemplo, si N = 3 a1 = a2 = −1, y a3 = 2, no existe tal permutación.)
7,22. Supongamos que Xi, me = 1, 2, 3, son variables aleatorias de Poisson independientes con los medios respectivos λi, me
= 1, 2, 3. deje que X = X1 + X2 Y Y = X2 + X3.
El vector aleatorio X,Y se dice que tiene una distribución bivariada de Poisson.
(a) Encontrar E[X] y E[Y].
(b) Encontrar COV(X,Y).
(c) Encontrar la función de masa de probabilidad conjunta P{X = i,Y = j}.
7.23. Dejar (Xi,Yi), me = 1..., ser una secuencia de vectores aleatorios independientes y distribuidos idénticamente. Es decir
X1,Y1 es independiente de, y tiene la misma distribución que X2,Y2, y así sucesivamente. Aunque Xme Y Yme puede ser
dependiente, Xme Y YJ son independientes cuando me Z j. Dejar
,
Corr(Xi,Yi)
Encontrar Corr .
7.24. Tres cartas son elegidas aleatoriamente sin reemplazo de una baraja ordinaria de 52 tarjetas. Dejar X denotan el número
de ases elegidos.
un Encontrar E[X|se elige el as de picas]. b Encontrar E[X|se elige al menos un as].
7,25. Dejar ser la función de distribución normal estándar, y dejar que X ser una variable aleatoria normal con la media M y
la varianza 1. Queremos encontrar E[ (X)]. Para ello, deje que Z ser una variable aleatoria normal estándar que es
independiente de X, y deje que
1 Si Z < X
Me = %
0 Si Z Efectos X
i=1
7.29. Supongamos que X Y Y son las dos variables aleatorias de Bernoulli. Mostrar que X Y Y son independientes si y sólo si
COV(X,Y) = 0.
En el problema de coincidencia generalizada, hay N individuos de los cuales nme tamaño del sombrero
del desgaste i, Nme = n. También hay N sombreros, de los cuales hme son de tamaño i,
. Si cada individuo escoge aleatoriamente un sombrero (sin reemplazo), encuentre el
número esperado que elija un sombrero de su tamaño.
CAPÍTULO 1
(c) De los 720 posibles arreglos, hay tantos que tienen A antes de B antes de C
como tienen cualquiera de los 3! posibles ordenamientos de A, B y C. por lo
tanto, hay 720/6 = 120 posibles ordenamientos.
(d) De los 360 arreglos que tienen A antes de B, la mitad tendrá C antes de D y la
mitad D antes de C. por lo tanto, hay 180 arreglos que tienen A antes de B y C
antes de D.
(e) Pegar B a la parte posterior de a y D a la parte posterior de C Rinde 4! = 24
ordenamientos diferentes en los que B sigue inmediatamente A y D
inmediatamente sigue a C. Dado que el orden de A y B y de C y D se puede
revertir, hay 4 · 24 = 96 diferentes arreglos.
(f) ¡ Hay 5! los ordenamientos en los que E es el último. Por lo tanto, hay 6! − 5!
= 600 los ordenamientos en los que E no es el último.
1.2. 3! 4! 3! 3!, ya que hay 3! posibles ordenamientos de los países y luego
los compatriotas deben ser ordenados.
1.3. un
7 = 672. el resultado de la parte
b) sigue
461
1.4. un
1,5.
i
, ya que hay Opciones de la me lugares para poner los ceros y
entonces cada uno de los otros N − me posiciones pueden ser cualquiera de los dígitos
1,...9.
1.9. un
1.10. Hay 9 · 8 · 7 · 6 · 5 números en los que no se repite ningún dígito. Hay
6 números en los que sólo un dígito especificado aparece dos veces, por lo que
Hay 9 6 números en los que solo aparece dos veces un solo dígito. Hay 7
números en los que dos dígitos especificados aparecen dos veces, por lo que
Son números en los que dos dígitos aparecen 2 veces. Por lo tanto, la respuesta es
1.11. un Podemos considerar esto como un experimento de siete etapas. Primero elige las 6 parejas
casadas que tienen un representante en el grupo, y luego selecciona uno de los miembros de
cada una de estas parejas. Por el principio básico generalizado de contar, hay diferentes
opciones.
b Primero seleccione las 6 parejas casadas que tienen un representante en el grupo, y luego
seleccione las 3 de esas parejas que van a contribuir a un hombre. Por lo tanto, hay
diferentes opciones. Otra manera de resolver esto es primero seleccionar 3
hombres y luego seleccionar 3 mujeres no relacionadas con los hombres seleccionados.
Esto demuestra que hay diferentes opciones.
1.12. 3430. el primer término da el número de comités que tienen 3 mujeres
y 3 hombres; el segundo da el número que tiene 4 mujeres y 2 hombres.
1.13. (número de soluciones de x1 + ··· + x5 = 4)(número de soluciones de x1 + ··· +
x5 = 5)(número de soluciones de x .
1.14. Dado que hay vectores positivos cuya suma es j, debe haber
deduce que hay ! posibles resultados en los que K la gente pase. En consecuencia, hay
k! resultados posibles.
1.16. El número de subconjuntos de tamaño 4 es 4845. debido a que el número de estos que no
contienen ninguno de los cinco primeros elementos es 1365, el número que contiene al
menos uno es 3480. Otra manera de resolver este problema es notar que hay que
contienen exactamente me de los cinco primeros elementos y sumar este −
Para me = 1, 2, 3, 4.
1.17. Multiplicando ambos lados por 2, debemos demostrar que
CAPÍTULO 2
2,1. (a)
(d) Apagado = {(cpastai),(cArrozi),(cPatatasi)}
(e) 8
(f) Abc = {(cArrozi)}
2,2. Dejar Un ser el caso de que se compre un traje, B ser el caso de que se compre una camisa, y C
será el caso de que se compre un empate. Entonces
P(Apagado ∪ Y ∪ Bc) = .11 + .14 + .10 −.06 −.06 −.06 + .06 = .23
Por lo tanto, la probabilidad de que se compre exactamente 1 artículo es .51 −.23 = .28.
2.3. Por simetría, la decimocuarta tarjeta es igualmente probable que sea cualquiera de las tarjetas
52; por lo tanto, la probabilidad es 4/52. Un argumento más formal es contar el número de la
52! resultados para los que la decimocuarta carta es un as. Esto produce
p
Dejar Un ser el evento que el primer as se produce en la tarjeta 14, tenemos
P
2.4. Dejar D indican que la temperatura mínima es de 70 grados. Entonces
0 = .5 − P(D)
O P(D) = .5.
2.5. un
2.6. Dejar R ser el caso de que ambas bolas son de color rojo, y dejar B ser
el evento que ambos son de color negro. Entonces
2.7. un
2.8. un
N = i =1
2.11. Una manera de resolver este problema es comenzar con la probabilidad complementaria de que
al menos un traje no aparezca. Dejar Ai, me = 1, 2, 3, 4, sea el acontecimiento que ningunas
tarjetas del juego me Aparecen. Entonces
i:i<
La probabilidad deseada es entonces 1 menos la anterior. Otra manera de resolver es dejar que
A sea el evento que todos los 4 trajes están representados, y luego utilizar
Donde P(n, n, n, o, n), por ejemplo, es la probabilidad de que la primera carta sea de un traje
nuevo, el segundo es de un traje nuevo, el tercero es de un traje nuevo, el cuarto es de un traje
viejo (es decir, uno que ya ha aparecido) y el quinto es de un traje nuevo. Esto da
2.12. Hay (10)!/25 diferentes divisiones de los 10 jugadores en un primer par de compañeros de cuarto,
un segundo par de compañeros de cuarto, y así sucesivamente. Por lo tanto, hay (10)!/(5! 25)
2.13. Dejar R denotan el evento que la letra R se repite; de forma similar, defina los eventos Y Y V.
Entonces
P{misma letra} =
c
2.14. Dejar B1 = A1,Bme = Ai⎞ ,me > 1. a continuación, me 1
q q
P
i=1
Q
...
donde la igualdad final utiliza el hecho de que el Bme son mutuamente excluyentes. La
desigualdad sigue entonces, ya que Bme ( Ai.
2.15. ⎛ ⎛ q ⎞c⎞
Pp
Ú
=1
2.16. El número de particiones para las cualparticiones del resto N − 1 elementos en{1} es un
subconjunto es igual al número deK − 1 subconjuntos no vacíos, 2,...,N − 1}
a saber Tk−1(N − 1). Porque hay Tk(N − k1)de ellos en el que a placepartitions de { En K
subconjuntos no vacíos y, a continuación, una opción del elemento 1, se deduce que hay
Otrosk(N − 1) particiones para las que {1} no es un subconjunto. Por lo tanto, el resultado sigue.
2.17. Dejar R, W, B denotan, respectivamente, los eventos que no hay rojo, no blanco, y no hay bolas
azules elegidos. Entonces
P
L 0.2933
Por lo tanto, la probabilidad de que todos los colores aparezcan en el subconjunto elegido es
de aproximadamente 1 − 0.2933 = 0.7067.
2,18. (a)
(b) Porque hay 9 bolas no azules, la probabilidad es.
(c) ¡ Porque hay 3! posibles ordenamientos de los diferentes colores y todas las posibilidades
de las 3 bolas finales son igualmente probables, la probabilidad es
.
(d) El probabque las bolas rojas están en un determinado 4 puntos es. Debido a
que hay 14 posibles ubicaciones de las bolas rojas donde están todos juntos, la
probabilidad es .
2,19. (a) La probabilidad de que las 10 cartas consisten en 4 picas, 3 corazones, 2 diamantes,
probabilidad es .
b Porque hay 6 opciones de los dos trajes que van a tener 3 cartas y luego 2 opciones
para que el traje tenga 4 cartas, la probabilidad es
.
2,20. Todas las bolas rojas se quitan antes de todas las azules si y sólo si la última bola removido es
azul. Porque las 30 bolas son igualmente probables ser la última bola quitada, la probabilidad
es 10/30.
CAPÍTULO 3
3,1. (a) P (sin ases)
b 1 − P (sin ases)
c P (i ACES)
3,2. Deje que Li denotar el evento de que la vida de la batería es mayor que 10.000 * i millas.
3,3. Pon 1 blanco y 0 bolas negras en la urna uno, y las restantes 9 blancas y 10 bolas negras en la
urna dos.
3,4. Deje T ser el acontecimiento que la bola transferida es blanca, y deje W sea el acontecimiento
que una bola blanca se dibuja de la urna B. entonces
P (W T) P (T)
P (T | W) = | +| |
P (W T) P (T) P (W TC) P (TC)
3,5. un r + RW, ya que cada una de las bolas de r + w es igualmente probable que sea la bola
de ITH eliminado.
(b), (c)
P (RiRj) P (RJ
R+W
r−1
=r+W−1
Un argumento más simple es notar que, para i Z j, dado que la extracción del ith es una bola roja, el
retiro del JTH es igualmente probable ser cualquiera de las bolas restantes de r + w − 1, cuyo r − 1 es
rojo.
3,6. Que BI denotar el evento que la pelota i es negra, y que RI = BCI. Entonces
P (B1 | R2) = | P (R2 | B + 1) P (B1) |
P (R2 B1) P (B1) P (R2 R1) P (R1)
)][
[R/(b + R + C)] [b/(b + R)] + [(r + C)/(b + R + C)] [R/(b + R)] B
=b+r+c
3,7. Deja que B denotar el evento de que ambas cartas son ases.
un
P B, sí al as de picas
P {B | Yes to as of Spades} = {{ }}
P sí al as de picas
b Dado que la segunda tarjeta es igualmente probable que sea cualquiera de los restantes 51, de
los cuales 3 son ACES, vemos que la respuesta en esta situación es también 3/51.
c Porque siempre podemos intercambiar qué tarjeta se considera primero y cuál se considera en
segundo lugar, el resultado debe ser el mismo que en la parte (b).
Un argumento más formal es el siguiente:
P B, segundo es ACE
P {B | Second es ACE} = {{ }}
P segundo es ACE
P (B) + P {en primer lugar no es ACE, el segundo es ACE}
De
P (B)
P {B | al menos un} = { }
P al menos una
3,8.
P (H | | E) = P (HE) = P (H) P (E | | H
P (G E) P (GE) P (G) p (E G)
La hipótesis H es 1,5 veces más probable.
3,9. deje que A denotar el acontecimiento que la planta está viva y que W sea el acontecimiento que
fue regado.
un
P
P (A
b c | AC) = C | Aseos) P (WC)
P (en
P (CA)
3,10. (a)1 − P (ningunas bolas rojas)
(b) dado que no se eligen bolas rojas, los 6 elegidos son igualmente propensos a ser cualquiera de las
22 bolas no rojas. Así
P (2 verde | sin rojo)
3,11. deje que W sea el evento que funciona la batería, y deje que C y D denotan los eventos que la
batería es un tipo C y que es una batería de tipo D, respectivamente.
un P (W) = P (W | c) P (c) + p (W | d) P (d) =. 7 (8/14) +. 4 (6/14) = 4/7
b
P (C | WC) = P (CWc) = P (WC | C) P (C) =. 3 (8/14) =. 4
P (WC) 3/7 3/7
3,12. Que Li sea el acontecimiento que a Maria le gusta el libro i, i = 1, 2. Entonces
P (L
Usando ese L2 es la Unión de los eventos mutuamente excluyentes L1L2 y Lc1L2, vemos que
.
Así
P
3,13. (a) esta es la probabilidad de que la última bola eliminada sea azul. Debido a que cada una de
las 30 bolas es igualmente probable que sea la última eliminado, la probabilidad es 1/3.
b Esta es la probabilidad de que la última bola roja o azul que se va a quitar es una bola azul.
Debido a que es igualmente probable que sea cualquiera de las 30 bolas rojas o azules, la probabilidad
de que sea azul es 1/3.
c Deje que B1, R2, G3 denote, respectivamente, los eventos que el primer color eliminado es
azul, el segundo es rojo y el tercero es verde. Entonces
P
donde P (G3) es sólo la probabilidad de que la última pelota es verde y P (R2 | G3) se calcula señalando
que, dado que la última bola es verde, cada una de las 20 bolas rojas y 10 azules es igualmente probable
que sea la última de ese grupo que se eliminará, por lo que la probabilidad de que sea una de las bolas
rojas es 20/30. (Por supuesto, P (B1 | R2G3) = 1.)
3,14. que H sea el evento que la moneda aterriza cabezas, que TH sea el evento que B se le dice que
la moneda aterrizó cabezas, que F ser el evento que A olvida el resultado de la sacudida, y dejar C ser
el evento que B se le dice el resultado correcto. Entonces
un
P (TH) = P (TH | F) P (F) + P (TH | FC) P (FC)
= (. 5) (. 4) + P (H) (. 6)
=. 68
b
P
c
P (HTh)
P (H | TH) =
P (TH)
Nwo
P (HTh) = P (HTh | F) P (F) + P (HTh | FC) P (FC)
= P (H | F) P (TH | HF) p (F) + P (H) P (FC)
= (. 8) (. 5) (. 4) + (. 8) (. 6) =. 64
dando el resultado P (H | TH) =. 64/. 68 = 16/17.
3,15. dado que la rata negra tiene un hermano Pardo, podemos concluir que ambos padres tienen un
gen negro y otro marrón.
un
P (2) 1/4 1 P (2 negro | al menos uno) = = = P (al menos uno) 3/4 3
(b) que F sea el acontecimiento que los 5 descendientes sean negros, deje B2 sea el acontecimiento
que la rata negra tiene 2 genes negros, y deje B1 sea el acontecimiento que tiene 1 negro y 1 gene
marrón. Entonces
P (B2
B1) P (B1)
3,16. deje que F sea el evento que una corriente fluye de la a a la B, y que CI sea el evento que el relé
i cierra. Entonces
P
Nwo
P (F | C1) = P (C4 ∪ C2C5)
= P (C4) + P (C2C5) − P (C4C2C5)
= P4 + p2p5 − p4p2p5
También
P (F | C1c) = P (C2C5 ∪ C2C3C4)
= p2p5 + p2p3p4 − p2p3p4p5
Por lo tanto, para la parte (a), obtenemos
P (F) = P1 (P4 + p2p5 − p4p2p5) + (1 − P1) P2 (P5 + p3p4 − p3p4p5)
Para la parte (b), deje Qi = 1 − PI. Entonces
P (C3 | F) = P (F | C3) P (C3)/P (F)
= P3 [1 − P (C1cC2c ∪ C4cC5c)]/P (F)
= P3 (1 − q1q2 − q4q5 + q1q2q4q5)/P (F)
3,17. deje que A sea el evento que el componente 1 está trabajando y deje que F sea el evento que el
sistema funciona.
un
P (AF) P (A) 1/2 2
P (A | F) = = = − =
P (F) P (F) 1 (1/2) 2 3
donde P (F) se calculó señalando que es igual a 1 menos la probabilidad de que los componentes 1 y
2 se hayan fallado.
b
P (AF) P
P (A | F) = = +
P (F) P (F) (1/2) 3 3 (1/2) 3 4
donde P (F) se calculó señalando que es igual a la probabilidad de que los 3 componentes funcionen
más las tres probabilidades relacionadas con exactamente 2 de los componentes que funcionan.
3,18. Si asumimos que los resultados de los giros sucesivos son independientes, entonces la
probabilidad condicional del siguiente resultado no se modifica por el resultado de que los 10 giros
anteriores aterrizaron en negro.
3,19. condición en el resultado de los lanzamientos iniciales:
P (A impar) = P1 (1 − P2) (1 − P3) + (1 − P1) P2P3 + P1P2P3 (A impar)
+ (1 − P1) (1 − P2) (1 − P3) P (un impar)
Así
P (A impar) = P1 + (1 − P + 2) (1 − − P3) + − (1 − P1 −) P2P3
P1 P2 P3 P1P2 P1P3 P2P3
3,20. deje que A y B sean los eventos que el primer ensayo sea más grande y que el segundo sea más
grande, respectivamente. Además, deje que E sea el caso de que los resultados de los ensayos sean
iguales. Entonces
1 = P (A) + P (B) + P (E)
Pero, por simetría, P (A) = P (B): así,
n
P2i
1 P (e) = 1
P
Otra forma de resolver el problema es notar que
P {resultados del primer ensayo en i, resultados del segundo ensayo en j} i j > i
pipj
i j>i
Para ver que las dos expresiones derivadas de P (B) son iguales, observe que
n n
Pj
i=1 j=1
Ipj
i j
pipj i i jZi
pipj
i i j>i
3,21. Let E = {A obtiene más cabezas que B}; Entonces
P (E) = P (E | Un plomos después de ambos tirón n) P (plomos de a después de ambos tirón n)
+ P (E | incluso después de ambos Flip n) P (incluso después de ambos Flip n)
+ P (E | B conduce después de ambos Flip n) P (B conduce después de ambos Flip n)
= P (A plomos) (incluso)
Ahora, por simetría,
P (plomos de A) = P (plomos de B)
Ahí
P
3,22. (a) no es cierto: en el balanceo de 2 dados, que E = {sum es 7}, F = {1st Die no aterriza en 4}, y
G = {2nd Die no aterriza en 3}. Entonces
P (E | F ∪ G) = P {7 {, not (4, 3})} = 5/36 = 5/35 Z P (E)
P no (4, 3) 35/36
b
P (E (F ∪ G)) = P (EF ∪ EG
= P (EF) + P (EG) desde EFG = ∅
= P (E) [P (F) + P (G)]
= P (E) P (F ∪ G desde FG = ∅
c
P (EFG)
P (G | EF) = P (EF)
ya que E es independiente de FG P (EF)
P (E) P (F) P (G)
por la independencia
= P (E) P (F)
= P (G).
3,23. a) necesariamente falso; si fueran mutuamente excluyentes, entonces tendríamos
0 = P (AB) Z P (A) P (B)
b necesariamente falso; si fueran independientes, entonces tendríamos
P (AB) = P (A) P (B) > 0
c necesariamente falso; si fueran mutuamente excluyentes, entonces tendríamos
P (A ∪ B) = P (A) + P (B) = 1,2
De posiblemente cierto
3,24. Las probabilidades en las partes (a), (b) y (c) son 5, (. 8) 3 =. 512 y (. 9) 7 L. 4783,
respectivamente.
3,25. Deje di, i = 1,2, denotar el acontecimiento que la radio i es defectuosa. También, deje A y B
ser los acontecimientos que las radios fueron producidas en la fábrica A y en la fábrica B,
respectivamente. Entonces
P (D D2)
P (D2
= P (D1D2 | A) P (A) + P (D1D2 | B) P (B) P (D1 | A) P (A) + P (D1 | B) P (B)
3,26. Se nos da que P (AB) = P (B) y debemos demostrar que esto implica que P (BcAc) = P (AC).
Una forma es la siguiente:
P (BcAc) = P ((A ∪ B) c)
= 1 − P (A ∪ B
= 1 − P (A) − P (B) + P (AB)
= 1 − P (A)
= P (CA)
3,27. El resultado es true para n = 0. Con Ai denotando el evento que hay i bolas rojas en la urna
después de la etapa n, asumir que
1
P (AI) = + , i = 1,..., n + 1 n 1
Ahora vamos BJ, j = 1,..., n + 2, denotan el evento que hay j bolas rojas en la urna después de la etapa
n + 1. Entonces
n+1
P (BJ | AI) P (AI)
1 n+1
= AI) n
1
[P (BJ AJ
=n+1 | − 1) + P (BJ | i)]
Porque hay n + 2 bolas en la urna después de la etapa n, sigue eso P (BJ | AJ − 1) es la probabilidad
de que se elija una pelota roja cuando j − 1 de las bolas n + 2 en la urna son rojas y P (BJ | AJ) es la
probabilidad de que una bola roja no se elige cuando j de las bolas n + 2 en la urna son de color rojo.
Por consiguiente
P (BJ | I − 1) = n − + 2, P (BJ | AJ) = n++−2j 1 n 2 j
La sustitución de estos resultados en la ecuación para P (BJ) da
P
+ 1 de los n + 2 n + 2 + 2 de
Esto completa la prueba de inducción.
3,28. Si AI es el evento que el jugador que recibe un as, entonces
P
Al numerar arbitrariamente los ases y señalando que el jugador que no recibe el as número uno recibirá
n de las restantes tarjetas 2N − 1, vemos que
n
P (A1A2) = −
2n 1
Por lo tanto
P (A
Podemos considerar el resultado de la división de tarjetas como resultado de dos ensayos, donde se
dice que el ensayo i, i = 1,2, es un éxito si el número de ACE i va al primer jugador. Debido a que las
ubicaciones de los dos ases se vuelven independientes mientras n va al infinito, con cada uno siendo
igualmente probable que sea dado a cualquiera de los jugadores, se deduce que los juicios se vuelven
independientes, siendo cada uno un éxito con probabilidad 1/2. Por lo tanto, en el caso limitante donde
n → q, el problema se convierte en uno de determinar la probabilidad condicional de que dos cabezas
resultan, dado que al menos uno lo hace, Cuando dos monedas justas se voltean. Becausecoincide con
el del ejemplo 2B. 3nn − − 11 converge a 1/3, la respuesta
3,29. (a) para cualquier permutación I1,..., de 1,2,..., n, la probabilidad de que el
los tipos cesivos recogidos es la probabilidad deseada es in1!, $... in =, 1in es pi1 · · · PIN = $in = 1
PI. En consecuencia, PI.
(b) para I1,..., IK todo distinto,
n
P (Ei1 · · · Ir) =
que sigue porque no hay cupones de tipos I1,..., IK cuando cada una de las selecciones independientes
n es uno de los otros tipos de n − k. Ahora sigue la identidad de inclusión – exclusión que
Nn
PK+1N n−k
k=1
Porque 1 es la probabilidad de que uno de cada tipo se obtiene, por parte (a) es igual a NNN!.
Sustituyendo esto en la ecuación anterior da
NN n!
− NN =
1 (
k=1
O
¡N! = NN k) n
k=1
O
n
¡N! K k) n
k=0
3,30.
P (E | Y ∪ F) = P (E | F (E ∪ F)) P (F | E ∪ F) + P (E | FC (E ∪ F)) P (FC | E ∪ F
Usando
F (y ∪ F) = F Y FC (E ∪ F) = FcE
Da
P (EE ∪ F
|
Ú P (E | f) P (f | Y ∪ F) + P (E | F) P (FC | Y ∪ F
= P (E | F
CAPÍTULO 4
4,1. como las probabilidades suman 1, debemos tener 4P {X = 3} + 0.5 = 1, implicando que P {X =
0} = .375, P {x = 3} =. 125. Por lo tanto, E [X] = 1 (. 3) + 2 (. 2) +
3 (. 125) = 1,075.
4,2. la relación implica que PI = cip0, i = 1, 2, donde PI = P {X = i}. Debido a que estas probabilidades
suman a 1, se deduce que
P
Ahí
2
E
4,3. deje que X sea el número de volteretas. Entonces la función de la masa de la probabilidad de X es
P2 = P2 + (1 − p) 2, P3 = 1 − P2 = 2P (1 − p)
Ahí
E [X] = 2p2 + 3p3 = 2p2 + 3 (1 − P2) = 3 − P2 − (1 − p) 2
4,4. la probabilidad de que una familia elegida aleatoriamente tenga i niños es ni/m. Así
r
E/m
Además, dado que hay niños ini en familias que tienen hijos, se deduce que la probabilidad de que un
niño elegido aleatoriamente sea de una familia con i hijos es
r
Esto. Por lo tanto
r i2ni
E [Y] = I = R1
Este
Por lo tanto, debemos demostrar que
r r
ni Este
i = R1 Ú i = R1
Inini
i=1
o, de manera equivalente, que
r r r r
JNJ
j=1 i=1 i=1 j=1
o, de manera equivalente, que
r r r r
I2ninj Ijninj
i=1j=1 i=1j=1
Pero, para un par fijo i, j, el coeficiente de ninj en la sumación del lado izquierdo de la desigualdad
precedente es I2 + J2, mientras que su coeficiente en el suma derecho es 2ij. Por lo tanto, basta con
demostrar que
I2 + J2 usted 2ij
que sigue porque (i − j) 2 Ú 0.
4,5. deje p = P {X = 1}. A continuación, E [X] = p y var (X) = p (1 − p), por lo que
p = 3P (1 − p)
implicando que p = 2/3. Por lo tanto, P {X = 0} = 1/3.
4,6. Si usted apuesta x en una apuesta que gana la cantidad apostada con probabilidad p y pierde esa
cantidad con probabilidad 1 − p, entonces sus ganancias previstas son
XP − x (1 − p) = (2p − 1) x
que es positivo (y aumentando en x) si y sólo si p > 1/2. Por lo tanto, si p... 1/2, uno maximiza el
retorno esperado por apostar 0, y si p > 1/2, uno maximiza el retorno esperado apostando la apuesta
máxima posible. Por lo tanto, si la información es que la moneda 6 fue elegida, entonces usted debe
apostar 10, y si la información es que la moneda 3 fue elegido, entonces usted debe apostar 0. Por lo
tanto, su recompensa esperada es
C
Dado que su pago esperado es 0 sin la información (porque en este caso la probabilidad de ganar es
2), se deduce que si la información cuesta menos de 1, entonces vale la pena comprarlo.
4,7. (a) si usted da vuelta el papel rojo y observa el valor x, después su vuelta esperada si usted cambia
al papel azul es
2x (1/2) + x/2 (1/2) = 5x/4 > x
Por lo tanto, siempre sería mejor cambiar.
(b) Supongamos que el filántropo escribe la cantidad x en el papel rojo. Entonces la cantidad en el
papel azul es 2x o x/2. Tenga en cuenta que si x/2 Ú y, entonces la cantidad en el papel azul será al
menos y y por lo tanto será aceptado.
Por lo tanto, en este caso, la recompensa es igualmente probable que sea 2x o x/2, por lo que
E [Ry (x)] = 5x/4, if x/2 Ú y
Si x/2 < y... 2x, entonces el papel azul será aceptado si su valor es 2x y rechazado si es x/2. Por lo
tanto
E [Asociación (x)] = 2x (1/2) + x (1/2) = 3x/2, Si x/2 < y... 2x
Finalmente, si 2x < y, entonces el papel azul será rechazado. Por lo tanto, en este caso, la recompensa
es x, por lo que
Ry (x) = x, Si 2x < y
Es decir, hemos mostrado que cuando la cantidad x está escrita en el papel rojo, el retorno esperado
bajo la política y es
⎧
x Si x < y/2
E [Ry (x)] = 3x/2 if y/2 … x < 2y
⎩ 5x/4 Si x Ú 2y
4,8. Supongamos que n ensayos independientes, cada uno de los cuales da como resultado un éxito
con probabilidad p, se realizan. A continuación, el número de éxitos será menor o igual a i si y sólo si
el número de fallas es mayor o igual a n − i. Pero puesto que cada ensayo es un fracaso con la
probabilidad 1 − p, se deduce que el número de fallas es una variable aleatoria binomial con parámetros
n y 1 − p.
Ahí
p {bin (n, p)... i} = p {bin (n, 1 − p) efecto n − i}
= 1 − P {bin (n, 1 − p)... n − i − 1}
La igualdad final sigue del hecho de que la probabilidad que el número menos thanof fallas es mayor
o igual tonelada − i. n − i es 1 menos la probabilidad que es
4,9. dado que E [X] = NPP, var = 4, or (X) p = = NP. 6 (, 1N − = P10), se nos da eso. Ahí
NP = 6, EG (1 − p) =
2,4. por lo tanto, 1 −
P
4,10. Let XI, i = 1,..., m, denotan el número en la bola de ITH dibujado. Entonces
p {X... k} = p {x1... k, x2... k,..., XM... k}
= P {x1m... k} P {x2... k} · · · P {XM... k}
Por lo tanto
M p {x = k} = p {x... k} − P {x... k − 1} =
4,11. (a) dado que A gana el primer juego, ganará la serie si, a partir de entonces, gana 2 partidos antes
de que el equipo B gane 3 partidos. Así
P {A gana | A gana primero} = p) 4 − i
i=2
b
P {A gana primero | A WINS} = P {A gana | A gana firstP {A WINS} P} {A gana primero}
me
me
4,12. para obtener la solución, condicione si el equipo gana este fin de semana:
. me
4,13. que C sea el evento que el jurado toma la decisión correcta, y que F sea el evento que cuatro de
los jueces acordaron. Entonces
Pi
i=4
También
P (CF)
P (C | F) =
P (F)
4,14. suponiendo que el número de huracanes puede aproximarse por una variable aleatoria de Poisson,
obtenemos la solución
!
4,15.
q
E iP {X = i}/P{X > 0}
me
4,16. (a) 1/n
(b) que D sea el acontecimiento que la muchacha i y la muchacha j eligen diversos muchachos.
Entonces
P (GiGj) = P (GiGj | D) P (D) + P (GiGj | C.c.) P (C.c.)
= (1/n) 2 (1 − 1/n)
= n − 1 N3
Por lo tanto
n 1
P (GI | GJ) = n−2
(c), (d) porque, cuando n es grande, P (GI | GJ) es pequeño y casi igual a P (GI), se deduce del
paradigma de Poisson que el número de parejas es aproximadamente Poisson distribuido con media
1. Por lo tanto, P0 L e − 1 y PK L e − 1/k!
(e) determinar la probabilidad de que un conjunto determinado de niñas k se junte, condicione sobre
si se produce o no D, donde D es el evento que todos eligen diferentes varones. Esto da
P (Gi1 · · · fue) = P (Gi1 · · · Fue a | d) p (d) + p (Gi1 · · · Fue a | C.C.) P (C.C.)
= P (Gi1 · · · Fue a | d) P (d)
= (1/n) k n (n − 1) · · · (n − k + 1)
K
Por lo tanto
n! n!
1 ··· fue) = k I1 Me (n − k)! (n − k)! k! n2k i <... < IK
y la inclusión – la identidad de exclusión produce
n
!
1 − P0 = P (i = 1GI) = (− 1) (n − k)! (n − k)! k! n2k
k=1
4,17. (a) porque la mujer i es igualmente probable que se vincule con cualquiera de las restantes 2N −
1 personas, P
b Porque, condicional en WJ, mujer i es igualmente probable que se emparejó con cualquiera
de 2N − 3 personas, P
c Cuando n es grande, el número de esposas emparejadas con sus maridos será
aproximadamente Poisson con la media 2. Por lo tanto, la probabilidad de que no exista tal
emparejamiento es aproximadamente e − 1/2.
De Reduce al problema del fósforo.
4,18. (a)
(b) si W es su ganancia final y X es el número de apuestas que hace, entonces, ya que ella habría
ganado 4 apuestas y perdido X − 4 apuestas, se deduce que
W = 20 − 5 (X − 4) = 40 − 5x
Ahí
E [W] = 40 − 5e [X] = 40 − 5 [4/(9/19)] = − 20/9
4,19. la probabilidad de que una ronda no resulte en una "persona extraña" es igual a 1/4, la
probabilidad de que las tres monedas aterrizan en el mismo lado. (a) (1/4) 2 (3/4) = 3/64
(b) (1/4) 4 = 1/256
4,20. deje q = 1 − p.
q
E 1p
y i = 1Q
= PI/I
q
q
q
= PQ i − 1 DX
xq 0 i = 1Q q
p i − 1 DX
x
4,21. dado que XA − − BB será igual a 1 con probabilidad p o 0 con probabilidad 1P. Porque la
varianza-p, sigue que es una variable aleatoria de Bernoulli con el parámetro de una variable aleatoria
de Bernoulli es p (1 − p), tenemos p
Ahí
Var (X) = (a − b) 2P (1 − p)
4,22. deja que X denotar el número de partidas que juegas y el número de partidas que pierdes.
un Después de tu cuarto juego, seguirías jugando hasta que pierdas. Por lo tanto, X − 4 es una
variable aleatoria geométrica con el parámetro 1 − p, por lo que
yP
b Si dejamos que z denotar el número de pérdidas que tienes en los primeros 4 juegos, entonces
z es una variable aleatoria binomial con los parámetros 4 y 1 − p. porque
Y = Z + 1, tenemos
e [Y] = e [z + 1] = e [z] + 1 = 4 (1 − p) + 1
4,23. un total de n bolas blancas serán retiradas antes de un total de m bolas negras si y solamente si
hay por lo menos n bolas blancas en los primeros n + m − 1 retiros. (Compare con el problema de los
puntos, ejemplo 4J del capítulo 3.) Con X igual al número de bolas blancas entre las primeras bolas n
+ m − 1 retiradas,
X es una variable aleatoria hipergeométrica, y sigue que
N M
{ }=n+M1 + m 1 me
P X efectos
=
4,24. porque cada bola entra independientemente en la urna i con la misma probabilidad PI, se deduce
que XI es una variable aleatoria binomial con parámetros n = 10, p = PI.
Primero Note que XI + XJ es el número de bolas que entran en la urna i o en la urna j. Entonces,
debido a que cada una de las 10 bolas de forma independiente entra en una de estas urnas con
probabilidad PI + PJ, se deduce que XI + XJ es una variable aleatoria binomial con parámetros 10 y
PI + PJ.
Por la misma lógica, x1 + x2 + x3 es una variable aleatoria binomial con los parámetros 10 y P1 + P2
+ P3. Por lo tanto
P
4,25. dejar XI igual a 1 si la persona que tiene una coincidencia, y dejar que sea igual a 0 de lo
contrario. Entonces
n
X XI
es el número de coincidencias. Tomar las expectativas da
n n n n
Y
donde la igualdad final sigue porque la persona i es igualmente probable que termine con cualquiera
de los n sombreros.
Para calcular var (X), usamos la ecuación (9,1), que indica que
n n
Y [XIXJ] i = 1 i = 1 jZi
Ahora, para i Z j,
E [XiXj] = P {XI = 1, XJ
Ahí
n
E I = 1 JZI − n (n 1)
que rinde
Var (X) = 2 − 12 = 1
4,26. con q = 1 − p, tenemos, por un lado, q
P
me
i=1Q
= PQ
i=1
1
= PQ 1 − q
= (1 − q) (1 + q) = 1 + q
Por otro lado
P (e) = P (E | X = 1) p + p (E | X > 1) q = QP (E | X > 1)
Sin embargo, dado que el primer ensayo no es un éxito, el número de ensayos necesarios para un éxito
es 1 más el número geométricamente distribuido de ensayos adicionales requeridos. Por lo tanto
P (E | X > 1) = P (X + 1 es par) = P (EC) = 1 − P (E) que rinde P (E) = q/(1 + q).
CAPÍTULO 5
5,1. deje que X sea el número de minutos jugados.
un P {X20 > < 15X} = < 351 −} = P10 {X (. 05...) 15 +} = 5 (. 1025 −) 5 = (. 025.625) =. 875
b P
c P {X < 30} = 10 (. 025) + 10 (. 05) =. 75
5,2. un c=n+1
xn + 1
5,3. En primer lugar, vamos a encontrar c mediante el uso de
2
1 = * 0 CX4DX = 32C/5 * c = 5/32
5,4. desde
1
1 = * 0 (AX + BX2) DX = a/2 + b/3
1
.6 = * 0 (ax2 + BX3) DX = a/3 + b/4
obtenemos a = 3.6, b = − 2,4. Ahí
(a) P 6 =. 35
b
5,5. para i
p {X = i} = p {int (ahora) = i − 1}
= P {i − 1... ahora < i}
= P% i − n 1... U
= 1/N
5,6. Si puja x, 70... x... 140, a continuación, usted ganará la puja y hacer un beneficio de x − 100 con
probabilidad (140 − x)/70 o perder la puja y hacer un beneficio OFX es
0 en caso contrario. Por lo tanto, su ganancia esperada si usted puja
- q 2
y [X] = * 0 y − x DX
q 2
= 2 − 1/2 * 0 e − y/2 DY
= e − λ1tp1 + e − λ2tp2
5,19. (leta) Xel valuei ser una variable aleatoria exponencial con meanc debe ser tal que P {x1 > c} =.
05i. Por lo tanto, i = 1, 2.
e − c =. 05 = 1/20
o c = log (20) = 2,996.
b
P
5,20. (a)
e [(Z − c) c) + e − x2/2 DX
)y−22
q 2
CE − x/2 DX
(b) usando el hecho de que X tiene la misma distribución que μ + σZ, donde Z es una variable aleatoria
normal estándar, produce
Y
=E
=SE
donde a = c − σμ.
CAPÍTULO 6
6,4. las variables aleatorias multinomiales XI, i = 1,..., r, representan los números de cada uno de los
tipos de resultados 1,..., r que ocurren en n ensayos independientes cuando cada ensayo da como
resultado uno de los resultados 1,..., r con las probabilidades respectivas P1,..., PR. Ahora, supongamos
que un ensayo produce un resultado de categoría 1 si ese ensayo resultó en cualquiera de los tipos de
resultado 1,..., R1; decir que un ensayo resulta en un resultado de categoría 2 si ese ensayo resultó en
cualquiera de los tipos de resultado R1 + 1,..., R1 + R2; y así En. Con estas definiciones, Y1,..., YK
representan los números de los resultados de la categoría 1, los resultados de la categoría 2, hasta los
resultados de la categoría k cuando n ensayos independientes que cada uno de los resultados en una
de las categorías
Pero por definición, este vector tiene una distribución multinomial. 1,..., k con probabilidades
respectivas RI 1I + 1r + i 1 PJ, i = 1,..., k, se realizan.
−
6,5. (a) dejar PJ = P {XYZ = j}, tenemos
P1 = 1/8, P2 = 3/8, P4 = 3/8, P8 = 1/8
b Dejando PJ = P {XY + XZ + YZ = j}, tenemos
P3 = 1/8, P5 = 3/8, P8 = 3/8, P12 = 1/8
c Dejando PJ = P {x2 + YZ = j}, tenemos P2 = 1/8, P3 = 1/4, P5 = 1/4, P6 = 1/4, P8 = 1/8
6,6. (a)
1 = * * (x/5 + cy) dydx 1 5
0 1
1
=
* (4x/5 + 12C) DX
0
= 12C + 2/5
Por lo tanto, c = 1/20.
b No, la densidad no factoriza.
c
5x
P{X + Y > 3} = * * (x/5 + y/20)dydx
1
= * [(2 + x) x/5 + 25/40 − (3 − x) 2/40] DX
0
= 1/5 + 1/15 + 5/8 − 19/120 = 11/15
6,7. a) sí, los factores de la función de densidad de la articulación. YDY = 2x, 0 < x < 1
c FY (y) y 01 xdx y/2, 0<y<2
De =- =
P{X < x,Y < y} = P{X < x}P{Y < y}
= min (1, x2) min (1, Y2/4), x > 0,y > 0
f
1 1−x P{X + Y < 1} = * x ydydx
0 0
6,8. Deje que ti denotar el tiempo en el que se produce un tipo de choque i, de i = 1, 2, 3. Para s >
0, t > 0,
P {x1 > s, x2 > t} = P {T1 > s, T2 > t, T3 > Max (s, t)}
= P {T1 > s} P {T2 > t} P {T3 > Max (s, t)}
= EXP {− λ1s} exp {− λ2t} exp {− λ3 Max (s, t)}
= exp {− (λ1s + λ2t + λ3 máx (s, t))}
6,9. (a) no, los anuncios en las páginas que tienen muchos anuncios son menos propensos a ser
elegidos que los de las páginas con pocos anuncios.
b M1 NN (i) m
n (i) m
c i = 1nm = n/n, donde)/m
i=1
q
Nm
6,10. (a) P {X = i} = 1/m, i = 1,..., m.
b) paso 2. Generar una variable aleatoria uniforme (0,1) U. Si U < n (X)/n, vaya al paso 3. De lo
contrario, regrese al paso 1.
Paso 3. Genere una variable aleatoria U de uniforme (0,1) y seleccione el elemento en la página X en
la posición [n (X) U] + 1.
6,11. sí, son independientes. Esto se puede ver fácilmente considerando la pregunta equivalente de si
XN es independiente de N. Pero esto es así, ya que saber cuándo se produce la primera variable
aleatoria mayor que c no afecta a la distribución de probabilidad de su valor, que es la distribución
uniforme en (c, 1).
6,12. permita que PI denotar la probabilidad de obtener puntos en un solo tiro del dardo.
Entonces
P30 = p/36 P20 = 4P/36 − P30 = p/12 P10 = 9P/36 − P20 − P30 = 5p/36
P0 = 1 − P10 − P20 − P30 = 1 − PI/4
un P/12
b P/9
c 1 − PI/4
De P (30/36 + 20/12 + 50/36) = 35P/9
Y (w/4) 2
f 2 (π/36) (1 − π/4) + 2 (π/12) (5π/36) 6,13. Deje que Z sea una variable aleatoria normal
estándar.
un
Xi
b
Por lo tanto, la probabilidad de que x6 es el valor más grande es independiente de la que es el más
grande de los otros cinco valores. (Por supuesto, esto no sería cierto si el XI tenía distribuciones
diferentes.)
(b) una manera de resolver este problema es condicionar en si x6 > x1. Nwo
P {X6 > X2 | X1 = máx (x1,..., X5), x6 > x1} = 1
También, por simetría,
P
De la parte (a),
P
Por lo tanto, condicionamiento si x6 > x1 produce el resultado
P
CAPÍTULO 7
m
7,1. (a)
b P 1... mU < y} = 1/M, i = 1,..., m
c Y PX i =d
i=1
7,2. deje que ij sea igual a 1 si la bola de JTH retirada es blanca y la (j + 1) St es negra, y deje que ij
sea igual a 0 de lo contrario. Si X es el número de instancias en las que una bola blanca es seguida
inmediatamente por una negra, entonces podemos expresar X como
n+m−1
X Ij
Así
n+m−1
Y E [ij]
j = 1 n + m − 1 P {JTH la selección es blanca, (j + 1) St es negro} n + m − 1 {JTH selección
es blanco} P {j + 1) St es negro | JTH es blanco}
n m
n Mn m 1 nanómetro
j=1 + + −
=n+M
El precedente utilizó el hecho de que cada una de las bolas de n + m es igualmente probable ser la JTH
una seleccionada y, dado que esa selección es una bola blanca, cada uno de los otros n + m − 1 bolas
es igualmente probable ser la bola siguiente elegida.
7,3. arbitrariamente numeran a las parejas, y luego dejan que ij sea igual a 1 si el matrimonio número
j, j = 1,..., 10, está sentado en la misma mesa. Entonces, si X representa el número de parejas casadas
que están sentados en la misma mesa, tenemos
X ij j = 1
Así
Y
un Para calcular E [ij] en este caso, considere la esposa número j. Dado que cada uno de los
grupos de tamaño 3 no incluyéndola es igual de probable que sean los miembros restantes de su mesa,
se deduce que la probabilidad de que su marido esté en su mesa es
L 1/4
7,11. numere las tablas para que las tablas 1, 2 y 3 sean las que tienen cuatro asientos y las tablas 4, 5,
6 y 7 son las que tienen dos asientos. También, número de las mujeres, y dejar XI, j igual a 1 si la
mujer que está sentado con su marido en la mesa j. tenga en cuenta que
Y j = 1, 2, 3
Y
Y j = 4, 5, 6, 7
Ahora, X denota el número de parejas casadas que están sentados en la misma mesa, tenemos
y [X] = y
7,12. deje que XI sea igual a 1 si el individuo no recluta a nadie, y deje que XI sea igual a 0 de lo
contrario. Entonces
E [XI] = P {i no recluta ninguno de i + 1, i + 2,..., n}
=i−1n−1
Por lo tanto, E ⎡ ⎤
n n
i 1
De lo anterior también obtenemos
me
Ahora, para i < j,
3
y [XIXJ] −
= (i − 1) (j − 2)
(n − 2) (n − 1)
Así
COV (XI, XJ) = − − − − − − − − − (i 1) (j 2) i 1 j 1
(n 2) (n 1 n 1n 1
Por lo tanto
COV (XI, XJ)
i=1i=1=1J=i+1i=1−i=1j=i+1−−
(n 1 (n 2) (n 1
n
me
(i 1) (n i) (n i 1
− (n − 2) (n − 1) 2 − − − −
i=1
7,13. Deja que XI sea igual a 1 si el ith triple consta de uno de cada tipo de jugador. Entonces
Y
Por lo tanto, para la parte (a), obtenemos
Y
De lo anterior se desprende que
Var (XI) = (2/7) (1 − 2/7) = 10/49
También, para i Z j,
y [XIXJ]
Por lo tanto, para la parte b), obtenemos
XI, XJ)
7,14. Let XI, i = 1,..., 13, igual a 1 si la tarjeta ITH es un as y dejar XI ser 0 de lo contrario. Deje
YJ igual 1 si la tarjeta JTH es una pala y dejar i, j = 1,..., 13, ser 0 de lo contrario. Nwo
⎛N n ⎞
Cov(X,Y)
n n
COV (XI, YJ)
Sin embargo, XI es claramente independiente de YJ porque conocer el traje de una tarjeta en particular
no da ninguna información acerca de si es un as y por lo tanto no puede afectar a la probabilidad de
que otra tarjeta especificada es un as. Más formalmente, deje
AI, s, AI, h, AI, d, AI, c sean los eventos, respectivamente, esa tarjeta es una pala, un corazón, un
diamante y un club. Entonces
P
+ P {YJ = 1 | AI, D} + P {YJ = 1 | AI, C})
Pero, por simetría, tenemos
P {YJ = 1 | AI, S} = P {YJ = 1 | AI, H} = P {YJ = 1 | AI, d} = P {YJ = 1 | AI, C}
Por lo tanto
P {YJ = 1} = P {YJ = 1 | AI, s}
Como lo anterior implica que
P
vemos que YJ y XI son independientes. Por lo tanto, COV (XI, YJ) = 0, y por lo tanto COV (X, Y) =
0.
Las variables aleatorias X e y, aunque no correlacionadas, no son independientes. Esto se desprende,
por ejemplo, del hecho de que
P{Y = 13| X = 4} = 0 Z P{Y = 13}
7,15. (a) su ganancia esperada sin ninguna información es 0.
b Usted debe predecir cabezas si p > 1/2 y colas de lo contrario.
c Condicionamiento en V, el valor de la moneda, da
1
E [ganancia] = * E [ganancia | V = p] DP
0
1
=* [1 (1 − p) − 1 (p)] DP + * [1 (p) − 1 (1 − p)] DP
= 1/2
7,16. Dado que el nombre elegido aparece en n (X) diferentes posiciones en la lista, ya que cada
una de estas posiciones es igualmente probable que sea la elegida, se deduce que
E [i | n (X)] = P {i = 1 | n (X)} = 1/n (x)
Ahí
e [I] = e [1/N (X)]
Así, E [MI] = e [m/n (X)] = d.
7,17. Dejando que XI sea igual a 1 si se produce una colisión cuando se coloca el elemento Ith, y
dejando que sea igual a 0 de lo contrario, podemos expresar el número total de colisiones X como
m
X XI
Por lo tanto
My
Para determinar E [XI], condición en la celda en la que se coloca.
E colocado en cellj] PJ
j
{i causa la colisión | colocado en la célula j] PJ
j PJ) i − 1] PJ
j
PJ) i − 1pj
j
El siguiente a la igualdad pasada utilizó el hecho de que, condicional en el elemento i que es colocado
en la célula j, el artículo i causará una colisión si alguno de los elementos anteriores i − 1 fue puesto
en la célula j. Así
m n
E [X] = m PJ) i − 1pj
i=1j=1
Intercambiar el orden de las sumaciones da
n
E [X] = m PJ) m
j=1
Mirar el resultado muestra que podríamos haberlo derivado más fácilmente al tomar las expectativas
de ambos lados de la identidad
número de celdas no vacías = m − X
A continuación, se encuentra el número esperado de celdas no vacías definiendo una variable de
indicador para cada celda, igual a 1 si esa celda no está vacía y a 0 de lo contrario, y luego tomando la
expectativa de la suma de estas variables de indicador.
7,18. permita que L denotar la longitud de la carrera inicial. Condicionamiento en el primer valor da
n m
E [L] = E [L | el primer valor es uno] + + E [L | el primer valor es cero] + N m
n m
Ahora, si el primer valor es uno, entonces la longitud de la corrida será la posición del primer cero al
considerar los valores restantes n + m − 1, de los cuales n − 1 son unos y m son ceros. (Por ejemplo,
si el valor inicial del n + m − 1 restante es cero, entonces L = 1). Como resultado similar es cierto dado
que el primer valor es un cero, obtenemos de lo anterior, al usar el resultado del ejemplo 3e, que
E [L] = + + + + + + + N m n n m m
M1nmn1nmn m
=m+1+N+1
7,19. deje que X sea el número de volteretas necesarias para que ambas cajas se vacíen, y permita que
y denotar el número de cabezas en los primeros saltos de n + m. Entonces
n+M
Y
i=0
n + mi 1 − p) n + m − i
EP
Ahora, si el número de cabezas en el primer n + m voltea es i, i... n, entonces el número de volteretas
adicionales es el número de volteretas necesarias para obtener un adicional n − i cabezas. Del mismo
modo, si el número de cabezas en el primer n + m se voltea i, i > n, entonces, porque habría habido un
total de n + m − i < m colas, el número de volteretas adicionales es el número necesario para obtener
un adicional i − n cabezas. Dado que el número de saltos necesarios para los resultados de j de un tipo
particular es una variable aleatoria binomial negativa cuya media es j dividida por la probabilidad de
ese resultado, obtenemos
n
Ni 1 − p) n + m − i
EP
i=0
n+M PI (1 − p) n + m − i
7,20. tomar las expectativas de ambos lados de la identidad dada en la pista rinde
e [xn] = E
q
= n * E [xn − 1IX (x)] DX
0
q
= n * xn − 1E [IX (x)] DX
q
= NxN − 1F (x) DX
Tomar la expectativa dentro del signo integral está justificado porque todas las variables aleatorias IX
(x), 0 < x < q, son no negativas.
7,21. considerar una permutación aleatoria I1,..., en que es igualmente probable que sea cualquiera de
la n! Permutaciones. Entonces
E [aIjaIj 1 | Ij = k] P {ij = k}
+
k
N
k
1
i ij k
=N| = }
k i
Para
n (n − 1)
k IZk
Si
<0
donde la igualdad final siguió desde la suposición de que. Dado que el anterior muestra que ⎡ N
⎤
E
se deduce que debe haber alguna permutación I1,..., en la que
n
j=1
7,22. a) E [X] = L1 + L2, E [X] = L2 + A3
b
COV (X, Y) = COV (x1 + x2, x2 + x3)
= COV (x1, x2 + x3) + COV (x2, x2 + x3)
= COV (x2, x2)
= Var (x2)
= L2
c Acondicionamiento en x2 da
P {X = i, y i, y = j | x2 = k} P {x2 = k}
K I − k, x3 = j − k!
K I − k, x3 = j − k}!
¡ K y!
k
Min (i, J) Λi − k λj − k
e
! ¡K!
=0
7,23.
Cov
Corr
(XI, YJ)
= 8nσx2nσy2 i (XI, Yi) i jZi COV (XI, YJ) =
Nσxσy
=R
donde la igualdad al lado de la última utilizó el hecho de que COV (XI, Yi) = ρσxσy
7,24. dejar XI igual a 1 si la tarjeta ITH elegida es un as, y dejar que sea igual a 0 de lo contrario. Kuz
X XI
y E [XI] = P {XI = 1} = 1/13, sigue que E [X] = 3/13. Pero, con un ser el evento que el as de picas es
elegido, tenemos
Y
= E [X
= E [X AC]
donde usamos que el hecho de que el as de picas es elegido las otras dos cartas son igualmente
propensos a ser cualquier par de las cartas restantes 51; por lo que la probabilidad condicional de que
cualquier tarjeta especificada (no igual al as de picas) se elige es 2/51. También
E [X L] = 4P {Y1 = 1 | L
Kuz
(AL) P (A)
P{Y
52 · 51 · 50
obtenemos la misma respuesta que antes.
7,25. (a)Z
(X). por lo tanto,
E
c El resultado sigue ahora becauseSince X − Z es normal con meanE [Iμ] = y varianza
2, haveP {I = 1} = P {Z < X}.
p {x > de} = p {x − z > 0} = P
7,26. deje N ser el número de cabezas en el primer n + m − n1heads y en los leastflips. Let M = MAXM
(Xtails., Y) ser el número de volteretas necesarias para amasar por lo menos condicionamiento en N
da
E
i
n−1 n+m−1
[MN = i] P {N = i}
i=0 i=n
Ahora, supongamos que se nos da que hay un total de juicios. Si yo < n, entonces ya hemos obtenido
en cabezas me llevaré en las colas firstm, por lo que el additionaln + m − 1 número de saltos necesarios
es igual al número necesario para un adicional n − i cabezas; del mismo modo, si i Ú n, entonces ya
hemos obtenido al menos n cabezas, por lo que el número adicional de saltos necesarios es igual al
número necesario para un m − adicional (n + m − 1 − i) colas. En consecuencia, hemos
−1 n i EP {N = i}
+ −1 i+−1 n P {N = i}
i=n
−1n
= n + M+
i n + M 1 PI (1 − p) n + m − 1 − i
+ −1i+1 n n + M 1 PI (1 − p) n + m − 1 − I y = n −
El número esperado de voltea para obtener n cabezas o colas m, E [min (X, y)], ahora se da por
n m
E[min(X,Y)] = E[X + Y − M] = + − − Y [M]
p 1 p
7,27. este es sólo el tiempo esperado para recopilar n − 1 de los n tipos de cupones en el ejemplo 2i.
Por los resultados de ese ejemplo la solución es n n n
más de 1 − + − + ... +
n 1 n 2 2
7,28. con q = 1 − p,
q n n NQ
E {x efecto} = {x UU} = i = 1 i = 1
7,29.
Cov(X,Y) = E[XY] − E[X]E[Y] = P(X = 1,Y = 1) − P(X = 1)P(Y = 1)
Ahí
Cov(X,Y) = 0 3 P(X = 1,Y = 1) = P(X = 1)P(Y = 1)
Kuz
Cov(X,Y) = Cov(1 − X,1 − Y) = −Cov(1 − X,Y) = −Cov(X,1 − Y)
el anterior muestra que todos los siguientes son equivalentes cuando X e y son Bernoulli:
1. Cov(X,Y) = 0
2. P(X = 1,Y = 1) = P(X = 1)P(Y = 1)
3. P(1 − X = 1,1 − Y = 1) = P(1 − X = 1)P(1 − Y = 1)
4. P(1 − X = 1,Y = 1) = P(1 − X = 1)P(Y = 1)
5. P(X = 1,1 − Y = 1) = P(X = 1)P(1 − Y = 1)
7,30. número de los individuos, y dejar XI, j igual a 1 si el individuo jth que tiene el tamaño del
sombrero i elige un sombrero de ese tamaño, y dejar XI, j igual 0 de lo contrario. Entonces el número
de individuos que eligen un sombrero de su tamaño es
r ni
XXi, j
Ahí
r ni r ni r
Ehin
n n
i=1j=1 i=1j=1 i=1